Non-Intrusive Appliance Load Identification Based
on Higher-Order Statistics
J. D. S. Guedes, D. D. Ferreira, B. H. G. Barbosa, C. A. Duque, Senior Member, IEEE and A. S. Cerqueira
1Abstract⎯ This paper presents a new method based onHigher-order Statistics for non-intrusive residential electrical load identification. Basically, the proposed method extracts cumulants of second and fourth order from the electric current signal of the residential electrical loads and presents these cumulants to a previously trained artificial neural network for classification. The neural network output identifies the residential electric load class of the processed signal. This study considered eleven different classes of residential electrical loads. Results were carried out from experimental electric signals and the achieved overall performance was over to 97%.
Keywords⎯ Non-intrusive monitoring, electrical loads, smart
grids.
I. INTRODUÇÃO
TUALMENTE, há uma crescente preocupação com as questões ambientais, principalmente no que tange a exploração de recursos naturais para a geração de energia elétrica. Busca-se, portanto, pela eficiência energética, que pode ser entendida pela capacidade de produzir os mesmos resultados finais com um menor consumo de energia elétrica. Além disso, o crescimento do consumo nos grandes centros urbanos tem levado ao surgimento de uma nova rede elétrica que procura descentralizar a geração devido à exigência excessiva da capacidade de transmissão e distribuição da versão usual centralizada. Essa nova rede elétrica é conhecida por rede inteligente (smart grid) [1].
De modo a garantir a eficiência, confiabilidade e qualidade dos sistemas elétricos do futuro, constituídos de um grande número de geração distribuída e dispersa, cargas não-lineares e elementos de controle, torna-se imperioso a implantação das redes inteligentes.
As redes inteligentes devem possuir um conjunto de funções básicas que permitam a modernização da infra-estrutura elétrica, dentre as quais destacam-se: (1) capacidade de auto-reconfiguração; (2) Ser tolerante a falhas, resistindo a ataques de hackers; (3) permitir a integração de todas as opções de fontes de energia e de armazenamento; (4) permitir a otimização dinâmica da operação da rede; (5) permitir a participação ativa dos consumidores; e (6) melhoria da confiabilidade, qualidade de energia, segurança e eficiência do sistema de energia.
1 J. D. S. Guedes, Universidade Federal de Juiz de Fora (UFJF), Juiz de Fora,
Minas Gerais, Brasil, juandiegoguedes@yahoo.com.br
D. D. Ferreira, Universidade Federal de Lavras (UFLA), Lavras, Minas Gerais, Brasil, danton@deg.ufla.br
B. H. G. Barbosa, Universidade Federal de Lavras (UFLA), Lavras, Minas Gerais, Brasil, brunohb@deg.ufla.br
C. A. Duque, Universidade Federal de Juiz de Fora (UFJF), Juiz de Fora, Minas Gerais, Brasil, carlos.duque@ufjf.edu.br
A. S. Cerqueira, Universidade Federal de Juiz de Fora (UFJF), Juiz de Fora, Minas Gerais, Brasil, augusto.santiago@ufjf.edu.br
De encontro às novas tecnologias empregadas nas redes inteligentes está o aumento do número de cargas não-lineares em ambientes residenciais, comerciais e industriais, o que leva à redução da qualidade de energia elétrica (QEE) devido ao surgimento de distúrbios elétricos, tais como: afundamentos, elevações, interrupções e flutuações de tensão, distorções harmônicas e inter-harmônicas, transitórios e etc [2].
Neste cenário, as redes inteligentes devem ser capazes de apresentar informações detalhadas sobre o comportamento das cargas conectadas na instalação, o efeito da agregação de diversas cargas simples e a indicação das contribuições individuais (concessionária/consumidor) na perda da QEE. Assim, através do uso de técnicas adequadas de identificação de cargas, acredita‐se que seja possível apresentar informações em tempo real e estatísticas, com relação ao tipo de carga ligada na instalação, durante diferentes condições de operação. Assim, o sistema seria capaz de permitir desde diferentes estratégias de gestão das cargas e, consequentemente, do consumo de energia, até mesmo, a conclusão de que determinadas cargas deveriam ser substituídas por cargas mais eficientes do ponto de vista de conservação ou qualidade de energia, bem como a atribuição de responsabilidade das partes na perda da QEE.
Neste sentido, uma tecnologia que vem ganhando força entre os pesquisadores e chamando a atenção de empresas é a Monitoração Não-Invasiva de Cargas Elétricas (NIALM -
Non-Intrusive Appliance Load Monitoring) [3], que consiste
em identificar através de um único medidor central no fornecimento de energia da residência o acionamento dos equipamentos por meio dos estados de transitórios dos mesmos, ou da análise de características macroscópicas dos aparelhos, bem como calcular a energia consumida pelo equipamento, em que o objetivo principal é o de reduzir custos.
Os sistemas NIALM podem constituir uma importante ferramenta nas redes inteligentes, visto que funcionam como sensores dos consumidores de baixa tensão, detectando informações sobre a característica do consumo e principais parâmetros tais como tensão, corrente e potência consumida. Para a concessionária, estes sistemas permitem a discriminação da fatura de energia elétrica dos clientes, possibilita a identificação de furtos de energia e contribui significativamente para programas de eficiência energética, pois indicam à concessionária, zonas onde o fornecimento de energia pode ser realizado de maneira mais inteligente. Adicionalmente, os sistemas NIALM auxiliam a empresa na avaliação de seus equipamentos e/ou zonas críticas, funcionando como uma ferramenta a mais na tomada de decisão. Consequentemente, o consumidor pode se beneficiar igualmente desta tecnologia, pois ela permite um controle maior dos gastos da residência proveniente de uma fatura
discriminada, ou até mesmo de informação de consumo online discriminado por aparelho.
Dentre os trabalhos atuais de NIALM, destacam-se [4,5,6]. Em [4], o método NIALM adaptativo foi proposto. Basicamente o método utiliza dois classificadores (redes neurais artificiais e o KNN – K-Nearest Neighbor) para identificar quatro tipos de cargas. O Artificial Immune
Algorithm (AIA) e o critério de Fisher são empregados para
ajustar de forma adaptativa os parâmetros de classificação quando um novo tipo de carga é acionado. Em [5], parâmetros são extraídos da potência ativa, reativa e fator de potência a fim de classificar seis tipos de cargas, constituindo as informações macroscópicas dos aparelhos. Como classificadores são utilizados máquinas de vetores suporte (SVM – support vector machine) e o algoritmo KNN. Em [6], três técnicas de seleção de atributos (método Wrapper, filtro baseado em consistência, correlação) são empregadas a fim de reduzir o número de correntes harmônicas utilizadas para a tarefa de identificação de seis tipos de cargas. Uma rede neural artificial (RNA) para cada carga é empregada na etapa de classificação.
O presente trabalho propõe um sistema de identificação de cargas elétricas residenciais através das assinaturas das cargas construídas por estatísticas de ordem superior (EOS) [7]. As EOS são pouco afetadas por ruído gaussiano e são bastante representativas quando utilizadas como parâmetros extraídos de sinais de tensão de corrente elétrica, conforme mostrado em [8]. Devido a estas características, as EOS têm sido utilizadas na construção de sistemas de monitoramento de QEE para fins de detecção e classificação de distúrbios elétricos com bastante sucesso [9,10,11,12].
O foco do presente trabalho está na utilização de parâmetros representativos de EOS (cumulantes de segunda e quarta ordem) seguido por um selecionador de parâmetros simples, a fim de construir assinaturas das cargas com reduzida dimensão, o que proporciona um classificador final computacionalmente mais simples.
O presente trabalho está organizado como segue. A próxima seção apresenta os conceitos referentes a EOS. A metodologia é apresentada na Seção III. Na Seção IV, os resultados e discussões são apresentados e na Seção V são mostradas as principais conclusões do trabalho.
II. ESTATÍSTICAS DE ORDEM SUPERIOR Conforme [7], as EOS podem levar a resultados mais representativos quando empregadas em processos não Gaussianos e sistemas não lineares do que as estatísticas de segunda ordem.
Sabe-se que um sinal gaussiano é completamente caracterizado pela sua média e variância. Consequentemente, as EOS de um sinal gaussiano são nulas ou possuem informações redundantes. Logo as EOS são menos afetadas por ruídos gaussianos do que as estatísticas de segunda ordem.
Além disso, os parâmetros EOS podem formar assinaturas dos eventos de acionamentos das cargas proporcionando regiões de classificação muito bem definidas em um hiperespaço formado pelos parâmetros.
As expressões dos cumulantes de segunda e quarta ordem de um sinal aleatório [ ], quando E { [ ]} = 0, são, respectivamente [7]:
, [ ] = E{ [ ] [ + i]}, (1) , [ ] = E{ [ ] [ + ]} − 3 , [ ] , [0], (2) em que é o -ésimo atraso.
Para um vetor com comprimento finito ( ), as estimações destes cumulantes são dadas pelas seguintes expressões:
, [ ] ∶= ∑ [ ] [ + ], (3) , [ ] ∶= ∑ [ ] [ + ]
− ∑ [ ] [ + ] ∑ [ ] , (4) em que = 0, 1, . . . , − 1.
Observa-se que as Equações (3) e (4) não podem ser usadas se > /2 + 1, pois + i será maior que . Desta forma, perdem-se informações no cálculo dos cumulantes. Em [10], é proposta uma abordagem alternativa, em que cada cumulante é estimado utilizando todas as amostras de sinal disponível. Basicamente, forma-se um Buffer circular nos sinais, de tal forma que se o valor de + i for maior que em unidades, este valor é substituído por , tomando com isso as amostras antecessoras ao valor , que anteriormente não eram utilizadas. Na verdade, é como se houvesse uma continuidade da última amostra para a primeira, fazendo com que o sinal seja virtualmente circular.
Matematicamente, a substituição de + 1, quando + 1 > , pode ser dada pela operação módulo:
( + , ) = [ + ] − , (5) em que é o número inteiro obtido quando se desconsideram as casas decimais da divisão de + i por , o que na verdade resulta no resto da divisão de + i por .
Assim, as expressões (3) e (4) podem ser estimadas, para finito, por:
, [ ] ∶= ∑ [ ] [ + , ] , (6) , [ ] ∶= ∑ [ ] [ + , ]
− ∑ [ ] [ + , ] ∑ [ ] , (7)
em que mod[ + , ] é o resto inteiro da divisão de + por .
As aproximações apresentadas em (6) e (7) levam a uma boa simplificação para problemas onde é empregado um vetor de comprimento finito.
Pode-se observar que para um sinal com amostras, tem-se cumulantes para cada ordem de EOS.
É importante ressaltar que as análises apresentadas em [8] e [9] mostram que o cumulante de terceira ordem pouco contribui para a caracterização de sinais elétricos. Assim,
neste trabalho serão considerados apenas os cumulantes de segunda e quarta ordem.
III. METODOLOGIA
A metodologia deste trabalho está dividida em duas partes: (A) aquisição de sinais e (B) processamento de sinais.
A. Aquisição de sinais
Neste trabalho foram utilizados os sinais de corrente de acionamento de cargas elétricas residenciais, já que estes caracterizam melhor o tipo de carga elétrica acionada do que os sinais de tensão.
Durante o acionamento de uma carga elétrica existem, basicamente, duas características importantes que são refletidas na corrente elétrica e que podem ser utilizadas para diferenciar os vários acionamentos: transitórios de partida, que ocorrem no momento do acionamento, e os transitórios de regime que ocorrem durante a operação nominal do equipamento. Neste trabalho, as análises se restringiram apenas na análise de transitórios de partida. Em propostas futuras pretende-se analisar também os transitórios de regime. As cargas elétricas consideradas neste trabalho estão listadas na Tabela 1. Foram feitas 50 aquisições do sinal de corrente referente ao acionamento de cada uma dessas cargas. Estes sinais foram coletados experimentalmente em uma dada residência, utilizando a placa de aquisição NI USB-6251 e uma ponteira de corrente a uma frequência de amostragem de 15.360 Hz e uma interface via LABVIEW®.
Do total de 50 sinais, 35 foram utilizados na fase de projeto (treino e teste) e 15 foram utilizados na fase de validação.
TABELA I. CARGAS ELÉTRICAS CONSIDERADAS. ORDEM EQUIPAMENTOS EVENTOS
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 CHUVEIRO FERRO ELÉTRICO LÂMPADA 20WCOMPACTA LÂMPADA 20WFLUORESCENTE LÂMPADA 60WINCANDESCENTE LIQUIDIFICADOR
FORNO MICRO-ONDAS
MISTEIRA MULTIPROCESSADOR TVLED46 POLEGADAS VENTILADOR 50 50 50 50 50 50 50 50 50 50 50 B. Processamento de Sinais
O projeto do sistema proposto e fase operacional do mesmo são ilustrados pelo diagrama em blocos da Fig. 1 (a) e (b), respectivamente. A primeira etapa do projeto do sistema consiste em segmentar o sinal elétrico monitorado em N amostras a partir do instante inicial do acionamento da referida carga elétrica. A detecção do instante do acionamento da carga foi feita utilizando-se um detector baseado na inovação da energia do sinal monitorado. O detector de inovação utilizado realiza a seguinte operação:
d = Sx[n+5] – Sx[n-5], (8) em que Sx é a energia do sinal x e n é o índice de amostra do sinal x. Se d for maior do que um patamar (τ) previamente ajustado, considerando o conjunto de eventos de treinamento,
então o acionamento é detectado e um ciclo antes do acionamento e três ciclos após são armazenados para o projeto do classificador.
Neste trabalho foram consideradas N = 1.024 amostras, o que é equivalente a 4 ciclos do componente fundamental do sinal.
Figura 1. Sistema proposto: (a) fase de projeto; (b) fase operacional.
A segunda etapa consiste em extrair as estatísticas de ordem superior (EOS) dos sinais (cumulantes de segunda e quarta ordem) conforme (6) e (7).
A próxima etapa do projeto do sistema é responsável por fazer a seleção dos parâmetros (cumulantes) mais relevantes de cada classe, isto é, aqueles parâmetros que possuem a boa capacidade de discriminação entre as classes. Além de destacar os parâmetros mais discriminantes, esta etapa é realizada, principalmente por proporcionar a redução da dimensão das características extraídas e consequentemente a complexidade computacional e o tempo de processamento. Para isso, a razão de discriminação de Fisher (FDR) [13] foi utilizada, visando à seleção de um conjunto finito e representativo de características, entre as obtidas por EOS, que forneça uma boa separação entre classes distintas. Decidiu-se utilizar o FDR pela sua simplicidade e obtenção de resultados satisfatórios. A função de custo vetor do FDR é dada pela Equação (9).
= ( − ) ʘ
( )
(9) Em que Jc = [J1 . . . JLl ]T, Ll é o número total de parâmetros, m1 e m2, e e são, respectivamente, os vetores de média e variância dos vetores de parâmetros das classes 1 e 2. O símbolo ʘ refere-se ao produto de Hadamard r ʘ s = [r0s0...rLr-1sLr-1]T. O i-ésimo elemento do vetor de parâmetros dado por (9) com o maior valor é selecionado para ser usado pelo classicador.
Aplicando este procedimento para todos os elementos do vetor de parâmetros principal, os K parâmetros associados com os K maiores valores no vetor Jc são usados pelo classicador.
O próximo bloco do sistema proposto (Fig. 1 (a)) refere-se ao treinamento da rede neural artificial (RNA) [14] para a classificação das cargas. Uma RNA é capaz de extrair informações relevantes de padrões de informações que lhe forem apresentadas, criando assim uma representação própria [14]. Esta etapa é conhecida por aprendizagem ou treinamento, e consiste em um processo interativo de ajuste de parâmetros da rede, dos pesos de conexões entre as unidades de processamento que guardam, ao final do processo, o conhecimento que a rede adquiriu do ambiente em que está operando. O sinal de entrada se propaga para frente através da rede, camada por camada. Tais redes são, normalmente, chamadas de perceptrons de múltiplas camadas (MLP -
Multilayer Perceptron) [15]. Os perceptrons de múltiplas
camadas têm sido aplicados com bastante sucesso para resolver diversos problemas complexos, através do seu treinamento de forma supervisionada com um algoritmo muito popular conhecido como algoritmo de retropropagação de erro (error back-propagation) [14].
Para o sistema de classificação aqui proposto, utilizou-se uma rede MLP composta por três camadas (apenas uma camada oculta), de modo a explorar as informações de EOS. Desta forma, o critério adotado para definição da classe do evento foi o do neurônio com maior valor de saída. Os pesos e bias foram inicializados de acordo com o algoritmo de Nguyen e Widrow [16]. A função de ativação utilizada foi a tangente hiperbólica e o algoritmo de treinamento foi o RPROP (Resilient Back-propagation) [17].
Cumpre ressaltar que o vetor de parâmetros foi normalizado pelo seu máximo absoluto, antes de ser apresentado à RNA para treinamento.
A fase operacional do método (Fig. 1 (b)) consiste, primeiramente, em segmentar o sinal monitorado em N=1.024 amostras. A partir destas amostras, os parâmetros mais relevantes (previamente selecionados) referentes às EOS são então obtidos utilizando-se (6) e (7). A última etapa consiste em normalizar o vetor de parâmetros EOS e apresentá-lo à RNA já treinada. É importante ressaltar que a etapa de seleção de parâmetros via FDR é realizada apenas na etapa de projeto.
IV. RESULTADOS E DISCUSSÕES
A Fig. 2 ilustra a forma de onda da corrente elétrica referente ao acionamento de algumas cargas após a etapa de segmentação. Aqui, dois pontos importantes merecem atenção:
1. Cargas com a mesma característica elétrica, como por exemplo, as cargas resistivas (Fig. 2 (a) e (b)), possuem assinaturas similares com diferenças marcantes apenas de amplitude. Isso pode dificultar o processo de classificação, já que é comum a utilização de tais cargas simultaneamente, o que impossibilitaria a utilização do valor da amplitude da corrente e/ou valor eficaz (RMS) como parâmetro. 2. Algumas cargas possuem um transitório de partida
mais longo (além de 4 ciclos do componente fundamental), como é o caso da TV LED (Fig. 2 (e)). O uso de apenas quatro ciclos do componente fundamental para este tipo de carga pode dificultar o processo de classificação, uma vez que informações
que poderiam contribuir para a formação de uma assinatura mais característica da carga são descartadas. Por outro lado, considerar trechos longos do sinal processado pode tornar o sistema mais complexo e inviabilizar o seu uso em tempo real.
Figura 2. Correntes elétricas do acionamento dos equipamentos elétricos: (a) Chuveiro elétrico; (b) Ferro de passar; (c) Microondas; (d) Multiprocessador e (e) TV LED.
A Fig. 3 ilustra o vetor Jc referente às classes C6 (Liquidificador) (a) e C1 (Chuveiro) (b), em que os primeiros 1.024 índices são referentes aos cumulantes de segunda ordem das janelas de sinais com N=1.024 amostras. Os próximos 1.024 índices são referentes aos cumulantes de quarta ordem das mesmas amostras. Pode-se observar que para a classe C6 os cumulantes de segunda ordem são, claramente, os mais representativos, enquanto que para a classe C1, os cumulantes de quarta ordem são tão respresentativos quanto os de segunda ordem, com destaque para o de índice 1.993, que se apresenta como o mais representativo da classe.
Para a obtenção do vetor Jc de cada classe (vide Tab. I) optou-se por implementar (8) de forma a comparar uma classe contra todas as outras e, portanto, um vetor Jc foi obtido para cada classe.
A fim de reduzir a dimensão dos sinais e conseguentemente a complexidade computacional do método de identificação de cargas proposto, apenas dois parâmetros mais representativos de cada classe foram selecionados. Como são onze classes, o vetor final de parâmetros selecionados é composto por vinte e dois parâmetros (dois de cada classe), o que implica em uma redução de dimensão final significativa de 1.024 para 22 parâmetros. 0 200 400 600 800 1000 -50 0 50 (a) 0 200 400 600 800 1000 -20 0 20 (b) 0 200 400 600 800 1000 -2 0 2 Am pl itude (A ) (c) 0 200 400 600 800 1000 -10 0 10 (d) 0 200 400 600 800 1000 -2 0 2 Amostras (e)
Figura 3. Vetor de custo do FDR (Jc) referente aos cumulantes de segunda
(índices 0 a 1023) e quarta ordem (índices 1024 a 2048) da corrente de acionamento da carga (a) C6 (Liquidificador) e (b) C1 (Chuveiro).
A Fig. 4 ilustra o processo de extração e seleção de parâmetros. O primeiro bloco é responsável por extrair os cumulantes de segunda e quarta ordem do segmento de 1.024 amostras (n = 1, ..., 1.024) do sinal de corrente monitorado. O resultado é o vetor de parâmetros p, conforme (9).
= [ , [ ] , [ ]] (10) composto por 2.048 elementos (1.024 cumulantes de segunda ordem e 1.024 de quarta ordem). O vetor de parâmetros é então apresentado ao discriminante de Fisher (Equação (9)) que seleciona os 22 parâmetros mais relevantes dentre os 2.048 cumulantes extraídos. O resultado é o vetor z que é composto por 11 cumulantes de segunda ordem e 11 de quarta ordem.
Figura 4. Etapas de extração e seleção de parâmetros. x[n] é o segmento de sinal de corrente a ser processado, p é o vetor de parâmetros extraídos e z é o vetor de parâmetros selecionado.
A composição final da RNA, após o treinamento, foi de 22 neurônios de entrada, 11 neurônios na camada intermediária (camada oculta) e 11 nodos de saída, referente às 11 classes de cargas consideradas neste trabalho. Conforme já mencionado anteriormente, o nodo mais ativo (com o maior valor de saída) indica a qual classe o sinal processado pertence.
A matriz de confusão vista na Tabela II mostra o desempenho do método proposto em sinais de validação para as 11 classes abordadas em percentual.
Com uma eficiência global (EG) (média dos desempenhos individuais) de aproximadamente 95 % e desempenhos de 100 % em oito das onze classes de cargas, o método mostrou-se bastante eficiente. O menor desempenho foi obtido pela classe C2 (Ferro elétrico) que confundiu 26,7 % dos acionamentos com a classe C8 (Misteira). Dos eventos da classe C8, por outro lado, 13,4 % foram classificados como pertencentes à classe C1. Nota-se que o conjunto de parâmetros utilizado não
levou a uma boa separação entre estas classes e a RNA, embora apresente boa capacidade de separar padrões não linearmente separáveis, não alcançou desempenho compatível com as demais classes neste caso.
TABELA II. DESEMPENHO DO MÉTODO PROPOSTO EM % (TOPOLOGIA RNA 22X11X11). MATRIZ DE CONFUSÃO C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C1 100 C2 73,3 26,7 C3 100 C4 86,6 6,7 6,7 C5 100 C6 100 C7 100 C8 13,4 86,6 C9 100 C10 100 C11 100 EG 95,1
Uma forma de aumentar o desempenho do método proposto é a utilização de mais do que dois parâmetros para cada classe. Com este objetivo, foram utilizados três parâmetros para as classes C2 e C8 e foram mantidos dois parâmetros para as demais classes, exceto para a classe C1, para a qual foi utilizado apenas um parâmetro. Uma análise mais profunda nos parâmetros da classe C1 mostrou ser possível separá-la das demais classes linearmente utilizando-se qualquer um dos dois parâmetros utilizando-selecionados para essa classe, conforme mostra a Fig. 5. A Fig. 5 mostra o espaço de parâmetros gerado pelos dois parâmetros apontados pelo critério FDR como os que mais discriminam a classe C1 da demais. Observa-se que é possível separar a classe C1 das demais com apenas um dos parâmetros.
Figura 5. Espaço de parâmetros formado pelos cumulantes mais discriminantes da classe C1 (Chuveiro).
Em resumo, dois parâmetros foram adicionados (um para a classe C2 e um para a classe C8) e um parâmetro foi removido. Consequentemente, o novo vetor de parâmetros a ser apresentado à RNA passou a possuir 23 parâmetros.
0 500 1000 1500 2000 0 5 10 15 Jc (a) 0 500 1000 1500 2000 0 500 1000 1500
Índices dos Parâmetros
Jc (b) -2 0 2 4 6 8 x 104 -2 0 2 4 6 8x 10 4 c4,x(949) c 4, x (948 ) Classe C1 Demais classes
Assim, uma nova RNA foi treinada e a topologia final foi de 23 neurônios de entrada, 13 neurônios na camada oculta e 11 neurônios de saída. Os novos resultados alcançados são mostrados na Tabela III. Observa-se que os desempenhos individuais das classes C2 e C8 foram elevados para 100 % e eficiência global de 97,5 %. Portanto, nota-se que é possível elevar o desempenho do método aumento-se o número de parâmetros das classes que alcançaram menor desempenho.
TABELA III. DESEMPENHO DO MÉTODO PROPOSTO EM % (TOPOLOGIA RNA 23X12X11). MATRIZ DE CONFUSÃO C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C1 100 C2 100 C3 86,6 6.7 6.7 C4 86,6 6,7 6,7 C5 100 C6 100 C7 100 C8 100 C9 100 C10 100 C11 100 EG 97,5 A Tabela IV mostra os resultados obtidos pelo método proposto em comparação com os obtidos pelo método em [6]. Estes últimos foram extraídos do trabalho [6]. O trabalho apresentado em [6] foi escolhido para a comparação devido a apresentar bons resultados com uma metodologia consistente que também utiliza redes neurais para a classificação. Em [6], foram consideradas 6 cargas elétricas residenciais (Lâmpada Incandescente, Lâmpada Fluorescente, Lâmpada Fluorescente Compacta, Ventilador, Computador Pessoal e Monitor) e uma rede neural foi treinada para cada carga. Cada rede neural possui 6 entradas, que correspondem às amplitudes das correntes fundamental de harmônicas de 3ª, 5ª, 7ª, 8ª e 9ª ordens, as quais são fornecidas por equipamentos de qualidade de energia e foram previamente selecionadas por selecionadores de atributos. Estas entradas são propagadas por duas camadas escondidas, sendo a primeira com 26 neurônios e a segunda com 12, até a camada de saída que é composta por um único neurônio. Observa-se que o método em [6] foi superior ao método proposto na classificação das classes C3 e C4, e obteve resultados próximos aos obtidos pelo método proposto para as demais classes abordadas em [6]. Entretanto, o método proposto é capaz de classificar 11 classes distintas de cargas enquanto que o método em [6] classifica 6. Outro ponto importante a ser destacado é o fato de que o método proposto utiliza apenas uma rede neural com a configuração 23x12x11 e o método em [6] utiliza 6 redes neurais com a configuração 6x26x12x1, o que mostra comparativamente a simplicidade do classificador proposto. TABELA IV. DESEMPENHO DOS MÉTODOS EM %. MÉTODO EM [6] MÉTODO PROPOSTO C1 --- 100 C2 --- 100 C3 96,15 88,6 C4 96,15 88,6 C5 99,77 100 C6 --- 100 C7 --- 100 C8 --- 100 C9 100 100 C10 99,55 100 C11 99,77 100 V. CONCLUSÕES
Este trabalho apresentou um novo método para a identificação não invasiva de cargas elétricas residenciais. A inovação do método está na utilização de estatísticas de ordem superior para construir assinaturas das cargas elétricas em um reduzido espaço de parâmetros. A redução de dimensão alcançada para o melhor desempenho do método foi de 1.024 para 23.
As assinaturas construídas pelas estatísticas de ordem superior foram apresentadas a uma rede neural artificial que realizou a classificação das cargas com uma eficiência global de 97,5%. Isso mostra que, embora as cargas tenham características de corrente similares entre si, como as cargas resistivas, por exemplo, o método conseguiu distingui-las com boa eficiência.
Adicionalmente, a redução de dimensão alcançada com os blocos extração e seleção de parâmetros são bastante favoráveis no que tange a complexidade do método, uma vez que com apenas 23 entradas foi possível alcançar uma boa eficiência utilizando uma topologia de rede neural relativamente simples.
Em geral, os resultados aqui apresentados são promissores e podem ser bastante úteis em sistemas cujo objetivo é a identificação de cargas elétricas e como parte dos algoritmos de um medidor inteligente para smart grid.
AGRADECIMENTOS
Os autores gostariam de agradecer à FAPEMIG (APQ-01110-11) e ao INERGE/CNPq por apoiarem o trabalho.
REFERÊNCIAS
[1]. P. F. Ribeiro, C. A. Duque, P. M. Silveira and A. S. Cerqueira. Power Systems Signal Processing for Smart Grids. Ed: John Wiley & Sons LTD, Chichester United Kingdon, 2013.
[2]. M. H. J. Bollen .Understanding Power Quality Problems. Ed Wiley, New York 2000.
[3]. G. W. Hart, "Nonintrusive appliance load monitoring", Proceedings of the IEEE, Vol. 80, No.12, pp. 1870-1891, 1992.
[4]. Men-shenTsai and Yu-Hsiu Lin,” Modern development of an Adaptive Non-Intrusive Appliance Load Monitoring system in electricity energy conservation”, Applied Energy, vol. 96, pp. 55-77, 2012.
[5]. M. Figueiredo, A. Almeida and B. Ribeiro, “Home electrical signal disaggregation for non-intrusive load monitoring (NILM) systems”, Neurocomputing, vol. 96, pp. 66-73. 2012.
[6]. R. A. S. Fernandes, I. N. da Silva and M. Oleskovicz,” Data mining applied to harmonic current sources identification in residential consumers”, IEEE Latin America Transactions, v.9, n.3, p.302-310, 2011. [7]. J. M. Mendel, “Tutorial on higher-order statistics (spectra) in signal processing and system theory: theoretical results and some applications”, Proceedings of the IEEE vol. 79, no. 3, pp. 278-305, 1991.
[8]. D. D. Ferreira, C. A. G. Marques, A.S. Cerqueira, J. M. Seixas, C.A. Duque and M.V. Ribeiro, “Exploiting Higher-Order Statistics Information for Power Quality Monitoring”, Power Quality: Intech Open Access Publisher, pp. 345-362, 2011.
[9]. M. V. Ribeiro and J. L. R. Pereira, “Classification of single and multiple disturbances in electric signals”, EURASIP Journal on Advances in Signal Processing, vol.2007, pp. 15-33, 2007.
[10]. M. V. Ribeiro, C. A. G Marques, C. A. Duque, A. S. Cerqueira and J. L. R. Pereira, “Detection of disturbances in voltage signals for power quality analysis using HOS”, EURASIP Journal on Advances in Signal Processing ,vol. 2007, pp 1-13,2007.
[11]. D. D. Ferreira, A. S. Cerqueira, C. A. Duque and M. V. Ribeiro,” HOS-based method for classification of power quality disturbances”, Electronics Letters, vol. 23, no. 3, pp. 183-185, 2009.
[12]. B.H.G.Barbosa and D. D.Ferreira,” Classification of Multiple and Single Power Quality Disturbances Using a Decision Tree-Based Approach”, Journal of Control, Automation and Electrical Systems, vol. 24, pp. 638-648, 2013.
[13]. R. O. Duda, P. E. Hart and D. G. Stork. Pattern Classification.Ed Wiley-Interscience, 2000.
[14]. S. Haykin. Neural networks and Learning Machines. Ed. Prentice Hall,Ontário, 2008.
[15]. F. Rosenblantt. Principles of neurodynamics. Ed.Spartan Books, New York,1962.
[16]. D. Nguyen and B. Widrow, “Improving the learning speed of 2-layer neural networks by chossing initial values of the adaptive weights, IJCNN”. International Joint Conference on Neural Networks, vol. 3, pp. 21-26, 1990.
[17]. M. Riedmiller and H. Braun, “A direct adaptive method for faster backpropagation learning: The rprop algorithm”. In: IEEE International Conference on Neural Networks, pp. 586–591, 1993.
Juan Diego Silva Guedes, nascido em 16/09/1984 em Lavras, MG é engenheiro eletricista (2009) pela Universidade Federal de São João Del Rei – UFSJ, Mestre em Engenharia de Sistemas na Universidade Federal de Lavras – UFLA (2013) e atualmente é doutorando em Engenharia Elétrica na Universidade Federal de Juiz de Fora – UFJF. Tem experiência profissional empresarial de 5 anos atuando em
Start-Up de plantas industriais. É professor temporário do
CEFET-MG Campus IX - Nepomuceno. Suas áreas de interesse são: eletrônica de potência, processamento de sinais, inteligência computacional e máquinas elétricas.
Danton Diego Ferreira, nascido em 15/06/1982 em Lavras, Minas Gerais, Brasil. Obteve os títulos de Engenheiro Eletricista em 2005 pela Universidade Federal de São João Del-Rei (UFSJ), Mestre em Engenharia Elétrica em 2007 pela Universidade Federal de Juiz de Fora (UFJF) e doutor em Engenharia Elétrica em 2010 pela Universidade Federal do Rio de Janeiro (UFRJ/COPPE). Atualmente é Professor Adjunto da Universidade Federal de Lavras (UFLA), lotado no Departamento de Engenharia (DEG), e encontra-se em Estágio Pós-doutoral na Universidade Federal de Juiz de Fora, pelo INERGE/CNPq. Suas áreas de interesse são: processamento de sinais e inteligência computacionais aplicados a Sistemas Elétricos de Potência, qualidade de energia elétrica, Smart Grids e reconhecimento de padrões.
Bruno Henrique Groenner Barbosa, nascido em 17/08/1980, em Belo Horizonte, Minas Gerais, Brasil, obteve o título de bacharel em Engenharia de Controle e Automação pela Universidade Federal de Minas Gerais no ano de 2003 e obteve os títulos de mestre e doutor em Engenharia Elétrica, na mesma instituição, nos anos 2006 e 2009, respectivamente. Atualmente é Professor Adjunto da Universidade Federal de Lavras, lotado no Departamento de Engenharia. Suas áreas de interesse são: identificação de sistemas, inteligência computacional, processamento de sinais e instrumentação virtual.
Carlos Augusto Duque, possui graduação pela Universidade Federal de Juiz de Fora (1986), mestrado e doutorado em Engenharia Elétrica (1989 e 1997) pela Pontifícia Universidade Católica do Rio de Janeiro e Pós-doutorado pela Florida State University, FL – USA (2007-2008). Atualmente é Professor Associado da Universidade Federal de Juiz de Fora. Atua na área de Engenharia Elérica com ênfase em processamento de sinais, qualidade de energia, instrumentação e sistemas eletrônicos. É bolsista de produtividade do CNPq – Nível 2. Suas áreas de interesse são: Processamento de sinais, Qualidade de energia, Instrumentação e Sistemas eletrônicos.
Augusto Santiago Cerqueira, possui graduação em Engenharia Elétrica (ênfase em eletrônica) pela Universidade Federal do Rio de Janeiro (1997) e doutorado em Engenharia Elétrica pela Universidade Federal do Rio de Janeiro (2002). Atualmente é professor adjunto da Universidade Federal de Juiz de Fora. Tem experiência na área de Engenharia Elétrica, com ênfase em eletrônica e processamento de sinais, atuando principalmente nos seguintes temas: qualidade de energia, processamento digital de sinais, eletrônica analógica, redes neurais e instrumentação. Suas áreas de interesse são: Processamento de Sinais para Sistemas de Potência, Inteligência Computacional e Instrumentação.
