Avaliação de distúrbios elétricos no monitoramento
de cargas residenciais
Rafael Cuerda Monzani
Departamento de Sistemas e Energia, Faculdade de Engenharia Elétrica e Computação
Universidade Estadual de Campinas
rcmonzani@gmail.com
Resumo A avaliação de distúrbios elétricos no monitoramento de cargas contribui para determinar o padrão de consumo de diferentes ambientes, entre esses se destaca o residencial. A partir da análise de tais distúrbios é possível determinar o consumo individual das principais cargas no interior de uma residência, e também, sua contribuição harmônica. Esta identificação permite ao consumidor conhecer seu padrão de consumo com o objetivo de criar políticas para economizar energia e conscientizá-lo em relação ao seu papel ambiental. Dessa forma, estes podem participar ativamente no gerenciamento da energia e usá-la em horários diferenciados a fim de reduzir o pico da demanda durante o horário de ponta. Este artigo aborda conceitualmente e apresenta alguns resultados da contribuição que a avaliação de distúrbios elétricos representa no conceito de usabilidade de energia.
Palavras-chaves Distúrbios elétricos, monitoramento inteligente, identificação de cargas, contribuição harmônica.
I. INTRODUÇÃO
O uso de dispositivos inteligentes no monitoramento de energia elétrica em nível residencial permite conhecer e identificar o padrão de consumo de energia para essa classe, por meio da análise dos distúrbios gerados pelas cargas monitoradas. Diferentes aplicações podem ser propostas a partir do monitoramento empregado.
Uma possível aplicação na análise de distúrbios elétricos gerados pelo acionamento de cargas residenciais é a identificação e classificação das mesmas, a fim de definir o consumo de energia elétrica individual de cada carga e propor soluções para conscientização em relação ao consumo de energia de forma a reduzir o valor na fatura do consumidor.
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 armazenam apenas o consumo total de energia elétrica, sem apresentar detalhes de como essa é usada.
A discriminação do uso de cargas elétricas permite ao consumidor conhecer seu padrão de consumo. Este conhecimento pode ser utilizado para diversos fins e entre eles, destacam-se: redução dos gastos com energia, participação em programas de responsabilidade sobre a
demanda, segurança residencial, eficiência das cargas em uso, entre outros.
Os medidores atuais tipicamente monitoram sinais de tensão e corrente por fase, e a desagregação destes sinais em cargas individuais necessita de mais pesquisas. O enfoque deste trabalho consiste em contextualizar a identificação de distúrbios elétricos no monitoramento de cargas residenciais a fim de determinar o consumo individual de energia elétrica bem como avaliar a eficiência e contribuição harmônica de tais cargas.
Uma carga qualquer pode ser representada a partir de sua assinatura elétrica, a qual possui diversos atributos, entre os quais lista-se: variação de potência ativa e reativa, distorção harmônica, fator de potência, forma de onda, entre outros. A Fig. 1 mostra a forma de onda de uma geladeira, representada a partir da potência ativa e reativa consumidas ao longo do tempo.
Fig. 1 – Potência ativa e reativa instantânea
Entre os métodos propostos para a identificação de cargas, os mais usuais são: detecção de transição de borda (transição de estado acionado/desligado) por variação de forma de onda de admitância [1] e forma de onda de corrente [2], análise de transitórios de partida [2]-[5], assinaturas de sequência, tempo/duração, fase [6], análise de valores instantâneos de potência ativa/reativa [7], autovalores [8].
Contudo, os métodos que avaliam apenas a forma de onda podem identificar erroneamente as cargas, visto que a assinatura elétrica de certas cargas é semelhante (e.g. fogão elétrico, secadora), além de algumas cargas possuírem
50000 5500 6000 6500 7000 7500 8000 8500 9000 50 100 150 200 250 300 350 400 Tempo (s) P ot ên ci a Pot. Ativa [W] Pot. Reativa [VAr]
_____________________
Este trabalho foi financiado pela FAPESP (Fundo de Amparo à Pesquisa de São Paulo), através do Projeto No. 2013/00437-0
variação não uniforme do consumo de energia (e.g. televisores e computadores).
Em relação à detecção a partir de transitórios de partida é necessária uma alta taxa de processamento por parte do medidor inteligente, a qual acarretaria em um acúmulo de dados a serem avaliados. Consequentemente, esta técnica não seria viável pelo custo de armazenamento.
Portanto, uma forma alternativa na detecção de distúrbios elétricos no monitoramento de carga é avaliar a variação da distorção harmônica a fim de identificar as cargas de interesse em uma residência, bem como determinar a distorção harmônica de cada dispositivo. A Fig. 2 apresenta o mesmo trecho da Fig. 1 contendo a forma de onda das correntes harmônicas.
Fig. 2 – Magnitude da corrente harmônica.
Após a identificação dos eventos a partir da assinatura elétrica, ferramentas computacionais são usadas para reconhecer e determinar qual carga está em uso. O reconhecimento é realizado comparando os sinais adquiridos com um banco de dados previamente estabelecido para que a identificação seja realizada de forma automática pelo algoritmo desenvolvido. Além da identificação dos instantes de acionamento/desligamento de cada carga, o consumo de energia elétrica também pode ser determinado. Dentre as ferramentas usadas para a identificação, listam-se: inteligência artificial, como redes neurais [9], [10], algoritmo genético [11], mineração de dados [12]-[15], entre outros.
Este trabalho aborda conceitualmente as informações que podem ser extraídas a partir da avaliação de distúrbios elétricos no monitoramento de carga. A seguinte estrutura é apresentada: a seção II mostrará os distúrbios gerados pelas cargas em uma residência. A metodologia para a identificação e classificação de tais cargas é abordada na seção III. Aplicações para o uso de tal técnica são discutidas na seção IV. Por fim, uma breve conclusão é apresentada.
II. APLICAÇÃO DE DISTÚRBIOS ELÉTRICOS NO MONITORAMENTO DE CARGA
O processo de monitoramento possui basicamente três estágios [2]. 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 discriminação do consumo pode ser obtida utilizando dois tipos de técnicas: (a) monitoramento intrusivo; (b) monitoramento não intrusivo.
Na técnica baseada em monitoramento intrusivo, sensores são usados no interior da residência para identificar as cargas elétricas ativas. Esta solução aumenta o custo de hardware e simplifica o desenvolvimento do software. Dessa forma, é necessário instalar um sensor em cada saída de energia. Esta solução encarece o projeto e não o torna viável.
O monitoramento não intrusivo utiliza a instalação de um único sensor no painel de entrada de energia do consumidor. Embora o software para processamento dos dados seja complexo, a vantagem desta técnica é a redução no custo de hardware e maior privacidade para o consumidor. A principal dificuldade consiste em discriminar, com um único sensor, qual carga está ativa.
Ao usar um único sensor no painel de entrada de energia elétrica de uma residência, um sinal agregado é obtido. A Fig. 3 mostra o trecho de um sinal adquirido a partir das medições em uma residência na cidade de Edmonton, AB, Canadá. Tais dados foram coletados pela equipe que desenvolve este projeto ao longo de 2 anos em diferentes residências.
Fig. 3 – Sinal amostrado de tensão, corrente e potência.
O sensor usado para adquirir tal sinal possui uma taxa de aquisição de 256 amostras por ciclo, onde 1 ciclo corresponde a 16.66 ms. O processamento é realizado internamente no medidor, usando 6 ciclos por segundo, ou seja, 1536 amostras por segundo. A partir dessa janela, tomando o sinal de tensão como referência, aplica-se a transformada de Fourier ao sinal adquirido e obtém-se o módulo e o ângulo da corrente por fase. Por consequência, uma amostra contendo as informações processadas de tensão e corrente é armazenada para análise no banco de dados.
A taxa de amostragem adotada é justificada pela redução da complexidade do firmware e também por considerar que a ocorrência de distúrbios elétricos no interior de uma residência não acontece a todo instante. Dessa forma, como a frequência da rede é 60 Hz a janela selecionada avalia 6 ciclos no instante de 1 segundo, a qual obtém conteúdo necessário para determinar a tensão e as correntes nesse instante de tempo.
A informação presente nestes sinais caracteriza a carga em uso. Entretanto, o sinal monitorado está agrupado.
5000 5500 6000 6500 7000 7500 8000 8500 9000 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Tempo (s) C or re n te |I h | [ A ] 3ª harmônica 5ª harmônica 7ª harmônica 9ª harmônica
Considerando apenas a potência ativa consumida, pode-se demonstrar essa relação em (1), onde 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) (1)
As cargas monitoradas podem ser agrupadas em diferentes tipos de classes quanto ao tipo de funcionamento em regime permanente. Com relação às cargas residenciais e ao comportamento da potência ativa, essas podem ser agrupadas em três tipos diferentes: estado único, variação contínua e estados múltiplos. Os três diferentes tipos de carga são sintetizados na Fig. 4.
Fig. 4 – Tipos de cargas variantes no tempo.
Assim, conhecendo a assinatura elétrica de uma carga, e seu comportamento característico, é possível estabelecer metodologias para identificação e classificação das mesmas.
III. METODOLOGIA PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO
Em [1], o método usado para identificação de cargas é a detecção da transição do estado (ou de borda), onde se considera uma carga ligada quando o sinal de potência apresentar uma transição de borda de subida e desligada quando apresentar uma transição de borda de descida. Esse método rudimentar é a base para a classificação de cargas. Tal método possui muitas deficiências, em especial, não realiza a identificação correta quando diferentes cargas possuem a mesma potência (ativa e reativa).
Em [4],[5] foi desenvolvido um algoritmo de detecção de eventos transitórios para aplicações em ambientes comerciais e industriais. O algoritmo proposto procura por um trecho de tempo que apresente significativa variação no transitório de partida, ao invés de procurar por todo o transitório. Isso permite reduzir a complexidade do algoritmo e analisar um número maior de eventos. Mesmo que transitórios se sobreponham, pelo fato de monitorar apenas um pequeno trecho de tempo com significativa variação, dificilmente uma carga corromperia os dados da outra. Contudo, este método apresenta deficiências na identificação do desligamento de cargas, visto que o transitório neste instante é insignificante e também, conforme já mencionado, a grande quantidade de dados gerados para análise pode torná-lo inviável.
Outro método para identificar as cargas a partir de seus distúrbios no monitoramento é avaliar as componentes harmônicas de corrente [2], visto que algumas cargas apresentam valores de potência ativa e reativa semelhantes. Certas cargas apresentam conteúdo harmônico diferenciado, por exemplo, computadores, ventiladores, microondas, entre outros.
O exame do sinal por meio de componentes harmônicos permite ainda identificar cargas que estão em constante funcionamento. Um dos métodos usados para separar as componentes harmônicas de um sinal é a transformada rápida de Fourier (FFT).
A avaliação dos distúrbios elétricos considerando as componentes harmônicas permite que cargas que não atinjam regime permanente possam ser identificadas a partir de sua componente espectral.
Em relação às deficiências no método de identificação de distúrbios a partir de componentes harmônicas, destacam-se problemas em caso de sobreposições de acionamentos, chaveamentos rápidos e longa duração de tempo para cargas variantes [16], embora a probabilidade de ocorrência desses tipos de eventos seja desprezível.
A Fig. 5 apresenta a variação das componentes harmônicas da corrente durante a transição de estado para algumas cargas.
Fig. 5 – Variação do módulo de correntes harmônicas para cargas selecionadas.
Observa-se a partir da Fig. 5 que a máquina de lavar apresentou variação de terceira harmônica acentuada, que a diferencia das demais. Outras cargas, como o fogão elétrico e a secadora, apesar de apresentarem característica resistiva e não possuírem terceira harmônica, contém variação de quinta harmônica destacada. A geladeira usada para estas medições apresentou variação negativa da componente de sétima harmônica.
Outra carga com variação harmônica característica é o microondas, conforme se pode observar pela Fig. 6. O alto valor da variação da componente de terceira harmônica auxilia na identificação desta carga.
Fig. 6 – Variação do módulo das correntes harmônicas do microondas.
A metodologia para a identificação de carga é apresentada a seguir. O primeiro passo na identificação de uma carga é a detecção de evento. Reconhecer um evento indica que uma perturbação no estado do sistema foi gerada, ou seja, um distúrbio. A amplitude e o tempo deste distúrbio será o padrão adotado para caracterizar um evento neste projeto. Desta forma, a correta identificação de um evento deve ser analisada. Ao final deste processo, um conjunto de dados é obtido. Tal conjunto é formado por: instante de tempo da ocorrência, variação de potência ativa e reativa e variação de módulo e ângulo das correntes harmônicas. Alguns eventos identificados são originados a partir de um sinal ruidoso, dessa forma esses devem ser desprezados na etapa de filtragem de eventos. Na sequência um classificador é aplicado para determinar qual a carga em uso, seu instante de
-0,2 0,2 0,6 1 1,4
3ª Harmônica 5ª Harmônica 7ª Harmônica
Co
rr
ent
e
[A]
Geladeira Secadora Fogão Elétrico Máquina de Lavar TV
0 2 4 6 8
3ª Harmônica 5ª Harmônica 7ª Harmônica
C o rr en te [ A ] Po tên cia Tempo Estado único Variação contínua Múltiplos estados
acionamento e desligamento. Esse classificador pode ser obtido a partir de métodos supervisionados, como rede neural e também a partir de métodos não supervisionados, como o método de agrupamento (clustering ou mean-shift cluster) da mineração de dados. Por fim, o cálculo do consumo de energia deve ser estimado, para então apresentar um relatório ao consumidor.
A Fig. 7 demonstra um fluxograma para a execução destes passos. As rotinas foram desenvolvidas com o software e simulador matemático MatLabTM.
Fig. 7 – Fluxograma do processo de identificação de carga.
Após a etapa de classificação, a desagregação das cargas mais relevantes é obtida, ou seja, as cargas que apresentam maior consumo de energia dentro de uma residência são computadas. A Fig. 8 mostra a curva de potência ativa de uma residência ao longo de um dia aleatório. Nesta curva está presente o sinal de potência ativa (azul) de apenas uma fase, e a transição de estado ligado/desligado das cargas conectadas estão identificadas conforme a legenda.
Fig. 8 – Representação do consumo individual de energia ao longo do dia.
Entretanto, a Fig. 8 é usada apenas para apresentar os resultados obtidos a partir do método de desagregação usado. As informações fornecidas ao consumidor estão dispostas por meio de uma tabela (Fig. 9) composta pelo tempo de uso, consumo de energia e mais facilmente representado pelo gráfico de consumo disposto na Fig. 10.
Fig. 9 – Tabela referente ao consumo de energia de um dia aleatório.
Observa-se ainda que os dados apresentados estão relacionados com o monitoramento realizado em uma residência canadense. Desta forma, nota-se a presença de fogão elétrico, secadora e aquecedor. Entretanto, esse estudo pode ser conduzido também para medições em qualquer residência, com o objetivo de caracterizar cargas distintas, como o chuveiro elétrico, no Brasil.
Fig. 10 – Consumo de energia elétrica residencial para um dia aleatório.
Examinando o gráfico apresentado na Fig. 10, observa-se que o consumo de energia para o dia selecionado advém principalmente do uso da secadora (23%), do fogão (19%) e do grupo de cargas que estão sempre ligadas ou em modo de espera (18%). Um grupo importante a se destacar é o de iluminação, responsável por 9% do consumo durante este dia. Uma pequena quantidade de cargas (16%) não foi identificada por se tratar de cargas de pequeno porte.
Ao analisar outros dias para a mesma residência, resultados semelhantes são obtidos, alterando apenas o uso de determinadas cargas sazonais como máquina de lavar, secadora, aquecedor, ar condicionado, etc.
A próxima seção demonstra possíveis aplicações para a avaliação de distúrbios elétricos no monitoramento de cargas residenciais.
IV. APLICAÇÕES
A discriminação do uso de cargas elétricas permite ao consumidor conhecer seu padrão de consumo. Este conhecimento pode ser utilizado para diversos fins e entre eles, destacam-se:
1) 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, ferro de passar roupa, iluminação, possibilitando reduzir o tempo de consumo das cargas controláveis no mês subsequente.
0 5 10 15 20 -4000 -2000 0 2000 4000 6000 Tempo [hora] P otê n c ia [W] Potência (Fase A) Freezer Secadora Fogão Microondas TV Lavadora Iluminação 4% 1% 19% 1% 23% 0% 7% 2% 9% 18% 16% Geladeira Freezer Fogão Máquina de lavar Secadora Microondas Aquecedor TV Lamp. incandescente Modo de espera Restante Início Detecção de Evento Filtro de Eventos Classificadores
Cálculo do consumo de energia
Relatório
2) Participação de programas de responsabilidade sobre a demanda [17]. Em [18], a resolução da Agência Nacional de Energia Elétrica (ANEEL) na Audiência Pública n. 43/2010 estabelece que consumidores residenciais possam aderir à Tarifa Branca, que propõe estimular o consumo em horários em que a tarifa é reduzida, diminuindo o valor da fatura e a necessidade de expansão da rede de distribuição para atendimento do horário de pico.
3) Segurança residencial. Um exemplo é identificar ações que desviem do padrão de consumo de energia. Por exemplo, determinado consumidor viaja e detecta-se a abertura do portão da garagem, falha no motor da geladeira, luzes de segurança queimadas, ou mesmo, alta taxa de processamento do aquecedor [1]. Nestes casos, o sistema envia mensagens ao proprietário e também, dependendo do tipo de serviço vinculado, empresas de segurança são acionadas para vistoriar o local.
4) Eficiência das cargas residenciais em relação à energia consumida. Por exemplo, o consumo elevado de uma geladeira, provavelmente pode ser caracterizado por vazamentos na tubulação, ou mesmo problemas com a vedação das portas. Outra função do monitoramento é identificar cargas que consomem muita energia ou são pouco eficientes. Assim, um relatório para informar e alertar o consumidor quanto aos consumos de grande porte (e.g. chuveiro, fogão elétrico) e baixa eficiência (e.g. geladeira com vazamentos) pode ser emitido.
Outras aplicações disponíveis para a análise de distúrbios elétricos envolvem o setor comercial e industrial. A partir da aquisição de sinais nestes ambientes é possível estabelecer métricas e identificar eventos que desviem do valor de consumo esperado.
V.CONCLUSÃO
A avaliação dos distúrbios elétricos gerados a partir do monitoramento de cargas residenciais permite obter informações importantes para se determinar o padrão de consumo das residências, bem como definir métodos para que a energia possa ser consumida de forma mais consciente.
Outro importante aspecto na análise dos distúrbios elétricos é a possibilidade de se determinar a contribuição harmônica de cada carga, e dessa forma, determinar a eficiência no consumo de energia.
A mudança de hábito dos consumidores após a identificação do padrão de consumo de sua residência pode ter impacto significativo para todo o sistema de energia, visto que ao fazer um deslocamento de carga e aplicar programas de responsabilidade sobre a demanda, tanto os consumidores terão economia em sua tarifa de energia, como as concessionárias não necessitarão expandir a rede para atender a alta demanda em horário de pico, aplicando uma tarifa diferenciada (Tarifa Branca) para quem se adequar a tais exigências.
Por fim, tem-se que a avaliação de tais distúrbios é importante em um futuro próximo, onde o consumo de
energia não se tratará apenas de uma questão financeira, mas também de gerenciamento de recursos naturais.
VI.REFERÊNCIAS
[1] G. W. Hart, "Nonintrusive appliance load monitoring" Proceedings
of the IEEE, vol. 80, no. 12, pp. 1870-1891, Dec 1992.
[2] F. Sultanem, "Using appliance signatures for monitoring residential loads at meter panel level," IEEE Transactions on Power Delivery, vol.6, no.4, pp. 1380-1385, Oct 1991.
[3] C. Laughman; L. Kwangduk; R. Cox; S. Shaw; S. Leeb; L. Norford; P. Armstrong, "Power signature analysis", Power and Energy
Magazine, IEEE, vol. 1, no. 2, pp. 56-63, 2003.
[4] S. Leeb; J. L. Kirtley Jr.; M. S. LevVan; J. P. Sweeney, “Development and Validation of a Transient Event Detector”, AMP Journal of Technology, vol. 3, pp. 69-74, Nov 1993.
[5] S. B. Leeb; S. R. Shaw; J. L. Kirtley Jr., "Transient event detection in spectral envelope estimates for nonintrusive load monitoring," IEEE
Transactions on Power Delivery, vol. 10, no. 3, pp. 1200-1210, Jul
1995.
[6] M. Dong; P. C. M. Meira; W. Xu; W. Freitas, "An Event Window Based Load Monitoring Technique for Smart Meters", IEEE Transactions on Smart Grid, vol. 3, no. 2, pp. 787-796, June 2012. [7] A. S. Ardeleanu; C. Donciu, "Nonintrusive load detection algorithm
based on variations in power consumption," International
Conference and Exposition on Electrical and Power Engineering (EPE), pp. 309-313, Oct. 2012.
[8] J. Liang; K. K. S. Ng; G. Kendall; J. W. M. Cheng, "Load Signature Study - Part I: Basic Concept, Structure, and Methodology", IEEE Transactions on Power Delivery, vol. 25, no. 2, pp. 551-560, April 2010.
[9] H. H. Chang; K. L. Chen; Y. P. Tsai; W. J. Lee, "A new measurement method for power signatures of non-intrusive demand monitoring and load identification," 2011 IEEE Industry
Applications Society Annual Meeting (IAS), pp.1-7, Oct. 2011.
[10] A. G. Ruzzelli; C. Nicolas; A. Schoofs; G. M. P. O'Hare, "Real-Time Recognition and Profiling of Appliances through a Single Electricity Sensor," 2010 7th Annual IEEE Communications Society Conference
on Sensor Mesh and Ad Hoc Communications and Networks (SECON), pp. 21-25, June 2010.
[11] H. Chang; P. Chien; L. Lin; N. Chen, "Feature Extraction of Non-intrusive Load-Monitoring System Using Genetic Algorithm in Smart Meters," 2011 IEEE 8th International Conference on
e-Business Engineering (ICEBE), pp. 299-304, Oct. 2011.
[12] Z. Wang; G. Zheng, "New method for non-intrusive data extraction and classification of residential appliances," 2011 Chinese Control
and Decision Conference (CCDC), pp. 2196-2201, May 2011.
[13] P. Chou; C. Chuang; R. Chang, "Automatic appliance classification for non-intrusive load monitoring," 2012 IEEE International
Conference on Power System Technology (POWERCON), pp.1-6,
Nov 2012.
[14] S. K. K. Ng; J. Liang; J. W. M. Cheng, "Automatic appliance load signature identification by statistical clustering", 8th International
Conference on Advances in Power System Control, Operation and Management (APSCOM 2009), pp. 1-6, Nov. 2009.
[15] Z. Wang; G. Zheng, "Residential Appliances Identification and Monitoring by a Nonintrusive Method", IEEE Transactions on Smart
Grid, vol. 3, no. 1, pp. 80-92, March 2012.
[16] J. T. Chiang; T. Zhang; B. Chen; Y. Hu, "Load disaggregation using harmonic analysis and regularized optimization", 2012 Asia-Pacific Signal & Information Processing Association Annual Summit and Conference (APSIPA ASC), pp. 1,4, Dec. 2012.
[17] D. Rahayu; B. Narayanaswamy; S. Krishnaswamy; C. Labbe; D. P. Seetharam, "Learning to be energy-wise: Discriminative methods for load disaggregation," 2012 Third International Conference on Future
Energy Systems: Where Energy, Computing and Communication Meet (e-Energy), pp.1-4, May 2012.
[18] ANEEL. Audiência Pública n. 043/2013. Tarifa Branca. Disponível: <http://www.aneel.gov.br/aplicacoes/audiencia/arquivo/2013/043/do cumento/minuta_ren_tarifa_branca5.pdf>. Acesso: ago/2013.
