Desenvolvimento de um Modelo Matemático utilizando a Descoberta de Conhecimento Aplicado a Transformadores Trifásicos

(1)

Desenvolvimento de um Modelo Matemático utilizando

a Descoberta de Conhecimento Aplicado a

Transformadores Trifásicos

Luciano Antonio Destefani

Dissertação de Mestrado submetida ao Programa de Pós-Graduação em Modelagem Matemática da Universidade Regional do Noroeste do Estado do Rio Grande do Sul – Unijuí, como parte dos requisi-tos necessários para a obtenção do Grau de Mestre em Modelagem Matemática.

Paulo Sérgio Sausen, Dsc. Orientador

Airam Teresa Zago Romcy Sausen, Dsc. Coorientadora

Ijuí, RS, Brasil c

(2)

(3)

(4)

“O instinto do empreendedor é explorar o mundo natural. O instinto do engenheiro é mudá-lo. O instinto do cientista é tentar compreendê-lo e entender o que realmente está acontecendo. O instinto do matemático é estruturar esse processo de entendimento buscando generalidades que vão além de subdivisões óbvias. Há um pouco de cada um desses instintos em todos nós.” STEWART, I. Nature’s numbers - the unreal reality of mathematics. Nova York: Basic Books, 1995, p.13 [47].

(5)

Agradecimentos

A DEUS e a minha família.

(6)

Resumo

As Redes Inteligentes (Smart Grids) são consideradas a nova geração dos sistemas elétricos combinando avanços nas áreas de tecnologia da informação, sistemas distribuídos e tele-comunicações. O seu uso disponibiliza maiores funcionalidades para o monitoramento e a gestão da rede de distribuição de energia elétrica, viabiliza a geração distribuída, realiza a recuperação automática de falhas e o controle de perdas, assim como torna possível a comunicação em tempo real com as unidades consumidoras de energia. Dentro do contexto das Redes Inteligentes, o processo de Descoberta de Conhecimento começa a ser utilizado para funções vinculadas ao gerenciamento e manutenção preventiva das redes, observa-se que esse processo já utiliza técnicas de Mineração de Dados (MD) em problemas vincula-dos ao consumidor final para a descoberta de perfis de consumo. Destaca-se que a partir de uma maior instrumentação das redes de distribuição de energia é possível obter uma base de dados com um volume considerável, tanto em tamanho, quanto em qualidade das informações, que podem ser utilizadas em uma nova gama de aplicações relacionadas a to-mada de decisões administrativas vinculadas, por exemplo, a manutenção preventiva das redes/equipamentos de distribuição de energia. Esta nova abordagem é de fundamental im-portância para o setor elétrico, pois necessita de constantes manutenções e melhorias na sua estrutura, ao mesmo tempo que possuí um orçamento restrito que deve ser bem gerenciado para não prejudicar a qualidade do fornecimento de energia. Nesse contexto, essa pesquisa visa contribuir, investigando a aplicação da Descoberta de Conhecimento, utilizando uma regressão linear para desenvolver um modelo matemático que descreve o rendimento de um transformador que compõem uma subestação de energia, a partir dos resultados obtidos é possível realizar a manutenção preventiva nos equipamentos que estão com rendimento abaixo do previsto pelo modelo e portanto mais propícios a apresentarem falhas. O modelo proposto é desenvolvido e posteriormente validado com dados reais obtidos a partir de um sistema de aquisição de dados já implementado em uma grande concessionária de energia elétrica do Sul do Brasil, apresentando bons resultados.

Palavras-chave: Descoberta de Conhecimento, Redes Inteligentes, Setor Elétrico, Trans-formador, Rendimento, Regressão Linear.

(7)

Abstract

Smart Grids are considered the new generation in electrical systems by combining the ad-vancements in computer science, distributed systems and telecommunication. Allowing to deliver monitoring and management functionality to power networks, which enables dis-tributed generation, automatic failure recovery, power loss control and also delivering a real-time mean of communication to the power consuming units. Within the context of Smart Grids, the knowledge discovery process starts to be used for functions like network management and preventive maintenance, whereas this process is already used in profiling consumer consumption data with data mining techniques. It can be noted that as power network instrumentation grows the associated database becomes bigger, both in size and quality of the collected information, which may be used in a plethora of new administrative applications, such as, maintenance of the power delivery grid/hardware. This new appro-ach is fundamental to the power industry that requires constant maintenance and upgrades in its infrastructure, while retaining a restricted budget that must be handled well to not harm delivery of power. In this regard, this project wants to investigate the use of kno-wledge discovery, by leveraging the linear regression to develop a model that characterizes the efficiency of a transformer in an underground power substation, with the goal of priori-tizing preventive maintenance in hardware with low efficiency and thus more susceptible to failures. The developed model was validated with real data obtained by a data acquisition system in a big power concessionaire in the south of Brazil, with good results.

Keywords: Knowledge Discovery, Smart Grids, Power Industry, Transformer, Effici-ency, Linear regression.

(8)

Lista de Abreviaturas

ANEEL – Agência Nacional de Energia Elétrica

CEEE – Companhia Estadual de Energia Elétrica do Estado do Rio Grande do Sul

DEC – Duração equivalente de interrupção por unidade consumidora

DIC – Duração de interrupção individual por unidade consumidora

DICRI – Duração da interrupção individual ocorrida em dia crítico por unidade consu-midora ou ponto de conexão

DMIC – Duração máxima de interrupção contínua por unidade consumidora ou ponto de conexão

DRP – Duração relativa da transgressão de tensão precária

DRC – Duração relativa da transgressão de tensão crítica

FEC – Frequência equivalente de interrupção por unidade consumidora

FIC – Frequência de interrupção individual por unidade consumidora

GAIC – Grupo de Automação Industrial e Controle

KDD – Knowledge Discovery in Databases (Descoberta de conhecimento em bancos de dados)

(9)

MD – Mineração de Dados

PRODIST – Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Na-cional

RS – Estado do Rio Grande do Sul (Brasil)

SEP – Sistema Elétrico de Potência

SIN – Sistema Interligado Nacional

UNIJUÍ – Universidade Regional do Noroeste do Estado do Rio Grande do Sul

(10)

Lista de Símbolos

Pin – potência de entrada do transformador

Pout – potência de saída do transformador

η – rendimento

ηmax – rendimento máximo

S – potência do transformador

SN – potência nominal do transformador

cos(φ) – fator de potência

W0 – perdas em vazio

Wc – perdas em carga

β – coeficiente de regressão linear

β0 – intersepto de regressão linear

V As – tensão do secundário A

V Bs – tensão do secundário B

V Cs – tensão do secundário C

(11)

IA – corrente do Primário A

IB – corrente do Primário B

IC – corrente do Primário C

IAs – corrente do secundário A

IBs – corrente do secundário B

ICs – corrente do secundário C

T empAmb – temperatura ambiente

T empT raf o – temperatura do transformador

U S – sensor ultrassônico P S – pressão kV – kilovolt kV A – kilovolt (Ampère) I – corrente (Ampère) V – tensão (Volt)

VLIN HA – tensão de linha

VF ASE – tensão de fase

Y ∆ – delta estrela

(12)

Lista de Tabelas

2.1 Principais tarefas para a Descoberta de Conhecimento. . . 31

2.2 Valores estimados e erros de estimação da Figura 2.8 [13]. . . 33

3.1 Layout de dados (analógicos) . . . 40

3.2 Subestações com mais de 50.000 aquisições de Janeiro a Março de 2017. . . . 42

3.3 Conjunto de subestações selecionadas para construção do modelo. . . 43

3.4 Valores de β para o modelo proposto. . . 45

3.5 Conjunto de subestações para validação/simulação dos resultados. . . 46

4.1 Resultado Agregado das Simulações. . . 49

(13)

Lista de Figuras

2.1 Estrutura de um Sistema Elétrico de Potência [34]. . . 11

2.2 Correntes de sequência zero em um transformador delta estrela (Y ∆) [44]. . 19

2.3 Ligação do Transformador em estrela [38]. . . 19

2.4 Ligação do Transformador em triângulo [38]. . . 20

2.5 Fases do Processo de Descoberta de Conhecimento (KDD) [8]. . . 23

2.6 Ilustração do conceito de uma Rede Inteligente [45]. . . 26

2.7 Etapas do Pré-Processamento [26]. . . 28

2.8 Regressão linear para um conjunto de objetos bidimensionais [13]. . . 33

3.1 Sistema de aquisição das subestações subterrâneas da CEEE. . . 37

3.2 Diagrama com os componentes da câmara subterrânea. . . 38

3.3 Localização das Subestações Subterrâneas em Porto Alegre-RS. . . 39

3.4 Taxa de transmissão de dados nas subestações subterrâneas em 2017. . . 41

3.5 Localização geográfica das subestações escolhidas para construção do modelo. 44 3.6 Simulação do Modelo. . . 45

4.1 Resultado da Simulação do Rendimento da Subestação no 9. . . 50

4.3 Corrente do Secundário da Subestação 11. . . 52

4.4 Corrente do Secundário da Subestação 34. . . 52

4.5 Resultado da Simulação do Rendimento da Subestação no _34. _{. . . .} ₅₃

4.6 Localização Geográfica da Subestação 34. . . 54

A.1 Resultado da Simulação do Rendimento da Subestação no 26. . . 65

A.2 Resultado da Simulação do Rendimento da Subestação no 27. . . 66

A.3 Resultado da Simulação do Rendimento da Subestação no _33. _{. . . .} ₆₇

(14)

Sumário

1 Apresentação da Dissertação 4 1.1 Introdução . . . 4 1.2 Motivação . . . 6 1.3 Objetivos da Dissertação . . . 6 1.3.1 Objetivo Geral . . . 7 1.3.2 Objetivos Específicos . . . 7 1.4 Contribuições . . . 7 1.5 Estrutura do Documento . . . 8 2 Revisão Bibliográfica 10 2.1 Introdução . . . 10

2.2 Sistema Elétrico de Potência (SEP) . . . 10

2.2.1 Subestação . . . 14 2.2.2 Transformadores . . . 18 2.2.3 Rendimento . . . 20 2.3 Descoberta de Conhecimento . . . 22 2.3.1 Redes Inteligentes . . . 24 2.3.2 Mineração de Dados (MD) . . . 26 2.3.3 Os Dados . . . 27 2.3.4 Tarefas . . . 29 2.4 Regressão . . . 31 2.4.1 Regressão Linear . . . 32

2.4.2 Regressão Linear Múltipla . . . 34

2.5 Resumo do Capítulo . . . 35

3 Modelagem Matemática 36 3.1 Introdução . . . 36

(15)

Sumário 3 3.2 Subestação . . . 37 3.3 Estrutura de Dados . . . 39 3.4 Pré-processamento . . . 40 3.5 Modelo Proposto . . . 43 3.6 Cenário de Simulação . . . 45 3.7 Resumo do Capítulo . . . 46

4 Resultado das Simulações e Análise 48 4.1 Introdução . . . 48

4.2 Resultados das Simulações . . . 49

4.3 Resumo do Capítulo . . . 55

5 Conclusões e Trabalhos Futuros 57 Referências Bibliográficas 60 A Resultados das Simulações 65 B Publicações Relacionadas a Dissertação 68 B.1 Artigos Aceitos em Eventos . . . 68

(16)

Capítulo 1

Apresentação da Dissertação

1.1 Introdução

O crescente avanço tecnológico proporciona a utilização de ferramentas e técnicas para extrair informações específicas para resolução de problemas nas mais variadas áreas de atividade. Se em outros tempos havia uma limitação na capacidade física de processamento e armazenamento de dados, hoje a evolução da tecnologia da informação possibilita que estes dados possam ser armazenados e processados mais rapidamente e com uma maior precisão [43].

Com este volume de dados armazenados crescendo diariamente, responder uma questão tornou-se crucial: O que fazer com os dados armazenados? As técnicas tradicionais de exploração de dados não são mais adequadas para tratar a grande maioria dos repositórios [9]. Com a finalidade de responder a esta questão, foi proposta, no final da década de 80, a Mineração de Dados (MD), do inglês Data Mining, que na atualidade está diretamente relacionada ao processo de Descoberta de Conhecimento e ao conceito das Redes Inteligentes. Historicamente já se passou mais de um século do início da utilização da energia elétrica, porém, a maneira como é feita a distribuição de energia elétrica evoluiu pouco, pois os sistemas atuais dependem excessivamente de fontes geradoras únicas, com redes suscetíveis a falhas pontuais, porém críticas, e alto índice de furtos e prejuízos nas unidades consumidoras [15].

Neste contexto as Redes Inteligentes vem evoluindo gradativamente com o objetivo de integrar o comportamento e ações de todos os usuários conectados a ela, sejam eles geradores, consumidores ou ambos. Devido a sua importância, tanto para as unidades geradoras, quanto para os consumidores finais, é necessário a busca de novas técnicas para minimizar as perdas, prever falhas e dar sustentabilidade aos serviços oferecidos. A descoberta de

(17)

Capítulo 1. Apresentação da Dissertação 5

conhecimento, também conhecida como KDD (Knowledge Discovery in Database), vem ao encontro desta necessidade e pode auxiliar na identificação e resolução de diversos problemas na geração e distribuição da energia elétrica com a aplicação das técnicas corretas.

Destaca-se que as Redes Inteligentes tradicionalmente vem utilizando as técnicas de MD e a Descoberta de Conhecimento para tratar problemas relacionados ao consumidor final [10, 25, 29, 41, 50]. Diferentemente desta abordagem, neste trabalho é proposto um modelo matemático que possibilita auxiliar as concessionárias de energia na atividade de manuten-ção preventiva de suas estruturas, mais especificamente será apresentado um modelo baseado na descoberta de conhecimento e regressão linear que torna possível analisar no desempe-nho de um transformador e a partir dele verificar a necessidade de realizar manutenção ou mesmo uma intervenção para resolver um problema detectado.

Desta forma a disponibilização de um modelo matemático acurado que analisa o desem-penho de um transformador, pode auxiliar tanto os consumidores de energia, por exemplo, na utilização de eletricidade de forma racional, como também fornecer apoio as decisões estratégicas para as concessionárias de energia elétrica que é o foco principal desta pesquisa [25].

A partir de um conjunto de projetos desenvolvidos nesta área e da parceria existente entre o Grupo de Automação Industrial e Controle - GAIC, da Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ, com a Companhia Estadual de Distribuição de Energia Elétrica - CEEE-D, concessionária de serviços de distribuição de energia elétrica da região sul-sudeste do Estado do Rio Grande do Sul, será possível ter acesso a uma base de dados com mais de 20 grandezas adquiridas de um conjunto de 56 subestações subterrâneas de energia elétrica na cidade de Porto Alegre/RS. A periodicidade na coleta das grandezas que compõem a base de dados a ser utilizada é de uma aquisição a cada 10 segundos, o que em um curto período de tempo pode se transformar em uma base de conhecimento a ser amplamente explorada pela concessionária de energia elétrica.

Neste contexto, o principal objetivo deste trabalho é aplicar os conceitos das Redes Inte-ligentes e Descoberta de Conhecimento para realizar a busca de padrões de rendimento em transformadores de subestações subterrâneas de energia. No estudo será utilizada técnicas de regressão para criar um modelo matemático que possibilita analisar o rendimento de um transformador a partir das informações já coletada e armazenadas em uma base de dados. Pretende-se a partir da disponibilização deste modelo matemático realizar a melhoria dos serviços disponibilizados pelas concessionárias de energia elétrica aos seus consumidores, e ao mesmo tempo otimizar a aplicação dos recursos de manutenção.

(18)

motivação. Na Seção 1.3 são apresentados os objetivos geral e específicos. Na Seção 1.4 são apresentadas as principais contribuições deste dessa pesquisa. Na Seção 3.3 é apresentada a organização deste documento.

1.2 Motivação

A modernização do Setor de Energia vem ganhando um espaço cada vez maior e atu-almente é foco de diversos trabalhos e pesquisas. Existe a necessidade, principatu-almente no Brasil, de tornar a rede de distribuição de energia “mais inteligente”, especialmente a partir de sua instrumentação e posterior adição de tecnologias que permitem aumentar a inteligên-cia e consequentemente a qualidade da rede. Atualmente, a grande maioria das pesquisas relacionadas ao tema, estão vinculadas à qualidade da energia voltada ao consumidor final, mais especificamente, na definição de perfis de consumo e técnicas de detecção de fraudes no faturamento.

Neste contexto, existe ainda um significativo campo de pesquisa, não completamente explorado, que engloba técnicas ou mesmo tecnologias que possam ser usadas para melhorar a manutenção e consequentemente a qualidade de energia fornecida pelas concessionárias de energia ao consumidor final. Adiciona-se a este argumento o reduzido e limitado orçamento que as concessionárias de energia possuem para realizar investimento e manutenção em suas redes.

As concessionárias de energia, na sua grande maioria, tem ou planejam aumentar a aquisição de dados e o monitoramento de suas estruturas de distribuição, gerando desta forma, grandes bases de dados que, na sua grande maioria, são pouco exploradas. Esta é uma tendência não apenas no Brasil, mas em todo o mundo onde cada vez mais aumenta-se a quantidade de dados coletados e armazenados, mas não são geradas informações úteis a partir desta base de dados.

É justamente nesta lacuna que a mineração de dados, a partir da Descoberta de Co-nhecimento, pode contribuir para a disponibilização de modelos ou mesmo de técnicas que analisam as bases de dados, das concessionárias, buscando padrões que permitem aumentar a eficiência na aplicação dos recursos em manutenção, ou mesmo em ampliação da rede.

1.3 Objetivos da Dissertação

Nesta seção são apresentados os objetivos deste trabalho. Para facilitar a compreensão, optou-se em separá-los em Objetivo Geral e Objetivos Específicos, os quais são detalhados

(19)

na sequência.

1.3.1 Objetivo Geral

Este trabalho tem como objetivo geral validar um modelo matemático para análise do Desempenho de um Transformador Utilizando a Descoberta de Conhecimento e a Regressão Linear aplicado a Transformadores Trifásicos. Este modelo deve auxiliar as concessionárias nas atividades de manutenção e ampliação da sua estrutura de distribuição, mais especifi-camente na manutenção preventiva de transformadores de subestações subterrâneas.

1.3.2 Objetivos Específicos

Visando atingir o objetivo geral deste trabalho, elencam-se os seguintes objetivos espe-cíficos:

• Realizar uma revisão bibliográfica do Sistema Elétrico de Potência (SEP), abrangendo as subestações subterrâneas e transformadores com ênfase no seu rendimento.

• Realizar uma revisão bibliográfica sobre o processo de Descoberta de Conhecimento e as principais técnicas/modelos que possam ser aplicadas em base de dados do setor elétrico. Avaliando as que melhor se adaptam ao problema proposto.

• Analisar a base de dados de uma concessionária parceira do projeto visando sua orga-nização e preparo dos dados para serem aplicadas as técnicas anteriormente analisadas e definidas.

• Implementar as técnicas/modelos selecionados a partir de uma ferramenta computa-cional, e a partir dessa implementação definir o modelo matemático que será utiliza-do/proposto para verificar o rendimento de um transformador.

• Realizar uma série de simulações visando a verificação, validação e análise do modelo proposto.

1.4 Contribuições

A principal contribuição deste trabalho será a disponibilização de um modelo matemá-tico, validado com dados reais, que possibilita a análise do rendimento de um transformador de subestações subterrâneas de energia elétrica.

(20)

A partir desta análise será possível realizar um melhor planejamento das rotinas de ma-nutenção preventiva do parque de transformadores da concessionária, e consequentemente otimizar a aplicação dos recursos financeiros para a ampliação e melhoria da rede de distri-buição de energia elétrica.

1.5 Estrutura do Documento

Cada capítulo descreve em detalhes todos os resultados obtidos na busca dos objetivos dessa dissertação. Sendo assim, será descrita a seguir a forma de organização em termos dos objetivos propostos:

No Capítulo 1 é apresentada uma introdução que destaca a necessidade de melhor apro-veitamento da quantidade de dados gerada diariamente no Setor Elétrico. São apresentados de forma sintética os principais assuntos abordados neste trabalho e que estão relacionados ao processo de Descoberta de Conhecimento e ao Sistema Elétrico de Potência (SEP). A seguir é apresentada a Motivação para realização do trabalho e posteriormente os Objetivos da Dissertação que está subdividido em Objetivo Geral e Objetivos Específicos para melhor entendimento do leitor. Para finalizar estão listadas as contribuições provenientes do es-tudo proposto e também a Estrutura do Documento que serve como guia entre as diversas subseções descritas a seguir.

No Capítulo 2 é apresentada a Revisão Bibliográfica que trata de forma mais detalhada os principais conceitos do Sistema Elétrico de Potência (SEP), incluindo o seu órgão regu-lamentador (ANEEL), além de alguns dos indicadores utilizados de base para fiscalização no território nacional. Posteriormente, é apresentada as subestações de energia, os trans-formadores e o rendimento que é o foco desse trabalho. Na sequência é descrito o processo de Descoberta de Conhecimento que é dividido em Smart Grids e Mineração de Dados, incluindo os Dados e as Tarefas que nesse trabalho irá abordar as Regras de Regressão para alcançar os objetivos propostos.

No Capítulo 3 é abordada a metodologia para o desenvolvimento do trabalho, iniciando com a descrição do ambiente de simulação, os conceitos de subestação, seguido da Obtenção dos Dados e sua estrutura original (layout) incluindo o conjunto de grandezas que compõem esta base de dados e quais delas irão contribuir no processo de descoberta de conhecimento e nas etapas de pré-processamento. Na sequência é explicado o modelo proposto, construído a partir de um conjunto de 56 subestações onde foram selecionadas somente aquelas que possuíam mais de 50.000 mil amostras no período de janeiro a março de 2017, resultando em 20 subestações. Por fim, é explicado o cenário de simulação que possibilitará a obtenção

(21)

do rendimento dos transformadores através da tarefa de regressão escolhida para alcançar os objetivos propostos neste trabalho.

No Capítulo 4 é realizado o estudo de caso propriamente dito, incluindo as simulações e resultados obtidos no cenário proposto para construção do modelo de rendimento gerado a partir dos dados coletados nos transformadores das subestações subterrâneas da CEEE. O Matlab é utilizado como ferramenta de pré-processamento e para realizar as tarefas de Regras de Regressão relacionadas a obtenção dos objetivos propostos inicialmente.

No Capítulo 5 são apresentadas as conclusões referentes ao modelo de rendimento pro-posto e os resultados obtidos através do processo de Descoberta de Conhecimento e da utilização da Regressão Linear Múltipla, além da possibilidade de trabalhos futuros.

(22)

Capítulo 2

Revisão Bibliográfica

2.1 Introdução

Com o intuito de facilitar a leitura e compreensão deste trabalho, neste capítulo são apre-sentados um conjunto de informações sobre o Sistema Elétrico de Potência (SEP), incluindo as subestações subterrâneas de energia elétrica, transformadores e rendimento. Além disso serão abordados os conceitos de Descoberta de Conhecimento, suas características relevan-tes e principais propriedades. É realizada uma revisão bibliográfica do estado da arte sobre as técnicas de Descoberta de Conhecimento e as principais tarefas de Mineração de Dados (MD) encontrados na literatura, para busca dos padrões de rendimento em estudo.

O restante desse capítulo está organizada como segue. Na Seção 2.2 é descrito o SEP. Na Seção 2.3 são apresentados os conceitos de Descoberta de Conhecimento. Na Seção 2.4 os conceitos de regressão são apresentados. E por fim, na Seção 2.5 é apresentado um resumo do capítulo.

2.2 Sistema Elétrico de Potência (SEP)

Conforme a norma regulamentadora no _{10, regulamentada pela Portaria n}o _{32.014, de}

08 de junho de 1978, o SEP trata-se do conjunto de instalações e equipamentos destinados à geração, transmissão, medição e distribuição de energia elétrica no Brasil. Por exemplo: Subestações, Geradores, Transformadores, Linhas (Transmissão ou Distribuição), entre ou-tros.

O sistema elétrico brasileiro é por concepção interligado de norte a sul, e é popular-mente conhecido como SIN (Sistema Interligado Nacional), e a maior parte da capacidade instalada no país é composta de usinas hidrelétricas, distribuídas pelas bacias

(23)

Capítulo 2. Revisão Bibliográfica 11

cas nas diversas regiões do país. Em função desta peculiaridade, as usinas são construídas aproveitando as afluências e desníveis dos rios, nem sempre perto dos centros consumidores. Para transportar a energia gerada para os centros consumidores é necessária uma rede de transmissão que possibilita também o intercâmbio de energia entre as regiões geográficas, aproveitando a mudança de comportamento das vazões dos rios das diversas bacias hidro-gráficas, e inclusive países vizinhos [43]. Na Figura 2.10, é apresentada a estrutura de um SEP, descrevendo o fornecimento de energia desde a geração até o consumo final.

(24)

O SIN envolve aspectos de diversas ordens: a técnica, que estabelece definições e parâme-tros físicos da energia elétrica; a legislativa, baseada nas publicações dos órgãos reguladores; e a social, que apresenta conceitos das ciências sociais, que tratam da questão do direito do consumidor, já que a energia elétrica é um bem adquirido pelo mesmo. Por ser serviço de utilidade pública, cabe ao governo a sua concessão, regulamentação e fiscalização, que é realizada através de um órgão específico, a Agência Nacional de Energia Elétrica (ANEEL) [14, 43].

O Brasil deu início ao uso de energia elétrica em 1879, mesma época que a Europa e os Estados Unidos, o primeiro fornecimento comercial de energia elétrica foi através de um sistema subterrâneo instalado na cidade de Nova York em 1882 por Thomas Edison. Este sistema de 100 V em corrente contínua, consistia de pesadas barras de cobre, envolvidas por tubos de fibra enterrados no chão [5].

A primeira rede reticulada de baixa tensão em corrente alternada foi instalada no ano de 1907, no estado do Tennessee nos Estados Unidos, onde alimentadores primários chegavam através de valas até os transformadores que eram interligados em uma malha de cabos de baixa tensão protegida por fusíveis [6].

O sistema network, também conhecido como sistema reticulado, é um sistema de distri-buição em baixa tensão, possuindo um conjunto de transformadores cujos secundários são ligados em paralelo, suprindo a carga. Essa topologia permite que o fornecimento de eletri-cidade se mantenha mesmo que um ou mais transformadores fiquem inoperacionais, desde que a potência total dos transformadores remanescentes seja igual ou superior à demanda drenada pelas cargas, além de melhorar a característica de tensão secundária [22].

Durante a Segunda Guerra Mundial houve um avanço no desenvolvimento dos materiais e de algumas redes subterrâneas em áreas de atendimento essencial. Nesta época se desen-volveram também os primeiros transformadores para instalação sob as ruas, o transformador de pedestal e as cabines metálicas instaladas ao nível do solo para abrigar equipamentos de seccionamento e proteção, trazendo mais flexibilidade, confiabilidade e relativo baixo custo [37].

Atualmente, os sistemas reticulados são similares aos instalados nos anos passados, apre-sentando variações nos níveis de tensão, variações na topologia e na proteção dos equipa-mentos [6]. No Brasil, a Concessionária de Distribuição de Energia Elétrica do Estado do Rio de Janeiro (LIGHT) foi a pioneira em Redes Subterrâneas, em 1908, transformava uma parte de sua rede aérea em subterrânea. Já no Rio Grande do Sul, a Rede Subterrânea de Porto Alegre teve início em 1930 [5].

(25)

ou-Capítulo 2. Revisão Bibliográfica 13

tras subestações de empresas distribuidoras ou, eventualmente, de consumidores de grande porte [14, 43].

As redes de distribuição subterrâneas representam uma alternativa, apesar do custo elevado, contendo um conjunto de vantagens para aplicações em sistemas de distribuição em grandes centros urbanos, os quais são caracterizados por possuírem concentrações de carga e necessitam de elevados níveis de qualidade, continuidade e confiabilidade do abastecimento de eletricidade [20].

A Agência Nacional de Energia Elétrica (ANEEL) é o órgão regulador que atua cons-tantemente na fiscalização dos níveis da qualidade da energia do setor energético brasileiro, e, em casos de inconformidade, aplica as devidas penalidades. O Módulo 8 do PRODIST (Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional) carac-teriza os fenômenos de qualidade de energia, estabelecendo os critérios de amostragem, os valores de referência e os procedimentos relativos às qualidades do produto e do serviço [16]. Com o objetivo de garantir tanto a qualidade do produto como dos serviços, os sistemas elétricos precisam ser mais robustos e confiáveis, e ainda para assegurar a periodicidade dos serviços, a rede elétrica deve passar constantemente por manutenções e avaliações, permitindo que estas informações sejam utilizadas para evitar possíveis falhas e/ou faltas. Para atender esta necessidade, o surgimento de novas tecnologias vem sendo um forte aliado, uma vez que permitem tornar os sistemas inteligentes e automatizados.

Considerando a cobrança precedente da ANEEL quando se fala em fornecimento de energia, a busca de um abastecimento de energia elétrica com confiabilidade é importante para as concessionárias, uma vez que evita possíveis penalidades do órgão regulador em caso de falhas. Neste sentido, o sistema reticulado é projetado para suportar a perda de alimentadores sem interrupção do fornecimento de energia. Além disso, existe uma reserva de capacidade estipulada durante o projeto, desta forma quando ocorre o desligamento de alimentadores, um transformador arcaria com toda a carga da subestação por um período de tempo, ou seja, até que o problema seja localizado e solucionado [6].

A ANEEL fiscaliza a Energia Elétrica utilizando indicadores modelados matematica-mente, estabelecidos através da medição das grandezas físicas envolvidas e de métodos estatísticos, comparando-os com parâmetros preestabelecidos [43]. Alguns dos indicadores definidos pela ANEEL são os seguintes [3]:

• Indicadores de qualidade comercial; • Indicadores de inadimplência e atraso; • Indicadores de teleatendimento;

(26)

• Indicadores individuais de continuidade; • Indicadores coletivos de continuidade;

• Indicadores de Conformidade do Nível de Tensão (DRP e DRC); • Tempo de Atendimento às Ocorrências Emergenciais;

• Indicadores de Segurança do Trabalho e das Instalações; • Índice ANEEL de Satisfação do Consumidor - Iasc;

• Compensação pela transgressão dos limites de continuidade; • Indicadores de conformidade do nível de tensão.

Através dos indicadores de continuidade, por exemplo, é possível determinar a quali-dade dos serviços prestados analisando os dados referentes as interrupções no fornecimento de energia elétrica. Destacam-se no aspecto da qualidade do serviço os indicadores de con-tinuidade coletivos, DEC (Duração equivalente de interrupção por unidade consumidora) e FEC (Freqüência equivalente de interrupção por unidade consumidora), e os indicadores de continuidade individuais DIC (Duração de interrupção individual por unidade consumi-dora), FIC (Freqüência de interrupção individual por unidade consumiconsumi-dora), DMIC (Du-ração máxima de interrupção contínua por unidade consumidora ou ponto de conexão) e DICRI (Duração da interrupção individual ocorrida em dia crítico por unidade consumidora ou ponto de conexão) [4].

A continuidade do fornecimento é avaliada pela ANEEL através de subdivisões das dis-tribuidoras, denominadas conjuntos elétricos. Existem limites para indicadores associados a cada conjunto. Ressalta-se que o conjunto elétrico pode ter abrangência variada. Conjuntos grandes podem abranger mais de um município, ao mesmo tempo em que alguns municípios podem possuir mais de um conjunto [3].

Neste aspecto a utilização do processo de Descoberta de Conhecimento em conjunto com as tarefas de MD adequadas para o aperfeiçoamento e manutenção destes indicadores é uma realidade indispensável na atualidade, auxiliando na manutenção preventiva e evitando falhas e perdas para as concessionárias de energia e também para os consumidores.

2.2.1 Subestação

A Subestação representa um conjunto de equipamentos interligados como ponto de con-trole e transferência em um sistema de transmissão elétrica, direcionando e controlando o

(27)

fluxo energético, transformando os níveis de tensão e funcionando como ponto de entrega de energia. Sua função, portanto, é considerada a principal em todo o sistema elétrico de potência. Durante o percurso entre as usinas e as cidades, a eletricidade passa por diversas subestações, onde os transformadores aumentam ou diminuem a sua tensão. Ao elevar a tensão elétrica no início da transmissão, os transformadores evitam a perda excessiva de energia ao longo do caminho. Já, ao rebaixarem a tensão elétrica perto dos centros urbanos, permitem a distribuição da energia por toda a cidade, aos consumidores finais. A constru-ção de novas subestações e ampliaconstru-ção das instalações existentes são projetos comuns em empresas de energia elétrica [36].

Existem quatro tipos principais de subestações elétricas. O primeiro tipo são as swit-chyard, que conectam os geradores à rede elétrica; o segundo tipo de subestação é normal-mente conhecido como a subestação do cliente, ou seja, possui um cliente particular como a principal fonte de fornecimento de energia; o terceiro tipo envolve uma transferência em massa de energia por toda a rede e é referido como uma estação de comutação, servindo como os pontos finais de linhas de transmissão provenientes das subestações switchyards fornecendo a energia elétrica para os circuitos que alimentam as estações de distribuição e são essenciais para a confiabilidade em longo prazo e para integridade do sistema elétrico; o quarto e último tipo de subestação é a de distribuição, mais comum em sistemas de energia elétrica e fornecem os circuitos de distribuição que abastecem diretamente a clientes diversos [35].

Dentre os tipos de redes de distribuição de energia elétrica destaca-se as Redes Sub-terrâneas, estas que apresentam características peculiares tanto de instalação quanto de manutenção, pois o ambiente torna-se insalubre e perigoso. Porém, em grandes centros urbanos apresentam vantagens intrínsecas ao espaço visual, já que os transformadores e cabos de conexões não são visíveis, além dos elevados níveis de qualidade, continuidade e confiabilidade.

Classificação

Muzy [36] subdivide as subestações em diversas categorias, e podem ser classificadas em relação aos níveis de tensão como:

• Baixa tensão: utilizado para até 1 kV;

• Média tensão: para subestações entre 1 kV e 34,5 kV; • Alta tensão: utilizado para níveis entre 34,5 kV e 230 kV;

(28)

• Extra-alta tensão: para níveis maiores que 230 kV.

Também podem ser classificadas quanto à relação entre os níveis de tensão de entrada e saída, onde podem ser:

• Manobra: que interliga circuitos de suprimento sob o mesmo nível de tensão, possibi-litando sua multiplicação;

• Elevadora: localizada na saída das usinas geradoras que elevam as tensões para níveis de transmissão e subtransmissão, visando diminuir a corrente e, consequentemente, a espessura dos condutores e as perdas;

• Abaixadora: localizada nas periferias dos centros consumidores, onde diminuem os níveis de tensão.

Outra forma de classificação é quanto à função do sistema elétrico global, onde o que im-porta é a potência que passa por ela, não sendo associada à tensão, podendo ser classificadas em:

• Transmissão: a principal, em que a energia sai do gerador e segue para a subestação de transmissão ou usina elétrica, utilizando transformadores para elevar a tensão do gerador até tensões extremamente altas, para transmissão de longa distância através de rede de transmissão;

• Subtransmissão: com derivações, anéis, diversas linhas e circuitos, destinada a trans-porte de energia elétrica das subestações de transmissão para as subestações de rami-ficações;

• Distribuição: onde a potência é levada diretamente ao consumidor, recebendo a ener-gia das linhas de subtransmissão e as transportando para as redes de distribuição, geralmente com abaixamento de tensão.

Ainda, quanto ao tipo de instalação, podem ser classificadas em:

• Externas: construídas em locais amplos ao ar livre, por isso requerem emprego de aparelhos e máquinas próprios para funcionamento em condições atmosféricas adver-sas que desgastam os materiais componentes, exigindo manutenção mais frequente e reduzindo a eficácia dos isolamentos;

• Internas: construídas em locais abrigados, no interior de construções não estando sujeitos às intempéries, podendo ser uma edificação ou uma câmara subterrânea.

(29)

O sistema elétrico é constituído de um barramento com três fases, que representa um nó elétrico trifásico, no qual são conectadas as linhas de transmissão e os transformadores. A subestação pode ser constituída de diversos barramentos, de modo a possibilitar manobras que evitem a interrupção no fornecimento de energia elétrica, em decorrência de manutenção preventiva, corretiva, inspeção ou de emergência [28].

Dentro das subestações elétricas, existem inúmeras maneiras de ocorrerem as ligações entre componentes. Estas ligações definem o arranjo, ou a topologia da subestação que delineiam a qualidade de fornecimento de energia elétrica em diversas condições de opera-ção. O condicionamento dos arranjos das subestações, para atender a premissa de maior confiabilidade do sistema elétrico, deve abranger também as características que permitam absorver os impactos das condições normais de operação [39].

Componentes

A função ou tarefa mais importante das subestações é garantir a máxima segurança de operação e serviço a todas as partes e componentes dos sistemas elétricos de potência. As partes defeituosas devem ser desligadas imediatamente e o abastecimento de energia deve ser restaurado por meio de comutações ou manobras. Consequentemente, a escolha das ligações da subestação assume um significado especial e deve ser realizada estritamente de acordo com o planejamento do sistema elétrico [39].

Paredes [39] e Kida [27] relacionam alguns dos equipamentos instalados em uma subes-tação, sendo listados os típicos a seguir:

• Disjuntores: dispositivos mecânicos de manobra utilizados nos circuitos elétricos, são capazes de estabelecer, conduzir e interromper a corrente elétrica sob condições nor-mais e anornor-mais, tais como um curto-circuito, com a finalidade de proteger equipa-mentos, linhas de transmissão e outros circuitos conectados além do ponto de sua instalação;

• Chaves seccionadoras: dispositivos que efetuam a conexão e a desconexão de várias partes de um circuito elétrico para efetuar manobras de operação e manobras de manutenção, podendo abrir circuitos com tensão abaixo da nominal e sem condução de corrente, porém antes de efetuar uma operação de abertura é necessário verificar primeiramente os disjuntores, pois as seccionadoras não possuem capacidade de abrir um circuito em carga;

• Auto-transformadores: um dos equipamentos mais complexos e de mais alto custo em uma subestação, também denominado transformador de potência, são equipamentos

(30)

capazes de elevar ou reduzir a tensão e são utilizados desde as usinas de produção, onde a tensão gerada é elevada para que ocorra a diminuição na perda da transmissão, até os pontos de consumo, normalmente uma subestação, onde ocorre a redução da tensão a níveis adequados para distribuição;

• Relés de proteção: dispositivos que oferecem proteção aos sistemas elétricos em caso de anormalidade no sistema elétrico e cada tipo de relé de proteção possui características técnicas que definem sua função no sistema elétrico, configurado dentro dos limites de sua atuação no esquema de proteção e controle;

• Para-raios: equipamentos dedicados para proteção contra descargas atmosféricas que são posicionados nos pórticos de entrada e saída de uma subestação de energia elétrica para evitar que estas descargas sejam transferidas.

2.2.2 Transformadores

Amaral [2] denomina os transformadores de equipamentos destinados a transmitir ener-gia elétrica em corrente alternada para outro, através da indução de corrente de acordo com os princípios eletromagnéticos, sem partes móveis. Esta energia é transferida sem alteração de frequência, mas pode haver uma mudança no valor da tensão e corrente. Tipicamente, o transformador consiste em um núcleo com chapas de aço-silício onde são bobinados dois enrolamentos isolados eletricamente do núcleo e entre si, funcionando como caminho para a indução eletromagnética. Os enrolamentos são feitos de cobre ou alumínio e é utilizado óleo mineral para a isolação e resfriamento.

Para a construção de um transformador, no projeto é levado em conta a eficiência do mesmo. Existem projetos distintos, pela necessidade de se projetar transformadores com um aumento de eficiência, o que pode implicar em um aumento no custo da produção. Porém, mesmo com este custo elevado, para a concessionária, nem sempre acaba sendo caro quando se leva em conta a capitalização das perdas elétricas ao longo de sua vida útil [42].

Dentre as interligações dos transformadores o Delta estrela (Y ∆) é a estrutura presente nas subestações em estudo, sendo que neste caso o transformador opera pelo princípio da indução mútua entre duas (ou mais) bobinas ou circuitos indutivamente acoplados [30]. Na Figura 2.2 pode ser observado um transformador trifásico, ligado em Y ∆ e supondo que o primário seja alimentado por uma fonte de correntes de sequência zero. A análise do equilíbrio ampère-espira nas bobinas do transformador mostra que, se os enrolamentos em estrela estiverem aterrados, a corrente circula pelo transformador mas não se propaga pelo sistema [44].

(31)

Figura 2.2: Correntes de sequência zero em um transformador delta estrela (Y ∆) [44].

Essa característica é tão importante que, em alguns transformadores onde o primário e o secundário são de alta tensão, portanto são preferencialmente ligados em estrela aterrado, usa-se colocar um terceiro enrolamento (para serviços auxiliares) ligado em delta para servir de caminho de baixa impedância para as correntes de sequência zero ou para as harmônicas de ordem três.

A ligação dos terminais A0, B0 e C0, resulta em um alternador ligado em Y (estrela), ao passo que a ligação de A em B0, de B em C0 e de C em A0, resulta em um alternador ligado em ∆ (delta ou triângulo) [38, 48].

Na ligação em estrela, representada na Figura 2.3, as correntes de linha e de fase são iguais e a tensão de linha é √3, a tensão de fase é igual a: ILIN HA = IF ASE e VLIN HA =

√

3 · VF ASE [38, 48].

Figura 2.3: Ligação do Transformador em estrela [38].

(32)

corrente de linha é√3, a corrente de fase é igual a: VLIN HA = VF ASE e ILIN HA =

√

3 · IF ASE

[38, 48].

Seja qual for a ligação, as três linhas A, B e C constituem um sistema trifásico de tensão. O ponto neutro da ligação em estrela fornece o quarto condutor do sistema trifásico a quatro condutores [38].

Figura 2.4: Ligação do Transformador em triângulo [38].

Ao se aplicar uma tensão a um desses enrolamentos (denominado primário, que recebe a energia), com consequente circulação de corrente, será estabelecido um fluxo magnético. Este fluxo magnético irá entrelaçar com o outro enrolamento (secundário, que entrega a energia), produzindo no mesmo uma força eletromotriz (tensão) que depende, dentre outros fatores, do número de espiras dos enrolamentos [49].

2.2.3 Rendimento

Lisita [32] diz que o rendimento é obtido através de uma razão entre as potências de entrada e as de saída em um determinado instante para cada transformador, conforme a Equação 2.1. A potência de entrada T 1 (Pin1) é a potência de entrada para a configuração

back-to-back (Pin), conforme a Equação 2.1, e a potência de saída para o transformador T 1

(Pout1) é a diferença entre a potência de entrada e as respectivas perdas para o transformador

T 1, conforme pode ser observado na Equação 2.2.

Pin1 = Pin (2.1)

(33)

A potência de entrada para o transformador T 2 (Pin2) é a potência de saída do

transfor-mador T 1, como visto na Equação 2.3 e a potência de saída para o transfortransfor-mador T 2 (Pout2)

é a potência de saída para a configuração back-to-back (Pout), conforme Equação 2.4.

Pin2 = Pout1 (2.3)

Pout2 = Pout (2.4)

Finalmente, é possível encontrar os rendimentos para o transformador T 1 (η1) e para o transformador T 2 (η2), respectivamente pelas Equações 2.5 e 2.6.

η1 = Pout1 Pin1 (2.5) η2 = Pout2 Pin2 (2.6)

Os processos de produção, transmissão, distribuição e utilização da energia elétrica usam transformadores, ou seja, praticamente tudo acaba passando por um ou mais transforma-dores. Ao considerar somente a questão do rendimento, os dados podem ser distorcidos em relação ao que ocorre com as perdas. Portanto, mesmo sendo alto o rendimento destes equipamentos, o repetido processo de compatibilização de níveis de tensões através do seu uso, resulta em perdas significativas que devem ser devidamente consideradas [49].

O rendimento para um transformador não é uma grandeza constante, pois varia ao longo de sua operação, e depende da potência exigida do transformador pela carga em seu secundário, como mostra a Equação 2.7, onde: η é o rendimento, Pout é a potência de

saída do transformador, Pin é a potência de entrada do transformador, S é a potência do

transformador, SN é a potência nominal do transformador, cos(φ) é o fator de potência, W0 são as perdas em vazio e Wc são as perdas em carga [42].

η = Pout Pin = Pout Pout+ P erdas = Scos(φ) S cos(φ) + W0+ Wc· (_SS_N)2 (2.7)

Pode ser calculado um carregamento para o qual o transformador terá o rendimento máximo, dependendo exclusivamente de suas características independentemente da carga, como na Equação 2.8,

(34)

ηmax =

r W0

Wc

(2.8)

onde: ηmax é o rendimento máximo, W0 são as perdas em vazio, e Wc são as perdas em

carga.

2.3 Descoberta de Conhecimento

A Descoberta de Conhecimento em bases de dados tem como objetivo encontrar padrões intrínsecos aos dados nela contidos, apresentando-os de forma a facilitar sua assimilação como conhecimento. Tal descoberta está associada a um processo analítico, sistemático e, até onde possível, automatizado. Este processo denomina-se, para efeitos de simplificação, "processo de KDD", do inglês Knowledge Discovery in Databases [12].

Uma das primeiras aplicações dos computadores foi gerenciar dados. Desde então, as instituições que utilizam computadores têm armazenado dados em grandes volumes, e com uma velocidade de aquisição crescente. Avanços nas tecnologias de armazenamento de dados, tais como dispositivos de armazenamento rápidos, com maior capacidade de armazenamento e mais baratos, além de sistemas de gerenciamento de banco de dados mais eficientes, da tecnologia Data Warehousing e Word Wide Web têm contribuído para fazer com que existam enormes volumes de dados disponíveis a todos [8].

É alarmante a distância crescente entre a geração de dados e a capacidade de analisar e compreender esses dados. Conforme o volume de dados aumenta, a proporção dos dados que é analisada e entendida pelas pessoas diminui. Escondido entre todo esse volume de dados está a informação potencialmente útil, a qual dificilmente pode ser identificada e utilizada [8].

Existe, portanto a necessidade de uma nova geração de técnicas e ferramentas com a habilidade de assistir os analistas humanos de uma forma “inteligente” e automática na procura de informações úteis, previamente desconhecidas, nos dados. Tais técnicas e fer-ramentas são objeto de estudo de uma nova área de pesquisa chamada de Descoberta de Conhecimento em Banco de Dados - KDD [8].

Fayyad [17] finaliza que a Descoberta de Conhecimento em banco de dados é um processo não trivial para identificar padrões válidos, novos e potencialmente úteis e compreensíveis em dados existentes. Segundo essa definição frequentemente, estão envolvidos no processo de KDD [8, 17]:

(35)

• Analista de dados: O analista de dados é aquele que entende das técnicas envolvidas no processo de Descoberta de Conhecimento em Bancos de Dados. Essa pessoa tem conhecimento sobre o funcionamento dos algoritmos e das ferramentas utilizadas no processo, mas não necessariamente conhece o domínio ao qual os dados pertencem; • Especialista no domínio: O especialista no domínio é aquele que conhece o

domí-nio no qual o processo de Descoberta de Conhecimento será aplicado. Por exemplo, pode-se utilizar KDD para encontrar padrões de vendas de produtos, nesse caso o especialista no domínio pode ser um especialista em marketing; ou encontrar padrões entre clientes que não são capazes de honrar um empréstimo, nesse caso o especialista no domínio seria um especialista em concessão de crédito;

• Usuário: O usuário é aquele que utiliza o resultado do processo de KDD. Normal-mente, o usuário não é somente uma pessoa, mas uma instituição, uma empresa, ou um departamento de uma empresa.

A Descoberta de Conhecimento é um processo que envolve diversas fases de coleta, destacando-se o pré-processamento, transformação, mineração de dados, avaliação e inter-pretação de resultados, conforme ilustrado na Figura 2.5 [17].

Figura 2.5: Fases do Processo de Descoberta de Conhecimento (KDD) [8].

Para melhor entendimento nas próximas subseções respectivamente serão detalhados os conceitos referente as Redes Inteligentes, mineração de dados, os dados propriamente ditos e as tarefas frequentemente utilizadas no processo de descoberta de conhecimento nas

(36)

subestações subterrâneas que fazem parte dos objetivos deste trabalho. Por fim, na seção 2.4 é explicada a regressão e a seção 2.5 possui o resumo do capítulo.

2.3.1 Redes Inteligentes

Sistemas de energia elétrica existem há cerca de 120 anos, sendo que, em seu princípio, esses sistemas confrontaram-se com o dilema de um desenvolvimento distribuído ou centra-lizado. A primeira vertente, defendida por Thomas Alva Edison, preconizava o atendimento da demanda através de instalações de corrente contínua, nas quais os geradores (dínamos) localizavam-se próximos aos pontos de consumo. A segunda opção, defendida pelo jovem Nikola Tesla, com suporte de George Westinghouse, propunha a construção de centrais ge-radoras próximas às fontes de energia primária (rios ou minas de carvão) e transmissão a longas distâncias (para a época), utilizando corrente alternada e transformadores [23].

A expressão Redes Inteligentes pode ser entendida como a sobreposição dos sistemas unificados de comunicação e controle, à infra-estrutura de energia elétrica existente, para prover a informação adequada para a entidade correta (equipamentos de uso final, sistemas de controle de T&D, consumidores, etc.), no instante correto, para tomar a decisão correta. É um sistema que otimiza o suprimento de energia, minimizando perdas de várias natu-rezas, é auto-recuperável (self-healing), e possibilita o surgimento de uma nova geração de aplicações energeticamente eficientes [40].

O termo Redes Inteligentes foi utilizado pela primeira vez em 2005 em um artigo escrito por S. Massoud Amin e Bruce F. Wollenberg, publicado na revista IEEE P&E, com o título de "Toward A Smart Grid [33]". Existem várias definições para o conceito de redes inteli-gentes, mas todas convergem para o uso de elementos digitais e de comunicações nas redes que transportam a energia. Esses elementos possibilitam o envio de uma gama de dados e informação para os centros de controle, onde eles são tratados, auxiliando na operação e controle do sistema como um todo [23].

Algumas das características geralmente atribuídas às Redes Inteligentes são [19, 45, 46]: • Auto-recuperação (Self Healing): capacidade de automaticamente detectar, analisar,

responder e restaurar falhas na rede;

• Empoderamento do Consumidor: habilidade de incluir os equipamentos e comporta-mento dos consumidores nos processos de planejacomporta-mento e operação da rede;

• Tolerância a Ataques Externos: capacidade de mitigar e resistir a ataques físicos e ciber-ataques;

(37)

• Qualidade de Energia: prover energia com a qualidade exigida pelos órgãos regula-mentadores e a sociedade digital;

• Acomodar uma Variedade de Fontes e Demandas: capacidade de integrar de forma transparente (plug and play) uma variedade de fontes de energia de várias dimensões e tecnologia;

• Reduzir o impacto ambiental do sistema produtor de eletricidade: reduzindo perdas e utilizando fontes de baixo impacto ambiental;

• Viabilizar e beneficiar-se de mercados competitivos de energia: favorecer o mercado varejista e a micro geração.

Essas características poderão ser alcançadas através da introdução das seguintes áreas de inovação tecnológica [19, 45]:

• Automação e controle digital da rede elétrica, utilizando controles eletrônicos inte-ligentes, capazes de antecipar-se a perturbações e corrigi-las antes que as mesmas ocorram;

• Introdução de medição inteligente com a capacidade de funcionar como um portal inteligente do consumidor que permitirá a disponibilização de sinais de preço e outras informações;

• Integração de um conjunto de fontes de geração e armazenamento de energia de pe-quena e média capacidade, intermitentes ou contínuas, permitindo ao consumidor comprar e vender energia da rede.

• Sistema Integrado de Comunicação: permite comunicação instantânea entre todos os equipamentos críticos do sistema, permitindo o monitoramente, controle e correção; • Sensores: redes de sensores inteligentes.

Uma vez que considerando o aumento no custo dos combustíveis fósseis, os impactos ao meio ambiente decorrentes do uso de fontes de energia não renováveis e custos decrescentes das baterias, a adoção de carros com tração elétrica, principalmente nos centros urbanos, é considerada uma tendência irreversível [45], tornando-se portanto, mais uma motivação para a conversão das redes convencionais em redes inteligentes. Na Figura 2.6 é apresentada uma ilustração do conceito de uma rede inteligente.

(38)

Figura 2.6: Ilustração do conceito de uma Rede Inteligente [45].

2.3.2 Mineração de Dados (MD)

O conceito de Mineração de Dados, do inglês (Data Mining) está se tornando cada vez mais popular como uma ferramenta de descoberta de informações com o objetivo de revelar estruturas de conhecimento visando a tomada de decisões em condições de certeza limitada. Recentemente tem havido um interesse em desenvolver novas técnicas de análise de da-dos, especialmente projetadas para tratar questões relativas a Mineração de Dados (MD) que ainda está baseada em princípios conceituais de Análise de Dados Exploratórios (Ex-ploratory Data Analysis - EDA) e de modelagem [11].

Um conceito muito difundido e equivocado sobre este tema define os sistemas de MD como fontes para extração automática de todos os conceitos mais valiosos que estão escon-didos em um banco de dados sem intervenção ou direcionamento humano [11, 26].

Para confrontar esta ideia os principais conceitos aceito por muitos pesquisadores referem-se a Descoberta de conhecimento e a MD em bareferem-ses de dados como um processo global de descoberta que envolve as etapas de: seleção, pré-processamento, mineração dos dados, interpretação dos resultados e a transformação do conhecimento. Sendo assim, a MD é uma das etapas deste processo, onde são aplicados algoritmos específicos para extração de padrões a partir dos dados ou até mesmo revelar comportamento de um banco de dados [43].

(39)

Em termos gerais a MD também pode ser descrita como uma área de pesquisa multi-disciplinar que engloba diversas outras áreas como: Inteligência Artificial; Aprendizado de Máquina; Redes Neurais; Estatística; dentre outras, sendo que esta só se tornou possível a partir do amadurecimento destas diferentes áreas [26, 43].

2.3.3 Os Dados

Embora sejam palavras que aparentemente se confundem como sinônimos, dado, infor-mação e conhecimento têm definições diferentes quando se trata do contexto de Descoberta de Conhecimento. O dado é um fato, um valor documentado, ou um resultado de medição. Quando um sentido semântico ou um significado é atribuído aos dados, gera-se informação. Quando estes significados se tornam familiares, ou seja, quando um agente os aprende, este se torna consciente e capaz de tomar decisões a partir deles, e surge o conhecimento [12]. Dados se constituem como a matéria-prima para que os processos da Descoberta de Conhecimento ocorram. Essa matéria-prima pode se manifestar, basicamente, de duas formas: estruturada e não estruturada. A forma como os dados estão disponíveis para a realização da mineração é importante para determinar o tipo de tarefa de mineração que é possível resolver, o tipo de conhecimento factível de ser descoberto e o tipo de técnica de mineração aplicável. Além disso, a quantidade e a qualidade dos dados disponíveis também são determinantes para o sucesso dos resultados obtidos [12].

Conhecer o tipo dos dados com o qual se irá trabalhar, também é fundamental para a escolha do(s) método(s) mais adequado(s). Em MD existem dois grupos principais de dados: os contínuos, como números reais, e nominais, que podem ser uma descrição, um nome ou uma categoria, por isso podem ser denominados também dados categóricos; e os discretos, que são dados finitos, normalmente valores inteiros [1, 9].

O processo de preparação dos dados para a mineração, também chamado de pré-processamento [9, 26], consiste principalmente em quatro etapas: limpeza dos dados, integração dos dados, transformação dos dados e redução dos dados, conforme é ilustrado na Figura 2.7.

(40)

Figura 2.7: Etapas do Pré-Processamento [26].

Nesse sentido, uma das primeiras atividades é obter uma visualização dos dados, de forma que se possa ter uma visão geral, para depois decidir quais as técnicas são as mais indicadas.

Na primeira fase é realizada a limpeza dos dados, pois frequentemente os dados são encontrados com diversas inconsistências: registros incompletos, valores errados e dados inconsistentes. A etapa de limpeza dos dados visa eliminar estes problemas de modo que eles não influam no resultado das tarefas utilizadas. As técnicas nesta etapa vão desde a remoção do registro com problemas, passando pela atribuição de valores padrões, até a aplicação de técnicas de agrupamento para auxiliar na descoberta dos melhores valores.

Na segunda fase é realizada a integração dos dados e nesta etapa é comum obter os dados a serem minerados de diversas fontes: banco de dados, arquivos textos, planilhas, data warehouses, vídeos, imagens, entre outras. Surge então, a necessidade da integração destes dados de forma para a obtenção de um repositório único e consistente. Para isto, é necessária uma análise aprofundada dos dados observando redundâncias, dependências entre as variáveis e valores conflitantes (categorias diferentes para os mesmos valores, chaves divergentes, regras diferentes para os mesmos dados, entre outros).

Já a terceira fase de transformação dos dados é importante ressaltar que algumas ta-refas/algoritmos utilizados trabalham apenas com valores numéricos e outros somente com os valores categóricos, sendo nestes casos necessário transformar os valores numéricos em categóricos ou os categóricos em valores numéricos. Não existe um critério único para a

(41)

transformação dos dados, e diversas técnicas podem ser utilizadas de acordo com os obje-tivos pretendidos. Algumas das técnicas empregadas nesta etapa são: suavização (remove valores errados dos dados), agrupamento (agrupa valores em faixas sumarizadas), generali-zação (converte valores muito específicos para valores mais genéricos), normaligenerali-zação (coloca as variáveis em uma mesma escala) e a criação de novos atributos (gerados a partir de outros já existentes).

A última fase é responsável pela redução dos dados, pois o volume de dados utilizado na mineração costuma ser alto. Em alguns casos, este volume é tão grande que torna o processo de análise dos dados e da própria mineração impraticável. Nestes casos, as técnicas de redução de dados podem ser aplicadas para que a massa de dados original seja convertida em uma massa de dados menor, porém, sem perder a representatividade dos dados originais. Isto permite que as tarefas/algoritmos de mineração sejam executados com mais eficiência, mantendo a qualidade do resultado. As estratégias adotadas nesta etapa são: criação de estruturas otimizadas para os dados (cubos de dados), seleção de um subconjunto dos atributos, redução da dimensionalidade e discretização.

Geralmente os repositórios utilizados possuem um número elevado de registros. Nestes casos o uso de todos estes registros é inviável para a construção do modelo de Descoberta de Conhecimento [9]. Assim, utiliza-se uma amostra (mais representativa possível) que é dividida em três conjuntos:

1) Conjunto de Treinamento (Training Set): conjunto de registros utilizados no qual o modelo é desenvolvido;

2) Conjunto de Testes (Test Set): conjunto de registros utilizados para testar o modelo construído;

3) Conjunto de Validação (Validation Set): conjunto de registros utilizados para validar o modelo construído;

Essa divisão em grupos é necessária para que o modelo não fique dependente de um conjunto de dados específico e, ao ser submetido a outros conjuntos com valores diferentes dos utilizados na construção e validação do modelo, apresente resultados insatisfatórios. A medida que se aumenta a precisão do modelo para um conjunto de dados específico, perde-se a precisão para outros conjuntos [9].

2.3.4 Tarefas

A MD é comumente classificada pela sua capacidade em realizar determinadas tarefas, sendo as mais comuns [9, 31]:

(42)

resulta-Capítulo 2. Revisão Bibliográfica 30

dos obtidos, sendo muito utilizada em conjunto com as técnicas de análise exploratória de dados, para comprovar a influência de certas variáveis no resultado obtido.

Classificação (Classification): é uma das tarefas mais comuns e visa identificar a qual classe um determinado registro pertence. Nesta tarefa, o modelo analisa o conjunto de registros fornecidos, com cada registro já contendo a indicação a qual classe pertence, a fim de “aprender” como classificar um novo registro (aprendizado supervisionado).

Estimação (Estimation) ou Regressão (Regression): a estimação é similar à classificação, porém é utilizada quando o registro é identificado por um valor numérico e não um cate-górico. Sendo assim, pode-se estimar o valor de uma determinada variável analisando-se os valores das demais.

Predição (Prediction): esta tarefa é similar às tarefas de classificação e estimação, porém ela visa descobrir o valor futuro de um determinado atributo.

Agrupamento (Clustering): visa identificar e aproximar os registros similares. Um agru-pamento (ou cluster) é uma coleção de registros similares entre si, porém diferentes dos outros registros nos demais agrupamentos. As aplicações das tarefas de agrupamento são as mais variadas possíveis, por exemplo: pesquisa de mercado, reconhecimento de padrões, processamento de imagens, análise de dados, segmentação de mercado, taxonomia de plantas e animais, pesquisas geográficas, classificação de documentos da Web, detecção de compor-tamentos atípicos (fraudes), entre outras.

Associação (Association): a tarefa de associação consiste em identificar quais atributos estão relacionados. Apresentam a forma: SE atributo X ENTÃO atributo Y. É uma das tarefas mais conhecidas devido aos bons resultados obtidos, principalmente nas análises da "Cestas de Compras"(Market Basket), onde são identificados quais produtos são levados juntos pelos consumidores.

É importante diferenciar tarefas de MD e algoritmos. Uma tarefa é um tipo de MD que tem um objetivo específico. Cada tipo de tarefa pode ter várias, ou até dezenas de implementações diferentes através de diferentes técnicas e algoritmos. Neste sentido, todos os algoritmos de uma mesma tarefa têm o mesmo objetivo. Por exemplo, Naïve Bayes é um algoritmo de classificação, assim como Part, porém ambos são implementados usando conceitos e estruturas totalmente diferentes. Contudo o objetivo deles é o mesmo: classi-ficar dados [1]. Na Tabela 2.1 é apresentado o resumo de algumas tarefas frequentemente utilizadas no processo de Descoberta de Conhecimento e MD.

(43)

Tabela 2.1: Principais tarefas para a Descoberta de Conhecimento.

Tarefas Descrição Regressão

– É semelhante a classificação, porém, a classe, ou o que se busca prever, é um valor numérico;

– Tendo dois conjuntos de dados com uma correlação significativa, seu objetivo então é prever uma das variáveis tendo o valor de outra;

– A regressão linear procura pelos coeficientes da reta que minimizam a distância dos objetos à reta.

Associação

– É procurada a relação entre atributos;

– São tradicionalmente utilizados para criar regras de Classificação. Classificação

– Avaliam o desempenho do classificador;

– Existência de um atributo diferenciado, conhecido como classe, que é objetivo da tarefa (prevê-lo a partir dos demais atributos).

Agrupamento(Clusterização)

– Separa os registro de um conjunto de dados em subconjuntos ou grupos (clusters); – Um dos objetivos é classificar as instâncias de acordo com os grupos encontrados. Previsão de SériesTemporais

– Ordena ao longo do tempo um conjunto de observações de um fenômeno. Por exemplo, o consumo mensal de energia elétrica de uma casa, registrado durante um ano.

Padrões Sequenciais

– Esta tarefa considera a disposição temporal das transações registradas no conjunto de dados. Exemplo: tarifação mensal de um cliente em uma concessionária ao longo do tempo.

Para busca dos padrões propostos neste trabalho são estudados e aplicadas as tarefas relacionadas a regressão da Tabela 2.1, sendo excluídas as outras tarefas (Associação, Clas-sificação, Agrupamento, Previsão de Séries Temporais e Padrões Sequenciais) sendo que sua aplicação não faz parte dos objetivos propostos inicialmente.

2.4 Regressão

A tarefa de Regressão compreende, fundamentalmente, a busca por funções, lineares ou não, que mapeiam os registros de um conjunto de dados em valores reais. Esta tarefa é