Table of Contents

Introdução: O crescente desafio da modernização da grade

A eletricidade confiável sustenta cada faceta da vida moderna, desde a alimentação de hospitais e data centers para permitir o trabalho remoto e a carga de veículos elétricos. À medida que as populações se expandem, as indústrias eletrificam e eventos climáticos extremos se tornam mais frequentes, o estresse no envelhecimento da infraestrutura elétrica se intensifica. As empresas de utilidade são incumbidas de um desafio monumental: expandir e modernizar a rede para lidar com cargas mais elevadas, integrar fontes de energia renováveis e manter a confiabilidade quase perfeita & mdash; tudo enquanto controla os custos e minimiza o impacto ambiental.

O planejamento tradicional de grades dependia fortemente de dados históricos de carga, julgamento manual de engenharia e margens de segurança conservadoras. Essas abordagens muitas vezes levaram a melhorias reativas de infraestrutura ou, inversamente, após falhas de capacidade. O surgimento de metodologias orientadas por dados, alimentadas pela Internet das Coisas, análises avançadas e aprendizado de máquina, está transformando como a demanda de previsão de utilidades, novos ativos do site e gerenciar operações de grades. Ao acessar diversos fluxos de dados, planejadores podem tomar decisões mais precisas, proativas e econômicas. Este artigo explora como as práticas modernas de dados estão reformulando o planejamento e expansão de grades, os benefícios concretos que elas proporcionam, os obstáculos que permanecem e as inovações no horizonte.

A Revolução de Dados na Gestão de Grelha

A base de qualquer estratégia de grade orientada por dados é uma coleta robusta de dados. Utilitários agora têm acesso a uma gama sem precedentes de fontes de informação que fornecem visibilidade granular em tempo real no comportamento da grade e ambiente circundante.

Fontes de dados principais para o planejamento de grades modernas

Infraestrutura de Medição Avançada (AMI) — Medidores inteligentes instalados nas instalações do cliente registam o consumo de electricidade em intervalos de 15 minutos. Estes dados de alta frequência revelam não apenas o uso total, mas perfis de carga detalhados, padrões de procura de pico e o impacto dos recursos de energia distribuídos, como os dados de faturamento mensais, a AMI capta a dinâmica da procura ao longo do dia e das estações.

Sistemas de Informação Geográfica (GIS) — Plataformas GIS mapeiam cada transformador, linha de alimentação, subestação e pólo com precisão espacial. Quando sobrepostos com mapas de uso de terra, zonas de inundação, tipos de solo e dados de vegetação, o GIS permite que os planejadores avaliem as opções de roteamento para novas linhas de transmissão, avaliem o risco de incêndio selvagem e determinem locais ideais para subestações com base na proximidade de centros de carga e infraestrutura existente.

Dados do tempo e do clima — Temperatura, umidade, velocidade do vento e irradiância solar influenciam diretamente a demanda de eletricidade e o desempenho dos componentes da rede. Integrando dados históricos e de previsão do tempo permite que os utilitários modelem o impacto das ondas de calor no carregamento do transformador ou o efeito da cobertura de nuvens na produção de geração solar. As projeções climáticas em escala reduzida ajudam ainda mais os planejadores a antecipar mudanças de longo prazo na demanda e no estresse do equipamento devido à mudança de padrões climáticos.

Distribuído Recursos de Energia (DER) Dados — Com a proliferação de painéis solares, armazenamento de baterias, veículos elétricos e inversores inteligentes, os utilitários devem contabilizar fluxos de energia bidirecionais. Os dados de sistemas de gestão de DER e solicitações de interconexão fornecem visibilidade para onde esses recursos estão localizados, sua capacidade e seus horários de operação. Isto é essencial para evitar violações de tensão e garantir a estabilidade da rede.

Dados Operacionais e Sensor — Unidades de medição Phasor (PMUs), sensores de linha e indicadores de falhas transmitem dados em tempo real sobre tensão, corrente, frequência e qualidade de energia. Esta inteligência operacional ajuda a identificar congestionamentos, detectar anomalias e validar pressupostos de planejamento contra o comportamento real do sistema.

Construindo uma Plataforma de Dados Unificada

O desafio não é apenas coletar dados, mas integrá-los em um framework analítico coeso. Muitos utilitários lutam com sistemas de dados siloados onde GIS, AMI, informações do cliente e bancos de dados de gerenciamento de falhas operam de forma independente. Uma abordagem orientada a dados requer quebrar esses silos através de uma plataforma de dados centralizada ou lago de dados que ingere, limpe e harmonize fontes díspares. Estabelecendo padrões de governança de dados consistentes—para nomear convenções, timestamps e referências geoespaciais—é um pré-requisito para análise significativa. A plataforma Directus[, com sua modelagem de dados flexível e arquitetura orientada por API, é cada vez mais usada pelas organizações de energia para unificar esses conjuntos de dados diversos em um ambiente único e acessível para planejadores e analistas.

Analisando padrões de consumo para planejamento proativo

Entender como, quando e onde a eletricidade é consumida é fundamental para projetar uma rede que possa atender à demanda sem desperdício de excesso de capacidade. A análise de dados transforma registros de consumo bruto em insights acionáveis.

Apuramento de Carga e Segmentação

Ao agrupar clientes com base em suas assinaturas de consumo & mdash; residenciais, comerciais, industriais, agrícolas & mdash; planejadores podem desenvolver perfis de carga representativos. Estes perfis capturam picos característicos, variações sazonais e resposta às mudanças de temperatura. Por exemplo, um bairro residencial com alta penetração no ar condicionado mostrará picos de demanda acentuados nas tardes de verão, enquanto um parque industrial pode exibir uma carga plana, alta com aumentos ocasionais de máquinas pesadas. Entender o comportamento de nível de segmento permite previsões mais precisas de nível de alimentação e atualizações de capacidade direcionadas.

Previsão da Demanda Preditiva

As tendências históricas são insuficientes apenas em um cenário de energia em rápida mudança. Os modelos de aprendizado de máquina incorporam múltiplas variáveis & mdash; previsões de tempo, indicadores econômicos, projeções de crescimento populacional, taxas de adoção de veículos elétricos e melhorias de eficiência de construção & mdash; para gerar previsões de demanda probabilística. Esses modelos podem prever não apenas o pico de demanda, mas toda a curva de duração de carga, dando visibilidade aos planejadores em quantas horas por ano a grade irá operar perto de seus limites. Essa granularidade suporta decisões sobre se devem reforçar linhas existentes, adicionar nova capacidade de subestação ou implementar programas de resposta à demanda para reduzir picos.

Identificando Deficiências na Grelha e Gargalos

A análise de dados revela onde a grade existente está tensa. Ao mapear a densidade de carga contra a capacidade do alimentador, os planejadores podem identificar circuitos que se aproximam consistentemente de seus limites térmicos ou quedas de tensão de experiência. Análises avançadas também podem detectar ativos subutilizados, como transformadores que são de tamanho excessivo em relação à sua carga real, libertando capital que pode ser reimplantado onde é realmente necessário. Este tipo de investimento direcionado evita a abordagem de atualização de cartuchos e direciona recursos para as restrições mais críticas.

Otimização Geoespacial e Ambiental

A expansão da grade envolve a construção de infraestrutura física em diversos terrenos, e a análise geoespacial orientada por dados melhora drasticamente a seleção e o roteamento do local.

Colocação ideal de Subestação e Alimentador

Determinar onde localizar uma nova subestação ou como encaminhar um alimentador de distribuição requer balanceamento de múltiplos critérios: proximidade com centros de carga, disponibilidade de terra, regulamentação ambiental, permitindo complexidade e acessibilidade para manutenção. A análise de decisão baseada em múltiplos critérios (MCDA) permite que os planejadores pesem esses fatores sistematicamente. Por exemplo, um modelo pode pontuar sites candidatos com base na distância das linhas de transmissão existentes, risco de inundação, capacidade de suporte do solo e proximidade com habitats protegidos. O resultado é uma lista de locais classificados que minimizam os custos de construção e atrasos regulatórios.

Gestão de Vegetação e Mitigação de Fogo Selvagem

Em regiões propensas a incêndios, os dados sobre o tipo de vegetação, altura do dossel, declive e perímetros de incêndio históricos são integrados com locais de ativos de grade para identificar segmentos de alto risco. Utilitários podem priorizar o subterrâneo, condutores isolados ou limpeza de vegetação aprimorada onde o risco é maior. Imagens de satélite e pesquisas LiDAR fornecem dados atualizados de vegetação que podem ser analisados algoritmomente para detectar o crescimento de invasão antes de causar falhas. Esta abordagem proativa, informada por dados, para o gerenciamento de vegetação é muito mais eficiente do que ciclos de aparamento de intervalo fixo.

Avaliação do Impacto Ambiental

Requisitos regulamentares exigem uma revisão ambiental completa antes de nova construção. Sobreposições geoespaciais de áreas úmidas, habitats de espécies ameaçadas, recursos culturais e corpos de água ajudam os planejadores a projetar rotas que evitam áreas sensíveis ou minimizar perturbações. Ao integrar esses conjuntos de dados no início do processo de planejamento, os utilitários podem reduzir o tempo e o custo associados com a permissão ambiental e oposição pública. O rastreamento ambiental orientado por dados também apoia a integração de infraestrutura verde, como linhas de subterrâneos para preservar vistas panorâmicas ou subestações de localização em locais de campo marrom.

Aumentando a confiabilidade da grade através de análises preditivas

A confiabilidade é o mandato não negociável de qualquer operador de rede. As abordagens orientadas por dados deslocam o paradigma da resposta de falha reativa para o planejamento de manutenção preditiva e resiliência.

Monitoramento de Saúde e Manutenção Preditiva de Activos

Transformadores, disjuntores e interruptores degradam-se ao longo do tempo devido ao estresse térmico, umidade e desgaste mecânico. Dados do sensor & mdash; incluindo análise de gás dissolvido, medições parciais de descarga, leituras de temperatura e contagens de ciclo operacional & mdash; alimenta-se em índices de saúde que predizem a vida útil remanescente. Os planejadores podem então priorizar a substituição ou a remodelação dos ativos mais críticos antes de falharem. Esta manutenção direcionada reduz as interrupções não planejadas e prolonga a vida útil, proporcionando economias substanciais de custos ao longo de ciclos de substituição baseados em calendário.

Previsão de Insuficiência e Endurecimento do Sistema

Modelos de aprendizado de máquina treinados em registros históricos de interrupções, dados meteorológicos e características de infraestrutura podem prever onde as interrupções são mais prováveis de ocorrer em cenários específicos de tempestade. Por exemplo, um modelo pode identificar que certos segmentos de alimentadores com pólos mais antigos, adjacentes a árvores altas, são cinco vezes mais propensos a falhar durante um vento. Armados com esse conhecimento, utilitários podem pré-posicionar equipes, implantar geração temporária ou acelerar projetos de endurecimento, como substituições de pólos e conversões subterrâneas. O resultado é uma restauração mais rápida e redução de minutos de interrupção do cliente.

Classificação dinâmica das linhas de transmissão

Tradicionalmente, as linhas de transmissão recebem uma classificação de ampacidade estática baseada em pressupostos conservadores sobre o tempo. Os sistemas de classificação de linhas dinâmicas (DLR) usam dados em tempo real de estações meteorológicas e sensores de linhas para calcular a capacidade térmica real em condições atuais. Nos dias frios e ventosos, as linhas podem transportar significativamente mais corrente sem superaquecimento do que a sua classificação estática sugere. Esta abordagem orientada por dados desbloqueia a capacidade adicional da infraestrutura existente, atrasando a necessidade de novas linhas de transmissão caras. A DLR é particularmente valiosa para integrar as fazendas eólicas e solares, cuja saída é muitas vezes mais alta quando as condições ambientais favorecem as classificações de linhas mais elevadas.

Benefícios da expansão da grade de dados: Uma visão quantitativa

A transição para o planejamento orientado a dados proporciona melhorias mensuráveis em várias dimensões do desempenho de utilitários. Abaixo estão os principais benefícios, cada um apoiados por resultados do mundo real observados em toda a indústria.

  • Otimização de Despesas Capitais: Ao direcionar os investimentos precisamente para as restrições mais críticas, os utilitários podem reduzir os gastos de capital anuais em 10–20%, mantendo ou melhorando a confiabilidade.Em vez de sobre-construção de cobertores, os dados permitem o dimensionamento correto dos ativos para corresponder ao crescimento real de carga e às condições de pico.
  • Projeto de Permissão e Construção Mais Rápido: Análise geoespacial que pré-telas para questões ambientais e regulatórias pode comprimir a linha do tempo de licenciamento por meses. A seleção de rotas orientadas por dados reduz a probabilidade de oposição pública e de ciclos de redesenho, acelerando o tempo desde o planejamento até ativos energizados.
  • Metricas de Confiabilidade melhoradas: Utilitários que empregam manutenção preditiva e previsão de falhas relatório reduções do Índice de Duração de Interrupção Média do Sistema (SAIDI) de 15–30% ao longo de três a cinco anos. Menos e mais curtos interrupções diretamente melhorar a satisfação do cliente e reduzir as penalidades regulatórias.
  • Integração Renovável aprimorada: Análises de capacidade de hospedagem orientadas por dados identificam precisamente onde na rede de distribuição pode ser interconectado novo solar, vento ou armazenamento sem causar violações de tensão ou térmica. Isso reduz os custos de estudo de interconexão e os tempos de espera, acelerando a transição de energia limpa.
  • Ganhos de eficiência operacional: A coleta e análise de dados automatizadas reduzem o esforço manual necessário para o planejamento dos estudos. Os engenheiros gastam menos tempo coletando e limpando dados e mais tempo avaliando cenários e tomando decisões estratégicas. Alguns utilitários relatam 30 – 50% redução nos tempos de ciclo de planejamento.
  • Sustentabilidade e Gestão Ambiental: Otimização do roteamento e localização minimizam a perturbação da terra, evitam ecossistemas sensíveis e reduzem as emissões de gases com efeito de estufa da construção. Além disso, programas de gestão de demanda orientados a dados reduzem a necessidade de nova geração e transmissão, diminuindo a pegada de carbono global do sistema energético.

Para uma análise mais aprofundada da forma como os operadores de infra-estruturas estão a utilizar plataformas de dados para alcançar estes resultados, este estudo de caso sobre gasodutos de dados de utilidade fornece informações práticas.

Desafios de Implementação e Estratégias para o Sucesso

Apesar de sua promessa, adotar o planejamento de grade orientado a dados não é sem obstáculos. Utilitários devem navegar vários desafios significativos para realizar o potencial total de seus investimentos de dados.

Qualidade dos dados e complexidade de integração

Fontes de dados distintas muitas vezes têm formatos inconsistentes, valores em falta e tempos conflitantes. Uma subestação pode ser registrada como "Sub 42" no GIS, "Subestação de Middleton" no sistema de gerenciamento de ativos e "42-MID" no SCADA. A reconciliação dessas referências é meticulosa, mas essencial. Utilitários devem investir na limpeza de dados, padronização e gerenciamento de dados mestre. Construir um data warehouse ou data lake com pipelines robustos de extração, transformação, carga (ETL) e usando plataformas que fornecem modelagem de dados flexível, é fundamental. Estabelecer um conselho de governança de dados com representantes de engenharia, operações, TI e planejamento garante a propriedade contínua da qualidade de dados.

Cultura Organizacional e Gestão de Mudança

Muitos engenheiros de planejamento têm décadas de experiência usando métodos determinísticos e são céticos de modelos de aprendizado de máquina black-box. Superar essa resistência requer validação de modelo transparente, onde as previsões são comparadas com resultados reais em projetos-piloto. Demonstrar que abordagens orientadas por dados complementam & mdash; além de substituir o julgamento de engenharia & mdash; é fundamental. Programas de treinamento que aprimoram a equipe em análise de dados e fornecem experiência prática com novas ferramentas podem acelerar a adoção. Compromisso de liderança com uma cultura orientada por dados, incluindo ajustar métricas de desempenho para recompensar a tomada de decisão informada por dados, é essencial.

Cibersegurança e Privacidade de Dados

Centralizar grandes quantidades de dados operacionais e de clientes cria um alvo atraente para ataques cibernéticos. Dados de medidores inteligentes podem revelar informações detalhadas sobre o comportamento doméstico, levantando preocupações de privacidade. Utilitários devem implementar controles de acesso robustos, criptografia e segmentação de rede. Técnicas de anonimização, como agregar dados de clientes ao nível da vizinhança para planejamento de estudos, podem atenuar riscos de privacidade, preservando o valor analítico. Cumprimento de regulamentos como os padrões North American Electric Reliability Corporation Critical Infrastructure Protection (NERC CIP) e leis regionais de privacidade não é negociável.

Integração do Sistema Legado

Muitos utilitários operam sistemas de planejamento de recursos de falha e SCADA legados que não foram projetados para análises modernas. Extrair dados desses sistemas muitas vezes requer interfaces personalizadas ou middleware. Uma abordagem pragmática envolve construir uma camada de abstração que conecta sistemas legados a uma plataforma de dados moderna usando APIs, em vez de tentar rasgar e substituir sistemas operacionais centrais. Ao longo do tempo, como sistemas legados são aposentados, a arquitetura de dados pode ser simplificada.

O papel da inteligência artificial e análise avançada

A próxima fronteira no planejamento de grades orientadas por dados é a aplicação de inteligência artificial (AI) e aprendizado de máquina (ML) para tarefas que eram anteriormente intratáveis com métodos estatísticos convencionais.

Aprendizado profundo para previsão de carga e geração

Os modelos de redes neurais recorrentes (RNNs) e de memória de curto prazo (LSTM) se sobressaem na captura de padrões temporais complexos em dados de geração de carga e renováveis. Estes modelos podem incorporar múltiplas entradas exógenas & mdash; tempo, efeitos de calendário, atividade econômica & mdash; e produzir previsões probabilísticas altamente precisas para horizontes que variam de horas a anos. Os utilitários estão a implantar estes modelos para otimizar o compromisso da unidade para o dia seguinte, programar interrupções de manutenção e planear adições de capacidade. A precisão de previsão melhorada traduz-se directamente na redução das margens de reserva e custos operacionais mais baixos.

Aprendizagem de reforço para operações e planejamento de grades

Algoritmos de aprendizagem de reforço (RL) aprendem políticas de tomada de decisão ideais interagindo com um ambiente simulado. No planejamento de grades, RL pode ser usado para avaliar estratégias de investimento de longo prazo sob incerteza— por exemplo, decidir se deve construir uma nova linha de transmissão, adicionar armazenamento de bateria ou implementar preços dinâmicos para gerenciar congestionamento. O agente de RL explora milhares de futuros possíveis, aprendendo quais estratégias são mais robustas em uma ampla gama de cenários. Esta abordagem vai além do planejamento determinístico, contabilizando explicitamente a incerteza no crescimento de carga, preços de combustível e mudanças de política.

Visão Computadora para Inspeção de Infraestrutura

Os drones e helicópteros equipados com câmeras geram vastas quantidades de imagens de linhas de transmissão, subestações e vegetação. Os modelos de visão computacional podem detectar automaticamente hardware corroído, danos ao isolante, invasão de vegetação e defeitos estruturais com precisão rivalizando com inspetores humanos. A análise de inspeção automatizada permite que os utilitários inspecionem mais ativos com mais frequência, captando problemas antes de levarem a interrupções. Os dados gerados também se alimentam de modelos de saúde de ativos, fornecendo um fluxo contínuo de informações de condição para planejamento de ciclos de substituição.

Para explorar como a IA está sendo operacionalizada na gestão de grades, o Departamento de Recursos Energéticos dos EUA em análise de grades oferecem valiosos casos de referência.

Aplicações do mundo real e adoção da indústria

O planeamento de redes orientadas para os dados não é um conceito teórico, mas sim um conceito de gestão de serviços de utilidade pública, com resultados mensuráveis.

Estudo de caso: Planejamento do Sistema de Distribuição com Análise de Capacidade de Hospedagem

Um grande utilitário pertencente ao investidor da Costa Oeste implementou uma plataforma de análise de capacidade de hospedagem que integra dados de registro GIS, AMI e DER. A plataforma calcula a quantidade máxima de energia solar distribuída que pode ser acomodada em cada alimentador de distribuição sem causar violações de tensão ou térmica. Os candidatos de conexão recebem resultados instantâneos, específicos de localização, indicando se seu sistema proposto pode ser aprovado sem um estudo detalhado. O utilitário relata que 60% das aplicações agora recebem aprovação no mesmo dia, em comparação com uma média de seis semanas antes. Esta abordagem orientada por dados reduziu os custos de interconexão tanto para o utilitário quanto para os clientes, acelerando a adoção solar.

Estudo de caso: Gestão de Vegetação Preditiva

Um operador de rede de distribuição australiano combinou dados LiDAR, imagens de satélite e registros históricos de interrupções para desenvolver um programa de gerenciamento de vegetação baseado em risco. Ao invés de aparar todos os circuitos em um ciclo de quatro anos fixo, o utilitário atribui uma pontuação de risco a cada extensão do condutor com base na densidade de vegetação, taxa de crescimento de espécies e proximidade com a infraestrutura. Spans de alto risco são inspecionados e aparados anualmente, enquanto os spans de baixo risco são estendidos para um ciclo de seis anos. O resultado foi uma redução de 25% nas interrupções relacionadas à vegetação e uma redução de 15% no gasto total de gestão de vegetação, libertando recursos para outros investimentos de confiabilidade.

Instruções futuras: O que vem em seguida para as grades de dados

O ritmo de inovação no planejamento de redes orientadas por dados não mostra sinais de desaceleração. Várias tendências emergentes irão moldar a próxima década de modernização da rede.

Gêmeos digitais da grade

Um gêmeo digital é uma réplica virtual dinâmica e em tempo real da grade física que incorpora dados de sensores vivos, modelos de ativos e entradas ambientais. Os planejadores podem simular o impacto de eventos climáticos extremos, cenários de crescimento de carga ou adições de ativos propostas em um ambiente sem risco. Os gêmeos digitais permitem uma análise o que é impossível com ferramentas de planejamento estático. À medida que os custos de computação diminuem e a fidelidade de modelagem melhora, os gêmeos digitais se tornarão a plataforma central para planejamento, operações e treinamento de grades.

Análise de bordas e inteligência distribuída

Em vez de transmitir todos os dados para uma nuvem central, o processamento de dados no edge— em medidores inteligentes, gateways de subestação ou sensores de linha— reduz os requisitos de latência e largura de banda. A análise de contornos pode detectar anomalias, realizar estimativas de estado locais e controlar autonomamente os dispositivos de regulação de tensão. Para o planeamento de grades, os dados de borda fornecem visibilidade ainda mais elevada em condições locais, permitindo aos planificadores desenhar circuitos que são otimizados para o seu ambiente operacional em vez de pressupostos piores.

Planejamento Integrado em Gás, Elétrico e Água

Muitas empresas operam várias redes de infraestrutura (elétricas, de gás, de água) que são interdependentes. Por exemplo, bombas elétricas são necessárias para a distribuição de água, e usinas de energia a gás dependem de gasodutos. Plataformas de dados integradas que abrangem esses setores permitem planejamento holístico que captura dependências intersetoriais, reduzindo o risco de consequências não intencionais.Esta abordagem integrada ainda é emergente, mas tem uma promessa significativa para melhorar a resiliência da infraestrutura a nível comunitário.

Conclusão: Construindo a grade de amanhã em uma Fundação de Dados

A rede elétrica é a espinha dorsal da civilização moderna, e sua expansão e modernização estão entre os desafios mais críticos da infraestrutura do século XXI. As abordagens orientadas por dados oferecem um caminho claro para frente, permitindo que os utilitários passem de planejamento reativo, baseado em experiência para tomada de decisões proativas e baseadas em evidências. Ao aproveitar o poder de medidores inteligentes, SIG, dados meteorológicos e análises avançadas, os planejadores podem projetar grades mais confiáveis, econômicas, ambientalmente sustentáveis e resilientes às incertezas futuras.

A jornada requer investimento significativo em infraestrutura de dados, mudança organizacional e novas capacidades analíticas. Os desafios da qualidade dos dados, integração, cibersegurança e transformação cultural não devem ser subestimados. No entanto, os utilitários que navegam com sucesso esta transição serão melhor posicionados para atender à crescente demanda, integrar energia renovável e satisfazer as expectativas dos clientes em evolução. A grade do futuro não só carregará elétrons & mdash;ele irá transportar dados, insight e inteligência, garantindo que cada decisão de expansão esteja fundamentada nas melhores evidências disponíveis.Para engenheiros, executivos e formuladores de políticas, o mandato é claro: abraçar planejamento orientado por dados, ou risco de ser deixado para trás no escuro.

Para saber mais sobre a construção de plataformas de dados adaptadas para as operações de serviços públicos, ]explore a solução Directus para energia e serviços públicos. Podem ser encontradas orientações adicionais sobre os quadros de modernização da rede através das páginas de investigação da rede do Laboratório Nacional de Energia Renovável.