RAFAEL CUERDA MONZANI
MONITORAMENTO NÃO INVASIVO E
IDENTIFICAÇÃO DO CONSUMO DE ENERGIA
INDIVIDUAL DE CARGAS RESIDENCIAIS
CAMPINAS 2016
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA ELÉTRICA E COMPUTAÇÃO DEPARTAMENTO DE SISTEMAS E ENERGIA
RAFAEL CUERDA MONZANI
MONITORAMENTO NÃO INVASIVO E IDENTIFICAÇÃO DO CONSUMO
DE ENERGIA INDIVIDUAL DE CARGAS RESIDENCIAIS
Tese apresentada à Faculdade de Engenharia Elétrica e Computação, da Universidade Estadual de Campinas, como parte dos requisitos exigidos para obtenção do título de doutor em Engenharia Elétrica, na Área de Energia Elétrica.
Orientador: Prof. Dr. Walmir de Freitas Filho
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELO DISCENTE RAFAEL CUERDA MONZANI, E ORIENTADA PELO PROF. DR. WALMIR DE FREITAS FILHO.
CAMPINAS 2016
COMISSÃO JULGADORA - TESE DE DOUTORADO
Candidato: Rafael Cuerda Monzani RA: 144472 Data da Defesa: 07 de novembro de 2016.
Título da Tese: “Monitoramento não invasivo e identificação do consumo de energia
individual de cargas residenciais”.
Prof. Dr. Walmir de Freitas Filho (Presidente, FEEC/UNICAMP) Profa. Dra. Anna Diva Plasencia Lotufo (FEIS/UNESP)
Profa. Dra. Jussara Farias Fardin (UFES)
Profa. Fernanda Caseño Trindade Arioli (FEEC/UNICAMP) Prof. Dr. Luiz Carlos Pereira da Silva (FEEC/UNICAMP)
A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora, encontra-se no processo de vida acadêmica do aluno.
Dedico este trabalho à minha mãe Rosana Cuerda Monzani que soube me dar forças para lutar por aquilo que acredito e ao meu pai Sidnei de Jesus Monzani que me ensinou a ser uma pessoa mais humilde, paciente e honesta.
AGRADECIMENTOS
Ao meu orientador Walmir de Freitas Filho por ter colaborado com o desenvolvimento deste projeto e por ter me ensinado muito além do que se aprende em nossa vida acadêmica.
Ao Prof. Dr. Luiz Carlos Pereira da Silva, Diogo Salles Correa, Fernanda Caseño Trindade Arioli, Ricardo Torquato Borges, Paulo César Magalhães Meira, Heloisa Helena Müller e Thiago Sonnewend Diniz Ferreira pelas horas dedicadas, paciência e atenção para a elaboração deste trabalho.
À Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), processo 2013/0437-0 pela bolsa de doutorado concedida para a execução desta tese de doutorado.
À minha família pela presença em minha vida, me dando o suporte necessário para continuar, me incentivando a nunca desistir dos meus objetivos e sempre a seguir em frente.
Aos amigos, em especial, Michel Bruno Martins, Gustavo Rodrigues de Lima Tejerina, Thiago Sonnewend Diniz Ferreira (T3), Lívia Maria de Rezende Raggi, Peterson Grandini de Carvalho, Fellipe da Silveira Bezerra de Mello, Thiago Lopes da Silva, Luís Henrique Lopes, Ludmila Helena Rodrigues dos Santos, e a todos os outros que estiveram presentes.
Aos colegas de laboratório Tiago Rodarte Ricciardi (T1), Tiago de Moraes Barbosa (T2), Caio Oriente Pereira e outros.
“uma inteligência conhecendo todas as variáveis universais em determinado momento, poderia compor numa só fórmula matemática a unificação de todos os movimentos do Universo".
RESUMO
O monitoramento de cargas residenciais fornece informações úteis para entidades específicas (e.g. governo, concessionárias de energia e consumidores). Entre essas informações, está o detalhamento do padrão de consumo de energia de cada residência, que tem como consequência possibilitar a estimação do consumo individual das cargas presentes a partir de técnicas de desagregação. Nesta tese, residências reais (no Brasil e exterior) foram monitoradas e desenvolveu-se uma ferramenta computacional capaz de estimar o consumo de energia das principais cargas residenciais, empregando diferentes metodologias de desagregação de carga e reconhecimento de padrão. O desempenho dos algoritmos propostos foi validado com o uso de dados sintéticos gerados a partir de um simulador de redes residenciais, o qual fornece os instantes de tempo de acionamento e desligamento dos equipamentos residenciais, auxiliando na comparação com a detecção e classificação dos eventos obtidos.
A aquisição dos dados é realizada no ponto de entrada de energia da residência de modo não invasivo, os sinais de corrente e tensão são processados localmente e enviados para um servidor remoto. Algoritmos de detecção de eventos são executados, formando um vetor com dados selecionados e usados como entrada para o processo de desagregação de carga. Nesse processo, os eventos são identificados e associados a cargas específicas, e por fim, o consumo de energia é estimado de acordo com a assinatura elétrica de cada carga. A desagregação de carga proposta nesta tese é realizada de modo automático com base em um banco de dados generalista, evitando assim o treinamento inicial existente em outras metodologias, tais como o uso de redes neurais. Ainda, é proposto um método específico e adaptado para a estimação do consumo de energia elétrica do grupo de iluminação, usando simulação de Monte Carlo associada ao perfil da probabilidade de uso por tempo. Os resultados obtidos para a detecção, desagregação e estimação de energia das cargas de interesse para a residência analisada e para os dados gerados a partir do simulador residencial são coerentes e apresentam precisão satisfatória.
Palavras-Chave: Medidores inteligentes, Monitoramento não intrusivo, Inteligência artificial,
ABSTRACT
Residential load monitoring provides useful information to specific entities such as government, utilities and consumers. Among these is the bill breakdown of the energy consumption pattern of each residence, enabling the energy estimation of individual appliances through load disaggregation techniques. In this thesis, real houses (in Brazil and abroad) were monitored and a computational tool to estimate the energy consumption of their major appliances was developed. The performance of the proposed algorithms was evaluated through a comparison against synthetic data generated by a residential network simulator, providing the home appliances’ ON and OFF instants. Such tool enabled a comparison between the detected and classified events with those obtained by the proposed techniques.
The data is acquired at the service entrance panel of each residence using a nonintrusive methodology, current and voltage data are locally processed and remotely sent to a server. Event detection algorithms are then run, combining data into a vector used as input to the load disaggregation procedure. Through this procedure, the events are associated with their specific loads, and then, the energy consumption is estimated based on their electrical signatures. The load disaggregation proposed by this thesis is performed automatically based on a general database, thus avoiding the initial training typical of other methodologies, such as neural networks. Moreover, this thesis proposes a tailored method to estimate the energy consumption of lighting using Monte Carlo simulation associated with the lighting time of use curve. The obtained results from the bill breakdown framework (detection, load disaggregation and energy estimation) of the analyzed residence and of the generated data by the residential network simulator are consistent and accurate.
Key words: Smart meters, Nonintrusive monitoring, Artificial intelligence, Data mining,
LISTA DE FIGURAS
Figura 1.1 – Fluxograma da identificação de cargas elétricas. ... 21
Figura 2.1 – Medidor de energia. ... 25
Figura 2.2 – Receptor de dados medidos. ... 25
Figura 2.3 – Diagrama de conexão do medidor e receptor. ... 26
Figura 2.4 – Curva de carga diária gerada a partir do simulador residencial. ... 29
Figura 2.5 – Fluxograma do simulador de rede de baixa tensão. ... 30
Figura 3.1 – Demanda média anual. ... 32
Figura 3.2 – Fluxograma da identificação de cargas elétricas: detecção e filtro de eventos. ... 34
Figura 3.3 – Sinal de potência ativa, corrente e tensão eficaz. ... 35
Figura 3.4 – Tipos de carga variantes no tempo. ... 36
Figura 3.5 – Métodos para identificação de assinaturas elétricas... 38
Figura 3.6 – Forma de onda da corrente para diferentes tipos de cargas. Extraído de [15]. .... 39
Figura 3.7 – Transitório de partida. Extraído de [15]. ... 40
Figura 3.8 – Componentes harmônicas. ... 41
Figura 3.9 – Identificação de cargas com o uso de autovalores. ... 42
Figura 3.10 – Cargas com padrão de sequências. Extraído de [13]. ... 42
Figura 3.11 – Horário/duração do uso de cargas residenciais. Extraído de [13]. ... 44
Figura 3.12 – Cargas conectadas em um sistema bifásico. ... 44
Figura 3.13 – Detecção de eventos problemáticos: (a) pico de partida; (b) evento lento; (c) ruído; (d) evento adjacente; (e) evento bifásico e (f) evento sobreposto. ... 45
Figura 3.14 – Fluxograma do método de segmento contínuo. ... 46
Figura 3.15 – União de segmentos contínuos. ... 46
Figura 3.16 – Método do segmento contínuo variando desvio padrão (a) 10; (b) 40. ... 47
Figura 3.17 – Método de detecção de eventos proposto em [7]. ... 48
Figura 3.18 – Método de transição de borda proposto em [9]. ... 48
Figura 3.19 – Método da transição de borda proposto em [49]. ... 49
Figura 3.20 – Fluxograma do método de transição de borda modificado. ... 50
Figura 3.21 – Método da transição de borda modificado. ... 50
Figura 3.22 – Identificação do evento baseado na diferença dos valores médios. ... 51
Figura 3.23 – Métodos de detecção de eventos: (a) segmento contínuo; (b) transição de borda [9]; (c) transição de borda [49] e (d) transição de borda modificado. ... 51
Figura 4.2 – Processos da mineração de dados. ... 58
Figura 4.3 – Grupos definidos em relação a potência ativa e reativa ... 61
Figura 4.4 – Cluster de entrada para métodos de classificação. ... 65
Figura 4.5 – Método do agrupamento com largura de banda igual a (a) 10 e (b) 100. ... 68
Figura 4.6 – Identificação de cargas características: (a) freezer e (b) geladeira. ... 69
Figura 4.7 – Identificação dos eventos do freezer. ... 69
Figura 4.8 – Identificação dos eventos do fogão. ... 70
Figura 4.9 – Cargas identificadas a partir do sinal agregado: (a) Fase A e (b) Fase B. ... 70
Figura 4.10 – Identificação das cargas da residência real usando o método de desagregação. 70 Figura 4.11 – Representação do consumo de energia das cargas em uma residência real. ... 71
Figura 4.12 – Cargas identificadas a partir dos dados do simulador residencial... 72
Figura 4.13 – Identificação das cargas do simulador a partir do método de desagregação. .... 73
Figura 4.14 – Representação do consumo de energia individual das cargas do simulador. ... 73
Figura 4.15 – Identificação a partir do método de desagregação com carga desconhecida. .... 74
Figura 4.16 – Representação do consumo de energia individual com carga desconhecida. .... 74
Figura 4.17 – Eventos identificados para fogão elétrico usando RNA. ... 76
Figura 4.18 – Desagregação de cargas da residência real a partir de rede neural. ... 76
Figura 4.19 – Identificação das cargas da residencial real a partir da rede neural. ... 77
Figura 4.20 – Representação do consumo de energia das cargas em uma residência real. ... 77
Figura 4.21 – Identificação das cargas do simulador a partir da rede neural. ... 78
Figura 4.22 – Representação do consumo de cargas do simulador usando rede neural. ... 78
Figura 4.23 – Identificação de cargas usando rede neural treinada com carga desconhecida. . 79
Figura 4.24 – Representação do consumo de energia individual com carga desconhecida. .... 79
Figura 5.1 – Fluxograma da identificação de cargas elétricas: consumo de energia... 84
Figura 5.2 – Eficiência energética de cargas residenciais definida pelo PROCEL. ... 85
Figura 5.3 – Cálculo da energia de sinais trapezoidais... 86
Figura 5.4 – Sinal de potência ativa consumida por um fogão elétrico. ... 87
Figura 5.5 – Curva da probabilidade de uso por tempo para o perfil de iluminação. ... 90
Figura 5.6 – Estimação do consumo de energia dos eventos associados à iluminação. ... 91
Figura 5.7 – Distribuição do consumo de energia de iluminação estimado. ... 92
Figura 5.8 – Distribuição de probabilidade de iluminação para residência simulada. ... 92
Figura 5.9 – Distribuição de probabilidade de iluminação estimada para residência real. ... 93
Figura 5.10 – Simulação de Monte Carlo com diferentes tipos de ajuste de distribuição. ... 94
Figura 5.12 – Procedimento analítico para ajuste de curva Weibull. ... 97
Figura 5.13 – Consumo de energia por grupos de cargas semelhantes. Extraído de [85]. ... 99
Figura A.1 – Cargas residenciais: (a) fogão, (b) secadora, (c) freezer e (d) geladeira. ... 114
Figura A.2 – Cargas: (a) máquina de lavar, (b) TV, (c) aquecedor e (d) microondas. ... 115
Figura B.1– Curva de carga em uma residência canadense. ... 117
Figura B.2 – Curva de carga em uma residência brasileira. ... 118
Figura C.1 - Esquema de HEMS em uma residência. ... 119
Figura C.2 – Fluxograma da identificação de cargas elétricas: análises. ... 120
Figura C.3 – Avaliação do consumo de energia: (a) último e (b) mensal. ... 122
Figura C.4 – Cargas consumidoras ao longo do dia. ... 123
Figura C.5 – Comparativo entre a tarifa branca e a tarifa convencional. Extraído de [90]. ... 124
Figura C.6 – Comparação semanal entre o consumo da residência e valor médio geral. ... 125
Figura C.7 – Energia consumida por carga e o valor médio em outras residências. ... 125
Figura C.8 – Relação entre cargas: própria e a de menor consumo das monitoradas. ... 125
Figura D.1 – Fluxograma da identificação de cargas elétricas: relatórios. ... 127
Figura D.2 – Estrutura do framework. ... 128
Figura D.3 – Diagrama de conexão do medidor e receptor. ... 129
Figura D.4 – Página inicial de acesso ao website. ... 130
Figura D.5 – Estrutura de acesso do website. ... 131
Figura D.6 - Estrutura da área de acesso do consumidor. ... 131
Figura D.7 – Página inicial: informações resumidas. ... 132
Figura D.8 – Página inicial: curva de carga diária. ... 132
Figura D.9 – Página inicial: análise semanal da energia diária consumida. ... 132
Figura D.10 – Medidor de potência em tempo real e tabela de identificação de evento. ... 133
Figura D.11 – Detalhamento da fatura: tabela de dados. ... 134
Figura D.12 – Porcentagem do consumo individual de carga. ... 135
Figura D.13 – Perfil diário do consumo individual da residência. ... 135
LISTA DE TABELAS
Tabela 2.1 – Dados inseridos no simulador de cargas residenciais. ... 31
Tabela 3.1 – Modos de operação de cargas residenciais. ... 36
Tabela 3.2 – Grupos de cargas residenciais. ... 37
Tabela 3.3 – Padrões de sequências de funcionamento. ... 42
Tabela 3.4 – Assinatura de tendência. ... 43
Tabela 3.5 – Duração mínima e máxima de cargas residenciais. ... 44
Tabela 3.6 – Tempo computacional e precisão na identificação de eventos. ... 52
Tabela 4.1 – Cargas residenciais e respectiva faixa de potência ativa. ... 65
Tabela 4.2 – Otimização aplicada à identificação de cargas em uma residência real. ... 66
Tabela 4.3 – Otimização aplicada à identificação de cargas em uma residência simulada. ... 67
Tabela 4.4 – Método de agrupamento aplicado a uma residência real. ... 72
Tabela 4.5 – Método de agrupamento aplicado a uma residência simulada. ... 73
Tabela 4.6 – Energia consumida e calculada das cargas do simulador residencial. ... 74
Tabela 4.7 – Comparação entre a energia das cargas simuladas com carga desconhecida. ... 75
Tabela 4.8 – Rede neural aplicada a uma residência real. ... 77
Tabela 4.9 – Rede neural aplicada a uma residência simulada. ... 79
Tabela 4.10 – Rede neural aplicada à residência simulada com carga desconhecida. ... 80
Tabela 4.11 – Comparação entre o método de agrupamento e a RNA. ... 83
Tabela 5.1 – Consumo de energia de iluminação simulado e estimado. ... 93
Tabela A.1– Equipamentos e respectivas potência ativa aproximada ... 113
Tabela A.2 – Consumo médio mensal dos principais aparelhos eletrodomésticos. ... 113
Tabela A.3 – Posse de equipamentos por residência por região geográfica (%)... 116
Tabela A.4 – Quantidade de equipamentos residenciais por ano. ... 116
Tabela B.1 – Descrição da máquina usada até 01/04/2015 (PC#1) ... 147
LISTA DE ABREVIATURAS E SIGLAS
ANEEL Agência Nacional de Energia Elétrica CFL Compact Fluorescent Light
DCBD Descoberta de Conhecimento em Base de Dados DFT Discret Fourier Transform
HEMS Home Energy Management System
IEEE Institute of Electrical and Electronics Engineers KDD Knowledge Discovery in Database
LCD Liquid Crystal Display
LVNS Low Voltage Network Simulator
NALM Nonintrusive Appliance Load Monitoring NILM Nonintrusive Load Monitoring
ONS Operador Nacional do Sistema RNA Rede Neural Artificial
SVM Support Vector Machine UDP User Datagram Protocol
SUMÁRIO INTRODUÇÃO ... 17 1.1 Objetivos... 20 1.2 Metodologia ... 20 1.3 Contribuições ... 21 1.4 Estrutura do trabalho ... 22
DADOS USADOS NA DESAGREGAÇÃO DE CARGAS ... 24
2.1 Dados reais ... 24
2.1.1 Aquisição dos sinais ... 25
2.1.2 Processamento digital de sinais ... 26
2.2 Dados sintéticos... 28
DETECÇÃO DE EVENTOS ... 32
3.1 Introdução ao monitoramento de cargas ... 33
3.2 Análise da assinatura elétrica ... 35
3.3 Modelo de cargas residenciais ... 36
3.4 Métodos para detecção de eventos ... 37
3.4.1 Transição de estado... 38
3.4.2 Transitórios de partida ... 39
3.4.3 Componentes harmônicos ... 40
3.4.4 Métodos recentes ... 41
3.5 Métodos de detecção de eventos a partir da transição de borda ... 45
3.5.1 Segmento contínuo ... 46
3.5.2 Transição de borda ... 47
3.5.3 Transição de borda modificado ... 49
3.5.4 Comparação entre os métodos de detecção de evento ... 51
CLASSIFICADORES ... 54
4.1 Introdução à classificação de cargas ... 54
4.2 Método de otimização ... 56
4.3 Mineração de dados... 57
4.3.1 Processos da mineração de dados ... 58
4.3.2 Etapa mineração de dados ... 59
4.3.2.1 Técnicas de mineração de dados ... 60
4.3.2.2 Limitações ... 63
4.4 Rede neural artificial... 63
4.5 Outros métodos ... 64
4.6 Classificadores ... 65
4.6.1 Heurística e otimização ... 66
4.6.2 Método de agrupamento ... 68
4.6.3 Rede neural artificial... 75
4.7 Conclusões parciais ... 80
ESTIMAÇÃO DO CONSUMO DE ENERGIA ELÉTRICA ... 84
5.1 Estimação do consumo de energia ... 85
5.2 Estimação do consumo de energia elétrica de iluminação ... 88
5.2.1.1 Procedimento analítico ... 94
5.3 Estimação do consumo de energia de cargas em modo de espera ... 98
5.4 Outros métodos de estimação do consumo de energia ... 98
5.5 Conclusões parciais ... 99
CONCLUSÃO ... 101
REFERÊNCIAS ... 104
APÊNDICE A REFERÊNCIA DE CARGAS RESIDENCIAIS ... 113
A.1 Valor médio de potência ativa de referência de cargas residenciais ... 113
A.2 Curva característica de cargas residenciais ... 114
A.3 Equipamentos em residências brasileiras ... 115
APÊNDICE B MEDIÇÕES REALIZADAS EM RESIDÊNCIAS REAIS ... 117
B.1 Residência canadense ... 117
B.2 Residência brasileira ... 118
APÊNDICE C SISTEMA DE GERENCIAMENTO DE ENERGIA ... 119
C.1 Informações individuais sobre a residência ... 121
C.2 Análise do consumo de energia por carga ... 121
C.2.1 Comparação do consumo com valor de referência em modo econômico ... 121
C.2.2 Análise do horário de uso ... 123
C.3 Comparação por uso de cargas semelhantes ... 124
C.4 Configurações de segurança residencial... 126
APÊNDICE D FRAMEWORK DE CARGAS RESIDENCIAIS ... 127
D.1 Framework ... 128
D.2 Monitoramento de energia ... 128
D.3 Identificação do consumo individual das cargas ... 129
D.4 Disponibilização dos resultados (website) ... 130
D.4.1 Acesso do consumidor ... 131
D.4.2 Acesso do Administrador... 136
D.5 Conclusão ... 137
APÊNDICE E RESULTADOS DA PESQUISA DE OPINIÃO PÚBLICA ... 138
APÊNDICE F OUTROS ASPECTOS RELACIONADOS A NILM ... 142
F.1 Segurança da informação ... 142
F.2 Aplicações de NILM ... 143
ANEXO A DESCRIÇÃO DO EQUIPAMENTO DE MEDIÇÃO ... 146
ANEXO B MÁQUINA USADA NO PROCESSAMENTO ... 147
INTRODUÇÃO
A crescente oferta e interesse em produtos relacionados à automação resultam em maior comodidade para consumidores e tem conquistado espaço no mercado. Com o desenvolvimento de dispositivos inteligentes de comunicação móvel, consumidores obtêm informações rápidas sobre assuntos específicos (como acesso a redes sociais, notícias, banco online, etc.). Tais equipamentos geram muitos dados, e para avaliá-los, soluções eficientes são necessárias. Uma aplicação que ilustra esta dinâmica, é o acompanhamento pelo consumidor de forma ativa dos serviços telefônicos contratados, como por exemplo, o detalhamento da fatura. O conhecimento detalhado permite estabelecer um plano que atenda sua demanda junto à operadora no qual a tarifa empregada seja menor, ou mesmo, reeducar-se a fim de economizar.
Mesmo com o aumento do fluxo de dados em diversos setores, consumidores residenciais e comerciais ainda participam de forma passiva em relação ao uso de energia elétrica. Os medidores inteligentes (smart meters) atuais mostram apenas o consumo total de energia elétrica, sem apresentar detalhes de como essa energia é consumida. A discriminação do uso individual de cargas elétricas permite ao consumidor conhecer seu padrão de consumo [1] e este conhecimento pode ser utilizado para numerosos fins, entre os quais se destacam:
Redução dos gastos com energia elétrica: Conhecer o padrão de consumo permite usar a energia ofertada de forma consciente. Esta discriminação identifica o tempo de uso das cargas mais relevantes, tais como: chuveiro elétrico, geladeira, fogão elétrico, microondas, iluminação, ferro de passar roupa, possibilitando a redução do consumo de energia de cargas controláveis no mês subsequente.
Tarifação diferenciada por horário: A demanda de energia é elevada durante o horário de ponta, pois em geral, os consumidores chegam em suas residências após o expediente e, têm por costume, assistir televisão, usar o chuveiro e ligar as luzes. A implementação da tarifação diferenciada [1]-[5] visa reduzir o impacto na demanda de energia durante esse período. Em [6], a resolução da ANEEL (Agência Nacional de Energia Elétrica) estabeleceu que consumidores residenciais podem aderir à Tarifa Branca, a qual propõe estimular o consumo de energia em horários alternativos ao de ponta, por meio de uma tarifa reduzida em tais horários, diminuindo o valor da fatura e a necessidade de expansão da rede para atendimento da demanda de pico.
Segurança residencial: Ações que desviem do padrão de consumo de energia podem ser usadas para identificar condutas de segurança residencial. Por exemplo, determinado consumidor viaja e ações divergentes do esperado são detectadas, tais como a abertura do portão eletrônico, falha no motor da geladeira, luzes de segurança queimadas, ou mesmo, alta taxa de processamento do aquecedor [7]. Nestes casos, o sistema enviaria mensagens, informando ao proprietário ações suspeitas e também, dependendo do tipo de serviço vinculado, empresas de segurança poderiam ser acionadas para vistoriar o local.
Eficiência das cargas residenciais em relação à energia consumida: Determinar se uma carga consome mais energia do que o necessário, ou seja, se é ineficiente a seu propósito, é um fator na economia de energia. Por exemplo, o consumo elevado de uma geladeira pode ser caracterizado por vazamentos na tubulação, ou mesmo devido a problemas como vedação das portas. Assim, um relatório para informar e alertar o consumidor acerca dos consumos de grande porte (e.g. chuveiro, fogão elétrico) e baixa eficiência (e.g. geladeira com vazamentos) poderia ser emitido.
A discriminação do consumo de energia de cada carga pode ser obtida utilizando dois tipos de técnicas: (a) monitoramento intrusivo; (b) monitoramento não intrusivo.
No monitoramento invasivo (ou intrusivo), sensores são instalados no interior da residência para identificar cargas elétricas ativas [8]. Cada sensor instalado é identificado por um rótulo e associado a uma tomada ou local da residência. De modo geral, a informação (e.g., instante que um equipamento liga) de cada sensor, juntamente com os dados monitorados na entrada da residência, é enviada à um dispositivo central que contém um programa computacional responsável por obter o consumo de energia individual de cada equipamento doméstico monitorado. Esta solução aumenta o custo de hardware devido ao número de sensores, contudo o programa computacional para determinar o consumo individual é relativamente simples. Outro fator que torna essa técnica inconveniente é a entrada de funcionários de empresas responsáveis para a instalação e manutenção dos sensores no interior da residência, causando incômodo quanto à privacidade do consumidor.
Por outro lado, o monitoramento não intrusivo utiliza a instalação de apenas um sensor no painel de entrada de energia do consumidor [8]. O idealizador do monitoramento não intrusivo de cargas foi George W. Hart, que em 1982 nomeou tal técnica como NALM (Nonintrusive Appliance Load Monitoring) [7]. A vantagem desta técnica em relação à mencionada anteriormente é a redução significativa no custo de hardware e maior privacidade
para o consumidor. Contudo, a principal limitação consiste em discriminar com um único sensor os instantes em que cada equipamento doméstico é ligado e desligado. Assim, o programa computacional para processamento dos dados é complexo e necessita de técnicas computacionais robustas que envolvem inteligência artificial, acarretando em alto custo de desenvolvimento. Os medidores empregados na técnica de monitoramento não intrusivo tipicamente monitoram sinais de tensão e corrente por fase de forma agregada e a desagregação destes sinais em cargas individuais necessita ser aprimorado.
As técnicas para identificação de cargas mais usuais são: detecção de borda (ON/OFF) por variação de forma de onda de admitância [7] e forma de onda de corrente [9], análise de harmônicos e transitórios [9]-[12], assinaturas de sequência, tempo de uso (duração), fase [13], análise de valores instantâneos de potência ativa e reativa [14], autovalores [15], entre outras. A partir destas informações, um banco de dados previamente estabelecido é usado para identificar qual carga está em uso e o período de consumo é armazenado para posterior consulta. Entretanto, nenhuma técnica apresentou precisão satisfatória quando aplicada sozinha, visto que algumas cargas possuem características elétricas semelhantes.
Deste modo, surgiu a necessidade de examinar métodos computacionais aprimorados para classificar corretamente os eventos identificados. Muitas ferramentas computacionais podem ser utilizadas para a classificação de cargas residenciais, entre as quais, os métodos de aprendizado supervisionados e não supervisionados estão entre os mais comuns. Alguns algoritmos de classificação possuem boa precisão quando associados às técnicas de identificação listadas anteriormente. Estes algoritmos são baseados em métodos de inteligência artificial, tais como redes neurais [16]-[17], algoritmo genético [18], e também mineração de dados [19]-[22].
Algoritmos que exigem treinamento inicial, como redes neurais, tornam o processo intrusivo em uma primeira etapa. Estes algoritmos necessitam de configuração manual, ou seja, são treinados para reconhecer as cargas existentes em cada residência, e caso o consumidor adquira um novo equipamento, deverá passar por novo processo de treino para todas as cargas.
Algoritmos que não necessitam de treinamento inicial são referidos como sendo de configuração automática [7]. Os dados são armazenados em bancos de dados, e de acordo com as características elétricas e temporais, diferentes técnicas são empregadas para auxiliar na classificação. Em especial, as que usam mineração de dados são aplicadas em setores distintos (e.g. financeiro, hospitalar, etc.) e têm auxiliado na identificação e classificação desses.
A mineração de dados (data mining) é uma das fases da Descoberta de Conhecimento de Banco de Dados (DCBD), referenciada como KDD (do inglês, Knowledge Discovery in
Database) [23], [24]. As técnicas incluem: classificação, agrupamento (cluster), regras de
associação, regressão, sumarização, detecção anômala, entre outras. A técnica de agrupamento em específico possui características que auxiliam na classificação de cargas para, posteriormente, determinar ou estimar o consumo de energia elétrica.
1.1 Objetivos
O enfoque deste trabalho é o desenvolvimento de uma ferramenta computacional capaz de realizar a desagregação de cargas e estimar seus consumos de energia elétrica a partir de monitoramento não intrusivo. Tal ferramenta deverá operar em modo automático, ou seja, sem a necessidade de treinamento inicial para reconhecimento das cargas.
Como objetivos secundários, busca-se aprimorar o processo de detecção de eventos, estimar o consumo de energia elétrica de cargas de difícil classificação (e.g. grupo de iluminação) e ainda aprimorar o desenvolvimento de uma ferramenta virtual que disponibiliza aos usuários os resultados da desagregação de carga e análises suplementares.
1.2 Metodologia
A desagregação de carga é sumarizada pelo fluxograma apresentado na Figura 1.1. Após a aquisição dos dados de entrada (corrente e tensão por fase) amostrados no tempo, os seguintes passos são executados: detecção e filtragem de eventos; classificação; estimação do consumo de energia; análises e geração de relatórios.
O primeiro passo consiste em avaliar o sinal monitorado, detectando os eventos, sem se preocupar com os equipamentos associados nestes instantes. Na sequência, os dados são filtrados de modo a reduzir ruídos na aquisição e erros na detecção, e em seguida, o conjunto de dados é classificado de acordo com sua assinatura elétrica. Essa etapa, denominada desagregação de carga, associa os eventos às cargas de interesse.
O próximo passo consiste em estimar o consumo de energia elétrica. Uma vez que os eventos de início e término foram associados às cargas de interesse e com base na assinatura elétrica e nos modelos construídos, o consumo de energia é estimado. Contudo, certas cargas possuem características elétricas semelhantes, o que dificulta o processo de classificação e estimação de energia, sendo necessário propor novas soluções para sanar este problema.
Figura 1.1 – Fluxograma da identificação de cargas elétricas.
Ainda, após a detecção, classificação e estimação do consumo de energia, diferentes análises podem ser executadas, visando destacar informações sobre o padrão de consumo de energia da residência como: consumo individual comparado a valores médios disponíveis na literatura; horário de uso; consumo entre cargas semelhantes; segurança por desvio de padrão; avaliação do impacto ambiental em relação ao consumo de energia, entre outros aspectos.
Na etapa final, as análises realizadas são fornecidas aos consumidores através de relatórios disponibilizados, por exemplo, por meio de soluções online.
1.3 Contribuições
As principais contribuições desta tese são:
- Aprimoramento dos métodos de detecção de eventos, considerando a correta identificação da variação de potência;
- Desenvolvimento de ferramenta computacional para classificação e estimação do consumo de energia das principais cargas consumidoras residenciais;
- Comparação entre metodologias diferentes na desagregação de cargas; - Estimação do consumo de energia de cargas com ciclo de operação;
- Estimação do consumo de energia do grupo de iluminação com base em simulação de Monte Carlo e no perfil da probabilidade de uso por tempo.
- Desenvolvimento de ferramenta virtual para acompanhamento dos resultados obtidos a partir da desagregação de carga.
1.4 Estrutura do trabalho
Esta tese de doutorado é organizada em capítulos com a estrutura disposta na sequência. O Capítulo 2 apresenta os dados empregados para avaliar os algoritmos propostos nesta tese. Inicialmente, é detalhado o processamento dos sinais de corrente e tensão obtidos com o monitoramento não intrusivo em residências reais. Na sequência, demonstra-se como os dados sintéticos são gerados a partir de um simulador de cargas residenciais existente. Os dados sintéticos servem para validar os métodos propostos, visto que disponibilizam o instante de acionamento e desligamento de cada carga, e consequentemente o consumo de energia.
Os métodos de detecção de eventos presentes na literatura são discutidos no Capítulo 3. Inicialmente, é introduzida a metodologia de monitoramento aplicada a detecção de eventos. A aquisição dos dados possibilita a observação de características atreladas a assinatura elétrica, as quais permitem levantar modelos de cargas residenciais. Ainda, este capítulo propõe o uso de um método de detecção fundamentado no conceito de média móvel, sendo complementar aos existentes. A taxa de detecção de eventos é usada como índice de desempenho dos métodos explorados neste capítulo.
O Capítulo 4 trata dos métodos classificatórios presentes nesta tese. Três metodologias distintas são abordadas para classificar o conjunto de dados: a primeira emprega técnicas de otimização simplificada, avaliando a mínima diferença quadrática entre eventos identificados e cargas previamente conhecidas; a segunda é uma das contribuições deste trabalho e consiste na classificação das cargas de interesse a partir de mineração de dados por meio do algoritmo de agrupamento por deslocamento médio (mean-shift cluster); a última utiliza o treinamento de uma rede neural com algoritmo feedforward backpropagation, no qual as cargas da residência são consideradas previamente conhecidas. As vantagens, limitações e a taxa de acerto de cada método na classificação são examinadas.
A estimação do consumo de energia elétrica é realizada após a definição dos instantes de acionamento e desligamento das cargas classificadas, sendo o tema do Capítulo 5. Nesta etapa, além da estimação do consumo das principais cargas, demonstra-se outras contribuições desta tese: a estimação do consumo de energia elétrica de cargas com ciclo de operação (e.g.
fogão elétrico, cafeteira, secadora, etc.) e a estimação de energia para o grupo de iluminação. Em relação a iluminação, a técnica de estimação é baseada no perfil da probabilidade de uso por tempo, obtida a partir dos hábitos de consumo de moradores. Esta curva, aplicada junto à técnica da simulação de Monte Carlo, estima o consumo de energia. Ainda, uma estimação simplificada sobre o consumo de energia de cargas em modo de espera é discutida.
Em síntese, encerra-se a parte principal do trabalho, ressaltando as contribuições oferecidas e sugerindo tópicos para a continuidade deste tema em pesquisas futuras.
De modo suplementar, conteúdos integrantes dessa pesquisa são inseridos em forma de apêndices e anexos. O Apêndice A disponibiliza tabelas de referência do valor médio de potência ativa, tempo médio de uso diário e as curvas características, ou seja, a assinatura elétrica, das cargas analisadas.
Medições realizadas em residências reais são apresentadas no Apêndice B, para exemplificar as diferenças entre a potência consumida por fase e em diferentes dias da semana. Sistemas de gerenciamento de energia residencial são discutidos no Apêndice C. A partir do histórico de medições do consumidor e no consumo das cargas monitoradas, sugestões podem ser oferecidas para economizar energia alterando o tempo de uso de cargas controláveis. Ainda, aspectos comparativos entre consumidores distintos são abordados.
O Apêndice D demonstra o framework, que compreende a etapa de monitoração, desagregação de carga, e fundamentalmente, a criação de uma ferramenta virtual para a visualização dos resultados por parte dos consumidores.
Uma pesquisa de opinião pública foi efetuada durante o período de abril a dezembro de 2015 para determinar o interesse da população no detalhamento do consumo de energia elétrica, quais os equipamentos no interior da residência e quanto a mesma estaria disposta a pagar pelo serviço. O Apêndice E exibe os resultados da pesquisa.
Aspectos de conduta de segurança que devem ser tomados no monitoramento de cargas e a necessidade de regulamentação sobre o assunto são inseridos de forma simplificada no Apêndice F.
Nos anexos constam a descrição do medidor usado (Anexo A), da máquina de processamento (Anexo B) e o formulário de pesquisa de opinião (Anexo C).
DADOS USADOS NA DESAGREGAÇÃO DE CARGAS
Para caracterizar ou definir o comportamento de determinados eventos é necessário adquirir conhecimento prévio do funcionamento ou da rotina daquilo que se deseja examinar. Para detectar a informação presente em qualquer campo de pesquisa, é necessário inicialmente observar o objeto de interesse. O tema proposto nesta tese refere-se ao monitoramento de cargas residenciais. Dessa forma, os eventos associados são os acionamentos e desligamentos de cada carga e o objeto de interesse é o consumo de energia elétrica individual. Portanto, para obter, analisar e determinar essas informações, o primeiro passo é medir e armazenar os sinais elétricos.
Este capítulo caracteriza os dados que serão empregados nos métodos tratados ao longo desta tese de doutorado. Dois tipos de dados serão utilizados: dados reais e dados sintéticos. Os dados reais são adquiridos a partir de medições efetuadas no painel de entrada de energia de residências existentes. Os dados sintéticos são gerados a partir de simuladores, contudo, caracterizam fortemente os eventos ocorridos em uma residência real. Os dados sintéticos são necessários para validar as técnicas propostas na desagregação e classificação das cargas, pois a partir destes, pode-se determinar o instante de acionamento e desligamento de cada carga, e assim, determinar com exatidão o consumo de energia elétrica.
Primeiramente, a aquisição dos dados a partir do monitoramento de residências reais é discutida (Seção 2.1). Na sequência, o processamento dos sinais é abordado a fim de determinar os valores de tensão e corrente por instante de tempo. Em seguida, os dados sintéticos gerados de forma pseudoaleatória por um simulador de cargas residenciais existente são introduzidos (Seção 2.2). O simulador permite gerar os acionamentos e desligamentos de cargas pré-configuradas para uma determinada residência.
2.1 Dados reais
Esta seção aborda a metodologia de aquisição e processamento dos sinais em residências reais realizado para se extrair a tensão e corrente por instante de tempo.
2.1.1 Aquisição dos sinais
A aquisição dos sinais foi efetuada a partir de um dispositivo de captura de corrente e tensão amostradas no tempo. O hardware do dispositivo foi desenvolvido pelo grupo de pesquisa da Universidade de Alberta, ao qual este projeto está vinculado. O dispositivo é responsável pela aquisição de corrente (módulo e ângulo) em cada uma das fases, corrente de neutro e tensão, sendo esta a referência para defasagem angular das correntes.
O dispositivo de aquisição de dados usado para monitorar residências canadenses possui 3 transformadores de corrente, um transformador de potencial e uma antena para ampliação do sinal na transmissão dos dados para o receptor (Figura 2.1). Esse dispositivo captura o sinal de corrente e tensão em amostras de 256 pontos por ciclo durante 6 ciclos, totalizando 1536 pontos a cada segundo. Este sinal é processado localmente por meio da transformada discreta de Fourier e o fasor (módulo e ângulo) da componente fundamental e terceira harmônica de corrente (fases e neutro) e da componente fundamental de tensão (sendo esta a referência) são enviados ao receptor. O Anexo A apresenta a configuração do equipamento de medição usado.
Figura 2.1 – Medidor de energia.
O receptor (Figura 2.2) tem um sistema embarcado e é formado por um conjunto de componentes eletrônicos que transmitem os dados por meio do protocolo UDP (User Datagram
Protocol) para o servidor de dados remoto. O receptor possui uma porta RJ-45 e deve estar
conectado a um dispositivo (hub/switch/roteador) que estabeleça conexão com a internet.
A Figura 2.3 mostra o diagrama de conexão do dispositivo de medição e do receptor em uma residência.
Figura 2.3 – Diagrama de conexão do medidor e receptor.
Os dados são enviados e armazenados a cada segundo e possuem taxa média de confiabilidade maior que 98% em relação a aquisição. Alguns pacotes são perdidos devido a problemas do canal de comunicação (internet), contudo, não afetam o processamento pelo módulo de desagregação de carga.
Uma tabela é gerada no banco de dados para cada dia de aquisição e para cada residência monitorada. Os campos são: horário da aquisição, identificador da residência, tensão da componente fundamental de uma das fases, componente fundamental e terceira harmônica da corrente de cada fase e de neutro. Os dados são processados fasorialmente (módulo e ângulo), e armazenados na forma retangular (valor real e imaginário).
2.1.2 Processamento digital de sinais
Os sinais de tensão e corrente são monitorados em relação a seus valores instantâneos e os dados analógicos são convertidos e armazenados em medidas digitais. O processo de aquisição apresenta ruído, pois muitas informações estão embutidas e alguns procedimentos podem ser efetuados para minimizar interferências, entre os quais, a filtragem do sinal e o uso de transformadas para separar as informações. A filtragem serve para minimizar o ruído implícito nos sinais monitorados, e como exemplo, pode-se usar algoritmos baseado em redes neurais para identificar padrões e minimizar aquisições não desejadas.
O processamento de sinal aplicado a esta tese, extrai uma característica elétrica que permite distinguir cargas com potência ativa/reativa semelhantes; as componentes harmônicas. Existem diversas técnicas para extração de componentes harmônicas, contudo, dois processos são comumente usados: transformada de Fourier [25] ou transformada Wavelet [26].
A transformada de Fourier avalia sinais periódicos e contínuos no tempo. Em [25], a transformada de Fourier de tempo-curto é empregada na análise de transitórios de tensão para
N Φ1 Φ2 N Φ1 Φ2 Rede Receptor Modem Internet Medidor Ponto de entrada de energia
compor vetores usados em máquina de suporte a vetor (SVM – Support Vector Machine) e identificar cargas. Computacionalmente, costuma-se aplicar a transformada discreta de Fourier (DFT – Discret Fourier Transform) [27] para determinar as componentes harmônicas presentes no sinal e auxiliar na identificação das cargas.
Os sinais são monitorados no tempo, portanto, deve-se estabelecer uma taxa de aquisição. Dois métodos podem ser adotados: assíncrono ou contínuo. O método assíncrono realiza amostragens a cada intervalo de tempo (e.g. 10 minutos); apesar deste requisitar consumo menor de memória física, possui desvantagem em relação a não identificação de eventos que ocorreram durante tal intervalo, o que acarreta em erros de identificação, além de não permitir a correta estimação do consumo de energia. A medição contínua é mais adequada, pois a detecção de eventos é precisa, embora possa ainda apresentar algumas falhas como a sobreposição de eventos, dependendo da taxa de amostragem, por exemplo.
A taxa de amostragem da medição em [7]-[9] é de 8kHz e em [28], usou-se 256 amostras por ciclo (em torno de 16kHz). Contudo, costuma-se agregar o sinal em intervalos discretos de tempo (snapshots) com duração pré-determinada (e.g. 1 segundo) para investigar a detecção de eventos. O processo de agregação dos dados é denominado período de integração.
Para identificar as cargas em uso em determinado ambiente, um sistema de aquisição de dados deve ser utilizado, conforme descrito na Seção 2.1.1. Comumente, os sinais monitorados são as formas de onda da tensão e corrente no tempo. O sinal adquirido tem uma janela de 256 amostras por ciclo e 6 ciclos são capturados a cada segundo. A partir dessas informações, o sinal é processado e o fasor de tensão e corrente por fase (módulo e ângulo) são armazenados no banco de dados na forma retangular. Desse modo, um arquivo de dados é montado e para cada amostra obtida, um valor temporal é associado. O cálculo do valor eficaz destes sinais é expresso pelas equações abaixo, que foram extraídas da norma IEEE 1459-2010 [29].
N i I N 1 k 2 k rms
(2.1) N v V N 1 k 2 k rms
(2.2) N i v P N 1 k k k
(2.3) rms rms I V P fp (2.4)
cos (fp)
tanP
Q -1 (2.5)
A magnitude das correntes harmônicas foi normalizada em relação à magnitude da componente fundamental de corrente (Equação (2.6)) e o ângulo de fase (Equação (2.7)) das correntes harmônicas foi referenciado ao ângulo de fase da componente fundamental de tensão.
* 1 * h h I I I (2.6)
onde I1* e Ih* são as magnitudes da componente fundamental e harmônicas, respectivamente,
obtidas do espectro de corrente por intermédio da Transformada Discreta de Fourier. Somente a terceira e quinta harmônica são consideradas.
* 1 * h h h (2.7)
onde θh* é o ângulo de fase das componentes harmônicas do espectro de corrente e φ* é o
ângulo de fase da componente fundamental do espectro de tensão.
As potências ativas e reativas (Equação (2.8)) são normalizadas a um valor de tensão de referência (Vr = 127 V) de modo a considerar variações de tensão normal (variação da carga) e
anormais (sobre e subtensões), conforme as equações abaixo:
P V V P 2 r N NORM Q V V Q 2 r N NORM (2.8)
A potência normalizada é utilizada como entrada no algoritmo de detecção de eventos discutido no Capítulo 3. Para detecção de eventos uma tolerância deve ser estabelecida. A oscilação de tensão ou alteração na corrente por efeito joule poderia resultar na falsa identificação de carga, por essa razão, cargas com pequeno consumo de energia elétrica são ignoradas. Essa tolerância é usada para identificar variações no sinal de potência ativa (e.g. 50 W). Porém, em alguns casos, como o uso de um computador pessoal que consome em média 300 W, oscilações constantes de 20 W estão presentes em um tempo muito rápido [30], sendo necessário empregar técnicas para filtrar sinais indesejados.
2.2 Dados sintéticos
Os dados sintéticos usados neste trabalho têm o objetivo de validar os métodos propostos. A vantagem do uso de dados sintéticos em relação aos reais, é a possibilidade de se determinar o instante de acionamento e desligamento e, desse modo, determinar com exatidão
o consumo de energia elétrica. Em relação à medição com dados reais, isto se torna possível apenas caso sensores individuais sejam instalados no interior da residência.
Nesta tese, é usado um gerador de dados sintéticos de cargas residenciais, baseado no perfil da probabilidade de uso por tempo, o qual gera os dados de forma estocástica por meio da simulação de Monte Carlo para rodar diferentes cenários, levando em consideração certas restrições impostas à uma residência real.
O simulador de cargas residenciais proposto em [31] foi desenvolvido parcialmente pelo grupo de pesquisa no qual este projeto de doutorado está inserido. A metodologia é explicada resumidamente na sequência.
O simulador residencial de baixa tensão (LVNS, do inglês, Low Voltage Network
Simulator) empregado neste trabalho é usado para verificar a eficiência dos métodos de
desagregação de cargas. O simulador emula uma condição de estado quase-estacionário da rede em um período de 24 horas, gerando o comportamento de cada carga em estados de operação aleatórios. As cargas são pré-estabelecidas para cada residência, por exemplo, pode-se determinar o período em que a luz de determinado ambiente permanece acesa durante o dia, ou pode-se configurar para que o simulador gere os dados de forma automática considerando o perfil de consumo para tipos de cargas distintos por meio de simulações de Monte Carlo.
Uma vez que as informações sobre os estados de todas as cargas estão disponíveis em instantes de tempos regulares, a simulação do fluxo de potência, harmônicos e partida de motores é realizada para cada instante de tempo, a fim de determinar o perfil de consumo de uma residência real (i.e. 86400 simulações para 24 horas) tal como mostrado na Figura 2.4.
O fluxograma exposto na Figura 2.5 resume a metodologia do método proposto [31].
Figura 2.5 – Fluxograma do simulador de rede de baixa tensão.
Os dados são gerados de forma estocástica de acordo com o perfil da probabilidade de uso por tempo das cargas. O método de Monte Carlo permite a avaliação de diferentes cenários constituindo o perfil de carga de determinada residência de acordo com o número de ocupantes, períodos de ausência, e outras características especificadas.
Os dados sintéticos usados nesta pesquisa foram gerados pelo simulador para emular o período de uma semana em uma residência virtual e contém as cargas presentes na Tabela 2.1. O simulador residencial, ao gerar os dados sintéticos, permite conhecer corretamente a energia consumida por cada uma das cargas de interesse. Para a simulação desta residência, foi imposto que nenhum morador estaria presente no período vespertino durante os dias da semana. Eventos como uso de lavanderia e outras atividades foram criadas para tornar os dados semelhantes a uma residência real.
Rede global Informação elétrica
Informação sobre os residentes
Ler dados de entrada
Solução do comportamento da rede
Gerar 24 horas do perfil de uso por tempo de todos os dispositivos de rede, usando a estratégia de simulação de Monte Carlo sequenciais
Curvas de probabilidade por tempo de uso padrão
t = 0
t < 24h? Resultados
de saída FIM
Solução da Rede Elétrica
Realizar o estudo de fluxo de cargas para cada instante de tempo, das componentes fundamental e harmônicas com recursos dinâmicos simples de acordo com os requerimentos do arquivo de entrada.
Armazenar os resultados instantâneos
t = t + 1 Não
Tabela 2.1 – Dados inseridos no simulador de cargas residenciais.
Cômodo Carga Quantidade
Sala TV LCD Lâmpada Incandescente 01 01 Cozinha Fogão elétrico Forno elétrico Microondas Torradeira Processador de Alimentos Cafeteira Geladeira Lâmpada Balastro 01 01 01 01 01 01 01 02 Quarto 01 Computador Monitor LCD Lâmpada Incandescente 01 01 01 Quarto 02 Notebook Lâmpada Incandescente 01 01 Escritório TV LCD Lâmpada Incandescente 01 01
Lavanderia Máquina de Lavar
Secadora
01 01
Banheiro Lâmpada CFL 01
Os itens propostos na residência acima consideram equipamentos elétricos de uso geral em qualquer tipo de casa, independentemente da localização geográfica. Não foi simulado a presença de um chuveiro elétrico, pois tal simulador contempla apenas cargas canadenses.
Outros simuladores estão disponíveis para emular eventos ocorridos em uma residência. Um exemplo é o GridLab-D [32], todavia, optou-se por empregar o simulador desenvolvido por integrantes do grupo de pesquisa ao qual este trabalho está inserido, visto que esse simulador teve sua eficiência comprovada e também publicação na área [31].
DETECÇÃO DE EVENTOS
Em muitos países, incluindo o Brasil, o consumo de energia elétrica aumentou progressivamente ao longo dos anos. De acordo com o Operador Nacional do Sistema (ONS) [33], em pouco mais de 10 anos, a carga demandada média foi superior a 50% em 2015 em relação ao ano de 2000 (Figura 3.1). Além do surgimento de novas indústrias, uma justificativa para o aumento observado se deve ao programa “Luz para Todos” implantado pelo governo federal em 2003 [34].
Figura 3.1 – Demanda média anual.
Para minimizar o problema de atendimento da demanda, soluções distintas são avaliadas. Uma dessas, é o aumento de geração de energia elétrica, implicando em uma reestruturação do sistema de transmissão e distribuição. Outra solução, mais econômica, é a redução do consumo de energia que pode ser obtida com programas de resposta a demanda e por meio de sistemas de gerenciamento de energia residencial, analisando gastos desnecessários com o consumo. Essa solução além de ser mais sustentável, traz benefícios tanto para as concessionárias quanto para os consumidores, pois ambas as partes economizam.
Uma das formas de adiar a expansão do sistema é incentivar os consumidores a utilizar a energia em horários alternativos ao de pico, aliviando o gargalo do setor elétrico. O uso de energia de forma distribuída e homogênea ao longo do dia permitiria reduzir o alto custo com geração térmica, usada para suprir principalmente a demanda no horário de pico.
A ANEEL estabeleceu em [6], a criação da Tarifa Branca. Essa tarifa, de caráter horo-sazonal, tem como objetivo incentivar o consumidor a reduzir o uso de energia no horário de pico, beneficiando-o com valor inferior para o kWh em horários alternativos, em contrapartida, durante o horário de pico, a tarifa tem valor elevado, chegando a três vezes ao da tarifa fora do
horário de pico. A Tarifa Branca ainda está em processo de implantação e, em um primeiro momento será opcional, o consumidor cativo poderá acatar ou continuar com a convencional.
Conhecer o padrão de consumo de energia elétrica de uma residência auxilia o consumidor a entender seu uso. Esta informação pode ser empregada em diferentes áreas como, por exemplo, no setor de segurança residencial em que um sistema alerte o consumidor quando determinada carga falhar ou também quando um evento não rotineiro ocorrer (e.g. o motor do portão de entrada for acionado em horário diferente do habitual). Outro exemplo seria informar ao consumidor a eficiência das cargas em uso, e com base no histórico, identificar quando essas podem apresentar falhas, inclusive sugerindo alternativas mais eficientes quando o consumidor desejar substituir a mesma.
Além disso, em países desenvolvidos como Canadá, Estados Unidos, e outros, o consumidor residencial pode optar pela concessionária que deseja contratar por determinado período. Portanto, ainda com base no histórico de consumo, por meio de análises comparativas em relação aos planos oferecidos pelas concessionárias, o sistema pode informar ao consumidor qual seria o mais adequado para atender às suas necessidades. Atualmente, empresas como a
Forgit [35] oferecem esse tipo de solução fundamentado no consumo total de energia. Esse tipo
de serviço ainda não é oferecido para consumidores cativos do sistema elétrico brasileiro.
3.1 Introdução ao monitoramento de cargas
Diferentes tipos de cargas estão presentes em ambientes residenciais. Para entender o padrão de consumo individual é preciso monitorar e identificar o uso de energia de cada carga. O monitoramento residencial pode ser intrusivo ou não intrusivo. Os dois tipos coletam tensão e corrente por fase em períodos específicos.
Em síntese, o monitoramento intrusivo necessita de um número elevado de medidores acarretando em alto custo com hardware, visto que são necessários medidores independentes para o reconhecimento das cargas. Como vantagem, o software utilizado para o reconhecimento de carga é simples. Diferentes metodologias podem ser usadas, por exemplo, a injeção de um pequeno ruído na rede elétrica ou armazenamento dos dados monitorados em um servidor local por meio de uma rede simples (e.g. Zigbee) através de rótulos pré-configurados para cada medidor. Esse método tem como principal inconveniente a entrada de técnicos para a instalação e manutenção dos medidores no interior das residências. Destaca-se ainda a existência de smart
appliances que podem possuir a análise do consumo de energia integrada. Este assunto não é
O monitoramento não intrusivo, Nonintrusive Load Monitoring (NILM) usa um único medidor instalado no painel de entrada para aquisição de dados, reduzindo o custo do projeto com hardware. Todavia, o software de desagregação de carga é extremamente complexo e exige alto esforço computacional para o processamento e análise do sinal monitorado.
O monitoramento não intrusivo apresenta dois tipos de configuração: manual e automática. Apesar de ambos os métodos serem classificados como não intrusivos, o manual necessita de treino inicial para reconhecer as cargas presentes em determinado ambiente. Ainda, quando uma nova carga é introduzida, tem que passar por novo treino. Em contrapartida, o método automático não necessita de configuração inicial, o que o torna superior.
O monitoramento de cargas traz como informação a assinatura elétrica. Tal informação é o registro chave de uma carga na qual estão contidas características necessárias para sua identificação, todavia nem sempre suficientes. A assinatura elétrica, permite identificar o funcionamento da carga em regime e, dependendo da taxa de amostragem, informações suplementares como detecção de transitório de partida e componentes harmônicos.
Este capítulo aborda a análise da assinatura elétrica (Seção 3.2) e os modelos de cargas residenciais (Seção 3.3). Em seguida, os métodos utilizados na literatura para a detecção da assinatura elétrica são apresentados na Seção 3.4. Por fim, a Seção 3.5 trata do primeiro passo para desagregação de cargas, a detecção e filtragem de eventos (Figura 3.2), demonstrando o uso de alguns métodos e propondo, como uma das contribuições deste trabalho, um método diferenciado baseado em média móvel. Os métodos são investigados em relação à taxa de detecção usando o índice de desempenho sugerido.
Figura 3.2 – Fluxograma da identificação de cargas elétricas: detecção e filtro de eventos. Início Detecção de Evento Filtro de Eventos Classificadores Cálculo do consumo de energia Relatório Fim Análises
3.2 Análise da assinatura elétrica
O processo de monitoramento possui três estágios [9]. O primeiro está relacionado com o aprendizado sobre a característica de cada carga, ou seja, sua assinatura elétrica. Os outros dois processos são a aquisição de eventos e a identificação de carga, respectivamente.
A assinatura elétrica é a característica única de cada carga e pode ser representada como um registro chave contendo vários atributos para avaliação e identificação. Os atributos presentes na assinatura elétrica de cada carga estão relacionados com o modo de operação em regime permanente e regime transitório no domínio do tempo e da frequência.
A Figura 3.3 mostra o sinal monitorado a partir do medidor de entrada instalado em residências reais. Os dados obtidos são transmitidos por meio de um canal de comunicação para um servidor, onde os algoritmos são processados.
Figura 3.3 – Sinal de potência ativa, corrente e tensão eficaz.
A informação presente nestes sinais caracteriza a carga em uso. Entretanto, a potência consumida está agrupada, como demonstra a Equação (3.1), em que PN(t) representa as cargas
envolvidas no processo e 𝜀(𝑡) é o ruído do sinal.
P(t) = P1(t) + P2(t) + ... + PN(t) + ε(t) (3.1) As cargas monitoradas podem ser agrupadas em diferentes tipos de classes quanto ao funcionamento em regime. Com relação às cargas residenciais e ao comportamento da potência ativa, essas são agrupadas em três tipos diferentes (Tabela 3.1).
11 11.5 12 12.5 13 116 118 120 122 T en sã o [V ] 11 11.5 12 12.5 13 0 20 40 60 C or re nt e [A ] 11 11.5 12 12.5 13 0 3 6 Tempo [hora] P ot ên ci a A ti va [ kW]
Tabela 3.1 – Modos de operação de cargas residenciais.
Tipo de Carga Exemplos Eventos Demanda de
Potência
Estado único Lâmpadas incandescentes,
torradeiras, chuveiro elétrico. ON = OFF Plana Variação contínua Geladeira; freezer. ON ≠ OFF Variante Estados múltiplos Máquina de lavar;
aquecedor.
Eventos
múltiplos Variante ou plana Cargas com alto valor de componente resistiva apresentam estado único, ou seja, a potência ativa consumida é constante. Desse modo, a demanda de potência para esse tipo de carga é plana. Assim, a potência consumida para acionar (estado ON) a carga tem o mesmo valor no momento de desligá-la (estado OFF).
Em cargas de variação contínua (geladeira, freezer, e outras acionadas por motor), a potência reativa está presente. Tem como característica valores diferentes de potência ativa para ligar e desligar a carga, fazendo com que a demanda de potência seja variante no tempo.
Cargas com diferentes modos de operação possuem múltiplos estados. Esse tipo de carga exibe demanda de potência variante ou plana.
Os três diferentes tipos de carga são sintetizados na Figura 3.4.
Figura 3.4 – Tipos de carga variantes no tempo.
A assinatura elétrica da carga contém importantes informações para sua identificação. Quando observado o sinal monitorado em regime permanente, informações como nível de potência ativa e reativa são obtidas e podem ser usadas como um primeiro filtro. Outras informações presentes na assinatura elétrica da carga auxiliam em sua identificação, entre essas, a forma de onda da corrente, admitância da carga, transitório de partida, componentes harmônicos de corrente, etc. Tais informações possibilitam a confecção de modelos de cargas residenciais, a próxima seção aborda esse tema.
3.3 Modelo de cargas residenciais
De acordo com [9], os principais grupos de cargas residenciais são: resistivas, motores de bombeamento, motorizadas, eletrônicas, com controle eletrônico de potência e iluminação.
Po
tên
cia
Tempo
As cargas resistivas não consomem potência reativa e possuem transitórios de partida relativamente baixos ou nulos comparado a outras cargas. Nessa classe encontram-se: chuveiro elétrico, luzes incandescentes, torradeiras, boilers, entre outros.
Cargas com motores de bombeamento, como geladeiras, freezers, máquinas de lavar, entre outras, consomem elevada potência reativa, transitórios característicos e número ímpar de componentes harmônicos. Motores com transitório reduzido (ventiladores, multiprocessadores e outros) são caracterizados na faixa de cargas motorizadas.
Grande parte das cargas residenciais são constituídas por componentes eletrônicos. Esse tipo de carga se caracteriza pelo elevado transitório de chaveamento e alto conteúdo espectral. Nesta categoria estão inseridos, computadores, aparelhos de multimídia, entre outros.
Por fim, a carga com maior dificuldade de se identificar são as eletrônicas com controle variável de potência (e.g. aspiradores de pó e outros equipamentos de uso cotidiano).
Os tipos, características e exemplos de cargas são resumidos na Tabela 3.2.
Tabela 3.2 – Grupos de cargas residenciais.
Grupo Característica Exemplo
Resistivo Potência reativa nula
Transitório reduzido ou nulo.
Lâmpadas incandescentes, chuveiros elétricos, …
Motores de bombeamento
Potência reativa significativa Transitório de partida elevado.
Motores de geladeira, freezer, máquinas de lavar.
Motorizado Potência reativa
Transitório de partida inferior.
Ventiladores,
multiprocessadores, ...
Eletrônicos Chaveamento e componentes
harmônicas elevadas.
Computadores, televisores, monitores, ...
Controle de
potência eletrônico
Variam de acordo com a potência
em que operam. Aspiradores de pó, fogões.
Lâmpadas fluorescentes
Transitórios longos, alta geração
de terceiro harmônico. Lâmpadas fluorescentes.
O conhecimento sobre a assinatura elétrica e o modelo de cargas residenciais auxilia na identificação da carga em uso. A próxima seção aborda os métodos para detecção de eventos.
3.4 Métodos para detecção de eventos
De acordo com [7], a assinatura elétrica de uma carga pode ser identificada de diversas formas (Figura 3.5). Esta seção apresenta os principais métodos de detecção de eventos existentes e propõe um método que avalia a detecção de eventos por deslocamento de média móvel identificando corretamente o valor de potência ativa associado a cada evento. A Seção 3.5 discute a aplicação de alguns métodos selecionados e pondera seus desempenhos.
Figura 3.5 – Métodos para identificação de assinaturas elétricas.
Os subitens desta seção tratam dos métodos triviais de detecção de cargas, suas vantagens e limitações. O Subitem 3.4.1 apresenta o primeiro método de detecção de eventos proposto, a detecção por transição de estados. Em seguida, o Subitem 3.4.2 lida com a detecção por meio de análise de transitórios de partida. O uso de componentes harmônicos é discutido no Subitem 3.4.3. E, por fim, o Subitem 3.4.4 condensa outros métodos de detecção de cargas recentemente implementados.
3.4.1 Transição de estado
O método usado para detecção de cargas em [7] é o de transição de estado (ou de borda), em que se considera uma carga acionada (estado ON) quando a potência ativa é uma transição de borda de subida e desligada (estado OFF) quando é de descida. Esse método é a base para a detecção de eventos na classificação de cargas.
Ainda em [7], recomenda-se utilizar a transição de estado observando a potência normalizada em relação à tensão de referência nominal da rede, pois se considera que tal tensão pode variar em até ±5%. A variação pode ocorrer também com a corrente por perdas Joule e consequentemente para a potência consumida. A Equação (3.2) demonstra o emprego da potência normalizada, em que VN é o valor de tensão nominal e V é o valor de tensão medido.
Assinatura Elétrica Não Intrusivo Regime Permanente Frequência Fundamental Potência Corrente Admitância Normalização não inteira Correntes harmônicas Corrente Eficaz Transitório Formato Tamanho Duração Constante de tempo Outro Intrusivo Físico ("Tags") Elétrico
