IBP3272_10

GESTÃO E OTIMIZAÇÃO EM TEMPO REAL DA PRODUÇÃO

EM UNIDADES TERMELÉTRICAS
Sérgio T. Sá Barretto1, Carlos Arthur M. T. Cavalcante2, Luciana A.
Pacheco3, Adonias Magdiel Silva4

Copyright 2010, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP

Este Trabalho Técnico foi preparado para apresentação na Rio Oil & Gas Expo and Conference 2010, realizada no período de 13 a
16 de setembro de 2010, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico do
evento, seguindo as informações contidas na sinopse submetida pelo(s) autor(es). O conteúdo do Trabalho Técnico, como
apresentado, não foi revisado pelo IBP. Os organizadores não irão traduzir ou corrigir os textos recebidos. O material conforme,
apresentado, não necessariamente reflete as opiniões do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, seus Associados e
Representantes. É de conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais da Rio Oil &
Gas Expo and Conference 2010.

Resumo
No final do século XX, os avanços tecnológicos na área de Tecnologia de Informação (TI) e telecomunicações
permitiram a comunicação remota entre os diversos elementos de uma organização, aumentando consideravelmente o
fluxo de informações em um sistema produtivo. E isto tem promovido uma infinidade de cenários operacionais
possíveis, dificultando o processo de gestão, tomada de decisão e otimização. Neste panorama, as soluções
determinísticas e isoladas, propostas pelo paradigma mecanicista, passaram a não gerar resultados satisfatórios.
Somente soluções sistêmicas explicavam este novo, imprevisível e incerto ambiente. Estas soluções sistêmicas,
desenvolvidas à luz da teoria da complexidade, foram denominadas de Sistemas Complexos Adaptativos (SCA). Diante
deste contexto, o conceito da modelagem matemática e otimização de processos produtivos, apoiando a análise de
decisão, vem se evidenciando cada vez mais. É comum observar o desenvolvimento de diversos modelos matemáticos
determinísticos para um mesmo sistema produtor, em que cada modelo atende a um determinado objetivo ou a um
determinado aspecto da realidade modelada. Esta, por sua vez, se altera constantemente, provocando paradas
indesejáveis nos sistemas de gestão da produção e otimização para atualização de seus modelos, prejudicando ainda o
processo de tomada de decisão do sistema produtivo. Esta pesquisa descreve o desenvolvimento de uma metodologia
para a elaboração de modelos matemáticos, que se atualizam continuamente em função de alterações das realidades
modeladas. O objetivo é melhorar o suporte ao processo decisório em um sistema produtivo em atividades de
programação e controle da produção. Esta pesquisa também incorpora o desenvolvimento de um software que,
conectado à camada de supervisão das plantas industriais, atualiza seu modelo, em tempo real, dentro de limites pré-
estabelecidos. A validação e análise crítica da metodologia proposta estão sendo realizadas em uma unidade
termelétrica no parque gerador da Petrobras em Camaçari-BA.

Abstract
At the end of 20th century technological advances in the Information Technology (IT) and telecommunication areas
allowed long-distance communication between the various elements of an organization. This has meant a considerable
increase in the flow of information within a productive system, allowing the consideration of various possible
operational scenarios, making the decision-making, management processes and optimization more complex. In this
panorama, isolated and resolute solutions proposed by the universal mechanism no longer offer satisfactory results;
only systemic solutions seemed to be capable of explaining this new, unexpected and uncertain environment. Such
systemic solutions, developed in the light of the Complexity Theory, were called Complex Adaptive Systems (CAS).
Given this context, the concept of mathematical modelling and optimization of productive processes supporting the
analysis of decision-making has been calling attention. It is common to observe the development of various resolute
mathematical models for the same productive system, each model attending a specific objective or a specific aspect of
the modeled reality, which, in turn, is constantly altered. Such constant alterations cause undesired pauses in the
production management and optimization systems for the updating of its models, impairing the decision-making
______________________________
1
Mestre Mecatrônica, Tec. Informática – Petrobras
2
Doutor em Engenharia – Universidade Federal da Bahia
3
Especialista em Mecatrônica – Universidade Federal da Bahia
4
Mestre em Engenharia – Universidade Federal da Bahia
 Rio Oil & Gas Expo and Conference 2010

process in a productive system. This research develops a methodology for the elaboration of mathematical models,
which continually updated due to the alterations on the modeled realities, seeking to improve the decision-making
process in a productive system in Production Control Plan activities. This work also incorporates software
development, connected to the supervision layer of industrial plants which update its model in real time, within pre-
established limits. The validation and critical analysis of the proposed methodology is occurring at a thermoelectric
plant, located at a generating park belonging to Petrobras in Camaçari city in Brazil.

1. Introdução
Para suportar a tomada de decisão em complexos cenários operacionais, diversos autores propõem o
desenvolvimento de modelos de gestão baseados na teoria da complexidade e o desenvolvimento de Sistemas de Apoio
à Decisão (SAD) ou Decision Support System (DSS) (Anderson, 1999; Leite & Bornia & Coelho, 2004; Rebelo, 2008).
A Análise de Decisão é uma das áreas de conhecimento mais demandadas na atualidade pelos mais diferentes
segmentos da atividade humana, sendo definida como o campo de conhecimento que estuda o desenvolvimento de
métodos racionais para a seleção da melhor alternativa, dentre um conjunto de alternativas possíveis. Neste contexto, é
aplicada aos sistemas de gestão de processos produtivos (Shimizu, 2006).
No desenvolvimento de sistemas integrados de produção, destacam-se a modelagem matemática e a otimização
das variáveis operacionais e dos critérios decisórios adotados, de forma a auxiliar a tomada de decisões. O objetivo é
fornecer ao tomador de decisões as coordenadas do cenário operacional ótimo, isto é, aquele que resulta em mínimo
custo, máximo lucro, mínimo impacto ambiental ou mínimo desgaste de equipamentos, entre outros objetivos, assim
como as conseqüências econômicas e técnicas decorrentes da decisão de operar o processo produtivo em um cenário
operacional diferente do ótimo (Hayes & Wheelwright, 1984; Slack & Chambers & Johnston, 2002).
Entretanto, um dos principais problemas que limitam a utilidade prática dos modelos matemáticos
desenvolvidos para apoiar a gestão de sistemas produtivos é que as realidades modeladas se alteram ao longo do tempo,
fazendo com que os modelos se tornem defasados e, portanto, inadequados para simular as realidades em estudo. Este
aumento do gap semântico, isto é, aumento da defasagem entre modelo e realidade, exige repetidas intervenções
humanas para a atualização dos modelos codificados. Como conseqüência, são freqüentes os períodos de tempo em que
o modelo se torna indisponível ou inadequado para o cumprimento de sua função principal: suportar o processo de
tomada de decisões (Sá Barretto et al., 2009)
Os avanços tecnológicos na coleta de dados de processos produtivos iniciaram uma reconsolidação no
desenvolvimento de técnicas empíricas de modelagem. Estas técnicas não são baseadas apenas no levantamento das
equações descritivas da fenomenologia do processo, mas também na observação de dados e estabelecimento das
relações de dependência matemática entre as variáveis de entrada e de saída, sem referência explícita às suas relações
de causa e efeito. Conhecida como modelagem “caixa-preta”, este tipo de abordagem se tornou viável em razão de
alguns fatores, como: aumento de complexidade dos sistemas, onde nem sempre é fácil ou possível mapear as equações
básicas de um sistema; o declínio no custo de recursos computacionais; a disponibilidade de tecnologias de aquisição
de dados, entre outros. A sub-área de conhecimento da modelagem matemática que estuda a modelagem em caixa preta
é conhecida como Identificação de Sistemas (Aguirre, 2007).
A principal finalidade deste trabalho é apresentar um aplicativo de otimização da produção que incorpora uma
metodologia de atualização em tempo real de modelos matemáticos de apoio à gestão de plantas industriais. A
atualização em tempo real revelou-se imperativa para garantir níveis aceitáveis do gap semântico e assegurar a efetiva
utilidade prática do aplicativo.
Tanto a metodologia de atualização embarcada quanto a funcionalidade do sistema aplicativo estão sendo
validadas em uma unidade termelétrica da Petrobras instalada no território nacional. A utilização deste aplicativo no
apoio à gestão de produção visa a reduzir os custos operacionais, tais como: consumo de gás natural, água
desmineralizada, tempos de parada dos equipamentos, dentre outros.

2. GESTÃO, TOMADA DE DECISÕES E OTIMIZAÇÃO

Gerir é tomar decisões. Constantemente, gestores têm se deparado com situações complexas, frente às quais se
apresenta uma miríade de soluções possíveis. A questão premente é a definição de qual é a melhor solução a ser
implementada. Quando se dispõe de dados, o problema pode ser estruturado de forma matemática, e a área de
conhecimento que trata desta estruturação é conhecida como modelagem (Moreira, 1993; Ravindran et al., 2006).
A modelagem matemática não é um método científico que possa ser conduzido exclusivamente por
especialistas do ramo. Ravidran et al. (2006) afirmam que a chave para uma resolução bem sucedida de um problema
depende de uma boa formulação matemática e que esta formulação é, em grande parte, uma arte. Moore e Weatherford
2
 Rio Oil & Gas Expo and Conference 2010

(2005) destacam que o julgamento gerencial deve permear todos os aspectos do processo de modelagem. Segundo os
autores, uma realidade pode ser abstraída na forma de um modelo matemático. Mas, por definição, um modelo é uma
simplificação da realidade e, inevitavelmente, alguns fatores não farão parte desta abstração. Entretanto, tais fatores não
poderão deixar de ser levados em conta no processo de tomada de decisão, que dependerá não só da análise dos
resultados obtidos a partir do modelo, mas também da análise gerencial dos fatores supracitados. Estes dependerão, em
grande parte, da experiência e intuição do tomador de decisões (ver Fig. 1).

Figura 1. O papel do julgamento no processo de modelagem (modificada de Moore e Weatherforf, 2005)

Moreira (1993) destaca a presença de fatores imponderáveis ou qualitativos no processo decisório, isto é,
fatores que não podem ser estruturados matematicamente no modelo. Por outro lado, em problemas complexos, a etapa
de estruturação matemática pode sugerir novos aspectos passíveis de estruturação, que não seriam identificáveis
somente com uma análise qualitativa (ver Fig. 2). Reforçando esta questão, Moore e Weatherford (2005) afirmam que o
uso de modelos como suporte na tomada de decisões não implica necessariamente na implementação da melhor solução
gerencial, mas possibilita aos gestores a obtenção de insights importantes e úteis para a exploração de alternativas,
estabelecimento de planos de contingência e redução dos tempos de reação.

Figura 2. O Processo de Modelagem de Problemas Decisórios (SÁ BARRETTO et. al., 2009)

As soluções de problemas decisórios, modelados matematicamente, geralmente são encontradas através da

utilização de técnicas e ferramentas que otimizam uma função objetivo. Este contexto pode ser traduzido como a
maximização de uma função lucro ou a minimização do custo, ou tempo de operação, em um processo produtivo. O
avanço tecnológico dos recursos computacionais tem expandido bastante o horizonte das técnicas de otimização,
facilitando a resolução de problemas que envolvam modelos matemáticos complexos.
Segundo Aguirre (2007), a modelagem matemática tem sido classificada de várias formas. Uma delas
classifica três tipos básicos: modelagem em caixa branca, modelagem em caixa cinza e modelagem em caixa preta. Na
modelagem em caixa branca, ou conceitual, todo o comportamento físico do processo alvo da modelagem é descrito
matematicamente e em detalhes. Este tipo de modelagem requer que o especialista executante tenha um conhecimento
profundo da fenomenologia do sistema modelado. E, a depender da complexidade da realidade modelada, esta técnica
pode se revelar bastante demorada e dispendiosa.
Na modelagem em caixa preta, também conhecida como modelagem empírica, não é necessário conhecer as
relações fenomenológicas entre as variáveis de entrada e de saída de um processo. Neste tipo de modelagem, não existe
uma relação óbvia entre a estrutura e os parâmetros do modelo com os aspectos físicos da realidade modelada. Uma de
suas principais características é não requerer conhecimento profundo, ou até mesmo conhecimento algum, da natureza
física da realidade a ser modelada. Esta técnica requer apenas informações sobre os dados de entrada e saída de um
sistema modelado. Atualmente, os avanços tecnológicos dos recursos computacionais disponibilizam meios para a
obtenção e o armazenamento de dados das séries históricas de variáveis de processos produtivos (Aguirre, 2007).
3
 Rio Oil & Gas Expo and Conference 2010

Na modelagem caixa cinza, a polaridade caixa branca/caixa preta é relativizada pela combinação dos aspectos
positivos destes dois tipos. Neste caso, além dos dados obtidos a partir do conhecimento fenomenológico da realidade,
são utilizadas informações auxiliares oriundas de séries históricas do sistema, permitindo uma associação da dinâmica
que eles podem produzir com a estrutura do modelo e seus parâmetros (Aguirrre, 2007).
Segundo Colin (2008), dentre os modelos utilizados para o apoio a decisão destacam-se os modelos de
Pesquisa Operacional (PO) onde, por sua vez, evidenciam-se as técnicas de Programação Linear (PL), que vem com a
proposta de solucionar problemas de alocação de recursos para execução de tarefas. Neste contexto, problemas desta
natureza são facilmente identificáveis nas atividades de Programação e Controle da Produção (PCP), que nada mais são
do que problemas de alocação de recursos para o atendimento das demandas de um processo produtivo.
Independentemente das técnicas utilizadas para elaboração de um modelo decisório de PO, o referido modelo
nada mais é do que um arcabouço de equações matemáticas que compõem as restrições de um determinado processo
alvo de uma modelagem. Porém, de uma forma geral, estas restrições possuem parâmetros fixos que, por sua vez, não
refletem as mudanças do processo subjacente (COLIN, 2008).
Este trabalho apresenta o desenvolvimento de uma metodologia que atualiza as restrições de um modelo
matemático de PO. Este modelo de PO representa o processo decisório da planta industrial, enquanto que suas
restrições representam o comportamento operacional dos equipamentos que ela possui. Estas restrições, atualizáveis por
meio de técnicas de Identificação de Sistemas, refletem as alterações do ambiente produtivo, tais como: rendimento dos
equipamentos, variação na qualidade dos insumos, alterações climáticas, entre outras. Desta forma, o modelo decisório
em PO se torna atualizável e apto a suportar o efetivo apoio ao processo de tomada de decisão na atividade de PCP da
planta industrial.

3. A MODELAGEM DO PROCESSO PRODUTIVO

A unidade modelada é a Unidade Termelétrica Rômulo Almeida (UTE-RA), que integra do parque gerador de
energia elétrica da Petrobras, localizada no município de Camaçari – Bahia. Esta unidade é composta por três Turbinas
de Gás (TG), cada uma delas acoplada a um gerador de 27 MW e a uma caldeira de recuperação, ou Heat Recovery
Steam Generator (HRSG). Possui ainda uma Caldeira Auxiliar (CA) e uma Turbina a Vapor (TV), também acoplada a
um gerador de 56 MW, totalizando assim uma capacidade de geração de 137 MW de energia elétrica e de produção de
260,3 t/h de vapor, a uma pressão de 42 bar e 5,4 t/h de vapor, a uma pressão de 15 bar. Assim, a diversidade de
cenários operacionais, sugeridos no exercício de uma atividade de otimização, da UTE-RA tornou-a atrativa para o
teste da metodologia proposta neste trabalho.
A UTE-RA teve seu fluxo de produção detalhado e o seu processo de programação da produção, ou de
definição da configuração operacional, foi modelado matematicamente e submetido à execução de técnicas de PO e,
mais especificamente, de PL. Ainda que fornecendo respostas defasadas, em razão da utilização de parâmetros estáticos
das suas restrições operacionais, o modelo de processo decisório passou a fornecer respostas (configurações
operacionais), que minimizam o custo operacional da unidade, o qual foi definido como a função objetivo. Desta forma,
passou-se a dispor de um objeto de estudo para o desenvolvimento da metodologia de atualização de modelos
matemáticos de processos decisórios.
Além das questões operacionais, a este modelo foram também incorporadas questões econômicas e ambientais
que afetam o seu processo de tomada de decisões. Restrições como limites de insumos do processo, a exemplo de gás
combustível, e também emissões atmosféricas, tais como NOX e CO2, foram contempladas no modelo matemático de
apoio a decisão da unidade. Questões relativas às demandas da unidade produtiva também foram analisadas durante a
etapa de modelagem.
Com o modelo de apoio a decisão operando com parâmetros fixos, passou-se para o desenvolvimento da
metodologia de atualização de parâmetros das suas restrições operacionais, de forma a melhor refletir as mudanças do
ambiente produtivo, proporcionando ao grupo de gestão operacional da unidade a capacidade de selecionar a melhor
alternativa de cenário de operação disponível.
O diagrama de Blocos de Produção (BP) apresentado na Fig. 3 foi elaborado com base na análise dos
fluxogramas de engenharia, dos manuais de operação de equipamentos e das plantas de processo, bem como em
levantamentos de campo e entrevistas junto a operadores e gestores da planta. O BP, ou simplesmente “bloco”, é uma
simbologia utilizada para a representação de um subsistema da unidade, que relaciona as entradas e saídas de cada
subsistemas da UTE Piloto. Desta forma o diagrama representa o fluxo dos sinais coletados, as funções desempenhadas
por cada componente funcional e a relação de dependência existente entre eles. Além disso, foram consideradas as
variáveis independentes (sob controle da operação e da gerência) assim como a disponibilidade de dados para
composição de séries históricas.
Durante o processo de modelagem, foram identificados os subsistemas, cujas alterações de comportamento são
perceptíveis dentro de um período de tempo de horas ou dias, a exemplo da turbina a gás, cuja análise das séries

4
 Rio Oil & Gas Expo and Conference 2010

históricas demonstrou que, diariamente entre 12 e 24h, seu rendimento pode variar cerca de 5%, devido principalmente
à variação da temperatura ambiente neste período. Blocos como este, cujo comportamento variante no tempo foi
considerado expressivo, foram submetidos às técnicas de Identificação de Sistemas e encontram-se destacados em
laranja, no diagrama da figura 3. Demais blocos, destacados em azul, foram considerados blocos cujo comportamento
variável não é perceptível, dentro dos critérios de tempo estabelecidos, a exemplo dos headers de vapor que, dentre
outros subsistemas, puderam ser representados de forma estática.

Figure 3. Diagrama de blocos da UTE-RA

3. INFRA-ESTRUTURA DE AQUISIÇÃO DE DADOS

Para suportar as atividades de otimização são utilizadas as ferramentas Process Information Management
System (PIMS), que nada mais são do que bancos de dados temporais ou historiadores de processos industriais. Os
PIMS, devido aos seus eficientes algoritmos de exceção e compressão são capazes de armazenar grandes volumes de
dados, recuperar dados históricos de uma determinada variável, compará-los com os valores atuais ou ainda montar um
gráficos a um custo relativamente baixo e com extrema rapidez (DANG, 2007; BARR, 1994; FRAS & DANG, 2004).
A atualização do modelo matemático se baseia no estudo das séries temporais extraídas de um PIMS
conectado com a planta, com finalidade de realizar a aquisição das séries temporais dos BP, que no caso foi o Plant
Information (PI) da OSIsoft Inc. No PI da UTE-RA foram configuradas tags, uma para cada variável essencial
identificada no diagrama de blocos (Fig. 3). As tags foram configuradas no PI a partir da obtenção, junto ao corpo
operacional da unidade, dos endereços dos instrumentos instalados no processo produtivo, que realizam as medições
das variáveis, e são visualizados a partir da camada de supervisão da unidade.
A metodologia foi desenvolvida no âmbito do Laboratório de Sistemas Integrados de Produção (LABSIP), da
Universidade Federal da Bahia (UFBA), onde foram instalados aplicativos clientes (Process Book e Data Link)
conectados ao historiador, o que permitiu importar os valores das séries históricas para uma planilha eletrônica e, a
partir daí, exportá-los para o MATLAB, onde foram submetidos ao algoritmo que implementa a metodologia de
atualização (Fig. 4).

5
 Rio Oil & Gas Expo and Conference 2010

Figura 4. Arquitetura utilizada em laboratório

4. METODOLOGIA DE ATUALIZAÇÃO
Os BP, dispostos no diagrama da figura 3, auxiliaram na determinação das expressões matemáticas que
compõem as restrições operacionais integrantes do modelo decisório de PO adotado pelo grupo de gestão operacional
da UTE-RA. Dentre estas restrições, aquelas oriundas dos BP atualizáveis configuram os modelos matemáticos a serem
atualizados para refletir o comportamento dinâmico destes subsistemas, isto é, representam os modelos matemáticos a
serem submetidos à metodologia de atualização.
A Figura 5 apresenta o fluxo da metodologia desenvolvida que implementa a atualização de modelos
matemáticos aplicados a sistemas integrados de gestão. A metodologia se baseia nos conceitos de regressão e auto-
regressão, conforme descrito adiante. O fluxo apresentado foi construído e testado em laboratório com um software de
processamento matemático, o MATLAB versão 7.6.0.324.

Figura 5. Fluxo da metodologia de reparametrização proposta

6
 Rio Oil & Gas Expo and Conference 2010

Primeiramente foi realizada uma estimativa do tamanho representativo da amostra de dados das séries
históricas dos BP, utilizando o critério de proporções em populações infinitas, de Spiegel (1977). Após definir o
tamanho da amostra foram recuperadas séries de 10.080 valores, ou 168 horas, de todas as variáveis disponíveis de
todos os BP atualizáveis.
Em seguida, foi realizada uma análise de correlação cruzada para verificação de quais entradas provocam
variações expressivas nas saídas, e vice-versa. As variáveis com comportamento correlacional cruzado significativo
foram ditas variáveis essenciais e aquelas com comportamento não significativo foram denominadas variáveis não
essenciais. As variáveis consideradas não essenciais foram retiradas do diagrama de blocos, de maneira que o diagrama
representado na figura 3 possui somente variáveis essenciais.
Foram suprimidos das séries históricas de cada variável os valores que se encontravam fora dos limites
estabelecidos pelas normas operacionais da planta. No caso da turbina de gás, os valores abaixo de 10 MW, gerados
durante sua partida ou desativação, foram retirados por não representarem adequadamente o comportamento dinâmico
deste equipamento. Procedimento similar foi estabelecido para os valores acima de 27 MW.
Durante a operação da planta, a UTE-RA assume diversos estados estacionários distintos. Porém, mesmo em
um estado estacionário, podem ocorrer flutuações bruscas, ou evoluções dinâmicas explosivas, oriundas de ocorrências
atípicas, como: variações na carga das turbinas, variações nos insumos, anomalias em equipamentos, dentre outras.
Considerou-se que estas variações explosivas não caracterizam o comportamento do sistema em análise, razão pela qual
seus dados correspondentes foram eliminados, gerando lacunas nas amostras.
Em seguida, realizou-se a qualificação de cada amostra – um conjunto de procedimentos para determinar se
são válidas ou não. Além das lacunas geradas nas etapas anteriores, somam-se as lacunas oriundas da indisponibilidade
operacional de equipamentos, oscilações ou falhas na conexão do PIMS com a camada de supervisão e controle da
planta. Nesta etapa, as amostras foram divididas em 168 partes, cada uma contendo uma hora de dados históricos, para
a realização da análise do desvio padrão dos dados inválidos. Foi realizado um teste Z para verificar se a quantidade de
blocos válidos atende ao critério de dimensionamento (superior a 95%). Após a primeira recuperação de dados, se a
série não for qualificada, a referência inicial t0 é deslocada para o passado em 24 horas e, a partir daí, recuperam-se
outras 168 horas retroativas. Este comportamento se repete continuamente até a obtenção de uma amostra qualificada,
ou até o deslocamento máximo de 15 dias. Caso isto ocorra sem a obtenção de uma série histórica qualificada, o
processo é finalizado e o último modelo válido é utilizado. Por fim, foi realizado o teste não paramétrico de Wald-
Wolfowitz, para verificação da distribuição aleatória das lacunas.
A etapa seguinte consistiu em uma interpolação linear de primeira ordem nas lacunas das amostras
qualificadas.
Na etapa de decimação, determinou-se o tempo de amostragem a ser considerado para a identificação dos
modelos. Shannon (apud Aguirre, 2007, p.463), afirma que um sinal que não contenha componentes de freqüência
acima de 1/2 Ts, sendo Ts o tempo de amostragem, pode ser determinado unicamente a partir de amostras separadas por
Ts. Aguirre (2007) define um processo simples de decimação de amostras, a ser realizado a partir de um sinal super-
amostrado, onde a alta correlação é constatada através de observações adjacentes a este sinal. A fim de quantificar os
efeitos da super amostragem, calcula-se a função de auto-correlação das séries adquiridas dos sinais de saída de cada
BP, determinando seu valor mínimo. A partir daí, varia-se o tempo de amostragem progressivamente de 15 em 15
minutos de forma a obter o ponto mínimo da função em um intervalo de defasagem entre 10 e 20.
Existem diversas formas de se representar matematicamente um sistema discreto. Para a determinação da
estrutura matemática mais adequada aos BP do processo da UTE-RA, utilizou-se cerca de doze meses de informações,
para testar as estruturas Auto Regressive Movel Average and Input Exogenous (ARMAX), Box Jenkins, Output Error
(OE) ou Erro na Saída e Autoregressive with Input Exogenous (ARX). Dentre as estruturas estudadas, a estrutura ARX
foi a que melhor representou o comportamento dinâmico da planta.
Para a determinação da ordem dos modelos ARX, dos seus parâmetros a cada momento, a série decimada é
transposta para uma matriz de diferenças, em termos de defasagens t – 1, t – 2, t – 3, ..., t – 25. Os modelos obtidos a
partir das regressões cujo coeficiente de explicação da curva foi inferior a 95% foram descartados, sendo selecionado o
modelo cuja curva apresentou melhor ajuste à amostra adquirida, acima do percentual estabelecido. Se o limite de
defasagens (t – 25) for alcançado sem que o percentual também o seja, então o último modelo válido é resgatado. Como
exemplo, no caso do bloco de produção da TG1, utilizou-se o modelo geral a seguir:

25 25 25
ETG1 (t ) = a0 + ∑ bn ⋅ ETG1 (t − n) + ∑ cn ⋅ VGAS _ TG1 (t − n) + d 0 ⋅ VGAS _ TG1 (t ) + ∑ en ⋅ PGAS _ TG1 (t − n) +
n =1 n =1 n =1
25 25
f 0 ⋅ PGAS _ TG1 (t ) + ∑ g n ⋅ TGAS _ TG1 (t − n) + h0 ⋅ TGAS _ TG1 (t ) + ∑ in ⋅ TAR _ TG1 (t − n) + j0 ⋅ TAR _ TG1 (t )
n =1 n =1

7
 Rio Oil & Gas Expo and Conference 2010

5. RESULTADOS
Os ensaios em laboratório da metodologia proposta, dispostos na Tabela 1, apontaram para uma efetiva
redução do gap semântico. Mudanças do processo produtivo, tais como a variação do rendimento das TG, em função de
sua contaminação por combustão, dentre outras, foram bem retratadas na atualização dos parâmetros.

Tabela 1. Resultados do experimento de análise de redução do gap semântico

Uma TG opera continuamente por 21 dias, parando após este período para lavagem dos compressores. Durante
o período analisado, a UTE-RA operou com uma carga média de 20 MW, ou seja, dentro desta programação de
produção cada TG operou quatro vezes por ano (ver Tabela 1). Segundo definido na metodologia, a aquisição de dados
é realizada em períodos de sete dias (168 horas). Desta maneira, cada período adquirido de 21 dias de operação, de cada
TG, foi subdividido em três sub-períodos de sete dias: os primeiros sete dias, após a lavagem do compressor,
correspondem à semana “A” do período operacional e os sete dias finais, à semana “C”. A hipótese estabelecida é que o
modelo apontará para a semana “A” de cada TG, já que esta possui um rendimento melhor do que a semana “C” da
mesma turbina.
Durante os ensaios, foram realizadas as atualizações dos modelos de cada BP (TG1, TG2 e TG3), em quatro
cenários operacionais distintos. Os modelos foram atualizados a partir de 48 amostras de dados, selecionadas em
períodos distintos, de cada TG. Na Tabela 1 estão explicitadas as datas de aquisição das amostras e os parâmetros
obtidos a partir da auto-regressão.
Os ensaios consistiram em encontrar o cenário operacional ótimo, submetendo o modelo decisório a um
algoritmo de programação matemática, utilizando o solver, otimizando a sua função objetivo Custo Operacional, para a
verificação do chaveamento das TG de melhor rendimento, em atendimento a uma demanda de 20 MW.
Nos ensaios realizados, o algoritmo de otimização apontou para as turbinas TG2 e TG1, respectivamente, nos
cenários um e três (ver Tabela 1). De fato, conforme esperado, o cenário ótimo indicou as TG, cujos parâmetros do
modelo matemático foram atualizados nas semanas “A” destes equipamentos. Ou seja, os parâmetros atualizados pela
metodologia refletiram as mudanças do ambiente produtivo, confirmando a hipótese estabelecida.
Porém, nos cenários dois e quatro, o solver apontou para as turbinas TG3 e TG1, ou seja, para as semanas “C”,
supostamente as de pior rendimento. Para uma análise mais aprofundada deste resultado, aparentemente incoerente,
realizou-se a integração numérica da área subjacente aos gráficos da potência elétrica gerada e da vazão de gás
consumido por cada TG, obtendo-se um coeficiente de rendimento médio de cada equipamento, expresso em Watt/m3.
Após esta análise, constatou-se que, no cenário quatro, embora tratando-se de uma semana “C” da TG1, este
equipamento demonstrou um rendimento médio melhor do que a semana “A” da TG2. Portanto, o solver apontou para
o equipamento com melhor relação de energia/consumo de combustível, demonstrando que a suposição do grupo de
gestão de considerar um equipamento recém-lavado como o equipamento de melhor rendimento nem sempre é válida.
Porém, no cenário dois, o solver convergiu para a TG3 (semana “C”), independente da TG1 (semana “A”)
apresentar um coeficiente de rendimento melhor. Porém, retirando-se a TG3 deste cenário, o algoritmo de otimizaçao
apontou para a TG1, como era de se esperar (linha azul da Tabela 1), demonstrando que esta discrepância requer uma
investigação mais aprofundada.
A metodologia desenvolvida está sendo embarcada em um software destinado a otimização de processos de
geração termelétrica. Denominado PROTEU 1.0, este software está sendo modelado segundo o paradigma de
Orientação a Objetos (OO), na arquitetura cliente/servidor, em detrimento ao padrão web, devido à razoável carga de
processamento matemático necessária. A utilização do padrão web poderia onerar demasiadamente a rede local onde
será instalado. A camada de acesso a dados, além de conexões com o PIMS da planta, faz uso de drivers OLE for Data
8
 Rio Oil & Gas Expo and Conference 2010

Base Controls (ODBC) para conexão com uma base relacional, com finalidade de armazenar principalmente:
parametrizações iniciais do aplicativo, perfis de acesso, amostras qualificadas, modelos matemáticos, funções de
transferência, funções objetivo e cenário propostos.

6. Referências
AGUIRRE, L. A. Introdução a Identificação de Sistemas Técnicas Lineares e Não-Lineares Aplicadas a Sistemas
Reais. 3.ed. Ed. UFMG, Belo Horizonte, Brazil, 2007.
ANDERSON, P. Complexity Theory and Organization Science. Organization Science, Vol.10, pp. 216-232, 1999.
DANG, T. Integration of Power Plant information system with Business information system in the open electricity
market: challenges and solutions. IEEE - 5th International Conference on Industrial Informatics. Vol.2, pp. 1209-
1213, 2007.
DUTRA, F. A. F., ERDMANN, R. H. Análise do planejamento e controle da produção sob a ótica da Teoria da
Complexidade. Revista Produção, Vol.17, São Paulo, Brazil, pp. 407-419, 2007.
FIDELIS, J. R. F., CÂNDIDO, C. M. Administração da Informação Integrada às Estratégias Empresariais. Perspectivas
em ciência da informação, Vol.11, Belo Horizonte, Brazil, pp. 424-432, 2006.
FRAS, A., DANG, T. Improving industrial application's performances with an Historian, IEEE - International
Conference on Industrial Technology (ICIT), Vol.2, pp. 718-721, 2004.
HAYES, R. H. WHEELWRIGHT S. C. Restoring Our Competitive Edge: Competing Through Manufacturing, 1.ed.
Ed. John Wiley & Sons, Inc, New Jersey, USA, 1984.
LEITE, M. S. A., BORNIA, A. C., COELHO, C. C. S. R. Os conceitos de dialógica e sistema adaptativo complexo
(SAC) aplicados à cadeia de suprimentos: uma contribuição da ciência da complexidade. Revista Pesquisa e
Desenvolvimento Engenharia de Produção, n. 3, p. 27-42, 2004.
MOORE, J.H., WEATHERFORD, L.R. Tomada de Decisão em Administração com Planilhas Eletrônicas. 6.ed. Ed
Bookman, Porto Alegre, Brazil, 2005.
MOREIRA, D.A. Administração da Produção e Operações. 1.ed. Pioneira, São Paulo, Brazil, 1993.
RAVINDRAN, A., RAGSDELL K.M. and REKLAITIS, G.V. Engineering optimization: methods and applications.
2.ed. Ed. John Wiley & Sons, Inc, Hoboken, New Jersey, USA, 2006.
REBELO, L. M. B. A dinâmica do processo de formação de estratégias de gestão em universidades: a perspectiva da
teoria da complexidade. Tese de Doutorado em Engenharia de Produção – PPGEP, Universidade Federal de Santa
Catarina, Florianópolis, Brazil, 278 p, 2008.
SÁ BARRETTO et. al. Real Time Updating Methodology for Mathematical Models of Decision Making Process.
Anais de Congresso, COMBEM, 2009.
SHIMIZU, T. Decisão nas organizações. Atlas, Campos Elísios, Brasil, 2001.
SLACK, N., CHAMBERS, S., JONHSTON, R. Administração da Produção. 2.ed, Ed. Atlas, São Paulo, Brazil, 2002.
SPIELGEL, M.R. Estatística. 3.ed, Ed. Makron Books, São Paulo, Brazil, 1994.