Áreas de interesse
Inteligência Artificial Aplicada, Sistemas de Apoio a Decisão, Pesquisa Operacional
Resumo
Possui graduação em Engenharia Elétrica com ênfase em Sistemas e Controle pela Universidade Federal de Itajubá (UNIFEI) (2002), Mestrado (2005) e Doutorado (2008) em Sistemas de Potência pelo Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia (COPPE/UFRJ). Atualmente é professor titular do Departamento de Engenharia Elétrica da Universidade Federal Fluminense (UFF). Atua também como pesquisador do INERGE (INCT do Setor de Energia), onde contribuiu como representante da UFF no comitê gestor. Atuou como chair do Capítulo da Computational Intelligence Society (CIS) da Seção Rio do IEEE de 01/2015 a 03/2018, sociedade da qual é Senior Member desde agosto de 2017. Atuou como coordenador do Comitê Técnico de Sistemas de Potência da Sociedade Brasileira de Automática (SBA) de 01/2019 a 12/2020. Em 2017 foi agraciado com o primeiro lugar no V Prêmio de Excelência em Docência promovido pela Pró-Reitoria de Graduação da Universidade Federal Fluminense (PROGRAD/UFF). No mesmo ano foi agraciado no Edital FAPERJ 03/2017 Programa Jovem Cientista do Nosso Estado. Atua como coordenador de projetos de pesquisa, desenvolvimento e inovação (P, D I) desde 2008, contribuindo para o desenvolvimento de soluções de inteligência computacional para o setor de energia. Tem experiência em sistemas elétricos de potência, inteligência computacional e sistemas de apoio a decisão, atuando principalmente nos seguintes temas: analytics, machine learning, inteligência computacional, análise e previsão de séries temporais, diagnóstico de falhas, planejamento da manutenção, gestão de ativos, otimização e smart grids.
Projetos
Projetos em andamento:
Título: Desenvolvimento de módulos de Inteligência Artificial para elaboração de 3D de projetos elétricos
Período: 06/2026 a 06/2029
Financiamento: PETROBRAS
Descrição: O processo de elaboração do projeto executivo de plantas elétricas industriais é uma tarefa de extrema complexidade por envolver a interação com diferentes disciplinas de uma instalação industrial (civil, mecânica, processo), além de uma série de requisitos específicos (técnicos e normativos), requerendo assim um elevado tempo e expertise dos projetistas. A aplicação de Inteligência Artificial (IA) em projetos em conjunto com a Modelagem da Informação da Construção (BIM) vem apresentando avanços no campo da engenharia civil, sendo introduzido o conceito de Design Generativo, caracterizado por um processo iterativo que utiliza algoritmos para gerar uma infinidade de alternativas de projeto com base em parâmetros definidos, que quando combinado com o BIM, fornece uma representação digital detalhada das características físicas e funcionais de uma edificação. Essa fusão otimiza o desempenho e a gestão de recursos ao longo do ciclo de vida da edificação. Esta proposta visa o desenvolvimento de uma ferramenta baseada em IA integrada a um software de maquete eletrônica com BIM que automatize o projeto básico de subestações elétricas, otimizando o layout dos seus principais equipamentos e acessórios (transformadores, painéis, linhas), incorporando especificações, normas e a expertise dos projetistas, almejando o aumento da produtividade e da confiabilidade dos projetos elétricos. A partir de informações preliminares fornecidas pelos usuários, contendo lista de cargas, lista com os principais equipamentos, diagramas unifilares e demais documentos pertinentes, a ferramenta de otimização irá desenvolver o arranjo ótimo da subestação industrial (design generativo) obedecendo requisitos de normas técnicas, distâncias e procedimentos de segurança. Os principais dados de entrada são aqueles contemplados nas normas ABNT NBR 14039 e ABNT NBR 5410, como: utilização prevista e demanda; esquema de distribuição; alimentações disponíveis; necessidade de serviços de segurança e de fontes apropriadas; exigências quanto à divisão da instalação; influências externas às quais a instalação for submetida; riscos de incompatibilidade e de interferências; requisitos de manutenção; planta baixa destinada à alocação da subestação. Inicialmente serão levantados os softwares BIM, comerciais e open source, disponíveis na academia e no mercado, relacionados ao projeto executivo de subestações elétricas, avaliando a sua integração com Python para incorporação de módulos de IA. Os problemas de otimização serão solucionados aplicando técnicas de Machine Learning, conhecidas como aprendizado por reforço (reinforcement learning), para recomendação do arranjo ótimo da subestação industrial, sendo o resultado integrado a modelagem BIM permitindo a construção do projeto otimizado em 3D. Os modelos de otimização inteligente incorporarão os requisitos das normas técnicas e normas regulamentadoras dos projetos de subestações industriais da Petrobras, operando como restrições a serem atendidas no Memorial Descritivo (MD) fornecido pela PETROBRAS contendo os principais requisitos de projeto. Os algoritmos de otimização por aprendizado por reforço serão implementados em uma API em Python, viabilizando sua integração com uma ferramenta comercial de modelagem BIM (por exemplo, Revit). A solução desenvolvida será testada e validada com base em projetos clássicos de subestações elétricas industriais e em um projeto piloto. Por fim, a transferência de conhecimento será realizada através da interação contínua com o time de TIC da PETROBRAS e treinamento de sua equipe técnica, com eventuais ajustes sendo realizados durante a aplicação da ferramenta desenvolvida.
Título: FRIENDS Lab como Núcleo de Referência na América Latina em Tomada de Decisão Baseada em Dados, Digitalização de Sistemas Elétricos e Uso Racional da Energia Elétrica
Período: 01/2025 a 12/2028
Financiamento: CNPq
Descrição: A tendência mundial de digitalização da sociedade, processo que sob o ponto de vista da indústria tem sido denominado de indústria 4.0, dá origem a uma vastidão de dados sobre os mais variados processos. A extração automática de conhecimento a partir dos dados disponíveis é uma das áreas mais importantes da Inteligência Artificial (IA) popularmente conhecida como Machine Learning. De fato, a aplicação de técnicas estatísticas clássicas para análise de dados é um campo de atuação antigo e bem fundamentado, muito em voga atualmente e popularmente conhecido como Analytics. Contudo, a disponibilidade de dados aliada com o crescimento exponencial da capacidade de processamento permite a aplicação também de técnicas avançadas de Machine Learning em apoio à tomada de decisão, no que vem sendo denominado de sistemas de apoio a decisão baseados em dados. A aplicação destas tecnologias tem se difundido no setor elétrico especialmente a partir da ampliação da eletrificação da sociedade e da digitalização dos sistemas de energia elétrica impulsionados pela transição energética mundial. O FRIENDS Lab atua nesse contexto promovendo a articulação multidisciplinar entre pesquisadores e empresas nacionais visando a integração entre pesquisa, tecnologia e aplicação prática em prol da sociedade. Este projeto visa ampliar a área de atuação do FRIENDS Lab, posicionando o grupo como núcleo de referência na América Latina na pesquisa e no desenvolvimento de soluções baseadas em dados para apoio à decisão em sistemas de energia elétrica, desde a construção de soluções de automação necessárias para digitalização de sistemas elétricos até algoritmos de Machine Learning para projeção de indicadores e apoio à tomada de decisão.
Título: Desenvolvimento de uma ferramenta que auxilie na identificação de falha de seletividade de relés de proteção
Período: 06/2025 a 06/2027
Financiamento: PETROBRAS
Descrição: A garantia do correto ajuste de todas as proteções em uma instalação elétrica é fator determinante para a continuidade do fornecimento de eletricidade e segurança dos usuários. O sistema de proteção requer uma configuração com uso de múltiplos relés, os quais devem atuar de modo seletivo e coordenado, o que resulta em sistemas de proteção elétrica com elevada complexidade. Estes esquemas de proteção podem se tornar não seletivos e/ou não coordenados com a alteração das características da carga e/ou da geração na rede ou mesmo pela configuração de novos circuitos elétricos. A verificação e eventual atualização dos ajustes do sistema de proteção requer o cálculo da corrente de pickup ou valores de tensão para cada relé envolvido no esquema de proteção, como também a configuração do dial de tempo, garantindo uma operação seletiva e coordenada. Tal estudo requer elevado tempo de engenharia e pessoal, em função da complexidade envolvida. Soma-se a isso, as eventuais alterações na configuração da instalação elétrica, em virtude de questões operacionais, cuja mudança no circuito elétrico demanda também a atualização dos ajustes da proteção. Considerando este cenário complexo de verificação e atualização dos ajustes do sistema de proteção de sistemas elétricos industriais, esta proposta apresenta um projeto para o desenvolvimento de um algoritmo inovador para a verificação e a recomendação automática dos ajustes de distintas funções de proteção presentes em uma instalação da PETROBRAS. O cerne do projeto envolve o desenvolvimento de um algoritmo aplicando técnicas de Machine Learning, conhecidas como aprendizado por reforço (reinforcement learning) para a verificação e definição automática, a partir das condições operacionais da rede elétrica monitorada, do valor ótimo da corrente de pick up para cada relé e o tempo mínimo para a sua operação, satisfazendo os requisitos de seletividade e coordenação de proteção e produzindo o coordenograma para cada condição de ajuste da proteção de sobrecorrente. Funções de proteção que envolvem grandezas como tensão e frequência também são objeto de verificação e ajuste automático pelo algoritmo. Visto que eventuais violações podem ser detectadas no sistema elétrico em estudo, como sobrecargas, subtensões e sobretensões, a ferramenta também possuirá um módulo para ajuste mínimo nos controles disponíveis visando mitigar tais violações. Os algoritmos serão implementados em uma API em Python que viabilize a sua integração com simulador de sistemas elétricos industriais, como o ETAP, de código aberto, como o Panda Power, com sistemas construtivos baseados em BIM (Building Information Modeling) e também com ferramentas para elaboração automática de documentos técnicos, tais como projetos executivos e diagramas unifilares.
Título: Desenvolvimento de módulos de Inteligência Artificial para elaboração de 3D de projetos elétricos
Período: 06/2026 a 06/2029
Financiamento: PETROBRAS
Descrição: O processo de elaboração do projeto executivo de plantas elétricas industriais é uma tarefa de extrema complexidade por envolver a interação com diferentes disciplinas de uma instalação industrial (civil, mecânica, processo), além de uma série de requisitos específicos (técnicos e normativos), requerendo assim um elevado tempo e expertise dos projetistas. A aplicação de Inteligência Artificial (IA) em projetos em conjunto com a Modelagem da Informação da Construção (BIM) vem apresentando avanços no campo da engenharia civil, sendo introduzido o conceito de Design Generativo, caracterizado por um processo iterativo que utiliza algoritmos para gerar uma infinidade de alternativas de projeto com base em parâmetros definidos, que quando combinado com o BIM, fornece uma representação digital detalhada das características físicas e funcionais de uma edificação. Essa fusão otimiza o desempenho e a gestão de recursos ao longo do ciclo de vida da edificação. Esta proposta visa o desenvolvimento de uma ferramenta baseada em IA integrada a um software de maquete eletrônica com BIM que automatize o projeto básico de subestações elétricas, otimizando o layout dos seus principais equipamentos e acessórios (transformadores, painéis, linhas), incorporando especificações, normas e a expertise dos projetistas, almejando o aumento da produtividade e da confiabilidade dos projetos elétricos. A partir de informações preliminares fornecidas pelos usuários, contendo lista de cargas, lista com os principais equipamentos, diagramas unifilares e demais documentos pertinentes, a ferramenta de otimização irá desenvolver o arranjo ótimo da subestação industrial (design generativo) obedecendo requisitos de normas técnicas, distâncias e procedimentos de segurança. Os principais dados de entrada são aqueles contemplados nas normas ABNT NBR 14039 e ABNT NBR 5410, como: utilização prevista e demanda; esquema de distribuição; alimentações disponíveis; necessidade de serviços de segurança e de fontes apropriadas; exigências quanto à divisão da instalação; influências externas às quais a instalação for submetida; riscos de incompatibilidade e de interferências; requisitos de manutenção; planta baixa destinada à alocação da subestação. Inicialmente serão levantados os softwares BIM, comerciais e open source, disponíveis na academia e no mercado, relacionados ao projeto executivo de subestações elétricas, avaliando a sua integração com Python para incorporação de módulos de IA. Os problemas de otimização serão solucionados aplicando técnicas de Machine Learning, conhecidas como aprendizado por reforço (reinforcement learning), para recomendação do arranjo ótimo da subestação industrial, sendo o resultado integrado a modelagem BIM permitindo a construção do projeto otimizado em 3D. Os modelos de otimização inteligente incorporarão os requisitos das normas técnicas e normas regulamentadoras dos projetos de subestações industriais da Petrobras, operando como restrições a serem atendidas no Memorial Descritivo (MD) fornecido pela PETROBRAS contendo os principais requisitos de projeto. Os algoritmos de otimização por aprendizado por reforço serão implementados em uma API em Python, viabilizando sua integração com uma ferramenta comercial de modelagem BIM (por exemplo, Revit). A solução desenvolvida será testada e validada com base em projetos clássicos de subestações elétricas industriais e em um projeto piloto. Por fim, a transferência de conhecimento será realizada através da interação contínua com o time de TIC da PETROBRAS e treinamento de sua equipe técnica, com eventuais ajustes sendo realizados durante a aplicação da ferramenta desenvolvida.
Título: FRIENDS Lab como Núcleo de Referência na América Latina em Tomada de Decisão Baseada em Dados, Digitalização de Sistemas Elétricos e Uso Racional da Energia Elétrica
Período: 01/2025 a 12/2028
Financiamento: CNPq
Descrição: A tendência mundial de digitalização da sociedade, processo que sob o ponto de vista da indústria tem sido denominado de indústria 4.0, dá origem a uma vastidão de dados sobre os mais variados processos. A extração automática de conhecimento a partir dos dados disponíveis é uma das áreas mais importantes da Inteligência Artificial (IA) popularmente conhecida como Machine Learning. De fato, a aplicação de técnicas estatísticas clássicas para análise de dados é um campo de atuação antigo e bem fundamentado, muito em voga atualmente e popularmente conhecido como Analytics. Contudo, a disponibilidade de dados aliada com o crescimento exponencial da capacidade de processamento permite a aplicação também de técnicas avançadas de Machine Learning em apoio à tomada de decisão, no que vem sendo denominado de sistemas de apoio a decisão baseados em dados. A aplicação destas tecnologias tem se difundido no setor elétrico especialmente a partir da ampliação da eletrificação da sociedade e da digitalização dos sistemas de energia elétrica impulsionados pela transição energética mundial. O FRIENDS Lab atua nesse contexto promovendo a articulação multidisciplinar entre pesquisadores e empresas nacionais visando a integração entre pesquisa, tecnologia e aplicação prática em prol da sociedade. Este projeto visa ampliar a área de atuação do FRIENDS Lab, posicionando o grupo como núcleo de referência na América Latina na pesquisa e no desenvolvimento de soluções baseadas em dados para apoio à decisão em sistemas de energia elétrica, desde a construção de soluções de automação necessárias para digitalização de sistemas elétricos até algoritmos de Machine Learning para projeção de indicadores e apoio à tomada de decisão.
Título: Desenvolvimento de uma ferramenta que auxilie na identificação de falha de seletividade de relés de proteção
Período: 06/2025 a 06/2027
Financiamento: PETROBRAS
Descrição: A garantia do correto ajuste de todas as proteções em uma instalação elétrica é fator determinante para a continuidade do fornecimento de eletricidade e segurança dos usuários. O sistema de proteção requer uma configuração com uso de múltiplos relés, os quais devem atuar de modo seletivo e coordenado, o que resulta em sistemas de proteção elétrica com elevada complexidade. Estes esquemas de proteção podem se tornar não seletivos e/ou não coordenados com a alteração das características da carga e/ou da geração na rede ou mesmo pela configuração de novos circuitos elétricos. A verificação e eventual atualização dos ajustes do sistema de proteção requer o cálculo da corrente de pickup ou valores de tensão para cada relé envolvido no esquema de proteção, como também a configuração do dial de tempo, garantindo uma operação seletiva e coordenada. Tal estudo requer elevado tempo de engenharia e pessoal, em função da complexidade envolvida. Soma-se a isso, as eventuais alterações na configuração da instalação elétrica, em virtude de questões operacionais, cuja mudança no circuito elétrico demanda também a atualização dos ajustes da proteção. Considerando este cenário complexo de verificação e atualização dos ajustes do sistema de proteção de sistemas elétricos industriais, esta proposta apresenta um projeto para o desenvolvimento de um algoritmo inovador para a verificação e a recomendação automática dos ajustes de distintas funções de proteção presentes em uma instalação da PETROBRAS. O cerne do projeto envolve o desenvolvimento de um algoritmo aplicando técnicas de Machine Learning, conhecidas como aprendizado por reforço (reinforcement learning) para a verificação e definição automática, a partir das condições operacionais da rede elétrica monitorada, do valor ótimo da corrente de pick up para cada relé e o tempo mínimo para a sua operação, satisfazendo os requisitos de seletividade e coordenação de proteção e produzindo o coordenograma para cada condição de ajuste da proteção de sobrecorrente. Funções de proteção que envolvem grandezas como tensão e frequência também são objeto de verificação e ajuste automático pelo algoritmo. Visto que eventuais violações podem ser detectadas no sistema elétrico em estudo, como sobrecargas, subtensões e sobretensões, a ferramenta também possuirá um módulo para ajuste mínimo nos controles disponíveis visando mitigar tais violações. Os algoritmos serão implementados em uma API em Python que viabilize a sua integração com simulador de sistemas elétricos industriais, como o ETAP, de código aberto, como o Panda Power, com sistemas construtivos baseados em BIM (Building Information Modeling) e também com ferramentas para elaboração automática de documentos técnicos, tais como projetos executivos e diagramas unifilares.
Publicações
- ANTONIO NUNES, ELSON ; Ferreira, Vitor Hugo ; DA COSTA PINHO, ANDRÉ . Information Theoretic Learning Applied to Daily Streamflow Forecast and Its Impact on the Brazilian Hourly Energy Spot Prices. Journal Of Control Automation And Electrical Systems, v. 1, p. 1-11, 2024.
- Ferreira, Vitor Hugo; FILHO, PAULO DE M. OLIVEIRA ; QUEIROGA, EDUARDO VIEIRA ; SILVA, JOÃO M.P. ; BARBOZA, EDUARDO UCHOA ; ABUD, TIAGO P. ; BORBA, BRUNO S.M.C. ; FORTES, MARCIO Z. ; MOREIRA, BERNARDO S. ; MACHADO, PEDRO H.C. . Two-phase optimization approach for maintenance workforce planning in power distribution utilities. ELECTRIC POWER SYSTEMS RESEARCH, v. 211, p. 108236, 2022.
- FERREIRA, V. H.; DA SILVA, A. P. A. ; ZANGHI, R. ; FORTES, M. Z. ; GOMES JUNIOR, S. . Probabilistic transmission line fault diagnosis using autonomous neural models. ELECTRIC POWER SYSTEMS RESEARCH, v. 185, p. 106360, 2020
- BORBA, BRUNO S.M.C. ; FORTES, MARCIO Z. ; BITENCOURT, LEONARDO A. ; FERREIRA, VITOR H. ; MACIEL, RENAN S. ; GUIMARAENS, MARCIO A.R. ; LIMA, GILSON B.A. ; BARBOZA, EDUARDO U. ; HENRIQUES, HENRIQUE O. ; BERGIANTE, NISSIA C.R. ; MOREIRA, BERNARDO S. . A Review on Optimization Methods for Workforce Planning in Electrical Distribution Utilities. COMPUTERS & INDUSTRIAL ENGINEERING, v. 1, p. 1-20, 2019
- LAZZARETTI, A.E. ; TAX, D. M. J. ; NETO, H.V. ; FERREIRA, V. H. . Novelty detection and multi-class classification in power distribution voltage waveforms. EXPERT SYSTEMS WITH APPLICATIONS, v. 45, p. 322-330, 2016
- Ferreira, Vitor Hugo; FILHO, PAULO DE M. OLIVEIRA ; QUEIROGA, EDUARDO VIEIRA ; SILVA, JOÃO M.P. ; BARBOZA, EDUARDO UCHOA ; ABUD, TIAGO P. ; BORBA, BRUNO S.M.C. ; FORTES, MARCIO Z. ; MOREIRA, BERNARDO S. ; MACHADO, PEDRO H.C. . Two-phase optimization approach for maintenance workforce planning in power distribution utilities. ELECTRIC POWER SYSTEMS RESEARCH, v. 211, p. 108236, 2022.
- FERREIRA, V. H.; DA SILVA, A. P. A. ; ZANGHI, R. ; FORTES, M. Z. ; GOMES JUNIOR, S. . Probabilistic transmission line fault diagnosis using autonomous neural models. ELECTRIC POWER SYSTEMS RESEARCH, v. 185, p. 106360, 2020
- BORBA, BRUNO S.M.C. ; FORTES, MARCIO Z. ; BITENCOURT, LEONARDO A. ; FERREIRA, VITOR H. ; MACIEL, RENAN S. ; GUIMARAENS, MARCIO A.R. ; LIMA, GILSON B.A. ; BARBOZA, EDUARDO U. ; HENRIQUES, HENRIQUE O. ; BERGIANTE, NISSIA C.R. ; MOREIRA, BERNARDO S. . A Review on Optimization Methods for Workforce Planning in Electrical Distribution Utilities. COMPUTERS & INDUSTRIAL ENGINEERING, v. 1, p. 1-20, 2019
- LAZZARETTI, A.E. ; TAX, D. M. J. ; NETO, H.V. ; FERREIRA, V. H. . Novelty detection and multi-class classification in power distribution voltage waveforms. EXPERT SYSTEMS WITH APPLICATIONS, v. 45, p. 322-330, 2016