Este trabalho apresenta uma ferramenta de auxílio à tomada de decisão para a manutenção ou renovação de ativos. A partir da integração de dados contábeis, de georreferenciamento e de manutenção de equipamentos de subestações, é possível gerar relatórios utilizando business intelligence, e indicar os ativos mais depreciados e seu impacto na base de remuneração da empresa. A integração de todas essas bases de dados possibilita a visualização das localizações dos ativos mais depreciados e a medição do resultado de cada ativo para a base de remuneração da empresa. Portanto, a ferramenta possibilita o estabelecimento de um plano periódico de renovação.

1.0 Introdução

Um dos desafios das empresas do setor elétrico é determinar o momento ótimo de substituição de seus  equipamentos. Na medida em que os equipamentos instalados em campo se degradam, seja por sua idade ou por  situações externas ao sistema, eles tendem a apresentar maior número de falhas, colocando a operação em risco.  Assim, um plano eficiente de renovação de ativos tem como objetivo auxiliar a troca destes equipamentos, não  permitindo que todo o sistema elétrico chegue a situações críticas, mas possibilitando uma visão antecipada dos  comportamentos dos ativos utilizando estratégias de avaliação das manutenções, análises estatísticas e  monitoramento da vida útil.  

Uma possível técnica para realizar este tipo de avaliação é a estimação de vida útil remanescente. Este parâmetro  pode ser entendido como a quantidade de tempo em que o ativo pode operar antes de requerer substituição. Por  meio da obtenção deste valor, pode-se planejar a troca do equipamento e otimizar a sua operação, a partir da  estimação de seu período final de vida técnica e quais custos e retornos financeiros que ainda podem gerar para a  empresa.  

Portanto, o objetivo da ferramenta apresentada neste artigo é o de auxiliar no plano de renovação de ativos, a partir  da análise multicritério de equipamentos de subestações de distribuição, apresentando como principais premissas  de desenvolvimento: estimação de vida útil remanescente e frequência de manutenções de equipamentos  utilizando técnicas de machine learning; estimação dos custos de manutenções; cálculo de receitas dos  equipamentos (a partir da regulação vigente); avaliação de criticidade de regiões (via indicadores de continuidade  dos conjuntos elétricos), e criticidades individuais (a partir de notas de obsolescências). Adicionalmente, com a  utilização de diferentes fontes de dados e criação de notas utilizando os critérios de análise, cria-se um ranking de  priorização de subestações para um plano de substituição de equipamentos, apresentando os resultados em  mapas interativos aplicando business intelligence e estudo de caso com a base de ativos da COPEL Distribuição.

2.0 Desenvolvimento

Nesta seção serão descritas as diretrizes teóricas utilizadas no modelo proposto por este trabalho, além da  especificação geral da solução criada. 

2.1 Diretrizes metodológicas

Uma definição para gestão de ativos é a de operar um grupo de ativos durante todo o ciclo de vida útil técnica,  garantindo um retorno adequado de investimentos e assegurando serviço e segurança de acordo com os padrões  estabelecidos por normas (Schneider, 2006). Dentro do contexto da distribuição de energia, esta tarefa pode se  tornar complexa à medida que as empresas devem atingir diversos objetivos, tendo que procurar pelo equilíbrio  entre os retornos adequados de seus investimentos e a manutenção dos níveis de qualidade de fornecimento de  energia à população.  

Alguns dos pontos que um plano eficiente de gestão de ativos deve apresentar: 1) Escopo e diretrizes de plano; 2)  Dados e descritivos dos ativos considerados; 3) Atividades, tarefas, responsáveis e priorizações; 4) Estratégias do  ciclo de vida; 5) Previsões financeiras; 6) Práticas de avaliação; 7) Ações de melhoria contínua. Ou seja, a boa  gestão de ativos deve acompanhar os ativos ao longo de seu ciclo de vida, recolhendo informações do estado dos  equipamentos, avaliando esses dados e predizendo informações importantes de maneira a entender seu  funcionamento e realizar previsões de falhas e retornos econômicos. A partir de um histórico de informações de  monitoramento dos ativos, é possível aplicar um modelo que caracteriza os ativos a partir de retornos monetários,  além de análises de confiabilidade e risco, como ilustra a Figura 1.  

Os ativos da rede elétrica se degradam com o passar do tempo, impactando diretamente nas metas de qualidade  das concessionárias de distribuição. Por isso, investimentos devem ser realizados a fim de se substituir  equipamentos, manter os níveis de qualidade exigidos pelos órgãos regulatórios e renovar a base de remuneração  das distribuidoras. Para isso, uma gestão eficiente de ativos deve envolver: estratégias eficientes de manutenção,  determinação das condições em que se encontram os ativos, simulações, análises estatísticas de falhas e  monitoramento da vida útil técnica.  

A previsão do custo de manutenção pode ser realizada por meio da modelagem de dados históricos de  manutenção. Pode-se projetar, em um intervalo de tempo futuro, o custo esperado de manutenções a serem  realizadas em um equipamento, ou conjunto de equipamentos. Em geral, a previsão pode ser feita de diversas  formas, desde técnicas mais simples às mais complexas. Novamente, a escolha da técnica de modelagem recai  sob a amostra de dados disponíveis. Caso a amostra de dados seja limitada em termos de tamanho e quantidade  de atributos, é indicado o emprego de métodos mais simples, como regressão linear. Por outro lado, caso os dados  disponíveis apresentem padrões como tendência ou sazonalidade, é indicado utilizar técnicas mais complexas,  como modelos não-lineares de séries temporais (HIRSCHEY, 2009). A Vida Útil Remanescente (VUR) é o tempo  de duração restante de um ativo em um determinado momento da operação, a sua estimativa é essencial para  prever o tempo após o qual um ativo já não poderá atender a seus requisitos operacionais. A VUR é tipicamente  aleatória e, como tal, deve ser estimada a partir de fontes de informação disponíveis, como as informações obtidas  no monitoramento de condição e saúde (SI et al., 2011). Desta forma, planos de manutenção e/ou renovação de  ativos podem ser traçados a partir da VUR, a fim de otimizar a eficiência operacional.  

2.2 Bases de dados e integrações

As informações para utilização dos modelos propostos neste trabalho são apresentadas a seguir:

• Relatório de Controle Patrimonial, disponibilizando as informações contábeis dos equipamentos, servindo  como insumo para as análises de remuneração regulatória e CAPEX da empresa (RCP);
• Base georreferenciada dos equipamentos (BDGD);
• Sistema com as informações de manutenções dos equipamentos de subestações e equipamentos  especiais da rede de distribuição;
• Sistema com informações de interrupções na rede de média tensão.

A integração dos dados é apresentada na Figura 2, onde as bases gerais são ligadas pelas informações do número  do equipamento e do seu número operacional. 

2.3 Modelos de Machine Learning

2.3.1 Modelo de estimação de vida útil remanescente

A Vida Útil Remanescente (VUR) pode ser realizada a partir do cálculo da diferença entre a idade do equipamento  e da Vida Útil Técnica (VUT), estimada através da implementação de modelos de aprendizagem de máquina que  estimam essa variável. Para estimar a VUT, utilizaram-se nove variáveis (ver Figura 3), como atributos de entrada  para um modelo de aprendizagem de máquina. Esses modelos, por sua vez, realizam uma tarefa de regressão e  resultam no valor da VUT de cada equipamento. Ao todo, utilizaram-se quatro algoritmos de Aprendizagem de  Máquina (do inglês, Machine Learning – ML): Regressão Linear Múltipla, Floresta Aleatória, Árvore de Decisão e  Gradient Boosting.

Após alguns experimentos, foi utilizada Regressão Linear Múltipla para treinamento de um modelo simplificado,  uma vez que os demais são algoritmos de aprendizagem de máquina de maior complexidade computacional e,  consequentemente, são mais propensos a super ajuste do modelo para tarefas mais simples. A partir disso, para  cada TUC (Tipo de Unidade de Cadastro), realizou-se o treinamento e a validação do modelo por meio de três etapas principais: pré-processamento, estimação da VUT via ML e análise de variáveis e erros. O fluxo de  treinamento é ilustrado na Figura 4. 

2.3.2 Modelo de projeções de Manutenções 

Os modelos de machine learning para projeção da frequência de manutenção dos ativos possuem, como variáveis  preditoras, cinco informações gerais sobre o equipamento (fabricante, regional, família, TUC e idade), além de  dados que possuem informações sobre as manutenções realizadas anteriormente (custo e a frequência destas  manutenções). Considerando estas variáveis, foram gerados dois modelos de machine learning: um para a  frequência de manutenções corretivas e outro para as preventivas. Além disso, optou-se pela utilização de  variáveis de frequência de manutenção corretiva e preventiva como dados de entrada do modelo de manutenção  corretiva, uma vez que a ocorrência de manutenções preventivas pode impactar na ocorrência das corretivas.  Similarmente, para o modelo de projeção de frequência de manutenção preventiva, foram utilizadas as variáveis  dos dois tipos de manutenção.

2.4 Modelo de análise multicritério

Na literatura são encontrados diversos métodos para análise de tomada de decisão a partir de múltiplos critérios.  Um dos mais utilizados é o Analytic Hierarchy Process (AHP), originário dos trabalhos do Professor Thomas L.  Saaty (SAATY, 1991). É um método simples, em que se pode escolher as melhores opções em um grupo de  diversas alternativas utilizando parâmetros qualitativos e quantitativos. Neste método, é realizada a comparação  par-a-par dos parâmetros em análise, a partir de pesos estabelecidos pelo planejador. Como é realizada uma  normalização dos valores, pode-se realizar a comparação de critérios em diferentes escalas. O objetivo é, a partir  da determinação de critérios críticos, da atribuição de pesos e da comparação par-a-par desses múltiplos critérios,  encontrar a alternativa prioritária em um portfólio de opções, garantindo uniformidade no método de avaliação. A  Figura 5 ilustra a ideia geral do método de comparação entre os critérios de avaliação. 

A Figura 6 apresenta os critérios que foram utilizados para o desenvolvimento da ferramenta, em dois níveis  hierárquicos. 

3.0 Resultados

Nesta seção serão apresentados os resultados obtidos pela implementação da metodologia descrita.  Primeiramente, é descrita a ferramenta que foi desenvolvida, com demonstração de seus principais relatórios. Após  isso, é apresentado o resultado da aplicação dos métodos de machine learning e avaliação multicritério, com  discussão sobre os resultados obtidos utilizando a base de equipamentos da COPEL Distribuição.  

3.1 Ferramenta Especialista em Renovação de Ativos

A Ferramenta Especialista em Renovação de Ativos tem como principais objetivos apresentar resultados de  diagnósticos e estudos de projeções e priorização de troca de equipamentos, com foco em equipamentos  individuais de subestações de distribuição. No dashboard criado, os relatórios podem ser classificados nos  seguintes grupos:  

• Diagnósticos: apresentação dos dados de manutenções realizadas e ocorrências no sistema  elétrico sob análise, a fim de possibilitar uma visão da atual situação dos equipamentos e da  evolução de manutenções. Além disso, apresenta dados contábeis desses equipamentos,  mostrando percentuais de depreciação, receita da vida útil regulatória etc.
• Projeções: resultados dos estudos de estimação de vida útil remanescente dos ativos individuais,  a partir de seus históricos de manutenção, e projeção da frequência de manutenções até sua  quebra. 
• Priorização de renovação: modelo de priorização de equipamentos para renovação, a partir da  criação de rankings resultantes da análise multicritério.

Um dos painéis (ver Figura 7) apresenta o resultado de avaliação dos equipamentos, seja de forma individual, por  subestação, por determinada região ou mesmo de toda a área de concessão, de acordo com o resultado da  integração entre RCP e BDGD. Esta correlação entre equipamentos e valores contábeis foi realizada a partir de  códigos de Subestação de Distribuição (SED), Regional e sequência de códigos de cadastro do MCPSE (TUC,  Tipo de Instalação – TI, Atributos A1 a A6). Desta forma, pode-se identificar de maneira georreferenciada cada um  dos equipamentos, a partir de suas informações de cadastro da BDGD, e associar valores de Valor Novo de  Reposição (VNR), Valor de Mercado em Uso (VMU) e Depreciação Acumulada (DAC) à cada posição. Os gráficos  disponíveis são: mapa de bolhas com a localização dos equipamentos, em que o tamanho da bolha é proporcional  ao VNR, enquanto a cor segue uma escala proporcional à DAC; gráfico com a porcentagem de VMU e DAC dos  equipamentos; valor da base; comparação entre VMU e VNR da seleção; remuneração por ano; cálculo da Quota  de Reintegração Regulatória (QRR) e Remuneração Líquida do Capital (RLC) da seleção. 

3.2 Projeções utilizando IA

O dashboard de Projeções de Vida Útil Remanescente (RUL, em inglês) apresenta as comparações de idade atual  dos equipamentos e projeção de vida esperada, ou seja, em quantos anos o equipamento deverá sair da base por  quebra, como apresentado na Figura 8.  

3.3 Plano de Priorização

A tela da Figura 9 apresenta os resultados dos cálculos dos atributos e dos pesos de cada atributo, junto com o  Peso Global e o Ranking obtido. Além disso, é possível aplicar um filtro de equipamentos obsoletos, para  apresentação do ranking que tiverem sido sinalizados em condição de obsolescência.

3.4 Avaliação do modelo de priorização

A partir do recorte realizado, torna-se evidente que o modelo de priorização de troca de equipamentos  desenvolvido destaca a depreciação acumulada (DAC) e o benefício econômico (VPL) como fatores de maior  importância para o ranqueamento. Esse efeito pode ser igualmente observado pela dispersão das notas relativas  às parcelas de depreciação e benefício econômico normalizados (40,36% × DAC + 16,34% × (−VPL)) com relação  à nota global dos ativos, que pode ser aproximada por uma reta com R² = 0,9869.

O efeito da composição dos quatro critérios para ordenação dos equipamentos pode ser observado na Figura 10,  com aproximação linear de R² = 0,8804. Dessa forma, a combinação dos critérios é fundamental para que seja  possível obter a ordenação pretendida. 

Em resumo, o modelo AHP estabelecido foi desenvolvido para determinação da prioridade de troca de  equipamentos de TUC 570. Aplicando a metodologia apresentada, foram utilizados os resultados de questionários  junto ao corpo técnico da Copel para determinação dos pesos de seis critérios de avaliação (depreciação, benefício  econômico, custo de troca, impacto do desligamento, DEC/FEC e nível de obsolescência), perfazendo os objetivos  receita e criticidade. 

4.0 Agradecimento

Este trabalho recebeu financiamento e suporte técnico da Copel – Companhia Paranaense de Energia, no âmbito  do projeto “PD-02866-0514/2019 Ferramenta de Apoio à Otimização de Decisões de Renovação de Ativos”, que é  um programa P&D regulado pela ANEEL.

5.0 Conclusões

Apresentou-se neste trabalho um modelo para auxiliar nos planos de avaliação e de renovação de ativos, de  maneira a avaliar o ciclo de vida dos equipamentos, realizar previsões e calcular indicadores econômicos. Este  modelo utiliza bases de dados consolidadas pelas distribuidoras, o que o torna replicável.  

A ferramenta desenvolvida integra as informações de bases distintas, realiza as previsões e os cálculos  econômicos, aplica os pesos da metodologia de avaliação multicritério e apresenta os resultados de maneira  interativa com o usuário.  

Por fim, os estudos de vida útil remanescente, custo de manutenção e reposição de ativos, acrescidos da  metodologia AHP, originou uma ferramenta de alto valor agregado para os planejadores, uma vez que:

• Torna possível identificar os ativos críticos e/ou com alta propensão a falhas; 
• Aperfeiçoa planos de substituição de equipamentos, considerando a perda de remuneração ou por  elevação dos custos operacionais; e 
• Apresenta dados consistentes, que subsidiam as tomadas de decisão da empresa.