Um Algoritmo Baseado em PDI para Localização de …Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu ± PR, Brasil. 22-25/04/2014 ISSN 2177-6164 Um Algoritmo

Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu – PR, Brasil. 22-25/04/2014 ISSN 2177-6164

Um Algoritmo Baseado em PDI para Localização de Regiões Propícias à Instalação de Usinas Solares

Antonio B. de Oliveira Neto, Lidja N. T. Alves, Matheus. D. de Lucena, Tarso V. Ferreira Departamento de Engenharia Elétrica

Universidade Federal de Campina Grande Campina Grande, Paraíba, Brasil

[email protected]

Resumo—Neste trabalho é apresentado um algoritmo desassistido e baseado no processamento digital de imagens para localizar de forma eficiente regiões atrativas à construção de usinas solares, sejam estas fotovoltaicas ou heliotérmicas. A identificação de regiões territoriais atrativas é obtida a partir da informação bidimensional ou tridimensional, contida em mapas ou planilhas, relativas a clima, densidade demográfica, hidrografia, distribuição de linhas de transmissão, dentre outros. Assim, executa-se uma avaliação objetiva, impessoal e não polarizada acerca do potencial de geração solar de uma região. O produto final do algoritmo é um mapa, no qual se destacam, em cores, as regiões mais propícias. Como caso inicial de estudo foi avaliado o estado da Paraíba.

Palavras chaves—Energia solar, fontes de energia renováveis, geografia, processamento digital de imagens.

I. INTRODUÇÃO O aumento constante da demanda por abastecimento

energético, ao menos sob um ponto de vista prático e material, é uma das principais características da sociedade. Como os recursos hidroelétricos são limitados, é preciso diversificar a Matriz Energética Nacional a fim de aumentar sua confiabilidade de abastecimento.

Por outro lado, a energia solar é uma forma de energia relativamente pura: não origina fumaça, nem subprodutos imediatos de nenhuma espécie (tampouco radioativas, que representam a incógnita mais grave que obstaculiza a difusão das centrais nucleares).

Desta forma, o aproveitamento da energia solar constitui uma das alternativas mais promissoras para a geração ecologicamente correta de energia. Além disso, a energia solar é disseminada e não concentrada, e sua captação e aproveitamento, ao menos para potências elevadas, requerem instalações complexas e custosas. Esse tipo de energia, também, no local da instalação, é disponível de forma descontínua, sujeita a alternâncias periódicas (dia-noite; verão-inverno) e casuais (céu claro-nebuloso), pelo que é indispensável prover dispositivos de acumulação, com

ulteriores complicações e elevação dos custos da instalação [1].

Assim, pode-se perceber que a localização de Unidades de Captação de Energia Solar (UCES) é um fator chave na tomada de decisão frente aos montantes investidos, bem como na eficiência da usina depois de instalada.

Observando-se a avaliação do território no âmbito do planejamento energético, como um processo público e de planejamento técnico, que deve ser flexível, contínuo e de longo prazo, com foco em aspectos sociais, ambientais, econômico, político e administrativo, é indispensável avaliar as capacidades potenciais do território para atender a demanda por energia [2].

Em um primeiro momento, pode-se imaginar que o fator preponderante seja taxa de incidência solar. De fato, este é um fator muito importante, mas existem diversos outros fatores que, na prática, dificultam ou chegam a inviabilizar a implantação de usinas solares em determinadas regiões. A escolha da localização tecnicamente embasada para instalação de sistemas de geração solar pode ser uma tarefa difícil, dado que vários fatores devem ser levados em consideração, como por exemplo:

• Incidência solar;

• Proximidade de centros consumidores;

• Proximidade de Linhas de Transmissão (LT);

• Presença de acidentes geográficos;

• Presença de reservas florestais;

• Malha rodoviária;

• Presença de rios, açudes, etc.

Neste artigo é apresentado um algoritmo baseado em Processamento Digital de Imagens (PDI), capaz de avaliar quantitativamente e de forma multiparamétrica a aptidão de determinada região territorial à implantação de usinas solares, tomando como informação de entrada mapas da região. O resultado do processamento é um novo mapa, no qual serão


indicadas as regiões com condições mais favoráveis à implantação de usinas solares.

Esta avaliação pode ser realizada por humanos, contudo de forma subjetiva e susceptível a erros, uma vez que não engloba concomitantemente um número significativo de fatores. Outra vantagem da técnica proposta é a indiferença prática à extensão territorial da região avaliada, que pode ser desde uma microrregião a um continente inteiro, bastando que para tanto existam mapas suficientemente detalhados, a ser empregados como entrada no algoritmo.

II. FUNDAMENTAÇÃO TEÓRICA O algoritmo apresentado neste trabalho baseia-se

fortemente no PDI e, por isso, algumas definições e conceitos aplicáveis devem ser delineados.

A. Processamento Digital de Imagens Por PDI entende-se a manipulação de uma imagem por

computador de modo que a entrada e a saída do processo sejam imagens. O objetivo de se usar essa técnica é melhorar o aspecto visual de certas feições estruturais para o analista humano e fornecer outros subsídios para a sua interpretação, inclusive gerando produtos que possam ser posteriormente submetidos a outros processamentos [3].

Conforme [4], a função primordial do PDI de sensoriamento remoto é fornecer ferramentas para facilitar a identificação e a extração da informação contida nas imagens, para posterior interpretação. Nesse sentido, sistemas dedicados de computação são utilizados para atividades interativas de análise e manipulação das imagens brutas. O resultado desse processo é a produção de outras imagens, estas já contendo informações específicas, extraídas e realçadas a partir das imagens brutas.

Os mapas empregados neste trabalho passaram por processos de filtragem e segmentação. Segundo [5], a filtragem procura extrair informações como as bordas da imagem ou corrigir algumas degradações na imagem, tais como borrões, ruídos inseridos pelo processo de imageamento ou na transmissão da imagem.

Por segmentação de uma imagem entende-se a extração ou identificação dos objetos contidos na imagem, em que o objeto é toda característica com conteúdo semântico relevante para a aplicação desejada [6].

A grande maioria dos dispositivos eletrônicos digitais emprega o sistema de cores RGB para representar imagens coloridas, como os mapas apresentados neste trabalho.

B. O Sistema de Cores RGB O sistema de cores aditivas formado por Vermelho (Red),

Verde (Green) e Azul (Blue) é conhecido como Sistema RGB. Em uma imagem digital colorida no sistema RGB, pode-se considerar um pixel (unidade elementar da imagem) como um vetor, conforme apresentado em (1), em que cada componente representa a intensidade de vermelho, verde e azul da cor [7].

f(i, j) = (fr(x, y), fg(x, y), fb(x, y)). (1)

Pode-se considerar, portanto, que uma imagem colorida é a composição de três imagens monocromáticas, fr(x, y), fg(x, y),fb(x, y), denominadas, respectivamente, de banda R, banda G, e banda B da imagem colorida [2]. Um exemplo desta representação é apresentado na Fig. 1.

Fig. 1. “O Pelicano” e sua decomposição em canais RGB.

III. MATERIAL E MÉTODOS

A. Material A informação de entrada para o algoritmo proposto está

contida em mapas que representam parâmetros geográficos, demográficos, hidrológicos, eletrogeográfico, etc., que podem ser escolhidos de acordo com a necessidade de cada caso de estudo e a intensidade com que impactam na tomada de decisão da região. Os fatores levados em consideração no estudo de caso apresentado (Estado da Paraíba) são listados a seguir:

• Radiação Solar [8]; • Insolação Solar [8]; • Precipitação [8]; • Densidade Demográfica [9]; • Hidrografia [10]; • Cobertura Vegetal [10]; • Eletrogeografia (disposição das LT) [11]. Apesar de existirem outros fatores que certamente têm

impacto na localização de regiões propícias à instalação de UCES (relevo, malha rodoviária, índice de radiação ultravioleta, temperatura externa, altimetria, etc.), nem todos esses elementos estavam disponíveis ou suficientemente atualizados quando do desenvolvimento do estudo de caso, e por isso não foram aqui contemplados.

Como os mapas usados foram gerados por instituições distintas e com objetivos distintos, cada arquivo de imagem possui características diferentes: dimensões, escalas, legendas e sutis diferenças na disposição das fronteiras do estado. Isto tornou necessária a padronização dos mapas, a fim de que fosse possível a aplicação do método proposto. Para tanto, foi necessário o desenvolvimento de alguns subalgoritmos de pré-processamento, os quais serão detalhados na subseção a seguir.

B. Métodos O conceito geral do algoritmo proposto baseia-se em

organizar todos os mapas (ou parâmetros), um sobre o outro,


como camadas, e realizar a adição transversal, ponto a ponto, do grau de favorabilidade de cada parâmetro em relação à existência de uma UCES. Uma ilustração do conceito é apresentada na Fig. 2.

Fig. 2. Conceito geral do algoritmo proposto.

Contudo, essa soma não pode ser realizada sem que antes aconteça uma extração de atributos que relacione a legenda e, por consequência, a distribuição de intensidades de determinado parâmetro ao longo do mapa, com valores numéricos. Assim, o objetivo final do método proposto é atingido realizando-se uma soma ponderada de matrizes bidimensionais, as quais foram geradas a partir das características presentes em cada tipo de mapa. Tais matrizes são versões simplificadas das imagens representadas nos mapas, e cada elemento de uma destas matrizes assume um valor dentro de uma escala (0 a 100%), definido em função do quão favorável à presença de UCES o parâmetro em questão se apresenta. Um exemplo ilustrativo é apresentado na Fig. 3, a qual representa um mapa hipotético constituído de nove pixels, e sua respectiva simplificação.

Fig. 3. (a) Mapa hipotético de 9 pixels e

(b) sua respectiva representação matricial simplificada.

No caso da Fig, 3, como o mapa hipotético apresentado trata de Radiação Solar, considerou-se que quanto maior o nível de radiação, maior a favorabilidade à instalação de uma UCES. Desta forma, as regiões de maior nível de radiação receberam valor 100%, as regiões de menor nível receberam valor 0%, e os níveis intermediários foram linearmente distribuídos neste intervalo.

O procedimento exemplificado acima deve ser realizado para todos os mapas, entretanto, a distribuição dos valores em cada uma das matrizes varia de acordo com a propensão dos parâmetros para a presença de uma UCES.

Na Tabela I pode-se observar como foram dispostos os valores nos mapas especificamente adotados para este estudo de caso.

TABELA I. VALORES RELATIVAMENTE AO PARÂMETRO AVALIADO.

Parâmetro Máximo (100%) Mínimo (0%)Radiação Solar [8] Onde há mais Onde há menos Insolação Solar [8] Onde há mais Onde há menos Precipitação [8] Onde há menos Onde há mais Densidade Demográfica [9] Onde há mais Onde há menos

Hidrografia [10] Onde não há cursos d’água

Onde há cursos d’água

Cobertura Vegetal [10] Onde não há reservas vegetais

Onde há reservas vegetais

Eletrogeografia [11] Pontos próximos às LTs

Ponto mais distante das LTs

Relativamente à Densidade Demográfica, adotou-se a convenção exposta na Tabela I por considerar-se que a presença de UCES junto a centros consumidores reduziria o custo do transporte da energia gerada. A disposição de valores relativamente à Eletrogeografia seguiu o mesmo critério, uma vez que em geral é oportuno instalar uma UCES junto a uma linha de transmissão.

Por outro lado, os critérios adotados para Hidrografia e Cobertura Vegetal foram binários: não se admite a instalação de UCES em cursos d’água e/ou em reservas vegetais. Esta condição é ainda extrapolada ao resultado final, não dependendo da propensão dos demais parâmetros.

Com todos os mapas representados por matrizes bidimensionais contendo valores distribuídos de 0 a 100 %, obtém-se a Matriz Resultado (MR).

Além disso, uma vez que foram adotados os critérios estabelecidos na Tabela I, os locais mais propícios para a instalação de uma unidade de geração solar aparecerão MR com os valores mais altos.

Ainda com relação à Tabela I, em uma situação hipotética limítrofe, ou seja, assumindo que exista um ponto onde condições excelentes são presentes em todos os mapas envolvidos, (2) será satisfeita.

MRmn = 100·N, (2)

em que MRmn é a coordenada (linha m e coluna n) em todas as matrizes onde acontece a coincidência, e N representa o número de parâmetros (mapas) envolvidos.


No estudo de caso atual são considerados sete parâmetros, esta condição geraria um elemento da matriz MR com o valor de 700 %. Claro, a satisfação de tal condição é remotamente provável, uma vez que requereria a excelência em todos os parâmetros avaliados.

Neste estudo de caso inicial, arbitrou-se que todos os parâmetros envolvidos (Radiação, Precipitação, etc.) tiveram o mesmo peso no somatório que originou MR. Contudo, esses pesos podem ser modificados a fim de agregar maleabilidade ao algoritmo, atendendo situações em que determinados parâmetros são sabidamente mais impactantes que outros. Além disso, os parâmetros envolvidos (tipos de mapas) podem ser livremente escolhidos, de acordo com a necessidade da análise.

Não obstante, como já mencionado, cada mapa tem particularidades gráficas diferentes, e para que possam ser convertidos em suas versões simplificadas (matrizes) e posteriormente somados, são necessárias etapas de processamento que são descritas a seguir:

i. Subalgoritmo de Uniformização Responsável por deixar a imagem somente com as cores

presentes na legenda, enfatizando características de interesse e recuperando áreas da imagem que sofreram distorção ou borramento (devido à compressão JPEG, por exemplo). Realiza, ainda, o preenchimento de partes do mapa onde há texto (ou outras informações não relevantes ao método) com a cor da legenda que estiver mais próxima, mediante uma reconstituição de ataque plurilateral. Um exemplo do efeito deste subalgoritmo pode ser visto na Fig. 4. Todos os mapas envolvidos passam por este processamento.

Fig. 4. (a) Precipitação Média Anual no Estado da Paraíba [8];

(b) Efeitos dos subalgoritmos.

ii. Subalgoritmo de Supressão de Legenda Realiza a eliminação da legenda do mapa. Basicamente o

algoritmo percorre a imagem, buscando a identificação de uma região que não possua vínculo com a imagem do mapa em processamento. Assim, qualquer região que esteja fora do

mapa será descartada. Um exemplo do efeito deste subalgoritmo também pode ser visto na Fig. 4. Todos os mapas envolvidos passam por este processamento.

iii. Subalgoritmo de Padronização Espacial Os mapas originais apresentam informações e escalas

distintas, sendo necessário arbitrar uma origem cartesiana comum para todos os mapas, redimensioná-los para um mesmo tamanho (largura, altura e, consequentemente, número de pixels) e definir uma disposição de fronteiras geográficas idênticas. Este subalgoritmo realiza estas tarefas, permitindo que os mapas possam ser perfeitamente sobrepostos e posteriormente somados. Um exemplo do efeito de padronização de fronteiras deste subalgoritmo pode ser visto na Fig. 4, comparando-se o contorno dos dois mapas presentes. Todos os mapas passam por este processamento.

iv. Subalgoritmo de Distribuição de Gradiente Subalgoritmo responsável por gerar valores

intermediários em uma matriz, quando o mapa que a origina apresenta características concentradas de um determinado parâmetro que seria mais bem aproveitado se fosse distribuído em toda a região, com base em uma lógica de suavização coerente. O exemplo ideal é o mapa eletrogeográfico: neste mapa, as LT são representadas por linhas coloridas e concentradas. Todavia, se essa concentração é mantida, o impacto das LTs no resultado final será notável somente em locais onde efetivamente passam as LTs. Assim, este algoritmo toma como verdade que a proximidade entre UCES e LTs capazes de escoar a energia gerada é vantajosa (dado que quanto maior a distância maior o custo com novas LTs). Então, o ponto do mapa mais distante de quaisquer LTs é tomado como 0%, e os demais pontos assumem valores crescentes de acordo com sua proximidade com as LTs existentes. Na Fig. 5 pode-se observar o efeito do Subalgoritmo de Distribuição de Gradiente no mapa eletrogeográfico: regiões mais claras, junto às LTs foram consideradas mais propícias à instalação de UCES.

Fig. 5. (a) Diagrama Eletrogeográfico do Estado da Paraíba [11];


(b) Subalgoritmo de Distribuição de Gradiente.

No estudo de caso em questão, o Subalgoritmo de Distribuição de Gradiente foi empregado apenas no mapa eletrogeográfico, mas em outros estudos pode ser aplicado com efeito em mapas de malhas rodoviárias, ferroviárias ou mesmo vias navegáveis.

v. Subalgoritmo de Síntese e Localização Realiza efetivamente a soma das matrizes bidimensionais

extraídas dos mapas, conforme ilustrado na Fig. 2, dando origem à MR. Além disso, este subalgoritmo relaciona cada elemento da MR com uma coordenada GPS que define com relativa precisão a localização geográfica de qualquer região presente no mapa.

IV. RESULTADOS Uma vez que foram processados todos os mapas e

extraídas dos mesmos as informações necessárias para compor as matrizes somadas no Subalgoritmo de Síntese, foi obtida a MR.

Na Fig. 6 pode-se observar um fluxograma do processo, finalizado, com uma representação monocromática da MR, baseada no canal R do Sistema RGB. As regiões mais propícias a receber UCES são as mais claras.

Fig. 6. Fluxograma do processo, finalizado com uma representação gráfica da MR, baseada no canal R do Sistema RGB.

Uma melhor representação gráfica da MR é apresentada na Fig. 7, a qual foi elaborada com uma paleta de cores policromática, que permite um maior discernimento das regiões de interesse.

Fig. 7. Representação gráfica da MR para o estudo de caso em questão, com emprego de paleta de cores policromática.

Na Fig. 7 observa-se que as regiões mais favoráveis a UCES estão marcadas em vermelho escuro, e as piores em azul. Neste caso, como os cursos d’água e reservas ambientais sempre implicam em mínima favorabilidade, as regiões em azul mais intenso são exatamente nesses locais.

Com base nas coordenadas geográficas fornecidas pelo Subalgoritmo de Localização, foi possível determinar em quais Municípios paraibanos estão localizadas as regiões mais propícias para a instalação de UCES.

Na Tabela II são apresentados os nomes dos doze municípios mais destacados, e o seu grau de favorabilidade, em valores percentuais. Como dito anteriormente, não há um ponto do Estado em que o índice chegue a 100 %, dado que (2), na prática, nunca é satisfeita.

TABELA II. MUNICÍPIOS PARAIBANOS COM MAIOR POTENCIAL DE APROVEITAMENTO PARA GERAÇÃO DE ENERGIA SOLAR.

Município que contém a maior parte da região Favorabilidade (%) Patos 95,34 Cajazeiras 93,65 Santa Luzia 90,47 Souza 89,23 São José de Piranhas 89,23 Monteiro 88,89 Pombal 87,30 São João do Rio do Peixe 87,30 Catolé do Rocha 86,50 Sumé 85,32 Coremas 83,33 Soledade 80,95

O fato de o Município de Patos (7,0S; 37,4W) encabeçar a Tabela II não é propriamente uma surpresa, uma vez que é de domínio público que a região possui elevadas taxas de


incidência de radiação e insolação solar e baixas taxas de precipitação. Fato similar ocorre com Cajazeiras (6,88S; 38,56 W), que obteve o segundo lugar no estudo de caso. Estas cidades destacaram-se também devido às suas densidades demográficas elevadas (no contexto da região) e presença de LTs de 69 kV cortando seus territórios. Considerando que, em geral, densidades demográficas elevadas implicam em LTs disponíveis para abastecer a população de energia, percebe-se que o uso de pesos iguais em todos os parâmetros avaliados (conforme adotado no estudo de caso) pode não ser a abordagem mais adequada, uma vez que pode implicar em redundância.

Porém, uma visão mais holística e inédita do potencial de geração solar do Estado é fornecida pelo mapa representado na Fig. 7. Esta visão global permite identificar situações menos óbvias, mas igualmente importantes, como por exemplo, a relativa baixa aptidão na região da Borborema (7,2S; 36,0W), ou a elevada aptidão de Santa Luzia (6,9S; 36,9W) e São José de Piranhas (7,0S; 38,5W), que possuem respectivamente 18,3 % e 13,5 % da população de Patos [9].

Evidentemente, as considerações acima se restringem a uma análise local, circunscrita ao Estado da Paraíba. Considerando-se valores absolutos e, principalmente, comparando-se a Paraíba com outras regiões do país e do planeta, é provável que todo o Estado apresente boas condições para a captação de energia solar.

V. CONCLUSÃO Neste trabalho foi apresentado um algoritmo não assistido

de localização de regiões propícias à instalação de usinas solares, fotovoltaicas ou heliotérmicas. Demonstrou-se que a identificação de localidades com maior potencial para geração de energia elétrica a partir da energia solar pode ser, do ponto de vista técnico, representada por um levantamento de mapas referentes às características afins, uma vez que se desenvolveu o recurso computacional de identificação de locais propícios.

Como estudo de caso, foi realizada a localização de pontos mais propícios no Estado da Paraíba para instalação de usinas solares por meio de critérios estabelecidos objetivamente e de forma não tendenciosa. Em razão disso e destacando-se o uso de fontes não polarizadas, o estudo fornece uma base teórica agregada de contribuições tanto para investimentos governamentais como privados.

As ferramentas auxiliares de trabalho, quando devidamente manuseadas, permitem e facilitam as atividades, análises e procedimentos. Fundamentou-se, ainda, a importância do geoprocessamento no contexto energético, e que dados bem lapidados podem ser instrumentos valiosos na tomada de decisão. Como trabalhos futuros, pretende-se realizar estudo de caso similar empregando todo o Território Nacional.

REFERÊNCIAS [1] E. Cometta, Energia solar: utilização e empregos práticos, São Paulo,

Editora Hemus Editora Ltda, 2004. [2] L. F. Pomares, A. V. Pérez, M. R. Gámez, "La geografia de la

provincia pinar del rio y los sistemas fotovoltaicos conectados a la

rede," XVI Convención Científica de ingeniería y Arquitetura. La Habana, Novembro de 2012.

[3] Spring, G. Camara, R. C. M. Souza, U. M. Freitas, J. Garrido, Integrating remote sensing and GIS by object oriented data modeling, Computers & Graphics, 1996, pp. 395-403.

[4] A. M. Silva, "Curso de processamento digital de imagens de satélite," Centro de Eventos da PUCRS, Porto Alegre, 2001.

[5] R. Gonzales, P. Woods, Digital image processing, Prentice Hall, 2nd ed., 2002.

[6] M. G. Gameiro, "Avaliação de métodos para obtenção dos fatores ‘L’ e ‘S’ da EUPS numa microbacia, via geoprocessamento e banco de dados," Dissertação de Mestrado, Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2003.

[7] B. Jähne, Image Processing, Spring-Verlag, 2002. [8] Departamento de Ciências atmosféricas da Universidade Federal de

Campina Grande (DCA/UFCG). Características climáticas do Estado da Paraíba. 2002. [Online]. Disponível em: http://www.dca.ufcg.edu.br/

[9] Instituto Brasileiro de Geografia e Estatística (IBGE). Censo Demográfico do Estado da Paraíba. 2010. [Online]. Disponível em: http://www.ibge.gov.br/estadosat/perfil.php?sigla=pb#

[10] Agência Executiva do Estado da Paraíba (AESA). Plano Estadual de Recursos Hídricos: Relatório Final. 2010. [Online]. Disponível em: http://www.aesa.pb.gov.br/perh/

[11] ENERGISA S/A. Diagrama Eletrogeográfico do Estado da Paraíba. 2013.

Documents

Um Algoritmo Baseado em PDI para Localização de …Anais do V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu ± PR, Brasil. 22-25/04/2014 ISSN 2177-6164 Um Algoritmo