Resumo-- Este trabalho apresenta uma metodologia de análise
das formas de onda de tensão e corrente medidas em um determinado barramento com vistas ao reconhecimento da operação/funcionamento de determinadas cargas hospitalares de características não lineares. Para tal intuito, empregou-se a técnica de Redes Neurais Artificiais. Esta é uma ferramenta adequada que pode auxiliar mantenedores de instalações elétricas de estabelecimentos hospitalares no reconhecimento dessas cargas. Os dados para processamento foram extraídos de um hospital de grande porte. Em adição, os atributos de maior relevância derivados do pré-processamento dos sinais foram submetidos ao processo de treinamento das Redes Neurais Artificiais, via Matlab, a fim de que essas redes identificassem as cargas. Por fim, as Redes Neurais foram validadas e confirmou-se que a metodologia proposta frente ao reconhecimento das cargas é satisfatória para aplicação, apresentando baixo erro quadrático médio e acertos superiores a 90 %.
Palavras-Chave-- Cargas não lineares, identificação de fontes
harmônicas, qualidade de energia elétrica, redes neurais artificiais, transformada discreta de Fourier.
I. INTRODUÇÃO
qualidade de energia elétrica é um assunto bastante discutido devido à crescente utilização de cargas não lineares no sistema elétrico de potência, que podem prejudicar o funcionamento adequado de outras cargas situadas no mesmo barramento. Tais cargas não lineares são responsáveis pelo consumo de potências harmônicas e, portanto, há o surgimento de correntes harmônicas [1].
A utilização intensa de produtos eletrônicos que demandam menor consumo de energia elétrica ocasionou no aumento progressivo das cargas não lineares. Tais equipamentos podem ser encontrados em residências, comércio e indústrias (como
Este trabalho foi financiado pela Fundação de Apoio à Pesquisa do Estado de Minas Gerais (FAPEMIG) – http://www.eletrica.ufu.br/lefe/qualidadehc.
Wellington Maycon Santos Bernardes é aluno de Mestrado do Departamento de Engenharia Elétrica da Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo (USP) (e-mail: wellingtonmaycon@usp.br).
Sérgio Ferreira de Paula Silva é professor da Faculdade de Engenharia Elétrica da Universidade Federal de Uberlândia (e-mail: sergio@eletrica.ufu.br). Tel. +55-34-3239-4732.
R. A. S. Fernandes está com o Departamento de Engenharia Elétrica da Escola de Engenharia de São Carlos, Universidade de São Paulo (e-mail: ricardo.asf@usp.br).
exemplo de cargas tem-se: lâmpadas fluorescentes, computadores, cicloconversores e soft-starters). É importante aliar a qualidade de energia elétrica com métodos que auxiliem nas tomadas de decisão para estudos sobre racionalização e conservação da energia elétrica, pois, a energia quando fornecida fora dos padrões esperados pode acarretar em falhas de equipamentos, operação indevida, perdas, paralisações, dentre outros prejuízos. Portanto, pode-se dizer que a qualidade de energia elétrica está diretamente relacionada com a eficiência energética de cargas e processos e, no caso de unidades hospitalares, pode afetar inclusive a eficiência do atendimento aos pacientes.
Sabe-se que esforços científicos são desempenhados com o intuito de se desenvolver métodos para identificação e mensuração de harmônicos característicos desse tipo de carga na rede [2]-[3]. Além das técnicas convencionais, como aquelas que usam mínimos quadrados [4]-[5], existem as técnicas baseadas em sistemas inteligentes [6].
Dentre as metodologias que empregam sistemas inteligentes, destaca-se o trabalho de [7], onde são empregadas Redes Neurais Artificiais (RNAs) do tipo Perceptron de Múltiplas Camadas (PMC), RBF (Radial Basis Function) e
SVM (Support Vector Machine) para o reconhecimento de
assinaturas harmônicas de cargas.
Atualmente, não há muitos estudos na área da Qualidade de Energia Elétrica que avaliam a eficiência do emprego de RNA para identificar cargas não lineares em um ambiente hospitalar. Geralmente, os trabalhos científicos abordam outros espaços e tipos de cargas, como motores elétricos e fornos a arco em indústrias e lâmpadas em residências. Por conseguinte, esse trabalho é uma contribuição ao setor hospitalar, engenheiros clínicos e mantenedores de instalações elétricas de estabelecimentos assistenciais de saúde para identificar a presença ou ausência de seus aparelhos por meio de RNAs.
Como se trata de um problema de reconhecimento de padrões, o uso de RNAs é pertinente, pois caso novas cargas sob análise forem incrementadas no sistema, as RNAs serão capazes de acomodar a si próprias sem a exigência de alguma especificação explícita, necessitando somente de um novo treinamento.
Diante dessa conjuntura, a pesquisa apresentada neste artigo visa empregar RNAs, para dentro de um conjunto de sinais de tensão e corrente medidos junto a um alimentador de diversas
Reconhecimento de Cargas Não lineares
Hospitalares por meio de Redes Neurais
Artificiais
Wellington M. S. Bernardes, Student Member, IEEE, Sérgio F. de P. Silva e R. A. S. Fernandes
cargas hospitalares que realizam diagnósticos por imagem, identificar quais estão em funcionamento. Esses aparelhos estão conectados comumente em um ponto do sistema e a combinação entre eles provê certa assinatura harmônica de tensão e corrente.
II. REDES NEURAIS ARTIFICIAIS
As RNAs são modelos computacionais baseados no sistema nervoso de seres vivos e são caracterizadas pela capacidade de aprender ou modificar seu comportamento para gerar uma saída adequada. Outra vantagem é a capacidade de generalizarem o conhecimento obtido, e dessa forma, estimarem soluções que antes não eram conhecidas. Além disso, as RNAs são tolerantes a falhas, podem ser auto-organizáveis e podem ter a capacidade de gerar cluster de dados [8].
Em geral, o conjunto total das amostras disponíveis sobre o comportamento do sistema é subdividido em dois subconjuntos, sendo um para treinamento e o outro para validação. As amostras do subconjunto de treinamento servem para treinar a rede neural de forma que seus pesos sinápticos sejam iterativamente ajustados em conformidade com o erro quadrático médio calculado para cada iteração do processo de treinamento. Já as amostras do subconjunto de validação são usadas para verificar a eficácia da rede neural previamente treinada, isto é, nesta etapa a característica de generalização da rede neural deve ser atendida.
Ainda, a escolha do número de camadas escondidas, bem como a determinação do número de neurônios em cada camada escondida é necessária para a parametrização da rede. Ao contrário dos pesos sinápticos, esses números são valores iniciais e constantes durante todo processo iterativo e, neste trabalho foram obtidos por tentativa e erro, observando a relação entre o tempo de processamento e o custo computacional.
Basicamente, para obter um resultado satisfatório ao utilizar RNAs, podem-se tentar as seguintes abordagens [9]:
a)Redefinir os pesos sinápticos e bias iniciais da rede e treinar novamente;
b)Aumentar a quantidade de camadas neurais escondidas e/ou neurônios das camadas;
c)Redefinir a quantidade de variáveis de entradas, se informações mais irrelevantes estiverem disponíveis; d)Testar outros algoritmos de treinamento para comparar
velocidade e memória necessária.
III. EQUIPAMENTOS ELETROMÉDICOS ANALISADOS O foco de estudo desse trabalho abrangeu alguns equipamentos da área da radiologia que realizam diagnósticos por imagem que utilizam alguma radiação (por exemplo, raios-X, raios gama ou radiação eletromagnética). Dentre as cargas sob enfoque, estão o equipamento de raios-X, o tomógrafo computadorizado helicoidal e o aparelho de hemodinâmica (angiografia).
As características elétricas dos equipamentos eletromédicos estudados podem ser resumidas na Tabela I.
TABELAI
CARACTERÍSTICAS ELÉTRICAS NOMINAIS
Equipamento Potência [kVA] Tensão [V] Corrente [A] Raios-X com mesa
telecomandada 94 380 142,8 Tomógrafo computadorizado helicoidal 50 380 76,0 Aparelho de hemodinâmica 160 380 243,09 Alguns exemplares de ciclos de corrente dos três equipamentos em certo intervalo de operação são visualizados nas Fig. 1, Fig. 2 e Fig. 3.
0 0.004 0.008 0.012 0.016 -200 -150 -100 -50 0 50 100 150 200 Ia [ A ] Tempo [s]
Fig. 1. Ciclo de corrente do aparelho de raios-X com mesa telecomandada.
0 0.004 0.008 0.012 0.016 -100 -50 0 50 100 Ia [ A ] Tempo [s]
Fig. 2. Ciclo de corrente do tomógrafo computadorizado helicoidal.
0 0.004 0.008 0.012 0.016 -300 -150 0 150 300 Ic [ A ] Tempo [s]
Fig. 3. Ciclo de corrente do aparelho de angiografia.
Diante do que já fora mencionado, após a escolha dos pontos a serem monitorados, o estudo para identificação desses equipamentos eletromédicos com o uso de RNAs é
esquematicamente mostrado na Fig. 4. Nesse trabalho, além das redes serem capazes de identificar cargas segregadas, também devem identificar cargas agrupadas em operação ou em standby.
Fig. 4. Diagrama de blocos que demonstra sumariamente o método proposto. IV. METODOLOGIA PARA AQUISIÇÃO E PROCESSAMENTO DE
DADOS
Os sinais foram coletados junto ao barramento onde os equipamentos de diagnósticos por imagens de um hospital encontravam-se conectados. Nesse setor, esses equipamentos possuem tensão nominal de 380/220 V, estrela aterrado e frequência fundamental de 60 Hz.
A coleta foi alcançada com o uso de dois analisadores de energia: o RMS MARH-21 e o Embrasul RE6000, sendo a frequência de amostragem de 3,84 kHz. Também são conhecidos como medidores, registradores ou qualímetros digitais. Em adição, seus respectivos softwares foram utilizados para análise de dados. Essas ferramentas medem e registram grandezas de sistemas elétricos em tempo real (podendo ser sistemas monofásicos, bifásicos e/ou trifásicos). Ademais, estes medidores possuem três canais de entrada para sinais de tensão e três canais de entrada para sinais de corrente. Para a leitura do conteúdo da memória de massa, os dados do RMS MARH-21 foram enviados ao computador pela interface serial (RS-232) e do Embrasul RE 6000 por meio da interface Universal Serial Bus (USB).
As formas de onda da tensão e corrente registradas e importadas para um computador, em seguida foram analisadas por meio do software Matlab (The MathWorks, Inc), usando as ferramentas de processamento de sinais e de RNAs [9].
A partir dos sinais de tensão e corrente de uma única fase, empregou-se uma janela deslizante com tamanho de um ciclo (64 amostras) e com deslocamento de meio ciclo (32 amostras). À medida que ocorria o deslocamento dessa janela,
os cálculos para as entradas das RNAs (atributos) eram realizados.
Se os valores das 64 amostras por ciclo fossem utilizados como entradas das RNAs, isso exigiria um elevado esforço computacional. Dessa maneira, justificam-se os cálculos supracitados para as entradas.
Devido ao sistema elétrico encontrar-se equilibrado, considerou-se somente uma das três fases, pois, sendo o ângulo de fase um atributo irrelevante para identificação de fontes harmônicas [10], pode-se adotar tal estratégia para a aquisição dos dados.
V. TOPOLOGIA DA REDE E PROCESSO DE TREINAMENTO PARA RECONHECIMENTO DE CARGAS NÃO LINEARES
Inicialmente, a Fig. 5 mostra a topologia da rede neural adotada nesse trabalho. Cada rede neural para o reconhecimento de um ou mais equipamentos ligados no ponto de medição é composta de duas camadas escondidas.
O processo de treinamento de redes PMC utilizou o algoritmo de Levenberg-Marquardt, que é um método gradiente de segunda ordem, baseado no método dos mínimos quadrados para modelos não lineares, que pode ser inserido ao algoritmo backpropagation no intuito de melhorar a eficiência da etapa de treinamento. Assim sendo, o método de Levenberg-Marquardt conduz o treinamento de redes PMC na ordem de 10 a 100 vezes mais rápido que o algoritmo
backpropagation convencional [11].
A topologia (valores de λent, α1 e α2) para resolver esse
tentativas de RNAs, observando uma relação de custo-benefício, desempenho do algoritmo e tempo de processamento.
Fig. 5. Topologia genérica da rede neural proposta, sendo: [λ1, λ2,..., λp] são
os neurônios da camada de entrada, [1,2,..., α1] são os neurônios da primeira
camada intermediária, [1,2,..., α2] são os neurônios da segunda camada
intermediária, w são os pesos associados a cada neurônio e [1] é a camada de saída representando o estado de um ou mais equipamentos eletromédicos φ no sistema.
Neste trabalho, duas análises foram realizadas para o reconhecimento das cargas não lineares:
A. Primeira análise: somente uma carga no ponto de medição
Na primeira análise, um equipamento estava ligado e nove entradas foram escolhidas para as redes. Essas entradas foram as distorções harmônicas normalizadas de primeira à nona ordem do sinal de corrente do equipamento de raios-X, tomógrafo computadorizado helicoidal e do equipamento de angiografia. Optou-se por utilizar redes neurais especialistas para cada equipamento, isto é, três RNAs sendo cada uma responsável por um equipamento com 9 neurônios na camada de entrada (λent), 18 neurônios na primeira camada oculta
(intermediária) (α1), 9 neurônios na segunda camada oculta
(α2) e um neurônio na camada de saída foram criadas.
As harmônicas foram obtidas por meio da Transformada Discreta de Fourier. Essa transformada é baseada em técnicas matemáticas que são adequadas para análise de sinais estacionários e extração das componentes espectrais dos sinais
em frequências específicas [12]. A escolha do espectro de frequências das correntes como atributo foi baseado no trabalho de Fernandes [6].
A função de ativação ( g ) adotada nas camadas ocultas foi a tangente hiperbólica. Sua expressão matemática é representada por (1). Já na camada de saída, empregou-se a função linear cujo resultado assume valores reais entre -1 e 1 e representa o estado em que se encontra o equipamento (ligado ou desligado). Essas funções são totalmente diferenciáveis e o objetivo delas é limitar a saída dos neurônios. A variável β está associada ao nível de inclinação da função tangente hiperbólica em relação ao seu ponto de inflexão e adotou-se um valor igual a 0,6. u u e e u g . . 1 1 ) ( β β − − + − =
Independentemente dos atributos escolhidos, os valores de entrada e saída foram normalizados para evitar regiões de saturação das funções de ativação, baseada no princípio dos segmentos proporcionais (teorema de Tales). Do total de padrões obtidos (1500 amostras), 350 de cada equipamento, totalizando 1050 amostras (70 %) foram utilizadas para o treinamento de todas as RNAs e 150 de cada equipamento, totalizando 450 amostras (30 %) foram separados para a realização da validação (sendo 150 do equipamento de raios-X, 150 do tomógrafo computadorizado helicoidal e 150 do aparelho de angiografia). A escolha de dados foi realizada de maneira aleatória.
Adquirido o espectro de frequências das amostras, os dados foram submetidos às RNAs a fim de identificar as cargas hospitalares presentes.
Como critério de parada, adotou-se o Erro Quadrático Médio (EQM) menor do que 10-8 ou até que alcançasse 500 épocas durante o treinamento. Utilizar a variável época como critério de parada para redes PMC é adequado em situações em que a precisão especificada para o problema se torna inalcançável.
B. Segunda análise: combinações de cargas no ponto de medição
Uma segunda análise foi realizada com o intuito de investigar o desempenho do sistema quando há mais de um equipamento acionado. Para tanto, os sinais de tensão e corrente foram coletados no transformador responsável pela alimentação de todos os equipamentos monitorados. Seis redes para essa situação foram desenvolvidas. Para cada rede, 3 neurônios na camada de entrada (λent), 20 neurônios na
primeira camada oculta (α1), 10 neurônios na segunda camada
oculta (α2) e um neurônio na camada de saída foram
escolhidos.
Em acréscimo, a função de treinamento foi via Levenberg-Marquardt, a função de ativação das camadas ocultas foi a tangente hiperbólica e a função de ativação da camada de saída foi linear.
A codificação da camada de saída é mostrada na Tabela II. (1)
TABELAII
CODIFICAÇÃO DA CAMADA DE SAÍDA (SEGUNDA ANÁLISE) Redes
Classes 1 2 3 4 5 6
Hemodinâmica ligado 1 0 0 0 0 0 Raios-X ligado + Tomógrafo ligado 0 1 0 0 0 0 Tomógrafo ligado + Hemodinâmica
ligado 0 0 1 0 0 0
Raios-X ligado + Hemodinâmica
(standby) 0 0 0 1 0 0
Tomógrafo (standby) +
Hemodinâmica (standby) 0 0 0 0 1 0 Raios-X ligado + Tomógrafo
(standby) + Hemodinâmica ligado 0 0 0 0 0 1 Para tal análise, três entradas devidamente pré-processadas e normalizadas foram adotadas, sendo elas: a) valor eficaz do sinal de tensão; b) quantidade de cruzamentos em zero do sinal de corrente; c) integral do sinal de corrente. A escolha desses atributos foi baseada em trabalhos sobre processamento de sinais, já que as cargas possuem formas de ondas características [13]-[14].
Do total de padrões obtidos (3000 amostras), 350 de cada equipamento, totalizando 2100 amostras (70 %) foram utilizadas para o treinamento de todas as RNAs e 150 de cada equipamento, totalizando 900 amostras (30 %) foram separados para a realização da validação.
Como critério de parada, estipulou-se um EQM menor do que 10-6 ou até que alcançasse 500 épocas durante o treinamento. Essas escolhas levaram em consideração a generalização da rede e o tempo de processamento após sucessivas verificações.
VI. RESULTADOS EXPERIMENTAIS
A. Primeira análise: somente uma carga no ponto de medição
As Fig. 6, 7 e 8 mostram os EQMs (ε) e a quantidade máxima de épocas no final do treinamento de cada uma das RNAs.
0 5 10 15
10-10 10-5 100
Desempenho ótimo do treinamento na época 19 (6.6887e-010) E rr o Q u a d rá ti c o M é d io 19 Épocas Treinamento Ótimo Objetivo
Fig. 6. EQM em função das épocas durante treinamento da RNA do equipamento de raios-X na primeira análise.
0 1 2 3 4 5 6 7
10-6 10-4 10-2 100
Desempenho ótimo de treinamento na época 7 (8.9023e-007) E rr o M é d io Q u a d rá ti c o 7 Épocas Treinamento Ótimo Objetivo
Fig. 7. EQM em função das épocas durante treinamento da RNA do tomógrafo computadorizado helicoidal na primeira análise.
0 2 4 6 8 10 12
10-5 100
Desempenho ótimo de treinamento na época 12 (2.8632e-007) E rr o M é d io Q u a d rá ti c o 12 Épocas Treinamento Ótimo Objetivo
Fig. 8. EQM em função das épocas durante treinamento da RNA do aparelho de hemodinâmica na primeira análise.
O sistema reconheceu adequadamente todos os equipamentos analisados através das 450 amostras. As redes tiveram 100 % de acerto na identificação dessas cargas, portanto nota-se que a saída da rede alcançou um elevado índice de exatidão.
B. Segunda análise: combinações de cargas no ponto de medição
O desempenho do sistema quando existe mais de um equipamento acionado foi averiguado nesse segundo teste. Resumidamente, os EQMs após o treinamento de todos os RNAs são visualizados na Tabela III, assim como o número máximo de épocas.
Seguinte a essa fase, a validação da rede foi executada. A porcentagem de acerto na segunda análise também foi bastante satisfatória, alcançando 98,62 % na avaliação geral conforme a Tabela IV. É natural que a presença de mais de uma carga no alimentador proporcionasse uma forma de onda característica de tensão e corrente e assim, as RNAs teriam seus pesos sinápticos e limiares sintonizados durante o processo de treinamento a fim de representar a nova situação.
TABELAIII
EQMS APÓS ETAPA DE TREINAMENTO
RNAs (cargas) EQMs Épocas
Hemodinâmica ligado 1,97×10-4 500 Raios-X ligado + Tomógrafo ligado 2,61×10-2 500 Tomógrafo ligado + Hemodinâmica ligado 1,53×10-8 248
Raios-X ligado + Hemodinâmica (standby) 2,23×10-3 500
Tomógrafo (standby) + Hemodinâmica (standby) 9,86×10-7 96
Raios-X ligado + Tomógrafo (standby) +
Hemodinâmica ligado 3,25×10
-7
12 TABELAIV
DESEMPENHO DAS REDES NEURAIS PARA IDENTIFICAÇÃO DAS CARGAS
RNAs (cargas) Acerto (%)
Hemodinâmica ligado 100
Raios-X ligado + Tomógrafo ligado 94,8 Tomógrafo ligado + Hemodinâmica ligado 99,9 Raios-X ligado + Hemodinâmica (standby) 97 Tomógrafo (standby) + Hemodinâmica (standby) 100
Raios-X ligado + Tomógrafo (standby) +
Hemodinâmica ligado 100
É bom mencionar que, em uma fase preliminar, outras estruturas de redes e parâmetros foram testadas, até atingir resultados aceitáveis. Afirma-se que houve casos em que a porcentagem de acerto foi em torno de 61 %, todavia isso foi influenciado pela escolha inadequada dos parâmetros de entrada das RNAs, bem como do número de amostras e das funções de treinamento e ativação.
Diante dos resultados acima apresentados, apesar da característica não linear das cargas analisadas e, consequentemente, das diferentes assinaturas espectrais encontradas, fica evidente que a utilização de RNAs no reconhecimento de cargas obteve significativos resultados.
VII. CONCLUSÃO
Um estudo sobre a identificação das fontes de correntes harmônicas em um estabelecimento assistencial de saúde foi demonstrado neste trabalho e o acerto para a detecção de quais cargas não lineares e hospitalares estão em operação obteve índices superiores a 90 %. Para atingir tal objetivo, a coleta das formas de onda dessas cargas foi necessária.
Ao invés de empregar o sinal bruto como entrada das RNAs, optou-se em extrair algumas características (atributos) desses sinais para serem utilizadas como entrada, facilitando o trabalho de aprendizagem das RNAs. Isso decrementou a quantidade de cálculos para a sintonização dos pesos sinápticos da rede.
Quando apresentou o reconhecimento das combinações de cargas no ponto de medição (segunda análise), as redes demoraram mais para serem processadas (quantidade de épocas superior a 200, na maioria), pois alguns atributos entre as amostras dos equipamentos (carga segregada e cargas agrupadas em operação ou em standby) eram meramente semelhantes, dependendo do ciclo temporal. À medida que havia certa distinção entre as amostras, as redes foram autossuficientes para iterativamente alterar seus pesos
sinápticos e serem capazes de detectar todas as situações, respeitando a tolerância do EQM.
O alimentador analisado foi restrito a cargas não lineares, já que os equipamentos de diagnósticos por imagens por normas técnicas devem ser isolados dos demais tipos, incluindo as cargas lineares. Pesquisas futuras poderão abranger sistemas elétricos hospitalares que abrangem cargas lineares e não lineares agrupadas em um único alimentador. Para tal, bastaria coletar os sinais elétricos e treinar as redes com a presença dessas cargas.
Em acréscimo, a arquitetura neural desenvolvida pode ser prototipada em software, já que após o treinamento, em geral os resultados são obtidos por operações matemáticas elementares. Assim, esse trabalho também pode ser aplicado em problemas de controle supervisório para identificar cargas presentes no sistema, seja em hospitais ou até mesmo no setor industrial.
VIII. REFERÊNCIAS
[1] R. C. Dugan, M. F. McGranaghan, S. Santoso and H. W. Beaty, Electrical
Power System Quality, McGraw-Hill, 2004.
[2] S. F. P. Silva and J. C. Oliveira, “The sharing of responsibility between the supplier and the consumer for harmonic voltage distortion: a case study”, Electric Power Systems Research (Elsevier), v. 78, pp. 1959-1964, 2008.
[3] W. Xu, “A method for determining customer and utility harmonic contributions at the point of common coupling”, IEEE Transactions on
Power Delivery, v. 15, n. 2, pp. 804-811, 2000.
[4] G. T. Heydt, “Identification of harmonic sources by a state estimation technique”, IEEE Transactions on Power Delivery, v. 4, n. 1, pp. 569-576, Jan. 1989.
[5] G. D’ Antona, C. Muscas, P. A. Pegoraro, S. Sulis, “Harmonic source estimation in distribution systems”, IEEE Transactions on Intrumentation and Measurement, v. 60, n. 10, pp. 3351-3359, Oct.
2011.
[6] R. A. S. Fernandes, I. N. Silva and M. Oleskovicz, “Data mining applied to identification of harmonic sources in residential consumers”, IEEE
Latin America Transactions, v. 9, n. 3, pp. 302-310, Jun. 2011.
[7] D. Srinivasan and A. C. Liew, “Neural-network-based signature recognition for harmonic source identification”, IEEE Transactions on
Power Delivery, v. 21, n. 1, pp. 804-811, 2006.
[8] S. Haykin, Neural Networks – A Comprehensive Foundation, Prentice Hall, 1999.
[9] Neural Network ToolboxTM: user’s Matlab guide. The MathWorks, Inc, 2010.
[10] S. Varadan and E. B. Makram, “Practical considerations in the application of neural networks to the identification of harmonic loads”,
Electrical Power Systems Research, v. 30, pp. 103-106, 1994.
[11] M. T. Hagan and M. B. Menhaj, “Training feedforward networks with the Marquardt algorithm”, IEEE Transactions on Neural Networks, v. 5, n. 6, pp. 989-993, 1994.
[12] P. G. V. Axelberg, I. Y. Gu and M. H. J. Bollen, “Support vector machine for classification of voltage disturbances”, IEEE Transactions on Power
Delivery, v. 22, n. 3, pp. 1297-1303, 2007.
[13] M. A. Bidgoli, A. Soori and M. T. Bina, “A new phase sequence detector for the three-phase rotary loads”, in Proc. 2011 2nd Power Electronics,
Drive Systems and Technologies Conference, pp. 529-533.
[14] X. X. Yang and M. Kratz, “Power system flicker analysis by RMS voltage values and numeric flicker meter emulation”, IEEE Transactions
IX. BIOGRAFIA
Wellington Maycon Santos Bernardes nasceu em Goiânia, GO. Possui formação de curso Técnico em Segurança do Trabalho pelo Serviço Nacional de Aprendizagem Comercial (2010) e graduação em Engenharia Elétrica pela Universidade Federal de Uberlândia (2010). Atualmente, é mestrando em Engenharia Elétrica na Escola de Engenharia de São Carlos da Universidade de São Paulo. Interesse em eficiência energética, proteção de sistemas elétricos, qualidade da energia elétrica e segurança do trabalho.
Sérgio Ferreira de Paula Silva é natural de Ituiutaba, MG. Possui graduação (1996), mestrado (2000) e doutorado (2007) em Engenharia Elétrica pela Universidade Federal de Uberlândia (UFU). Atualmente, é pesquisador e professor adjunto da UFU. Atua principalmente nos seguintes temas: eficiência energética, distorções harmônicas, qualidade da energia elétrica, harmônicos em sistemas elétricos de potência, atribuição de responsabilidade e normas e indicadores de qualidade.
Ricardo Augusto Souza Fernandes possui graduação em Engenharia Elétrica pela Fundação Educacional de Barretos (2007). Recebeu os títulos de mestre e doutor em Engenharia Elétrica pela Escola de Engenharia de São Carlos (EESC/USP), em 2009 e 2011, respectivamente. Suas atividades de pesquisa incluem a aplicação de sistemas inteligentes em Qualidade da Energia Elétrica e Smart Grids.
