Metodologias

Conhecer o perfil típico de consumo dos consumidores é uma tarefa de grande importância para os diferentes sectores nomeadamente o sector da produção, a previsão de cargas, a comercialização e a definição de novas tarifas de energia eléctrica. Uma vez que é necessário encontrar padrões típicos de consumo é fundamental reduzir todas as variáveis á mesma escala para serem comparáveis entre si. Caso esta redução não seja feita, os consumidores com maiores valores de consumo podem dominar os efeitos dos diagramas de carga representativos dos clientes com menor consumo, mas com o mesmo comportamento. Assim torna-se fundamental utilizar o factor normalização. Este deve ser escolhido considerando o tipo de dados disponíveis, a análise que é pretendida e o tipo de resultados finais que se pretende obter. O formato que assume a curva do diagrama de carga reflecte os hábitos de consumo de energia eléctrica dos consumidores, os quais serão depois comparados e agrupados seguindo um critério de similaridade. O processo de agrupamento de dados é realizado através da operação de clustering, normalmente realizada como suporte de técnica estatística com o algoritmo K-means. Os algoritmos de clustering propõem-se assim a auxiliar os agentes de decisão na procura e identificação de padrões nos dados. Nesta fase os consumidores são agrupados em classes, segundo um critério de semelhança. A partir dos diagramas de carga diários normalizados utiliza-se o algoritmo de clustering K-means já publicados nos trabalhos anteriores do autor [Ribeiro C., et al., 2015], [Ribeiro C., et al., 2016], [Ribeiro C., et al., 2017a], [Ribeiro C., et al., 2017b].

Diferentes tipos de normalização foram desenvolvidos e testados para esta metodologia e são expostos nas secções seguintes, assim como o algoritmo de clustering utilizado.

3.2.1. Normalização Regular

Tendo por base trabalhos sobe a caracterização de consumidores de energia eléctrica [Ramos S., et al., 2013a], [C. Ribeiro. et al., 2015], o valor da potência máxima do diagrama de carga representativo de cada consumidor foi seleccionado como factor de normalização. Com este tipo de normalização a informação relativa às formas dos diagramas de carga é mantida. As equações (3.1) e (3.2) descrevem o factor de normalização utilizado. Por se tratar do processo mais comum de normalização será classificada neste trabalho com o nome de Normalização Regular.

𝑁_𝑐,ℎ = 𝐿𝑐,ℎ

𝑀𝐿_𝑐, ∀𝑐∈ 𝑐0 (3.1)

Na equação (3.1), N representa o vector dos valores do diagrama de carga diário representativo e normalizado, de cada consumidor c em análise, para cada hora h. O elemento

co representa o conjunto de todos os consumidores considerados, ML é o valor máximo de

potência do vector dos valores do diagrama de carga diário representativo do consumidor em estudo, com valor de carga L.

Ao efectuar a normalização, todos os diagramas de carga assumem a mesma ordem de grandeza, pertencendo ao intervalo [0,1]. Assim a informação está em condições de ser utilizada pelos algoritmos de clustering, de forma a serem agrupados segundo um critério de semelhança.

3.2.2. Normalização média

Este processo de normalização tem como base a realização da média entre os valores de potência recolhidos e os mesmos valores após sofrerem o processo de Normalização Regular. Este procedimento é aplicado a cada tipo de consumidor, o valor de potência utilizado no processo de clustering é encontrado através da média entre os referidos valores de potência, para cada carga específica nas 24 horas do dia. O processo está formalizado em (3.3).

𝐴_𝑐ℎ =𝐿𝑐,ℎ+𝑁𝑐,ℎ

2 , ∀𝑐∈ 𝑐𝑜 (3.3)

Na equação (3.3), A representa o vector dos valores do diagrama de carga diário representativo e normalizado de cada consumidor c em análise, para cada hora h. L representa o valor da carga sem normalização e N representa o valor dessa mesma carga após o processo de Normalização Regular.

3.2.3. Normalização Customizada

A análise dos trabalhos anteriores [Ribeiro C. et al., 2015] permitiu concluir que as estratégias de agregação têm resultados bastante positivos, pois proporcionam uma boa separação dos consumidores de acordo com o que se pretende.

Ao analisar os resultados do clustering dos dados não normalizados revelou-se uma clara separação entre os diferentes tipos de consumidores, pois esta separação considera valores de consumo absolutos. Enquanto o clustering dos dados submetidos ao processo de normalização, revelam uma clara separação de perfis típicos de consumo, embora não seja capaz de considerar as diferenças na quantidade de consumo.

Com o objectivo de melhorar o resultado obtido no trabalho anterior, o processo de normalização descrito nas equações (3.1) e (3.2) relativos à metodologia de Normalização

Regular, foi melhorado, dando origem à metodologia de Normalização Customizada. Nesta metodologia, o valor da potência máxima de todos os diagramas de carga representativos dos consumidores, é considerado como factor de normalização. As equações (3.4) e (3.5) descrevem o factor de normalização utilizado.

𝑆𝑁_𝑐,ℎ= 𝐿𝑐,ℎ

𝑆𝑀𝐿_ℎ, ∀𝑐∈ 𝑐0 (3.4)

𝑆𝑀𝐿ℎ = 𝑚𝑎𝑥(𝐿𝑐₀,ℎ), ∀𝑐∈ 𝑐0 (3.5)

SN representa o vector dos valores do diagrama de carga diário correspondente ao

processo de Normalização Customizada, para cada consumidor c, em cada hora h. O SML é o maior valor de consumo registado nos vectores representativos dos diagramas de carga diários, para todos os consumidores em cada hora h.

O método de Normalização Customizada visa combinar as vantagens das duas metodologias referidas anteriormente, onde foram utilizados os valores dos diagramas de carga diários sem normalização e com factor de normalização regular. Assim pretende-se conseguir fazer a segmentação de grupos de consumidores que consideram tanto as diferenças nas quantidades de consumo quanto as tendências dos perfis de consumidores ao longo do tempo. O uso desta abordagem garante que os dados também sejam normalizados em um intervalo entre 0 e 1, mas sem perder informações relacionadas a diferenças entre quantidades de consumo entre os consumidores.

Ao utilizar a Normalização Regular o valor 1 é atribuído ao maior valor de consumo de cada consumidor, assim em determinada hora do dia, todos os consumidores vão ter no seu diagrama de carga, o valor 1 atribuído ao maior valor de consumo. Isto vai verificar-se independentemente do valor da quantidade consumida. Ao utilizar o factor de Normalização Customizado só o consumidor com maior valor de consumo registado em toda a amostra, é que vai ter o valor 1. Os consumidores menores terão valores normalizados com valores menores, proporcionais à diferença entre as quantidades de consumo desse consumidor e o maior consumidor em cada hora. Assim, a Normalização Customizada ainda é feita entre 0 e 1, mas há diferença visível entre consumo maior e menor entre os diferentes consumidores e a evolução do consumo de cada perfil de consumidor também é captada. O processo de clustering leva em consideração a tendência dos valores de consumo durante o tempo, independentemente da sua quantidade absoluta. Esta separação é muito importante, de acordo com diferentes tipos e perfis

de consumidores, funciona como base para a definição de tarifas de consumo personalizado e dinâmico.

3.2.4. Normalização Customizada da diferença

Nesta metodologia é considerada a diferença entre o consumo da carga e a geração fotovoltaica, eólica ou unidades de armazenamento, que podem estar associados ao barramento onde se encontra a carga. O valor da microprodução P, associado ao barramento onde se encontra o respectivo consumidor, é subtraído ao valor do consumo desse individuo L. Este cálculo é realizado unicamente para os consumidores com microprodução associada. O processo de normalização é formalizado em (3.6), (3.7) e (3.8).

𝑆𝑇_𝑐,ℎ = 𝑇𝑐,ℎ

𝑆𝑀𝐿_ℎ, ∀𝑐∈ 𝑐0 (3.6)

𝑆𝑀𝑇ℎ= 𝑚𝑎𝑥(𝑇𝑐₀,ℎ), ∀𝑐∈ 𝑐0 (3.7)

𝑇𝑐,ℎ = |𝐿𝑐,ℎ− 𝑃𝑐,ℎ|, ∀𝑐∈ 𝑐𝑜 (3.8)

O elemento T corresponde ao valor final de carga subtraído do valor de produção de energia associado ao barramento onde este está localizado. O consumidor é representado por c e h representa a hora. ST representa o vector dos valores do diagrama de carga diário representativo normalizado de cada consumidor c em análise, para cada hora h, após a aplicação do processo de normalização considerando a diferença entre o consumo e microprodução, para cada consumidor c em cada hora h. SMT é o valor máximo das potências do vector dos valores dos diagramas de carga diários representativos dos consumidores em estudo.

Neste caso, duas variáveis independentes são subtraídas para acentuar a diferença entre as classes das cargas. Isso ocorre porque aparentemente, a produção local depende da classe de cargas, [Canizes B. et. al., 2015]. No estudo referido conclui-se que os clientes pertencentes a moradias residenciais que têm acesso a programas de micro geração têm um valor de produção de energia eléctrica ao longo do ano, bastante superior ao seu consumo. Enquanto os que pertencem a grandes edifícios residenciais têm tendência a produzir tanto quanto consomem ao longo do ano. O oposto verifica-se para os clientes pertencentes a edifícios de comércio, estes tendem a consumir anualmente, mais energia eléctrica do que a que produzem. Esta verificação vem apoiar a metodologia proposta, que permite segmentar os consumidores considerando as diferenças tanto nas quantidades de consumo como nas tendências dos perfis de consumo.