Existem diversas formas de se estimar o consumo de energia em uma residência sem o uso de algoritmos de desagregação de cargas. Uma destas é o consumidor preencher uma planilha na qual informe as cargas, a potência média e o tempo de uso ao longo do mês. A Companhia de Energia Elétrica do Paraná (COPEL) desenvolveu um simulador interativo [84] que permite ao usuário navegar pelos cômodos de sua residência e informar quais cargas utiliza.
Entretanto, este procedimento estima superficialmente o consumo e não considera a aleatoriedade no uso, nem informações estatísticas relacionadas a tal perfil.
Uma hipótese simples para estimar o consumo de energia considerando aspectos estatísticos é extrapolar o conceito da estimação do grupo iluminação para toda a residência. Dessa forma, simulações de Monte Carlo poderiam ser empregadas considerando as curvas de probabilidade do uso individual de cargas residenciais com base no comportamento do usuário, conforme definido na Seção 5.2. Contudo, estudos são necessários para validar tal hipótese.
Por fim, o consumo de energia por carga pode ainda ser estimado considerando dados estatísticos de AVAC (Aquecimento, Ventilação e Ar Condicionado) ou do inglês HVAC (Heating, Ventilation and Air Conditioning). Este modelo não informa o consumo individual de cargas, mas um perfil global para se ter conhecimento onde a energia é empregada, visto que o consumo de equipamentos baseados em AVAC é alto. Para melhorar o modelo e os dados estatísticos pode-se considerar a temperatura da cidade onde está localizado o consumidor. Um procedimento semelhante a este princípio seria realizar o agrupamento das cargas que desempenham funções parecidas. Um exemplo desse procedimento é o apresentado na Figura 5.13 desenvolvido pela empresa Origin Energy [85].
Figura 5.13 – Consumo de energia por grupos de cargas semelhantes. Extraído de [85].
5.5 Conclusões parciais
A estimação do consumo de energia de cargas residenciais é um processo complexo e está atrelada à correta classificação de cargas. Os principais problemas identificados na execução da estimação do consumo de energia estão associados aos casos em que os eventos identificados não tenham sido atribuídos às cargas aos quais pertencem ou ainda, caso a etapa de detecção e/ou classificação não identifique determinado evento, de modo que erros sistemáticos serão computados prejudicando os valores estimados.
Para contornar alguns dos problemas na estimação de energia, considerações adicionais foram tomadas, entre essas, optou-se por analisar a duração entre o acionamento e desligamento das cargas, e caso a duração ultrapassasse um limiar pré-determinado, de acordo com as estimativas médias temporais de consumo, indicaria que o evento de acionamento ou desligamento não foi identificado. Assim, para esses eventos, uma duração padrão foi imposta a fim de computar a energia e minimizar os erros de estimação.
Neste trabalho, optou-se por usar métodos relativamente simples, com assertividade satisfatória na identificação e estimação do consumo de energia individual de cargas residenciais. Além disso, propôs-se metodologias diversificadas para estimar o consumo de energia de acordo com a assinatura elétrica padrão de cada tipo de carga, verificando-se a partir dos dados sintéticos a coerência nos resultados. Destaca-se a metodologia proposta na estimação do consumo de energia do grupo de iluminação com a aplicação do método de Monte Carlo junto ao perfil da probabilidade de uso por tempo, e também, a metodologia simplificada adotada para estimar o consumo de energia das cargas em modo de espera.
Na continuação dos passos para identificação de cargas, as etapas de análise dos resultados e relatórios são inseridas nesta tese na forma de apêndices. O apêndice C aborda os conceitos de sistemas de gerenciamento de energia residencial, em que os aspectos de informações individuais sobre residências são tratados, analisando o consumo de energia por carga e comparando-o com valores de referência de consumo em modo econômico ou ainda avaliando o consumo em relação a uma tarifação horária. Ainda, a comparação entre diferentes consumidores e configurações de segurança é discutida.
O apêndice D demonstra uma aplicação prática usando um framework que engloba o monitoramento, algoritmos de desagregação e a disponibilização dos resultados para os consumidores por meio de uma plataforma online. Por fim, este trabalho ainda inclui uma pesquisa de opinião pública (anexo C) relacionada ao interesse da população no detalhamento do consumo da fatura de energia elétrica. Os resultados estão dispostos no apêndice E.
CONCLUSÃO
Existem inúmeras possibilidades na análise de dados de qualquer tipo de atividade monitorada. Diversas informações podem ser extraídas de forma determinística ou também estimadas a partir de métodos estatísticos. Em relação ao monitoramento não intrusivo em residências, a principal informação é o padrão de consumo de energia elétrica, devendo ser disponibilizado ao usuário para que o mesmo se conscientize sobre as atividades inerentes à sua residência. Contudo, apenas fornecer informações sobre o comportamento de consumo não agrega valor de mercado no desenvolvimento de técnicas complexas de identificação de carga. Esta tese teve como finalidade investigar e desenvolver as técnicas de detecção, classificação e estimação do consumo de energia elétrica das principais cargas ou grupo de cargas em uma residência. Foram utilizados dados reais e dados gerados a partir de um simulador de cargas residencial para avaliar os algoritmos desenvolvidos.
A desagregação de carga é um processo complexo que demanda esforço computacional na identificação de cargas individuais a partir de um sinal único coletado no painel de serviço das residências. Avaliar a ocorrência de eventos e associá-los computando o consumo de energia a cada instante é um processo dispendioso. Todavia, esse processo se justifica, uma vez que a informação obtida pode ser usada por segmentos distintos, tais como: usuários finais, concessionárias e órgãos reguladores.
É interessante, disponibilizar ao usuário, além de seu padrão de consumo, uma análise referente ao comportamento e de que modo inteligente poderia obter ganhos vantajosos com o gerenciamento do consumo de energia residencial. Outra finalidade é a avaliação do histórico de consumo que permite antever problemas quando uma carga apresenta comportamento destoante de identificações passadas. Além disso, é possível comparar o consumo de determinada carga com outras do mesmo tipo, com base no monitoramento de outras residências, podendo assim, verificar a eficiência no uso, e também, com valores de mercado disponíveis através de informações em órgãos reguladores.
Para concessionárias, a aquisição da informação de consumo pode ser usada para levantamento de uma curva de carga mais precisa para determinada região, propondo estudos mais realísticos e considerando a sazonalidade.
Entre as técnicas de detecção de eventos, o algoritmo de transição de borda proposto nesta tese demonstrou precisão satisfatória ao verificar a ocorrência de eventos e detectar corretamente a transição de potência ativa, considerando períodos ruidosos, eventos com
variação de potência devido ao pico de corrente, eventos adjacentes, entre outros. A detecção da correta variação na transição de potência ativa e outros parâmetros auxiliam os algoritmos desenvolvidos na etapa de classificação de cargas a associar os eventos detectados aos padrões de assinatura elétrica conhecidos.
Em relação aos métodos de classificação, a técnica de otimização utilizada não evidenciou precisão na identificação e tem como principal limitação a identificação de cargas de múltiplos estágios ou de variações contínuas, além de ser necessário o conhecimento prévio das cargas instaladas.
O método de agrupamento por deslocamento médio, extraído da literatura de mineração de dados, obteve precisão satisfatória na análise de dados, mesmo quando determinada carga não estava previamente inserida no banco de dados de reconhecimento de cargas automático, o mesmo não foi observado com o uso da rede neural MLP com algoritmo backpropagation, que apresentou precisão de classificação melhor do que o método de otimização, contudo sendo necessário conhecimento prévio das cargas instaladas, além de demonstrar prejuízos na identificação e estimação do consumo de energia quando determinada carga não foi previamente treinada. Outras metodologias de redes neurais não foram verificadas.
As técnicas de estimação do consumo de energia elétrica, dispostas no Capítulo 5, se provaram adequadas na identificação do consumo das cargas de interesse. A metodologia proposta para estimação do consumo de energia do grupo de iluminação a partir do uso de uma curva da probabilidade de uso por tempo associado à simulação de Monte Carlo produziu resultados satisfatórios comparado a valores disponíveis na literatura. Ainda, o procedimento analítico adotado para evitar inúmeras simulações, obteve a partir do parâmetro de forma da distribuição de Weibull, um valor que pode ser relacionado ao consumo de energia do grupo de iluminação, sendo apropriado quando comparado com relatórios existentes em relação ao nível percentual.
Entre as contribuições disponíveis nesta tese, pode-se listar:
Aperfeiçoamento e detalhamento do método de detecção de eventos por transição de borda.
Subdividir o conjunto de dados em grupos distintos, de modo a analisar eventos bifásicos e de sequência finita, facilitando o reconhecimento de outros eventos. Comparação entre métodos de classificação de cargas.
Uso da técnica de agrupamento por deslocamento médio, extraído da mineração de dados, na classificação de cargas, empregado a faixas distintas de potência.
Modelagem do consumo de iluminação a partir da simulação de Monte Carlo. Colaboração no desenvolvimento de ferramenta online para disponibilizar os
dados ao consumidor final.
Entre os trabalhos futuros com base nos conteúdos dispostos nesta tese, sugere-se: Avaliar o consumo de energia elétrica em residências brasileiras, usando
diferentes técnicas de monitoramento para validar os resultados obtidos a partir do monitoramento não intrusivo.
Avaliar a interação entre o monitoramento não intrusivo na presença de geração distribuída com painéis fotovoltaicos.
Inserir mais tipos de cargas na identificação, como por exemplo, cargas específicas (e.g. motor de piscina, banheira, etc.).
Analisar a eficiência das cargas baseado no histórico do consumo de energia. Verificar a viabilidade econômica da instalação de medidores inteligentes que
agreguem a função de desagregação de carga, considerando a substituição, por exemplo, de leituristas de energia.
Estudar o impacto no deslocamento de carga quando tarifas horo-sazonais são impostas.
Estudar a regulamentação do tema, no que concerne a segurança e privacidade das informações coletadas.
Promover campanhas para aumentar a conscientização do consumo demasiado de energia elétrica, considerando programas ambientais.
E ainda, monitorar e identificar cargas industriais para avaliar quando máquinas estão susceptíveis a possíveis falhas, informando o responsável para realização de manutenção preventiva.
REFERÊNCIAS
[1] D. Rahayu; B. Narayanaswamy; S. Krishnaswamy; C. Labbe; D. P. Seetharam, "Learning to be energy-wise: Discriminative methods for load disaggregation", 2012 Third
International Conference on Future Energy Systems: Where Energy, Computing and Communication Meet (e-Energy), pp.1-4, May 2012.
[2] Hydro One, “Introducing Time-of-Use Prices”. Disponível em:
http://www.hydroone.com/TOU/Documents/Introducing_TOU_Prices.pdf. [Abril 2013]. [3] Hydro One, “Time-of-Use Prices”. Disponível em:
http://www.hydroone.com/TOU/Pages/Default.aspx. [Abril 2013]
[4] Burlington Hydro, “Time of Use: A New Way to Think About Electricity”. Disponível em: http://www.burlingtonhydro.com/your-business/time-of-use.html. [Abril 2013] [5] Guelph Hydro, “Time-of-Use Rates for Electricity”. Disponível em:
http://www.guelphhydro.com/en/residential/timeofuserates.asp [Abril 2013] [6] ANEEL. Resolução Normativa n. 043/2013. Tarifa Branca. Disponível em:
http://www.aneel.gov.br/aplicacoes/audiencia/arquivo/2013/043/documento/minuta_ren _tarifa_branca5.pdf. [Agosto 2013].
[7] G. W. Hart, "Nonintrusive appliance load monitoring", Proceedings of the IEEE, vol. 80, no. 12, pp. 1870-1891, Dec 1992.
[8] Y. Xu and J. V. Milanović, "Artificial-Intelligence-Based Methodology for Load Disaggregation at Bulk Supply Point," in IEEE Transactions on Power Systems, vol. 30, no. 2, pp. 795-803, March 2015.
[9] F. Sultanem, "Using appliance signatures for monitoring residential loads at meter panel level", IEEE Transactions on Power Delivery, vol.6, no.4, pp. 1380-1385, Oct 1991. [10] C. Laughman; L. Kwangduk; R. Cox; S. Shaw; S. Leeb; L. Norford; P. Armstrong,
"Power signature analysis", Power and Energy Magazine, IEEE, vol. 1, no. 2, pp. 56-63, 2003.
[11] S. Leeb; J. Kirtley Jr.; M. S. LevVan; J. P. Sweeney, “Development and Validation of a Transient Event Detector”, AMP Journal of Technology, vol. 3, pp. 69-74, Nov 1993. [12] S. B. Leeb; S. R. Shaw; J. L. Kirtley Jr., "Transient event detection in spectral envelope
estimates for nonintrusive load monitoring," IEEE Transactions on Power Delivery, vol. 10, no. 3, pp. 1200-1210, Jul 1995.
[13] M. Dong; P. C. M. Meira; W. Xu; W. Freitas, "An Event Window Based Load Monitoring Technique for Smart Meters", IEEE Transactions on Smart Grid, vol. 3, no. 2, pp. 787- 796, June 2012.
[14] A. S. Ardeleanu; C. Donciu, "Nonintrusive load detection algorithm based on variations in power consumption," International Conference and Exposition on Electrical and
Power Engineering (EPE), pp. 309-313, Oct. 2012.
[15] J. Liang; K. K. S. Ng; G. Kendall; J. W. M. Cheng, "Load Signature Study - Part I: Basic Concept, Structure, and Methodology", IEEE Transactions on Power Delivery, vol. 25, no. 2, pp. 551-560, April 2010.
[16] H. H. Chang; K. L. Chen; Y. P. Tsai; W. J. Lee, "A new measurement method for power signatures of non-intrusive demand monitoring and load identification," 2011 IEEE
Industry Applications Society Annual Meeting (IAS), pp.1-7, Oct. 2011.
[17] A. G. Ruzzelli; C. Nicolas; A. Schoofs; G. M. P. O'Hare, "Real-Time Recognition and Profiling of Appliances through a Single Electricity Sensor," 2010 7th Annual IEEE
Communications Society Conference on Sensor Mesh and Ad Hoc Communications and Networks (SECON), pp. 21-25, June 2010.
[18] H. Chang; P. Chien; L. Lin; N. Chen, "Feature Extraction of Non-intrusive Load- Monitoring System Using Genetic Algorithm in Smart Meters," 2011 IEEE 8th
International Conference on e-Business Engineering (ICEBE), pp. 299-304, Oct. 2011.
[19] Z. Wang; G. Zheng, "New method for non-intrusive data extraction and classification of residential appliances," 2011 Chinese Control and Decision Conference (CCDC), pp. 2196-2201, May 2011.
[20] P. Chou; C. Chuang; R. Chang, "Automatic appliance classification for non-intrusive load monitoring," 2012 IEEE International Conference on Power System Technology
(POWERCON), pp.1-6, Nov 2012.
[21] S. K. Ng; J. Liang; J. W. M. Cheng, "Automatic appliance load signature identification by statistical clustering", 8th International Conference on Advances in Power System
Control, Operation and Management (APSCOM 2009), pp. 1-6, Nov. 2009.
[22] Z. Wang; G. Zheng, "Residential Appliances Identification and Monitoring by a Nonintrusive Method", IEEE Transactions on Smart Grid, vol. 3, no. 1, pp. 80-92, March 2012.
[23] U. M. Fayyad; G. Piatetsky-Shapiro; P. Smyth; R. Uthurusamy. “Advances in Knowledge Discovery and Data Mining”. Menlo Park, Calif.: AAAI Press, 1996.
[24] U. M. Fayaad; G. Piatetsky-Shapiro; P. Smyth, “From Data Mining to Knowledge Discovery in Databases”, AAAI Press, 1996.
[25] S. N. Patel; T. Robertson; J. A. Kientz; M. S. Reynolds; G. D. Abowd, “At the Flick of a Switch : Detecting and Classifying Unique Electrical Events on the Residential Power Line”, Conference on Ubiquitous Computing, pp. 139-148, 2010.
[26] M. Zeifman; K. Roth, "Nonintrusive appliance load monitoring: Review and outlook,"
IEEE Transactions on Consumer Electronics, vol.57, no.1, pp.76-84, February 2011.
[27] A. V. Oppenheim; A. S. Willsky; S. H. Nawab. Sinais e Sistemas. 2ª ed. São Paulo : Pearson Prentince Hall, pp.207-231, 2010.
[28] H. Chang; C. Lin; J. Lee, "Load identification in nonintrusive load monitoring using steady-state and turn-on transient energy algorithms", 2010 14th International
Conference on Computer Supported Cooperative Work in Design (CSCWD), pp. 27-32,
April 2010.
[29] "IEEE Standard Definitions for the Measurement of Electric Power Quantities Under Sinusoidal, Nonsinusoidal, Balanced, or Unbalanced Conditions," IEEE Std 1459-2010
(Revision of IEEE Std 1459-2000), vol., no., pp.1-40, March 19 2010.
[30] C. E. Reeg; T. J. Overbye, "Algorithm development for non-intrusive load monitoring for verification and diagnostics," North American Power Symposium (NAPS), pp.1-5, Sept. 2010.
[31] R. Torquato; Q. Shi; W. Xu; W. Freitas, "A Monte Carlo Simulation Platform for Studying Low Voltage Residential Networks," IEEE Transactions on Smart Grid, vol. 5, no. 6, pp.2766,2776, November 2014.
[32] Pacific Northwest National Laboratory (PNNL). Department of Energy (DOE) GRIDLAB-D. Disponível em: http://www.gridlabd.org/. [Agosto 2013].
[33] Operador Nacional do Sistema (ONS). Carga de Demanda Anual do Sistema Nacional Interligado. Período 2000 a 2014. Disponível em: http://www.ons.org.br/historico. [Abril 2015].
[34] BRASIL. Programa Nacional de Universidade do Acesso e Uso de Energia Elétrica. “Luz para todos”. Decreto n. 4.873, de 11 de novembro de 2003.
[35] Forgit. Disponível em: https://www.forgitit.com/. [Julho 2014].
[36] H. Najmeddine; K. E. K. Drissi; C. Pasquier; C. Faure; K. Kerroum; A. Diop; T. Jouannet; M. Michou, "State of art on load monitoring methods," IEEE 2nd International Power
[37] R. C. Monzani, “Avaliação de distúrbios elétricos no monitoramento de cargas residenciais”, Conferência Brasileira sobre Qualidade da Energia Elétrica (CBQEE) 2015, Jul. 2015.
[38] J. T. Chiang; T. Zhang; B. Chen; Y. Hu, "Load disaggregation using harmonic analysis and regularized optimization", 2012 Asia-Pacific Signal & Information Processing
Association Annual Summit and Conference (APSIPA ASC), pp. 1,4, Dec. 2012.
[39] A. S. Bouhouras; A. N. Milioudis; G. T. Andreou; D. P. Labridis, "Load signatures improvement through the determination of a spectral distribution coefficient for load identification," 2012 9th International Conference on the European Energy Market
(EEM), pp.1-6, May 2012.
[40] A. Capasso; W. Grattieri; R. Lamedica; A. Prudenzi, “A bottom-up approach to residential load modeling”, IEEE Trans. Power System, vol. 9, no. 2, pp. 957-964, 1994. [41] S. W. Heunis and R. Herman, “A probabilistic model for residential consumer loads”,
IEEE Transaction on Power System, vol. 17, no. 3, pp. 621-625, 2002.
[42] A. Shoshitaishvili, "Activities-specific disaggregation of hourly residential electricity consumption and smart household appliances", 2011 IEEE PES Innovative Smart Grid
Technologies Asia (ISGT), pp. 1-7, Nov. 2011.
[43] M. B. Figueiredo; A. de Almeida; B. Ribeiro, "Smart home: A novel model for denoising an electrical signal", 2011 11th International Conference on Intelligent Systems Design
and Applications (ISDA), pp.784-789, Nov. 2011.
[44] Y. Chen; C. Chu; S. Tsao; T. Tsai, "Detecting users' behaviors based on nonintrusive load monitoring technologies", 2013 10th IEEE International Conference on Networking,
Sensing and Control (ICNSC), pp.804-809, April 2013.
[45] A. Filippi; R. Rietman; Y. Wang; S. B. Marchi, "Voltage only multi-appliance power disaggregation", 2012 IEEE International Energy Conference and Exhibition
(ENERGYCON), pp.915-920, Sept. 2012.
[46] T. Hastie; R. Tibshirani; J. Friedman. “The elements of statistical learning”. 2nd ed. Springer, 2008.
[47] J. W. M. Cheng; S. K. K. Ng; J. Liang; J. Zhong, "An alternative use of power quality information - Load signature studies & applications", 2012 IEEE 15th International
Conference on Harmonics and Quality of Power (ICHQP), pp.150-155, June 2012.
[48] L. I. Eguiluz; M. Manana; J. C. Lavandero, "Voltage distortion influence on current signatures in nonlinear loads", IEEE Power Engineering Society Summer Meeting. vol. 2, pp. 1165-1170, 2000.
[49] M. Dong, “Decomposition Techniques for Power System Load Analysis”, PhD Thesis. University of Alberta, Fall 2013.
[50] H. A. D. Azzini; L. C. P. Silva; J. F. Fardin, “Detecção de Eventos Baseada em Variância e Desvio Padrão para monitoramento não intrusivo”. 2014 CBA Congresso Brasileiro de Automação.
[51] R. C. Monzani; D. Salles; R. Torquato. “Event detection applied to nonintrusive load monitoring”. IEEE T&D LA 2016: Transmission and Distribution, 2016.
[52] K. Suzuki; S. Inagaki; T. Suzuki; H. Nakamura; K. Ito, “Nonintrusive appliance load monitoring based on integer programming”, SICE Annual Conference, pp. 2742-2747, 2008.
[53] G. Koundourakis; M. Saraee; B. Theodoulidis, “Data Mining in Temporal Databases. Information Management Group”, Manchester, United Kingdom: Department of Computation, UMIST, 2001.
[54] S. Pattem, "Unsupervised Disaggregation for Non-intrusive Load Monitoring," 11th
International Conference on Machine Learning and Applications (ICMLA), vol.2, pp.
515-520, Dec. 2012.
[55] K. Fukunaga; L. Hostetler, "The estimation of the gradient of a density function, with applications in pattern recognition", IEEE Transactions on Information Theory, vol. 21, no. 1, pp. 32-40, Jan 1975.
[56] R. C. Monzani. “Identificação de cargas residenciais usando rede neural artificial a partir de aquisição não intrusiva”, SBAI 2015 - Simpósio Brasileiro de Automação Inteligente, Natal. Out 2015.
[57] C. O. Camilo; J. C. da Silva, “Mineração de dados: Conceitos, Tarefas, Métodos e Ferramentas”, Relatório Técnico – RT-INF_001-09. Instituto de Informática da Universidade Federal de Goiás, agosto 2009.
[58] S. B. Leeb; J. L. Kirtley, "A multiscale transient event detector for nonintrusive load monitoring", Proceedings of the IECON '93International Conference on Industrial
Electronics, Control, and Instrumentation, vol. 1, pp. 354-359, Nov 1993.
[59] L. Jiang; S. Luo; J. Li, "An Approach of Household Power Appliance Monitoring Based on Machine Learning," 2012 Fifth International Conference on Intelligent Computation
Technology and Automation (ICICTA), pp.577-580, Jan. 2012.
[60] A. M. Lucas, “Utilização de Técnicas de Mineração de Dados considerando aspectos temporais”, Dissertação de Mestrado apresentado ao Programa de Pós Graduação em Computação da Universidade Federal do Rio Grande do Sul, 2002.
[61] Y. C. Fan; X. Liu; W. C. Lee; A. L. P. Chen, "Efficient Time Series Disaggregation for Non-intrusive Appliance Load Monitoring," 2012 9th International Conference on
Ubiquitous Intelligence & Computing and 9th International Conference on Autonomic & Trusted Computing (UIC/ATC), pp. 248-255, Sept. 2012.
[62] I. Witten, et al. “Data Mining: Practical Machine Learning Tools and Techniques with Java implementations”. San Francisco, CA: Morgan Kaufmann, 2000.
[63] S. Haykin. “Redes Neurais: Princípios e práticas”, 2º ed. Bookman Companhia Ed, 2001. [64] P. Adriaans; D. Zantinge, “Data Mining”, Harlow: Addison-Wesley, 1997.
[65] K. D. Anderson; M. E. Berges; A. Ocneanu; D. Benitez; J. M. F Moura, "Event detection for Non-Intrusive load monitoring," IECON 2012 - 38th Annual Conference on IEEE
Industrial Electronics Society , pp. 3312-3317, Oct. 2012.
[66] J. Liang; K. K. S. Ng; G. Kendall; J. W. M. Cheng, "Load Signature Study - Part II: Disaggregation Framework, Simulation, and Applications", IEEE Transactions on Power Delivery, vol. 25, no. 2, pp. 561-569, April 2010.
[67] P. Ducange; F. Marcelloni; D. Marinari, "An algorithm based on finite state machines with fuzzy transitions for non-intrusive load disaggregation," Sustainable Internet and
ICT for Sustainability (SustainIT), pp.1-5, Oct. 2012.
[68] PROCEL (Programa Nacional de Conservação de Energia Elétrica). Informações. Disponível em: http://www.procelinfo.com.br/. Acesso em: abr/2015.
[69] Design Recycle Inc., "LED Lights vs. Incandescent Light Bulbs vs. CFLs", available online at: http://www.designrecycleinc.com/led%20comp%20chart.html
[70] Earthfriends, “CFL Vs. Incandescent”, Disponível em:
http://www.energyclassroom.com/pdfs/EC_CO_AC_LightBulbCost.pdf. [Out. 2015]. [71] W. Wichakool. “Advanced Nonintrusive Load Monitoring”, PhD Thesis, Massachusetts
Institute of Technology, 2011.
[72] Energyclassroom, “Light Bulb Cost Comparison”. Disponível em: