Desagregação de cargas no contexto smart grid

i

Jézer Oliveira Pedrosa

DESAGREGAÇÃO DE CARGAS NO

CONTEXTO SMART GRID

iii

Jézer Oliveira Pedrosa

DESAGREGAÇÃO DE CARGAS NO

CONTEXTO SMART GRID

Dissertação apresentada à Faculdade de Tecnologia da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestre em Tecnologia, na Área de Tecnologia e Inovação.

Orientador: Prof. Dr. Rangel Arthur

Coorientador: Prof. Dr. Francisco José Arnold

Este exemplar corresponde à versão final Dissertação defendida pelo aluno Jézer Oliveira Pedrosa, e orientada pelo prof. Dr. Rangel Arthur

_______________________________

Limeira, 2015

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE TECNOLOGIA

MESTRADO EM TECNOLOGIA

vi

Resumo

Neste trabalho é criada uma base de dados de sinais de corrente de cargas domésticas e é proposta uma técnica para a identificação dessas cargas, etapa necessária para a desagregação das cargas dentro do contexto SMART GRID. A técnica de desagregação proposta baseia-se no uso de redes neurais e na transformada wavelet. A identificação das cargas elétricas tem como objetivo a descoberta de qual equipamento está ligado na rede elétrica. Dessa forma é possível calcular separadamente quanto cada equipamento está consumindo de energia elétrica. Os resultados obtidos a partir das informações extraídas com o emprego dos algoritmos propostos são discutidos e apresentados. Os algoritmos de processamento e identificação das cargas via redes neurais e transformada wavelet foram desenvolvidos no ambiente do MATLAB. Os resultados encontrados comprovam a eficácia da técnica proposta.

Palavras-chave: Desagregação de cargas, SMART GRID, Redes Neurais e Transformada

vii

Abstract

This work aims to create a current signal database of domestic loads and proposes a technique for identifying such loads, necessary step for the disaggregation of loads in the Smart-grid context. The disaggregation of the proposed technique is based on the use of neural networks and wavelet transform. The identification of electrical loads aims to discover what equipment is connected to utility power. Thus it is possible to calculate separately for each device is consuming electricity. The results obtained from the information derived from the proposed algorithms are discussed and presented. The algorithms processing and load identification by wavelet and neural networks were developed using MATLAB environment. The results prove the efficiency of the proposed technique.

viii

Sumário

Lista de Figuras ... xii

Lista de Tabelas ... xv

Lista de Abreviaturas e Siglas ...xvii

1 INTRODUÇÃO ... 1 1.1. Motivação ... 1 1.2. Objetivo ... 2 1.3. Contribuições do trabalho ... 2 1.4. Organização do documento ... 3 2 REVISÃO DA LITERATURA ... 4 2.1 Qualidade de Energia ... 4

2.2 Trabalhos sobre Qualidade de Energia ... 9

2.3 Smart Grid ... 11

2.4 Smart House ... 15

2.5 Sistemas de monitoração ... 16

2.6 Transformadas Wavelet ... 16

2.7 Redes neurais e estimação da carga ... 22

2.8 Técnicas de Desagregação de Cargas ... 28

3 MATERIAIS E MÉTODOS ... 36

3.1 Aquisição dos sinais ... 36

ix 4 TESTES E RESULTADOS ... 56 5 CONCLUSÕES ... 62 5.1 Trabalhos Futuros ... 63 REFERÊNCIAS ... 64 ANEXO ...69

x

Dedico este trabalho a minha querida esposa, Priscila Trevisan Pedrosa, a Priscilinha, por compreender a necessidade e pelo incentivo à minha vida acadêmica, tornando possível a realização deste sonho.

xi

Agradecimentos

Agradeço a Deus sempre e em primeiro lugar por ter me dado a vida e por ter guiado meus passos para a realização de mais esta etapa na minha vida.

Aos meus pais Jair e Arilda que me ensinaram desde muito cedo que a escola é o caminho para o futuro.

Ao meu orientador Prof. Dr. Rangel Arthur, pela paciência, orientação, compreensão e apoio para que este trabalho se tornasse realidade.

Ao meu co-orientador Prof. Dr. Francisco José Arnold, pela participação e pelas contribuições feitas principalmente durante a etapa experimental.

A todos que de alguma forma contribuíram para o desenvolvimento do trabalho ao longo destes anos.

xii

Lista de Figuras

Figura 1. Distúrbios associados à Qualidade de Energia Elétrica... 06

Figura 2. Visão geral dos elementos de uma Smart Grids... 14

Figure 3. Comportamento em tempo e frequência de um sinal não- estacionário... 17

Figura 4. Representação das componentes de frequência do sinal de teste.... ₁₈

Figura 5. Resultados da STFT em alguns instantes de tempo do sinal de teste... 19 Figura 6. Produtos das resoluções de tempo e de frequência... ₂₀

Figura 7. Representação temporal da função modelo da wavelet Haar... 20 Figura 8. Sinal com um conjunto de funções obtidas a partir da mudança de escala e de uma função de base wavelet... 21 Figura 9. Rede Neural artificial ... ₂₃

Figura 10. Representação gráfica da função XOR... 25

Figura 11. Ponta de prova da Agilent usada no trabalho... 36

Figura 12. Osciloscópio Agilent usado no trabalho... 37

Figura 13. Corrente encontrada para a Lâmpada Fluorescente Compacta de 15W... 39 Figura 14. Corrente encontrada para o laptop... 39

Figura 15. Corrente encontrada para o microsystem funcionando com CD.... ₄₀

Figura 16. Corrente encontrada para o microsystem funcionando com rádio no volume alto... 40 Figura 17. Corrente encontrada para o microsystem funcionando com rádio no volume baixo... 41 Figura 18. Corrente encontrada para a Televisão de 14” em standby... 41

Figura 19. Corrente encontrada para a Televisão de 14” ligada... 42

Figura 20. Corrente encontrada para o liquidificador na velocidade 1... 42

xiii

Figura 22. Corrente encontrada para o liquidificador na velocidade 3... 43

Figura 23. Corrente encontrada para a lâmpada fluorescente compacta de 15W junto com a lâmpada incandescente de 40W... 44 Figura 24. Corrente encontrada para a lâmpada fluorescente compacta de 15W junto com a lâmpada incandescente de 60W... 44 Figura 25. Corrente encontrada para a lâmpada fluorescente compacta de 15W junto com a lâmpada incandescente de 40W e incandescente de 60W... 45 Figura 26. Corrente encontrada para a lâmpada incandescente de 40W junto com microsystem tocando CD... 45 Figura 27. Corrente encontrada para a lâmpada incandescente de 15W... 46

Figura 28. Corrente encontrada para a lâmpada incandescente de 40W... 46

Figura 29. Corrente encontrada para a lâmpada incandescente de 60W... 47

Figura 30. Corrente encontrada para a geladeira... 47

Figura 31. Corrente encontrada para o ventilador no mínimo... 48

Figura 32. Corrente encontrada para o ventilador no máximo... 48

Figura 33. Corrente encontrada para a torradeira... 49

Figura 34. Corrente encontrada para a lâmpadas incandescentes de 40W e 60W ligadas juntas... 49 Figura 35. Corrente encontrada para o chuveiro na posição verão... 50

Figura 36. Corrente encontrada para o chuveiro na posição inverno... 50

Figura 37: Sinal em frequência da lâmpada fluorescente compacta de 15W ... 51

Figura 38: Sinal em frequência da lâmpada incandescente de 60W mais fluorescente de 15W ... 51

Figura 39. Medição das cargas e criação de uma Rede Neural... 52

Figura 40. Simulação para identificação das cargas elétricas... 53

Figura 41. Lâmpada fluorescente compacta de 15W... 57

Figura 42. Lâmpada incandescente de 15W... 58

xiv

Figura 44. Lâmpada fluorescente compacta de 15W + lâmpada

incandescente de 40W + lâmpada incandescente de 60W... 59 Figura 45. Lâmpada fluorescente compacta de 15W + lâmpada

incandescente de 40W... 59 Figura 46. Lâmpada incandescente de 40W + Lâmpada incandescente de

60W... 60 Figura 47. Lâmpada fluorescente compacta de 15W + lâmpada

incandescente de 60W... 60 Figura 48. Lâmpada incandescente de 60W + microsystem tocando CD... ₆₁

xv

Lista de Tabelas

Tabela 1: Equipamentos utilizados nos testes ... 37 Tabela 2: Identificação de cargas somadas... 56

xvi

Lista de Abreviaturas e Siglas

Abreviações

kSa/s - Quilo-amostras por segundo

Siglas

IEDs - Intelligent Electronic Devices

ANEEL - Agência Nacional de Energia Elétrica

DEC - Duração Equivalente de Interrupção por Unidade Consumidora FEC - Frequência Equivalente de Interrupção por Unidade Consumidora RMS - Root Mean Square

QEE - Qualidade da Energia Elétrica DSP - Processador Digital de Sinais EOS - Estatísticas de Ordem Superior DWT - transformada wavelet discreta

ICT - Information & Communication Technology MDQE - Monitor Digital de Qualidade da Energia STFT - Short Time Fourier Transform

FFT - Fast Fourier Transform AMR - Análise em Multirresolução XOR - Ou-exclusivo

MLP - Perceptron Multi-Camadas AG - Algoritmo Genético

xvii

SVM - Máquinas de Vetor Suporte RN - Redes Neurais

RBF - Função de Base Radial CDM - Comittee Decision Mechanis CR - Similarity e Complementary Ratio

1

1

INTRODUÇÃO

1.1. Motivação

O desenvolvimento mundial está diretamente ligado à demanda mundial de energia elétrica. Muitas vezes esse crescimento é freado pela falta de energia. O desperdício, uso indiscriminado ou ainda desconhecimento do consumo dos equipamentos elétricos de uma residência podem ser listados como algumas das importantes causas da falta de energia elétrica no mundo.

Além disso, tem-se observado nos anos recentes uma distribuição irregular de chuvas no Brasil, fazendo com que nossos reservatórios permaneçam em níveis baixos e exigindo o funcionamento de usinas térmicas, que geram grandes níveis de poluição.

As cidades denominadas “inteligentes” figuram entre os principais anseios da sociedade moderna. Dentre as premissas das “cidades inteligentes” estão a interligação de sistemas de comunicação, o monitoramento de serviços e o uso racional e otimizado de energia.

De forma complementar ao conceito de “cidades inteligentes” surge o conceito de rede elétrica inteligente ou Smart Grid. Esse conceito é amplo e pode ser abordado de diferentes aspectos, mas sempre a fim de assegurar, eficiente e economicamente, um sistema de energia sustentável com baixas perdas e elevados níveis de qualidade e segurança de fornecimento.

A introdução do conceito de Smart Grid produz uma convergência entre a infraestrutura de geração, transmissão e distribuição de energia e a infraestrutura de comunicações digitais e processamento de dados. Esta última funciona como uma Internet de Equipamentos, interligando os chamados IEDs (Intelligent Electronic Devices) e trocando informações e ações de controle entre os diversos segmentos da rede elétrica. Essa convergência de tecnologias exigirá o desenvolvimento de novos métodos de controle, automação e otimização da operação do sistema elétrico, com forte tendência para utilização de técnicas de resolução distribuída de problemas baseadas na utilização de multiagentes [1]. As concessionárias de energia elétrica do Brasil necessariamente precisam se preparar para essa convergência.

2

Além da medição precisa do consumo de energia nas unidades consumidoras, também tem sido fator de preocupação das concessionárias de energia a determinação dos índices de qualidade da energia que a mesma fornece, conforme resolução nº 424 de 17 de Dezembro de 2010 da Agência Nacional de Energia Elétrica – ANEEL. Dessa forma é fundamental o desenvolvimento de sistemas que possam manter um acompanhamento contínuo das grandezas elétricas da rede de distribuição em vários pontos desta e também que sejam capazes de sinalizar de forma eficiente possíveis eventos de falha e sua localização.

Pensando no usuário final, a conta de energia elétrica em nenhum momento discrimina o quanto cada equipamento elétrico da residência consumiu e o efeito disso na conta de energia. Esta poderia ser uma forma eficiente de se estimular mudanças de hábitos e/ou a substituição de equipamentos por outros de consumo mais baixo. Partindo desse princípio, esta dissertação de Mestrado propõe um método para se analisar e se identificar as principais cargas elétricas em uma residência.

1.2. Objetivo

Este trabalho de Mestrado propõe um novo algoritmo para a desagregação de cargas a partir da medida de corrente dos equipamentos elétricos de uma residência. Uma base de dados foi criada para o treinamento das principais cargas presentes no Brasil e um método que utiliza coeficientes da transformada Wavelet e redes neurais permite a distinção da carga.

1.3. Contribuições do trabalho

As contribuições deste trabalho são listadas a seguir.

a) Revisão bibliográfica profunda sobre técnicas de desagregação de cargas.

b) Criação da base de dados com o comportamento das principais cargas em residências.

3

1.4. Organização do documento

No Capítulo 2 deste trabalho será apresentada uma revisão teórica geral com os conceitos de base para entendimento do trabalho. No Capítulo 3 serão apresentados os Materiais e Métodos, juntamente com os gráficos e toda a explicação para o algoritmo proposto. No Capítulo 4 estão os testes e resultados do método proposto. O trabalho é finalizado no Capítulo 5 com as conclusões relevantes.

4

2

REVISÃO DA LITERATURA

Neste capítulo serão apresentados os fundamentos teóricos necessários para o entendimento das propostas deste trabalho. Inicialmente são definidos alguns conceitos importantes relacionados à qualidade de energia elétrica, cujos parâmetros são estabelecidos pela ANEEL (Agência Nacional de Energia Elétrica) junto às concessionárias. Em seguida define-se o conceito de Smart Grid, que relaciona o monitoramento e o controle inteligente de todo o sistema de distribuição a partir de uma rede eficiente de comunicação. Restringindo um pouco mais o tema, é abordado o conceito de Smart Home, onde uma das premissas é o controle e o acompanhamento do consumo de equipamentos e aparelhos eletroeletrônicos da residência. Em seguida, é definido o monitoramento não-invasivo de cargas e os conceitos gerais de transformada Wavelet e redes neurais para estimativa de carga. Por fim, comenta-se sobre as técnicas de desagregação presentes atualmente na literatura.

2.1 Qualidade de Energia

Os princípios de qualidade de energia são estabelecidos principalmente para se descobrir e evitar pontos de desperdício e diminuir as perdas que geram menor lucro às concessionárias e, com isso, desestimulam maiores investimentos em setores que são dependentes dessa fonte, principalmente o setor industrial. Nos anos recentes, tem havido uma grande ênfase na modernização da indústria, com mais automação e equipamentos mais modernos. Isso geralmente significa controle eletrônico com eficiência energética de equipamento que é frequentemente muito mais sensível aos desvios no fornecimento da tensão que os seus antecessores eletromecânicos. Assim, tal como as lâmpadas piscando em residências, os clientes industriais são agora mais conscientes de pequenas perturbações no sistema elétrico. Pode haver uma grande quantidade de dinheiro associada com esses distúrbios [2].

Com o aumento de cargas não lineares no sistema elétrico, o problema da distorção harmônica tem se tornado cada vez mais significativo. Algumas medidas de conservação, tais como: a aplicação de inversores de frequência para controle da velocidade de motores, controladores de intensidade luminosa (dimmers), utilização de lâmpadas fluorescentes

5

compactas com reatores eletrônicos, controladores de potência para chuveiros, entre outros, podem interferir na qualidade do sistema elétrico, de forma a aumentar as perdas e até causarem danos e prejuízo aos consumidores e à concessionária [3].

Os aspectos considerados da qualidade do produto em regime permanente ou transitório são:

a) a continuidade do fornecimento, quantificada por meio da duração e da frequência das interrupções (índices DEC – Duração Equivalente de Interrupção por Unidade Consumidora e FEC – Frequência Equivalente de Interrupção por Unidade Consumidora) de fornecimento de energia;

b) o nível de tensão adequado, obtido por meio do controle dos limites mínimos e máximos de tensão dos consumidores, bem como de índice que avalie a frequência de violação dos mesmos limites para os consumidores conectados;

c) a distorção da forma de onda por meio da avaliação da presença de frequências harmônicas e de inter-harmônicas;

d) a regulação da tensão em torno dos valores nominais, mesmo com cargas variáveis, quantificando a amplitude e frequência das flutuações de tensão;

e) a frequência nominal da rede, que atualmente é estabelecida por meio do balanço de energia entre sistema produtor e consumidor;

f) o fator de potência, cujo valor mínimo atual (0,92) é regulamentado por meio de legislação específica;

g) o desequilíbrio entre fases, dado como valor percentual dos componentes de sequência negativa e zero, medidos em relação à sequência positiva [4].

Os distúrbios aos quais o sistema elétrico está exposto podem ser caracterizados de diversas maneiras: em função da duração do evento (curta, média ou longa duração), da faixa de frequências envolvidas (baixa, média ou alta frequência), dos efeitos causados (aquecimento, vibrações, cintilação luminosa, erro de medidas, perda de eficiência, redução da vida útil) ou de acordo com a intensidade do impacto (pequeno, médio ou grande impacto).

Para se fazer qualquer dessas classificações é preciso conhecer melhor as características de cada tipo de distúrbio, como pode ser visto resumidamente na Figura 1 e descrito com mais detalhes na sequência.

6

Figura 1. Distúrbios associados à Qualidade de Energia Elétrica [5]

a) Tensão normal; b) Surto de Tensão; c) Transitório Oscilatório de Tensão; d) Subtensão Momentânea; e) Interrupção Momentânea de Tensão; f) Sobretensão Momentânea; g) Distorção Harmônica; h) Cortes na Tensão

I- Variações Instantâneas de Tensão (Transient Voltages): São variações súbitas do valor

instantâneo da tensão. Em geral, dependem do montante de energia armazenada nos elementos do sistema no instante inicial da ocorrência e do comportamento transitório do sistema para atingir o seu novo ponto de operação.

Neste grupo estão incluídos os Surtos de Tensão, Transitórios Oscilatórios da Tensão e os Cortes na Tensão:

 Surtos de Tensão (Impulsive Transients): Usualmente causados por descargas atmosféricas, são caracterizados pelo tempo de subida (Tempo de Crista), tempo de caída (Tempo de Cauda) e pelo valor de pico da tensão. Em geral, os Surtos de Tensão têm polaridade unidirecional,

 Transitórios Oscilatórios de Tensão (Oscilatory Transients): São oscilações do valor instantâneo da tensão sobreposta ao seu valor instantâneo normal, à frequência fundamental. Em geral os Transitórios Oscilatórios são causados pelo chaveamento de equipamentos e linhas de transmissão,

7

 Cortes na Tensão (Notching): São descontinuidade do valor instantâneo da tensão causado geralmente pelos curtos-circuitos fase-fase durante a comutação da corrente entre as fases do sistema durante a operação normal dos conversores de potência. Normalmente são seguidos de transitórios oscilatórios e, quando forem periódicos, têm sido também analisados como distorção harmônica.

II- Variações Momentâneas de Tensão (Short Duration Voltage Variations): São variações

momentâneas no valor RMS (Root Mean Square) da tensão entre dois níveis consecutivos, com duração incerta, porém menor do que 1 minuto. Geralmente são causadas por curtos-circuitos no sistema elétrico e chaveamentos de equipamentos que demandam altas correntes de energização.

As Variações Momentâneas de Tensão podem ser classificadas como Subtensões e Sobretensões Momentâneas, e Interrupções Momentâneas de Tensão:

 Subtensões Momentâneas ou Afundamento Momentâneo de Tensão.(Voltage Sags): São reduções momentâneas do valor rms da tensão, em uma ou mais fases do sistema elétrico, para valores de tensão entre 10% e 90% da tensão nominal, e duração entre ½ ciclo e 1 (um) minuto,

 Sobretensões Momentâneas ou Elevações Momentâneas de Tensão (Voltage Swells): São elevações momentâneas do valor RMS da tensão, em uma ou mais fases do sistema, para valores de tensão superiores a 110% da tensão nominal, e duração entre ½ ciclo e 1 (um) minuto,

 Interrupções Momentâneas de Tensão (Short Duration Interruptions): São reduções do valor rms da tensão, em uma ou mais fases do sistema, para valores de tensão inferiores a 10% da tensão nominal, e duração entre ½ ciclo a 1 minuto,

Em termos de duração, as Variações Momentâneas de Tensão podem ser dividida em:

 De Curtíssima Duração (Instantaneous): Duração entre ½ ciclo e 30 ciclos,

 De Curta Duração (Momentary): Duração entre 30 ciclos e 3 segundos,

 Temporária (Temporary): Duração entre 3 segundos e 1 minuto.

III- Variações Sustentadas de Tensão (Long Duration Voltage Variation): São variações de valor

RMS da tensão entre dois níveis consecutivos, com duração incerta, porém maior que ou igual a 1 minuto. Em geral, são causadas pela entrada e saída de grandes blocos de carga, linhas de

8

transmissão e equipamentos de compensação de potência reativa (banco de capacitores e reatores).

As Variações Sustentadas de Tensão podem ser classificadas como Subtensão e Sobretensão Sustentada, e Interrupção Sustentada de Tensão:

 Subtensão Sustentada (Undervoltage): Para valores de tensão entre 10% e 90% da tensão nominal,

 Sobretensão Sustentada (Overvoltage): Para valores de tensão superiores a 110% da tensão nominal,

 Interrupção Sustentada de Tensão (Sustained Interruption): Para. valores de tensão inferiores a 10% da tensão nominal ou faltas de tensão.

IV- Variações Momentâneas de Frequência (Power Frequency Variations): São pequenos

desvios momentâneos do valor da frequência fundamental da tensão decorrentes do desequilíbrio entre a geração da energia elétrica e a demanda solicitada pela carga. A sua duração e magnitude dependem essencialmente da dimensão do desequilíbrio ocorrido, da característica dinâmica da carga e do tempo de resposta do sistema de geração às variações de potência.

V- Distorção Harmônica Total (Tensão), Flutuação de Tensão, Cintilação e Desequilíbrio de

Tensão:

 Distorção Harmônica Total (Total Harmonic Distortion): Este termo tem sido usado tanto para os sinais de tensão como de corrente, para quantificar o nível de distorção da forma de onda com relação a forma de onda ideal (senoidal), à frequência fundamental,

 Flutuação de Tensão (Voltage Fluctuation): É uma série de Variações de Tensão sistemáticas e intermitentes dentro de uma faixa entre 95% e 105% da tensão nominal. Este termo tem sido usado de forma incorreta para se referir às Variações de Tensão e Cintilação,

 Cintilação (Flicker): É a impressão visual resultante da variação do fluxo luminoso nas lâmpadas elétricas submetidas às Flutuações de Tensão do sistema elétrico. Este efeito também pode ser notado em ambientes iluminados artificialmente que têm ventiladores de teto, embora isto não seja um problema afeto à QEE (Qualidade da Energia Elétrica),

9

 Desequilíbrio de Tensão (Voltage Imbalance): É a razão entre a componente de sequência negativa e a componente de sequência positiva da tensão do sistema (trifásico). É prática, embora incorreta, se medir o desequilíbrio de tensão por meio da medição das magnitudes das tensões de fase, sem levar em consideração os ângulos de fases entre elas. Um sistema com tensões de magnitudes iguais, porém com defasagens diferentes de 120º podem causar grandes desequilíbrios [5].

2.2 Trabalhos sobre Qualidade de Energia

Nesta subseção serão descritos de forma resumida alguns trabalhos encontrados na literatura que utilizam as mais variadas técnicas para detecção de perturbações e classificação da qualidade de energia elétrica.

Em [6] é proposta uma técnica de estimação de harmônicos para implementação em DSP (Processador Digital de Sinais) de baixo custo, que aborda uma nova técnica para a estimação de harmônicos (amplitude e fase) com reduzida complexidade computacional para implementação em DSP. A técnica utiliza demodulação do sinal seguida de filtragem. Como resultado, estimações de harmônicos em 1/2, 1 e 2 ciclos da componente fundamental foram obtidos. Resultados obtidos com sinais elétricos sintéticos e sinal real (medido) indicam que a técnica proposta é bastante interessante para implementação em DSP de baixo custo. A adequação da técnica para implementação em precisão finita é avaliada por meio da utilização do DSP TMS320F2812.

Em [7] é apresentado um sistema de detecção e classificação de distúrbios de qualidade da energia elétrica (QEE) que se baseia na decomposição do sinal de tensão em dois novos sinais, referentes à componente fundamental e ao sinal de erro. Em seguida, utiliza Estatísticas de Ordem Superior (EOS) para extrair parâmetros representativos de cada classe para simplificar o algoritmo de detecção e classificação. Como detector é utilizado um algoritmo baseado na teoria de Bayes e para implementar o algoritmo de classificação utilizou-se uma rede neural artificial. O sistema foi testado em simulações para seis classes de distúrbios, apresentando uma eficiência global próxima a 100% para tais distúrbios.

10

Em outro trabalho [8], o problema da detecção de distúrbios em aplicações de monitoramento da qualidade da energia elétrica quando o intervalo do sinal de tensão analisado corresponde a submúltiplos de um ciclo da componente fundamental do sinal elétrico de potência. Além disso, uma técnica para detecção de distúrbios em sinais monofásicos, quando a versão discreta da mesma é constituída de pelo menos 16 amostras, é proposta. Esta técnica de detecção faz uso de um filtro notch (rejeita faixa) de 2ª ordem para decompor o sinal de tensão em duas componentes. A partir destas componentes, parâmetros baseados em estatística de ordem superior são extraídos e, a seguir, os mesmos são usados como vetor de parâmetros pelo detector de Bayes baseado no critério da máxima verossimilhança. A grande vantagem da técnica proposta é que de acordo com a taxa de amostragem usada na aquisição do sinal, pode-se detectar a presença de distúrbios em intervalos de tempo bastante reduzidos.

O desempenho da técnica proposta em [8] foi analisada pelos autores com banco de dados sintéticos e reais e comparado com o desempenho de outra técnica de detecção encontrada na literatura. Os resultados numéricos evidenciam que a técnica de detecção proposta apresenta desempenho bastante satisfatório quando aplicados aos bancos sintéticos e reais. Finalmente, a análise comparativa entre as duas técnicas indica que a técnica proposta apresenta desempenho superior em todos os quesitos de análise de desempenho.

Em [9] objetivou-se desenvolver, implementar e caracterizar um dispositivo para monitorar energia na rede elétrica monofásica em baixa tensão. O protótipo desenvolvido teve por base um kit de desenvolvimento com um processador digital de sinal (DSP) e uma placa de circuito impresso com circuitos adicionais. No DSP foram programados os algoritmos necessários para detecção e classificação de várias perturbações que costumam ocorrer na rede elétrica. Foi também implementada uma fonte de alimentação para alimentar todo o sistema.

O analisador de qualidade de energia foi capaz de detectar perturbações na rede elétrica e, ao mesmo tempo, não consumir elevados recursos computacionais. Para isso, os métodos de análise da qualidade de energia são implementados num processador de sinal digital (DSP) para monitorizarão da rede em tempo real.

A aplicação de todos os algoritmos, sejam os de análise do sinal, sejam os de detecção de perturbações, funcionam corretamente. Todos produziram resultados viáveis e, fundamentalmente, contribuíram para o bom funcionamento do analisador, isto e, foram detectadas perturbações simuladas ou reais da rede elétrica, com valores de amplitude e de

11

duração bem definidos. As operações morfológicas são habitualmente usadas para análise de imagens que podem ter um papel importante em medições de qualidade de energia. Devido à forma como foram implementados os algoritmos, os níveis de limite podem ser facilmente ajustados para níveis de maior sensibilidade, caso o programador assim o pretenda [9].

O método proposto em [10] detecta transitórios, distorções na forma de onda e perturbações de curta e longa duração, perturbações como sags ou swells. O método foi desenvolvido com atenção especial para a sua adequação para implementação em um processador digital de sinal (DSP) e para a operação em tempo real. O método proposto emprega dois conjuntos de algoritmos. Filtragem digital e morfologia matemática são utilizadas em caso de transitórios e distorções de forma de onda e que, em caso de distúrbios de curta e longa duração (como sags, swells ou interrupções) a análise do valor eficaz RMS da tensão é utilizado.

O desempenho do método proposto em [10] foi verificado durante um tempo longo de monitoramento de um sistema de energia monofásico. Em comparação com as soluções baseadas na transformada wavelet discreta (DWT), o método proposto é mais simples e exige menos gasto computacional. Enquanto a DWT requer decomposição até níveis mais elevados de decomposição (por exemplo, 6º nível), o método apresentado utiliza um filtro passa-alta simples e calcula o valor RMS do sinal de entrada para detectar uma ampla gama de perturbações em QEE. Todos os algoritmos utilizados pelo método proposto são adequados para a implementação e execução em um DSP com base no sistema de teste.

2.3 Smart Grid

Smart Grid é uma rede de eletricidade que pode integrar eficientemente o comportamento e as ações de todos os usuários conectados a ela, a fim de assegurar de forma econômica, um sistema de energia sustentável com baixas perdas e elevados níveis de qualidade e segurança de fornecimento.

Os consumidores serão capazes de exercer o controle sobre uso da energia que consomem e, exercer a sua responsabilidade ambiental, resultando em maior eficiência da energia elétrica.

Essa revolução dos padrões de rede atuais para este mais moderno e eficiente traz inúmeros benefícios a todos os consumidores de energia elétrica. O Ministério das Minas e

12

Energia do Brasil baixou uma portaria, Portaria nº 440, de 15 de abril de 2010, criando um Grupo de Trabalho com o objetivo de analisar e identificar ações necessárias para subsidiar o estabelecimento de políticas públicas para a implantação de um Programa Brasileiro de Rede Elétrica Inteligente - Smart Grid.

A Smart Grid faz com que esta transformação seja possível, trazendo novas filosofias, conceitos e tecnologias que permitem, por exemplo, o uso da internet sendo como uma utilidade da rede elétrica. Mais importante ainda, permite tecnologias existentes de outros setores da engenharia para a modernização da rede a fim de atingir seu pleno potencial [11].

A introdução do conceito de Smart Grid produzirá uma convergência acentuada entre a infraestrutura de geração, transmissão e distribuição de energia e a infraestrutura de comunicações digitais e processamento de dados. Esta última funcionará como uma Internet de Equipamentos, interligando os chamados IEDs (Intelligent Electronic Devices) e trocando informações e ações de controle entre os diversos segmentos da rede elétrica. Essa convergência de tecnologias exigirá o desenvolvimento de novos métodos de controle, automação e otimização da operação do sistema elétrico, com forte tendência para utilização de técnicas de resolução distribuída de problemas baseadas na utilização de multiagentes [1].

A construção de sistemas de geração, transmissão e distribuição de energia baseados no conceito Smart Grid necessariamente utiliza sistemas de telecomunicações para realizar suas funções essenciais.

Por se tratar de uma mudança na forma como a energia é entregue ao consumidor, o relacionamento da concessionária com o cliente será remodelada e a quantidade de informações disponíveis poderá mudar os hábitos de consumo e aumentar a qualidade dos serviços prestados. Essa mudança tecnológica atingirá vários setores da economia, desde a indústria até a especialização da mão-de-obra e poderá tornar a rede elétrica mais confiável [12].

Smart Grid é uma rede elétrica que, de uma forma inteligente, pode combinar as ações de todos ligados a ela – produtores, consumidores ou ambos – cujo objetivo é distribuir eficientemente o fornecimento sustentável, econômico e seguro de eletricidade.

Uma Smart Grid aplica produtos e serviços inovadores para monitoramento, controle e comunicação inteligentes com tecnologias auto-regeneradoras, para assim:

13

- Permitir que os consumidores tenham um papel ativo na otimização da operação do sistema; - Oferecer aos consumidores mais informação e escolha ampliada de fornecimento;

- Reduzir significativamente o impacto ambiental de todo o sistema de fornecimento elétrico; - Assegurar um nível avançado de confiança e segurança de fornecimento.

A implementação de uma Smart Grid deve ter em consideração, para além dos interesses tecnológicos, comerciais, de mercado, impacto ambiental, enquadramento regulamentar, aplicação normativa, ICT - Information & Communication Technology e estratégia de migração, também os requisitos sociais bem como decretos governamentais [13].

Algumas das características geralmente atribuídas à Smart Grid são:

- AutoRecuperação: capacidade de automaticamente detectar, analisar, responder e restaurar falhas na rede;

- Empoderamento dos Consumidores: habilidade de incluir os equipamentos e comportamento dos consumidores nos processos de planejamento e operação da rede;

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

- Qualidade de Energia: prover energia com a qualidade exigida pela sociedade digital; - Acomodar uma grande variedade de fontes e demandas: capacidade de integrar de forma transparente (plug and play) uma variedade de fontes de energia de várias dimensões e tecnologias;

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

- Resposta da demanda mediante a atuação remota em dispositivos dos consumidores; - Viabilizar e beneficiar-se de mercados competitivos de energia, favorecendo o mercado varejista e a micro-geração [14].

Dentro do contexto de Smart Grid, surgem algumas novas tecnologias que acabam se tornando características marcantes da rede, como mostrado na Figura 2, [14].

O interesse em monitorar a qualidade da energia elétrica que trafega pelo sistema de transmissão e de distribuição tem aumentado nas últimas duas décadas, uma vez que distúrbios causados principalmente por consumidores de grande porte começaram interferir na energia suprida aos demais consumidores, comprometendo cargas sensíveis tais como os sistemas de comunicação, de informática e outros.

14

Figura 2. Visão geral dos elementos de uma Smart Grids, extraído de [14]

Nos últimos anos, sobretudo com o surto da globalização e das privatizações dos setores elétricos, presenciou-se uma corrida para estabelecer indicadores capazes de avaliar em tempo real a qualidade da energia e que sejam válidos para qualquer tipo de instalação ou condição de fornecimento. O que se busca é extrair indicadores instantâneos que expressem realmente a qualidade da energia em um determinado ponto de análise, quando as condições locais de tensão e corrente estão muito afastadas das ideais de fornecimento e consumo.

Obtidos tais índices, torna-se possível por meio de limites preestabelecidos, monitorar localmente ou à distância a energia elétrica, qualificando e quantificando os distúrbios causados por um ou mais consumidores e/ou pelas próprias empresas que possuem concessões para geração, transmissão e distribuição de energia elétrica. Normas nacionais e internacionais apresentam uma série de definições e recomendações que podem e devem ser utilizadas para a avaliação da qualidade da energia [15].

Em [16] é mostrada a possibilidade de se combinar em um único instrumento, a monitoração dos principais indicadores de qualidade da energia. Tal instrumento foi denominado como Monitor Digital de Qualidade da Energia (MDQE).

15

Para isto utiliza-se de técnicas digitais de processamento, as quais tornam possível a monitoração em tempo real das grandezas de interesse [17].

A partir dessas definições este trabalho de Mestrado pode ser enquadrado no contexto de Smart Grid e da Portaria No. 440 que trata de redes inteligentes. Por ser um monitoramento no interior das residências será definido na próxima seção o conceito mais específico de Smart House.

2.4 Smart House

Segundo [18], o conceito de Smart House está relacionado ao termo “Domótica”, que resulta da junção da palavra latina “Domus” (casa) com “Robótica” (controle automatizado de algo). Esse último termo é que enriquece o sistema, tornando a vida diária das pessoas mais simples, satisfazendo as suas necessidades de comunicação, de conforto e segurança. Quando a domótica surgiu (com os primeiros edifícios, nos anos 80) pretendia-se controlar a iluminação, climatização, a segurança e a interligação entre os 3 elementos.

Nos nossos dias, a ideia base é a mesma, a diferença é o contexto para o qual o sistema está pensado: já não um contexto militar ou industrial, mas doméstico. Apesar de ainda ser pouco conhecida e divulgada, mas pelo conforto e comodidade que pode proporcionar, a domótica promete vir a ter muitos adeptos. Desta forma, permite o uso de dispositivos para automatizar as rotinas e tarefas de uma casa. Normalmente são feitos controles de temperatura ambiente, iluminação e som, distinguindo dos controles normais por ter uma central que comanda tudo, que às vezes é acoplada a um computador e/ou internet.

Dentro do conceito de Smart House, a otimização e o monitoramento de comportamento de consumo de cada equipamento é elemento fundamental, principalmente no momento em que fontes alternativas e localizadas de produção de energia, como as obtidas por placas fotovoltáicas, serão usadas em larga escala. A forma mais prática de se realizar esse monitoramento é a partir de técnicas não invasivas, que serão definidas na próxima seção.

16

2.5 Sistemas de monitoração

Uma das áreas de estudo dentro do conceito Smart Grid é a possibilidade de discriminação da conta de energia elétrica por equipamento ligado à instalação. A partir disso é possível saber em qual deles se está gastando mais e até mesmo analisar a eficiência de cada equipamento instalado na residência. Desse modo, é possível um uso mais racional ou até mesmo a substituição de algum equipamento.

Os diversos trabalhos na área têm pesquisado formas de identificar os equipamentos em uso para atribuir a sua parcela da energia consumida. Quando se utilizam técnicas como vídeos e gravações para se determinar o tipo de equipamento, a técnica é chamada de invasiva [27-29]. O grande problema dessa técnica é exatamente a questão da privacidade. Por outro lado, as técnicas não invasivas utilizam sensores para determinação dos estados dos equipamentos, mantendo assim a privacidade das pessoas [30].

Considerando que vários dos trabalhos para desagregação de cargas utilizam transformada wavelet e redes neurais, esses dois temas serão abordados nas seções seguintes. Em seguida será apresentada uma revisão bibliográfica das técnicas de desagregação.

2.6 Transformadas Wavelet

Para se extrair informações a partir de sinais e revelar a dinâmica de sinais, é necessária uma técnica adequada de processamento. Tipicamente, o processamento de sinais transforma um sinal do domínio de tempo para outro domínio, uma vez que a informação característica incorporada no domínio do tempo não pode ser facilmente observada na sua forma original [19]. Matematicamente, isto pode ser obtido por meio da representação do sinal no domínio do tempo como uma série de coeficientes, com base na comparação entre o sinal x(t) e funções de modelo {n(t)} na seguinte forma:

O produto interno entre as duas funções x(t) e n(t) é

17

O produto interno descreve uma operação para comparar a semelhança entre o sinal e a função modelo, ou seja, o grau de proximidade entre as duas funções. Isso é realizado por meio da observação das semelhanças entre a transformada wavelet e outras técnicas comumente usadas, em termos da escolha das funções modelo. Um sinal não-estacionário é mostrado na Figura 3 como exemplo. O sinal é composto por quatro grupos de trens de impulso. Nesses grupos, os sinais são compostos de duas frequências principais, 650 e 1500 Hz.

Figure 3. Comportamento em tempo e frequência de um sinal não-estacionário, modificado de [20]

Usando a notação de produto interno, a transformada de Fourier de um sinal pode ser expressa como

18

Supondo que o sinal tenha uma energia finita, pode ser reconstruído a partir de sua transformada.

A transformada de Fourier é essencialmente uma convolução entre a série temporal x(t) e uma série de funções seno e cosseno que podem ser vistas como funções modelo. A operação mede a semelhança entre x(t) e as funções de modelo, e expressa a informação de frequência média durante todo o período do sinal analisado, conforme mostrado na Figura 4.

Figura 4. Representação das componentes de frequência do sinal de teste, modificado de [20]

No entanto, esse sinal não revela como a frequência do sinal varia com o tempo, isto é, ela não revela se dois componentes de frequência estão presentes continuamente durante todo o tempo de observação ou apenas em determinados intervalos, como está implicitamente representada na representação de domínio de tempo. Como a estrutura temporal do sinal não é revelada, o mérito da transformada de Fourier é limitado e não é adequada para análise de sinais não estacionários.

Na Figura 5, a STFT (Short Time Fourier Transform), representada na figura por uma FFT (Fast Fourier Transform) é aplicada em um sinal com janela deslizante g(t), em alguns instantes de tempo dentro da janela. A janela é removida ao longo do tempo, e outra

19

transformação é realizada. O segmento de sinal dentro da função de janela é suposto como sendo estacionário. Como resultado, a STFT decompõe um sinal no domínio do tempo para um sinal 2D nos domínios de tempo-frequência, e as variações da frequência dentro da janela são mostradas.

Figura 5. Resultados da STFT em alguns instantes de tempo do sinal de teste, modificado de [20]

A STFT pode ser expressa como

De acordo com o princípio da incerteza, as resoluções de tempo e frequência da técnica STFT não podem ser escolhidas arbitrariamente, ao mesmo tempo.

Conforme mostrado na Figura 6, os produtos das resoluções de tempo e de frequência (isto é, a área de f) são as mesmas, independentemente do tamanho da janela ( or 0.5).

20

Figura 6. Produtos das resoluções de tempo e de frequência, modificado de [20]

A Transformada Wavelet é uma ferramenta que converte um sinal em uma forma diferente. Essa conversão revela as características escondidas no sinal original. A wavelet é uma pequena onda que tem uma característica em forma de onda oscilante e tem a sua energia concentrada no tempo.

A primeira referência à wavelet remonta ao início do século XX. A pesquisa de Harr em sistemas ortogonais de funções levou ao desenvolvimento de um conjunto de funções de base retangular. A wavelet Haar (Figura 7) foi denominada com base neste conjunto de funções, e é também a mais simples da família wavelet desenvolvida até hoje.

Figura 7. Representação temporal da função modelo da wavelet Haar, modificado de [20]

Em contraste com a STFT, a transformada wavelet permite tamanhos de janela e variáveis em análise de diferentes componentes de frequência dentro de um sinal. Para comparação, é mostrado na Figura 8 o sinal com um conjunto de funções obtidas a partir da mudança de escala e de uma função de base wavelet.

21

Figura 8. Sinal com um conjunto de funções obtidas a partir da mudança de escala e de uma função de base wavelet, modificado de [20]

A Transformada Wavelet pode ser expressa como

Por meio de variações de escala e deslocamentos temporais da função wavelet base, a transformada wavelet pode extrair os componentes ao longo de todo o seu espectro, usando pequenas escalas para a decomposição de partes de alta frequência e grandes escalas para análise de componentes de baixa frequência.

Por fim, a Análise em Multirresolução (AMR) é uma técnica que busca representar sinais por meio das decomposições em vários níveis, ou seja, dessa forma sinais complexos são decompostos em sinais mais simples que contenham características específicas do sinal original e com isso possam ser analisados individualmente. Essa técnica é baseada na DWT, na teoria de espaços lineares e suas formações [20].

O sinal é decomposto utilizando-se um filtro passa-baixa e outro passa-alta, gerando um determinado nível de aproximação que é acompanhado por uma quantidade de níveis de

22

detalhamento da mesma ordem do nível de aproximação. Por exemplo, no nível 7 da decomposição, há 1 sinal de aproximação e 7 níveis de detalhamento para o mesmo sinal. Para manter a mesma resolução, as componentes filtradas podem ser subamostradas sem perda de informação, isto é, ainda permitem a reconstrução perfeita do sinal original [21].

2.7 Redes neurais e estimação da carga

As redes neurais representam um importante recurso para as análises do setor elétrico em diferentes aplicações, principalmente para a predição de carga elétrica a ser demandada por uma região de consumidores [22-24]. Existem assim dois tipos de predição:

1. Short-Term: é uma previsão de carga em curtos intervalos de tempo, geralmente em torno de 24 horas.

2. Long-Term: é uma previsão de carga em intervalos maiores de tempo, desde um mês até anos na frente.

Neste trabalho as redes neurais serão aplicadas em um contexto diferente, para servir de base para o comportamento de coeficientes de transformadas wavelets.

Segundo [24] as redes neurais são modelos computacionais inspirados pelo sistema nervoso central de um animal (em particular o cérebro) que é capaz de realizar o aprendizado de máquina bem como o reconhecimento de padrões. Redes neurais artificiais geralmente são apresentadas como sistemas de "neurônios interconectados que podem computar valores a partir de entradas". Por exemplo, uma rede neural para o reconhecimento de escrita manual é definida por um conjunto de neurônios de entrada que podem ser ativados pelos pixels de uma imagem de entrada. As ativações desses neurônios são então repassadas, ponderadas e transformadas por uma função determinada pelo designer da rede, a outros neurônios. Esse processo é repetido até que, finalmente, um neurônio de saída é ativado. Isso determina que caractere foi lido.

Assim como outros métodos de aprendizado de máquina (inteligência artificial), sistemas que aprendem a partir dos dados, redes neurais têm sido usadas para resolver uma grande variedade de tarefas que são difíceis de resolver utilizando programação baseada em regras comuns, incluindo visão computacional e reconhecimento de voz.

23

O exemplo mais antigo de redes neurais são as redes perceptron, com uma camada de nós de saída, conectados às entradas por conjuntos de pesos. Essa topologia pode ser considerada a forma mais simples de rede forward. A soma dos produtos dos pesos pelas entradas é calculada por cada nó de saída e, se o valor calculado ultrapassar um certo limiar (geralmente 0), o neurônio dispara e ajusta a saída para o valor 1; se o valor calculado é menor que o limiar, a saída é ajustada para o valor -1. Neurônios com esse comportamento são chamados de neurônios de McCulloch-Pitts ou neurônios com limiar. Ao mesmo tempo, um algoritmo de aprendizado calcula a diferença entre a saída calculada e os dados de entrada e usa o valor da diferença para ajustar os pesos da rede.

Em 1949, Donald O. Hebb no livro The Organization of Behavior definiu o conceito de atualização de pesos sinápticos. Hebb deixou com seu estudo quatro pontos importantes [24]: 1. numa rede neural a informação é armazenada nos pesos;

2. o coeficiente de aprendizagem é proporcional ao produto dos valores de ativação do neurônio; 3. os pesos são simétricos (o peso da conexão de A para B é igual ao de B para A);

4. quando ocorre o aprendizado os pesos são alterados. Porém, apesar de todos os estudos feitos até então, o primeiro modelo de rede neural implementado foi o perceptron, por Frank Rosenblatt em 1958.

Uma Rede Neural artificial pode ser representada como mostra a Figura 9.

Figura 9: Rede Neural artificial, modificado de [25]

Função de ativação bias

pesos Entradas

24

O perceptron é uma rede neural simples: constitui-se de uma camada de entrada e uma camada de saída. A cada entrada existe um peso relacionado, sendo que o valor de saída será a soma dos produtos de cada entrada pelo seu respectivo peso. Como definido por McCullock e Pitts, o neurônio possui um comportamento tudo ou nada, logo, será necessário estabelecer uma função limiar que drena quando o neurônio estará ativo ou em repouso.

O trabalho de Rosenblatt também estabeleceu a base para os algoritmos de treinamento de modelos não supervisionados como o de Kohonen e para modelos supervisionados como o backpropagation [24]. Um modelo é dito supervisionado quando treina-se um modelo para uma saída pré-determinada, que define um dado padrão de entrada.

Apesar do impacto que teve o perceptron na comunidade de Inteligência Artificial, esse modelo foi fortemente criticado no livro de Minsky e Papert, Perceptrons . No livro os autores citam o exemplo de que o perceptron com uma simples camada não poderia simular o comportamento de uma simples função XOR (ou-exclusivo) [26]. Após a publicação dessa obra, iniciou o período conhecido como anos negros das redes neurais, pelo fato deste ter desencorajado novas pesquisas e desestimulado o estudo mais profundo desse campo. A seguir segue uma breve explicação do problema do XOR.

O perceptron é capaz de aprender tudo aquilo que ele consegue representar [26]; a partir disso surge a questão: o que ele consegue representar? O perceptron com somente duas camadas consegue representar toda função linearmente separável.

Suponhamos um plano (x,y) onde x e y são as entradas da rede e o ponto cartesiano (x,y) é o valor da respectiva saída, como mostra a Figura 10.

Como é possível perceber na Figura 10, não podemos traçar uma única reta (função linear) tal que divida o plano de maneira que as saídas com valor 0 sejam situadas de um lado da reta e as com valor 1 do outro. Entretanto, este problema pode ser solucionado com a criação de uma camada intermediária na rede e graficamente com uma estrutura em três (ou mais) dimensões.

25

Figura 10. Representação gráfica da função XOR, modificado de [26]

Em 1972, Teuvo Kohonen da Universidade de Helsinky definiu um novo modelo de rede neural, conhecido como mapa auto-organizável de características. Ao contrário do perceptron, ele não era limitado a valores binários, mas os valores das entradas, dos pesos e das saídas poderiam ser contínuos.

Além disso, ao invés da saída da rede ser representada pela atuação de um simples neurônio vencedor (ativado), Kohonen estabeleceu um grande número de neurônios para representar o padrão de entrada, sendo que esse número é alcançado pela influência do neurônio vencedor aos seus vizinhos. Em outras palavras, não há apenas um neurônio responsável pela representação do padrão de entrada, mas sim um conjunto de neurônios que interagem entre si.

Todavia, a grande importância do trabalho de Kohonen foi ter introduzido um novo paradigma no estudo das Redes Neurais: o aprendizado não supervisionado, segundo o qual a rede não precisa ficar sendo comparada constantemente a um valor de saída durante a fase de aprendizado. Até o início da década de 80, os modelos de redes neurais implementados poderiam ser classificados em dois tipos: feedback, onde a rede, partindo de um estado inicial, chega ao estado final de aprendizado através de iterações, na qual as saídas são canalizadas para as entradas e feedforward, a qual transforma um conjunto de sinais de entrada em sinais de saída. O modelo de Kohonen veio a ser um novo paradigma, alternativo, para as redes neurais.

Em 1982 houve uma nova evolução nos trabalhos das redes neurais iniciado pela criação do modelo de Hopfield, desenvolvido pelo físico John Hopfield.

Esse modelo se caracteriza por ser do tipo feedback, isto é, há uma conexão das entradas com as saídas. Por esse motivo, estas redes dificilmente chegam a um estado instável, ou seja, chegará um momento em que a saída, após oscilar entre alguns valores binários, será sempre a

26

mesma para um mesmo padrão de entrada. Hopfield, para demonstrar esse fato, utilizou o exemplo de uma função matemática que decresce a cada vez que a rede troca de estado, consequentemente, chegará um momento em que essa função alcançará um valor mínimo e não será mais alterada. Esse é o momento em que a rede alcançou a estabilidade.

A rede de Hopfield pode ser comparada a um modelo físico, onde a cada troca de estado da rede a energia da mesma diminui, portanto, a fase de aprendizado chegará ao fim no momento em que a rede tiver a sua energia minimizada.

O algoritmo de aprendizado supervisionado mais conhecido para treinamento de redes Perceptron Multi-Camadas (MLP) é o algoritmo backpropagation. Primeiramente, apresenta-se à rede um exemplo que flui através dela, camada por camada, até que a resposta seja produzida pela camada de saída (forward). No segundo passo, a saída obtida é comparada à saída desejada. Se esta não estiver correta, o erro é calculado. O erro é propagado a partir da camada de saída até a camada de entrada, e os pesos das conexões das unidades das camadas internas vão sendo modificados conforme o erro é retropropagado (backward).

A maioria dos métodos de aprendizado para Redes Neurais Artificiais do tipo MLP utiliza variações desse algoritmo.

Passos do algoritmo backpropagation: 1. Inicializar pesos e parâmetros;

2. Repetir até o erro ser mínimo ou até a realização de um dado número de ciclos;

3. Para cada padrão de treinamento X

3.1 Definir saída da rede por meio da fase forward; 3.2 Comparar saídas produzidas com as saídas desejadas; 3.3 Atualizar pesos dos nós por meio da fase backward.

Fases forward e backward: Fase forward:

Esta fase é utilizada para definir a saída da rede para um dado padrão de entrada. Passos:

1. A entrada é apresentada à primeira camada da rede, a camada C0; 2. Para cada camada Ci a partir da camada de entrada:

27

2.1. Após os nós da camada Ci (i > 0) calcularem seus sinais de saída, estes servem como entrada para a definição das saídas produzidas pelos nós da camada Ci+1; 3. As saídas produzidas pelos nós da última camada são comparadas às saídas desejadas.

Fase Backward:

Essa fase utiliza a saída desejada e a saída fornecida pela rede para atualizar os pesos de suas conexões.

Passos:

1. A partir da última camada, até chegar à camada de entrada:

1.1. Os nós da camada atual ajustam seus pesos de forma a reduzir seus erros;

1.2. O erro de um nó das camadas intermediárias é calculado utilizando os erros dos nós da camada seguinte conectados a ele, ponderados pelos pesos das conexões entre eles.

O desempenho do algoritmo de aprendizagem backpropagation está condicionado tanto à modelagem adotada na rede neural artificial quanto ao conjunto de dados utilizados no processo de ajuste dos pesos sinápticos entre as conexões da rede.

O perceptron teve sua validade provada no modelo backpropagation, que possibilitou a implementação da terceira camada necessária para o aprendizado do XOR. Utilizando uma rede de neurônios como os utilizados no perceptron, o backpropagation realiza uma retropropagação do erro da saída para as camadas anteriores. O erro é o resultado da comparação entre a saída desejada (pré-definida) e a saída real da rede. Com esta retropropagação, juntamente com uma função limiar de valores fracionários (fugindo ao tudo ou nada), é possível a representação de funções não-lineares, permitindo o treinamento da função XOR. Por esse fato, o backpropagation tornou-se uma das redes mais utilizadas, dado seu amplo espectro de representações possíveis.

Vários outros modelos foram criados desde então, embora estes citados anteriormente foram os mais destacados por terem sido os precursores e por terem definidos os paradigmas de modelos de redes neurais existentes hoje.

28

2.8 Técnicas de Desagregação de cargas

Nesta seção são apresentadas algumas das principais propostas para se realizar a desagregação de cargas presente na literatura. Os trabalhos nessa área datam de meados da década de 80, mas cresceram significativamente nos últimos anos. As técnicas de desagregação podem ser realizadas de duas formas: invasiva e não-invasiva.

Na forma invasiva, podem ser destacados alguns trabalhos, entre eles [27-29] que usam filmadoras para acompanhar os hábitos de consumo nas residências. Apesar de retornarem resultados muito precisos, o custo de instalação desses equipamentos e do pós-processamento, além da invasão de privacidade tornam essas técnicas proibitivas. Ainda nessa linha, é proposto em [30] o uso de sensores para se detectar mudanças de estado de energização de equipamentos, armazenando essas informações em uma central. Essa técnica é vantajosa em relação à privacidade, porém a necessidade de energização e de manutenção dos sensores, além do problema estético, dificultou a adoção pelos consumidores.

A técnica escolhida para este trabalho de Mestrado, que utiliza uma aquisição não invasiva, possui diversas vantagens em relação às técnicas comentadas anteriormente. Dentre essas vantagens podem ser citados o uso da infraestrutura já existente nas casas, com sensores que dispensam energização e ainda esteticamente interessantes.

Um dos primeiros trabalhos que utilizou a abordagem não-invasiva [31] propôs o uso de um único medidor em uma tomada da residência, juntamente com o envio das informações à concessionária por meio de canal telefônico. Nesse trabalho, o medidor detecta o aparelho da residência a partir da variação de potência ativa P e reativa Q consumida com a entrada em operação do aparelho. O equipamento é identificado quando o valor medido de P e Q do aparelho pertence a uma determinada faixa de valores de potências ativa e reativa de um banco de dados. Esse trabalho foi muito rico, no sentido de utilizar diversos equipamentos funcionando em diferentes modos de operação. Nota-se, porém, que a técnica proposta é limitada no sentido de não permitir a identificação do acionamento de cargas de baixa potência, além de não permitir a identificação de aparelhos com consumo não-linear, cuja mudança de valores de P e Q não são imediatas aos seus acionamentos.

29

O avanço dos equipamentos eletrônicos, principalmente os que utilizam fonte chaveada, fez com que a técnica baseada por meio do plano P e Q fosse abolida, uma vez que os harmônicos gerados por esses equipamentos geram sobreposição de cargas distintas. Em [32] foi proposto o uso da informação dessas harmônicas, de forma complementar à informação de P e Q. A comparação com a base de dados é então feita usando o critério de Máxima Verossimilhança. Pode-se concluir que a eficácia da técnica desse artigo não foi devidamente comprovada uma vez que poucos equipamentos utilizados nos estudos de caso e o uso único e não-justificado da 3ª harmônica fazem com que a técnica fique no campo teórico.

Em [33] utiliza-se a técnica do plano P e Q juntamente com um software de reconhecimento de padrões, para se criar classes respectivas a cada grupo de equipamentos com comportamento similar. Novamente, equipamentos que utilizam eletrônica avançada, como inversores de frequência, tiveram problema na identificação.

O trabalho [34] emprega técnicas de programação inteira para solucionar o problema de identificação dos equipamentos residenciais de forma não invasiva. A técnica desenvolvida utiliza apenas um ciclo do sinal de corrente para determinar a condição de operação do aparelho residencial. O interessante desse modelo é o fato de que ele atende razoavelmente bem os equipamentos de dois modos de operação (ligado ou desligado) e os com múltiplos modos de operação. Caso o aparelho tenha apenas dois modos de operação o algoritmo promove a identificação do mesmo por meio de um problema de minimização do erro quadrático entre o valor medido e o estimado. O equipamento da base de dados que apresentar o menor erro quadrático é a solução do problema, ou seja, o equipamento que se deseja identificar.

Por outro lado, quando o problema analisado possui equipamentos com múltiplos modos de operação são inseridas restrições no cálculo do erro quadrático, tais como tempo de operação. Apesar de ter obtido uma taxa de acerto da ordem de 96,2%, em alguns casos essa abordagem possui algumas desvantagens. Aparelhos com formas de onda similares provocam confusão no classificador, que acaba errando na inferência da condição de operação do equipamento, situação esta que é agravada pelo fato de se usar apenas um ciclo da forma de onda de corrente. Além disso, a única base de dados foi adquirida com os hábitos de consumo de um casal durante 6 dias, em horários distintos durante cada dia.

No trabalho [35] é aplicado Algoritmo Genético (AG) para separar um agregado de carga em várias cargas individuais para, a partir desse ponto, realizar as inferências necessárias para