Desagregação de consumo empregando filtro adaptado : estudo de caso em domicílios brasileiros

Faculdade de Engenharia Elétrica e de Computação

João Luiz Jucá

Desagregação de consumo empregando filtro

adaptado: estudo de caso em domicílios brasileiros

CAMPINAS 2020

Desagregação de consumo empregando filtro

adaptado: estudo de caso em domicílios brasileiros

Dissertação apresentada ao Programa de Pós-Graduação em Engenharia Elétrica da Facul-dade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas para obtenção do título de Mestre em Engenharia Elétrica, na área de Energia Elétrica.

Orientador: Prof. Dr. Madson Cortes de Almeida

Coorientador: Paulo César Magalhães Meira

Este exemplar corresponde à versão final da dissertação defendida pelo aluno João Luiz Jucá, e orientada pelo Prof. Dr. Madson Cor-tes de Almeida e coorientado pelo Dr. Paulo César Magalhães Meira.

CAMPINAS 2020

Biblioteca da Área de Engenharia e Arquitetura Luciana Pietrosanto Milla - CRB 8/8129

Jucá, João Luiz,

J877d JucDesagregação de consumo empregando filtro adaptado : estudo de caso em domicílios brasileiros / João Luiz Jucá. – Campinas, SP : [s.n.], 2020.

JucOrientador: Madson Cortes de Almeida. JucCoorientador: Paulo César Magalhães Meira.

JucDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação.

Juc1. Energia elétrica Consumo. 2. Eficiência energética. 3. Energia elétrica -Medição. 4. Monitoramento. 5. Processamento de dados. I. Almeida, Madson Cortes de, 1973-. II. Meira, Paulo César Magalhães, 1985-. III. Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação. IV. Título.

Informações para Biblioteca Digital

Título em outro idioma: Consumption disaggregation using adapted filter : case study in Brazilian households Palavras-chave em inglês: Eletricity - consumption Energy efficiency Electric measurement Monitoring Data processing

Área de concentração: Energia Elétrica Titulação: Mestre em Engenharia Elétrica Banca examinadora:

Madson Cortes de Almeida [Orientador] Rogério Andrade Flauzino

Ricardo Torquato Borges Data de defesa: 27-02-2020

Programa de Pós-Graduação: Engenharia Elétrica

Identificação e informações acadêmicas do(a) aluno(a)

- ORCID do autor: https://orcid.org/0000-0002-3878-1872 - Currículo Lattes do autor: http://lattes.cnpq.br/6071567135684067

Candidato: João Luiz Jucá RA: 024106

Data da Defesa: 27 de fevereiro de 2020

Título da Tese: “Desagregação de consumo empregando filtro adaptado: estudo de caso em

domicílios brasileiros”.

Prof. Dr. Madson Cortes de Almeida (Presidente, FEEC/UNICAMP)

Prof. Dr. Rogério Andrade Flauzino (EESC/USP)

Dr. Ricardo Torquato Borges (FEEC/UNICAMP)

A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora, encontra-se no SIGA (Sistema de Fluxo de Disencontra-sertação/Teencontra-se) e na Secretaria de PósGraduação da Faculdade de Engenharia Elétrica e de Computação.

Ao meu orientador e agora amigo Prof. Dr. Madson Cortes de Almeida por me permitir participar de sua equipe, pela companhia em inúmeros almoços, cafés e pelos valiosos conselhos, ao amigo Prof. Dr. Luiz Carlos Pereira da Silva pelo suporte e pela oportunidade de trabalhar em temas de eficiência energética ao meu coorientador, conselheiro e amigo Dr. Paulo Meira, sem o qual não teria retornado a FEEC e continuado os estudos e não menos importante aos colegas do LE23 por compartilhar conhecimento e momentos de descontração.

A minha esposa Thaís, sempre presente e me apoiando em todas as decisões, aos meu pais, responsáveis por eu ser o que sou e estar onde estou, aos pais e padrastos da Thaís por nos dar suporte sempre que precisávamos, a Malu e a Nina, minhas filhotas de quatro patas, responsáveis por me mostrar a pureza dos sentimentos.

À CPFL Energia pelo apoio financeiro recebido no contexto do Projeto PA-3020 (PD-00063-3020/2016), “Desenvolvimento de sistemas inteligentes para monitoramento, desagregação e análise de consumo utilizando tecnologias modernas de sensoriamento”, enquadrado no Programa de Pesquisa e Desenvolvimento da Agência Nacional de Energia Elétrica (ANEEL).

A busca pela eficiência energética passa pelo conhecimento e pelo acesso à informação. A desagregação de cargas consiste em obter informações como consumo e os horários de uso dos equipamentos elétricos de domicílios. Os métodos atuais de desagregação, baseados em redes neurais, apresentam resultados satisfatórios na detecção dos equipamentos, o que permite saber os horários de uso, mas falham na estimação da energia consumida. O método proposto neste trabalho destaca-se na estimação da energia consumida pelos principais dispositivos elétricos de uma residência. Nesse contexto são abordados três pontos: (i) o consumo contínuo ou em espera (standby) do domicílio, que é relativamente simples de medir, porém de difícil identificação, (ii) o estudo de caso de sistemas elétricos de aquecimento de água, que apresentam alto consumo e (iii) o estudo de caso do refrigerador, que é um eletrodoméstico presente em quase todos os domicílios brasileiros. Os dados de medição dos domicílios e a coleta de assinaturas elétricas dos equipamentos foi objeto de trabalho do projeto de pesquisa e desenvolvimento intitulado “PA3020 – Desagregação do Consumo de Energia Elétrica em Consumidores Residenciais”.

Os dados dos domicílios foram submetidos à metodologia proposta, que é composta por um filtro adaptado, um algoritmo de esparsificação para reduzir o espaço amostral de um universo de milhares para dezenas, um algoritmo agrupador de sequências de liga e desliga e, por fim, um estimador de consumo, alcançando 50% ou mais de reconhecimento de cargas em domicílios com sistemas elétricos de aquecimento de água.

Palavras-chave: energia elétrica - consumo, eficiência energética, energia

The search for energy efficiency involves knowledge and access to information. The disaggregation of loads consists of obtaining information such as consumption and the times of use of household electrical equipment. Current methods of disaggregation, based on neural networks, show satisfactory results in the detection of equipment, which allows to know the times of use, but fail to estimate the energy consumed. The method proposed in this work stands out in the estimation of the energy consumed by the main electrical devices of a residence. In this context, three points are addressed: (i) the continuous or standby consumption of the home, which is relatively simple to measure, but difficult to identify, (ii) the case study of electric water heating systems, which present high consumption and (iii) the refrigerator case study, which is an appliance present in almost all Brazilian households. The measurement data of households and the collection of electrical signatures of the equipment was the object of work of the research and development project entitled “PA3020 - Disaggregation of Electricity Consumption in Residential Consumers”. Household data were submitted to the proposed methodology, which consists of an adapted filter, a sparing algorithm to reduce the sample space from a universe of thousands to tens, an on and off sequence grouping algorithm and, finally, a consumption estimator, reaching 50% or more of charge recognition in households with electric water heating systems.

Keywords: electricity - consumption, energy efficiency, electric measurement,

1.1 Modelos de monitoração: (a) Monitoração não intrusiva, (b) Monitoração

semi intrusiva e (c) Monitoração intrusiva. . . 15

2.1 Evolução do interesse em NILM. . . 19

2.2 Gráfico de consumo de diversos tipos de equipamentos: (1) ON/OFF – chaleira; (2) FSM – refrigerador; (3) carga variável – ar-condicionado inverter. 20 2.3 Potência ativa e reativa total de uma residência no tempo. . . 21

2.4 Plano bidimensional de potência com as variações de potência ativa maiores que 100 W. . . 21

3.1 Fluxograma simples das etapas do método proposto. . . 30

3.2 Fluxograma do filtro adaptado. . . 32

3.3 Exemplos de séries de dados coletados pelo medidor empregado. . . 34

3.4 Exemplo de esparsificação. . . 37

3.5 Ajuste da lista de eventos. . . 39

3.6 Cálculo do tempo de operação do equipamento. . . 40

4.1 Energia acumulada por cargas contínuas ou standby. . . 44

4.2 Assinatura elétrica de um sistema reserva de aquecimento. . . 47

4.3 Desagregação do sistema de reserva do boiler pela assinatura de potência ativa. . . 47

4.4 Legenda para figuras de ilustração dos eventos. . . 48

4.5 Energia consumida pelo boiler por dia. . . 48

4.6 Desagregação de consumo do boiler em dia atípico. . . 49

4.7 Desagregação de sistema de aquecimento de água com assinatura ajustada. 50 4.8 Assinatura elétrica de um refrigerador separado em transitório de aciona-mento, operação e transitório de desligamento. . . 53

4.9 Desagregação do refrigerador pela assinatura de potência ativa. . . 54

4.10 Desagregação do refrigerador pela assinatura de potência reativa. . . 54

4.11 Desagregação do refrigerador pela assinatura de P com potências das duas fases somadas. . . 54

4.12 Desagregação do refrigerador pela assinatura de Q com potências das duas fases somadas. . . 55

4.13 Energia consumida pelo refrigerador por dia. . . 56

4.14 Detalhamento do processo de desagregação do refrigerador no dia da mu-dança de configuração de temperatura. . . 56

4.15 Energia consumida pelo refrigerador por dia com ajuste na assinatura a partir do dia 25/06. . . 57

4.17 Ciclos de operação de refrigeradores de diferentes datasets. . . 58

4.18 Desagregação de um domicílio do dataset REDD com a assinatura elétrica de um refrigerador brasileiro com assinatura de potência ativa ajustada. . . 59

4.19 Detalhe com divergência entre os dados do medidor concentrado e o medidor localizado na tomada do refrigerador (dataset REDD [21]). . . 60

4.20 Estrutura de apresentação dos resultados fracionados e agregados. . . 61

4.21 Desagregação domicílio 1. . . 63 4.22 Desagregação domicílio 2. . . 63 4.23 Desagregação domicílio 3. . . 64 4.24 Desagregação domicílio 4. . . 64 4.25 Desagregação domicílio 5. . . 65 4.26 Desagregação domicílio 6. . . 65 4.27 Desagregação domicílio 7. . . 66

5.1 Ilustração simbólica de diversas curvas de operação de um refrigerador normalizadas frente ao tempo: curva completa (inferior), segmento de ativa-ção (esquerda), segmento de operaativa-ção (centro), e segmento de desativaativa-ção (direita). . . 70

A.1 Blocos estruturais da desagregação proposta . . . 77

A.2 Exemplo de uma classificação com k-NN . . . 78

A.3 Gráfico de operação de um refrigerador . . . 80

A.4 Operação do refrigerador no plano potência ativa versus potência reativa . 81 A.5 Estrutura dos dados . . . 82

2.1 Resumo das bases de dados de equipamentos. . . 23

2.2 Resumo das bases de dados de residências. . . 25

4.1 Energia de standby/vampira em datasets diferentes. . . 43

4.2 Consumo energético de aquecimento de água elétrico no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]). . 46

4.3 Impacto do consumo de aquecimento de água elétrico no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]). . 46

4.4 Impacto no consumo de um sistema auxiliar de aquecimento no consumo total do domicílio monitorado. . . 49

4.5 Consumo médio de refrigerador, de acordo com o Procel. . . 51

4.6 Impacto do consumo do refrigerador no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]). . . 52

4.7 Comparativo de desagregação do refrigerador com duas abordagens de medidor e duas de assinaturas. . . 55

4.8 Resultado da desagregação. . . 59

4.9 Característica dos domicílos monitorados . . . 62

4.10 Resumo comparativo. . . 62

Agradecimentos 5 1 Introdução 13 1.1 Objetivo . . . 16 1.2 Organização da dissertação . . . 17 2 Revisão Bibliográfica 18 2.1 Metodologia . . . 18

2.2 Banco de Dados de Equipamentos . . . 23

2.3 Base de Dados de Residência . . . 24

2.4 NILM Toolkit (NILMTK) . . . 26

2.4.1 Métodos disponíveis . . . 26

2.4.2 NILM-DF . . . 27

2.5 Conclusões . . . 27

3 Método Proposto 29 3.1 Filtro Adaptado (Matched Filter) . . . 31

3.1.1 Correlação Cruzada . . . 32

3.1.2 Saída do Filtro Adaptado . . . 36

3.2 Esparsificação . . . 36

3.3 Criação da sequência de segmentos . . . 37

3.3.1 Tratamento dos segmentos descartados . . . 39

3.4 Tempo de operação do equipamento . . . 40

3.5 Estimação de energia . . . 40

3.6 Conclusão . . . 41

4 Resultados 42 4.1 Cargas contínuas ou em espera – standby . . . . 43

4.2 Estudo de caso de aquecimento de água . . . 45

4.2.1 Assinatura . . . 46

4.2.2 Desagregação . . . 47

4.2.3 Assinatura única vs dataset distintos . . . 49

4.3 Estudo de caso de refrigerador . . . 51

4.3.1 Assinatura . . . 52

4.3.2 Desagregação . . . 53

4.3.3 Assinatura única vs dataset distintos . . . 57

5 Conclusões 67

5.1 Trabalhos Futuros . . . 69

Referências 71 A PA-3020 – Desagregação do Consumo de Energia Elétrica em Consumi-dores Residenciais 76 A.1 Desagregação . . . 76

A.1.1 Detecção de eventos . . . 77

A.1.2 Reconhecimento de eventos . . . 78

A.1.3 Estimação de Consumo . . . 79

A.2 Base de Dados de Assinatura Elétricas . . . 79

Capítulo 1

Introdução

O crescimento do PIB possui relação direta com o consumo de energia em países em desenvolvimento como o Brasil [1]. A expansão do setor produtivo provoca aumento na demanda por energia, já quando este é maduro, a exemplo dos países desenvolvidos, os avanços tecnológicos e o aumento da eficiência rompem a relação direta entre PIB e consumo de energia.

Como a disponibilidade de energia no Brasil impacta diretamente no PIB, garanti-la implica em aumento de capacidade de geração e aumento de eficiência. É previsto para o sistema interligado nacional o crescimento de 28,9 GW entre os anos de 2019 e 2027, proveniente de fontes renováveis sendo 40% de geração eólica, 22% de geração solar centralizada, 10% de geração pela queima de biomassa e biogás, 9% de geração por hidroelétricas de pequeno porte e 18% por hidroelétricas com potências superiores a 20 MW. O crescimento de geração por meio de fontes não renováveis no mesmo período é de 8,5 GW contudo com redução no consumo de óleo combustível e óleo diesel além da estagnação no consumo de carvão [2].

Para aumentar a eficiência, países desenvolvidos investem em treinamento, modernização de maquinário e automatização de processos. Treinamentos geram usuários mais conscientes e eficientes, modernização agrega produtividade e eficiência energética

e automatização permite que tarefas sejam executadas em condições mais adequadas de consumo. Esses conceitos são aplicáveis tanto no contexto industrial quanto no contexto residencial, que será alvo de análise nesta dissertação.

Comparar o consumo residencial com o industrial parece a primeiro momento desproporcional, porém a projeção de aproximadamente 194 TWh em 2026 [3] representa quase 30% do consumo total no mesmo ano. A magnitude dos números faz com que pequenas frações tenham grande representatividade quando quantificadas. A redução de 1% do consumo residencial tem potencial para suprir 808 mil unidades consumidoras residenciais por doze meses.

Com o intuito de disseminar a eficiência energética, compreender o consumo de energia no contexto residencial é fundamental [4]. Neste sentido é preciso monitorar os equipamentos e fornecer diagnósticos de consumo e funcionamento dos mesmos.

Monitorar individualmente os equipamentos permite, quantificar o consumo de energia, determinar hábitos de utilização, mensurar a eficiência além de permitir a detecção de comportamentos anômalos. Contudo, o ônus desta abordagem é a necessidade de uma infraestrutura de comunicação, custos e complexidade de instalação associados.

Em um domicílio, os circuitos elétricos são divididos por tipo de uso, ambiente e potência. Tipicamente circuito de iluminação e tomadas são separados assim como os circuitos de uso específico equipamentos com corrente superior a 10 amperes tais como chuveiros, torneiras elétricas, fornos elétricos, fogões de indução, ar-condicionado, etc. [5].

Utilizar os circuitos do quadro de distribuição como regra para alocação reduz a quantidade de medidores e consequentemente o custo de implantação do sistema de monitoramento, simplifica o processo de configuração, porém ainda demanda acesso físico ao quadro, que geralmente fica na parte interna da residência. Com este método os dados gerados se referem a uma combinação de estados de todos os equipamentos conectados ao circuito monitorado e eventualmente, em circuitos específicos, pode se referir aos dados do equipamento, assim como nos medidores dedicados.

No sentido oposto de custos e complexidade está o modelo de monitoramento centralizado ou concentrado [6], realizado no ramal principal do domicílio. Na Figura 1.1 são apresentados os modelos clássicos de monitoração.

(a) (b) (c)

Figura 1.1: Modelos de monitoração: (a) Monitoração não intrusiva, (b) Monitoração semi intrusiva e (c) Monitoração intrusiva.

Quando há a combinação de vários equipamentos, é necessário identificar as mudanças de estado de cada um, em qual estado estão e o período em cada um destes estados. Equipamentos com estados bem definidos, como uma resistência, diminuem a complexidade da identificação, contudo equipamentos com características variáveis, como um motor com carga variável, agregam complexidade na identificação. Acionamentos simultâneos, mesmo de cargas de baixa complexidade de identificação, também agregam complexidade.

O monitoramento concentrado assemelha-se ao monitoramento por circuito, uma vez que se monitora um circuito, o circuito principal. Este tipo de monitoramento reduz para um a quantidade de medidores, reduz custo e simplifica a instalação, simplifica a configuração e demanda acesso físico apenas ao quadro de entrada da residência, que fica na parte externa. Neste método os dados são combinação de estado de todos os equipamentos elétricos e a complexidade está na separação e identificação dos mesmos.

O monitoramento por circuitos, seja o ramal principal ou circuitos específicos apresentam dados elétricos como combinação de estados dos equipamentos nele conecta-dos. Quanto menos equipamento no circuito monitorado, menor será a complexidade de identificação.

A técnica que se propõe a identificar os equipamentos pela decomposição dos dados elétricos do medidor principal é conhecida como desagregação de consumo. Com isso é possível identificar quando determinado equipamento está ligado e estimar o consumo de energia do mesmo.

Quantificar o consumo de energia e os custos relacionados a utilização de cada equipamento são fatores que conduzem o usuário a mudança de hábito, substituição de equipamentos e automação residencial em direção a economia de energia.

Diante desta tendência de desenvolvimento foi executado em parceria com a empresa CPFL o projeto de P&D “Desenvolvimento de sistemas inteligentes para monitoramento, desagregação e análise de consumo utilizando tecnologias modernas de sensoriamento” conhecido como PA-3020. Neste contexto que este projeto de pesquisa tratando sobre desagregação de consumo residencial está sendo desenvolvido.

1.1

Objetivo

Este trabalho de mestrado apresenta um método de desagregação empregando filtro adaptado, que é um método computacional de baixa complexidade, um método de redução da quantidade de dados medidos por meio do esparsamento dos dados, o estudo de caso para cargas de consumo contínuo, um estudo de caso para sistemas de aquecimentos de água, um estudo de caso para refrigeradores, além de apresentar os resultados para a desagregação das casas monitoradas durante a execução do projeto de pesquisa e desenvolvimento PA-3020, intitulado “Desenvolvimento de sistemas inteligentes para monitoramento, desagregação e análise de consumo utilizando tecnologias modernas de sensoriamento”.

1.2

Organização da dissertação

Esta dissertação foi organizada como segue:

• No Capítulo 2: Revisão bibliográfica dos métodos de desagregação existentes, das bases de dados de equipamentos e residências.

• No Capítulo 3: Método proposto empregando filtro adaptado e a esparsificação dos dados.

• No Capítulo 4: Resultados e discussões. • No Capítulo 5: A conclusão da dissertação.

Capítulo 2

Revisão Bibliográfica

Neste capítulo são apresentadas a revisão bibliográfica das metodologias de desagregação existentes, a revisão bibliográfica das bases de equipamentos e de base de dados de residências. A desagregação é um problema de detecção de padrões com necessidade de baixo grau de abstração para sua compreensão, já que é um sistema formado por um medidor e equipamento conectados a ele, o desafio é determinar quem está ligado e quanto está consumindo. Esta característica do problema permeia as metodologias e as bases de dados disponíveis.

2.1

Metodologia

O conceito de desagregação de consumo foi introduzido em 1992 [7] como “monitoramento de cargas de equipamento não intrusiva” conhecida como NALM

(non-intrusive appliance load monitoring), NILM (non-(non-intrusive load monitoring) ou a junção

NIALM. O aumento de interesse no tema ocorreu na última década com a disponibilização de métodos de aprendizagem de máquina em bibliotecas de linguagem como o Python. A busca pelo termo “NILM” na base de dados IEEE Xplore [8] apresenta o crescente número de publicações no tema, como apresentado na Figura 2.1.

Figura 2.1: Evolução do interesse em NILM.

No método de Hart [7] são considerados equipamentos de consumo contínuo, que não possuem alteração de estado, equipamentos liga e desliga, equipamentos que funcionam como máquina de estado finito (Finite State Machine – FSM), que possuem estados definidos e periodicidade e equipamentos variáveis sem estados definidos e sem periodicidade. As assinaturas elétricas para os equipamentos com variação de estado são mostradas na Figura 2.2.

Figura 2.2: Gráfico de consumo de diversos tipos de equipamentos: (1) ON/OFF – chaleira; (2) FSM – refrigerador; (3) carga variável – ar-condicionado inverter.

No algoritmo é proposto o tratamento prévio dos dados com o intuito de reduzir a resposta a flutuações de potência. Para isso a potência é normalizada com base na linearidade da admitância das cargas. A tensão nominal é de 120 V, que corresponde a tensão no sistema de distribuição dos EUA. A Equação 2.1 é utilizada para tratamento prévio. P (t) é a série temporal da potência ativa e V (t) a série temporal da tensão.

PNORM(t) = 1202Y (t) = 120

V (t) !2

P (t) (2.1)

equipamentos são mostradas. Uma vez detectada a variação de potência esta é colocada em um plano bidimensional como na Figura 2.4 de potência ativa e reativa. As concentrações são comparadas com clusters que identificam os equipamentos.

Figura 2.3: Potência ativa e reativa total de uma residência no tempo.

Figura 2.4: Plano bidimensional de potência com as variações de potência ativa maiores que 100 W.

A detecção e identificação de equipamentos pelo algoritmo proposto encon-tra dificuldades em equipamentos com potência variável, equipamentos FSM e quando

equipamentos possuem potências similares. Além disso é assumido que as variações de potências de liga e desliga são iguais. Quando as potências são bem definidas e distintas entre equipamentos a complexidade do reconhecimento é reduzida.

Variações e extensões do algoritmo proposto em [7] se baseiam em processamento dos dados elétricos, como a média móvel, que amortiza picos transitórios, e características da assinatura elétrica dos equipamentos, como transitório de partida dos equipamentos para identificar quando determinado equipamento é ligado.

Os algoritmos apresentados até então são baseados em hardwares de aquisição com taxa de amostragem de até 1 Hz, o que limita as observações a mudanças de potência ativa e reativa.

Com a frequência da rede elétrica maior que a frequência de amostragem é necessário aumentar a taxa de amostragem para que informações como harmônicas sejam coletadas. Além da necessidade de hardware com maior taxa de amostragem, o acréscimo na quantidade de dados demanda aumento na capacidade de armazenamento e transmissão. Estratégias como o processamento local dos dados e a transmissão apenas quando variações são detectadas podem ser adotadas a fim de evitar problemas.

As harmônicas podem ser utilizadas como características adicionais em estados transitórios, como em [9], ou estados estacionários em [10]. Em [9] a 3ª harmônica é utilizada como uma dimensão extra para distinguir cargas com potências ativa e reativa semelhante, já em [10] é realizado o monitoramento contínuo das harmônicas e estas são submetidas a uma rede neural treinada com todas as possibilidades de combinação de equipamentos da residência.

Quando utilizas na classificação dos transitórios as harmônicas são informações auxiliares, pois são utilizadas para caracterizar um evento detectado na variação de potência, enquanto que com o monitoramento contínuo, as harmônicas são utilizadas além da detecção de equipamentos, como indicador de duração, que auxilia a estimação de consumo [11].

Desde então métodos tem-se proposto a resolver a questão da desagregação com abordagem de otimização, machine learning entre outros. O primeiro considera os dados elétricos como uma combinação de equipamentos ligados simultaneamente e com isso identifica os mesmos de maneira simultânea. Contudo equipamentos não conhecidos previamente e ligados a rede inserem erros de identificação [12,13].

O segundo prevê a identificação de variações como deltas e consequentemente referindo-se a equipamentos individualmente. Estes deltas são submetidos a algoritmos de reconhecimento de padrão tais como K-Nearest-Neighbors, redes neurais e outros [12,14].

Um terceiro caminho em direção a melhora de performance da desagregação é a combinação de diferentes algoritmos utilizando mecanismos de tomada de decisão a fim de melhorar os resultados de desagregação e consequentemente reconhecimento de equipamentos [12].

2.2

Banco de Dados de Equipamentos

Os desafios em torno da desagregação de cargas geram tanto competição pelo melhor método quanto cooperação. Isto cria uma comunidade envolvida no tema e concentra ferramentas e base de dados (dataset). Os maiores e mais observados datasets estão listados em [15]. Dentre os disponíveis, cinco são direcionados aos equipamentos individualmente e são listados na Tabela 2.1.

Tabela 2.1: Resumo das bases de dados de equipamentos.

Dataset País Amostragem Dados

PLAID EUA 30 kHz P, I, V

WHITED vários 44 kHz I, V, tags

Tracebase Alemanha 1 Hz P

ACS-F2 Suíça 0,1 Hz P, Q, f, I, V, Φ

O dataset PLAID [16] disponibiliza medições curtas de tensão e corrente (na ordem de poucos segundos) de diferentes equipamentos residenciais em alta resolução. Os equipamentos são classificados pelos autores em onze tipos distintos. Para cada equipamento foram coletados estados de transição e posteriormente tratados a fim de extrair as janelas de estado definidas, transientes e remover erros de medição.

O dataset WHITED [17] disponibiliza medições de transiente de acionamento de equipamentos coletadas na Alemanha, Áustria e Indonésia. As medições deste dataset levam em conta os cinco segundos iniciais de cada equipamento capturados em um mínimo de 10 medições por equipamento, que foram classificados em 47 tipos.

Tracebase [18] disponibiliza um conjunto de monitoramentos de vinte e quatro horas de equipamentos domésticos. Cada medição começa à meia-noite e termina às onze e cinquenta e nove da noite. Nos dados há horário, P e Q.

O dataset ACS-F2 [19] é um conjunto de amostragens de uma hora de 225 equipamentos divididos em 15 categorias com período de amostragem de 10 segundos e é o com menor resolução dentre os principais datasets de equipamentos.

O dataset COOLL [20] disponibiliza medições em alta frequência de tensão e corrente. Os quarenta e dois equipamentos medidos são classificados em doze tipos.

2.3

Base de Dados de Residência

As bases de dados de equipamentos fornecem insumo para os algoritmos de desagregação, contudo as bases de dados das residências são o alvo final, nelas estão as informações agregadas do consumo. Dentre as várias bases de dados associadas a desagregação de cargas como visto na Tabela 2.2, destacam-se REDD [21] e UK-DALE [22] que além dos dados de consumo centralizado das residências possuem a medição individualizada de cada equipamento.

Tabela 2.2: Resumo das bases de dados de residências.

Dataset País Amostragem Dados elétricos Duração Casas / Equip.

AMPds Canadá 1 min P, Q, S, fp, I, V 2 anos 1/21

BLUED EUA 12 kHz I, V, eventos 1 semana 1/43

Dataport EUA 1 Hz a 1 min P, S, E, DHT, V, Φ 4+ anos 1200+

DRED Holanda 1 Hz / 1 min P 6 meses 1/12

ECO Suíça 1 Hz P, Q 8 meses 06/45

GREEND Itália e Áustria 7 s P 4-13 meses 33/1

HES Reino Unido 2 min P 1 ano / 1 mês 250/70

iAWE Índia 1 Hz P, S, E, f, I, V, Φ 73 dias 1

RAE Canadá 1 Hz P, Q, S, E, fp, I, V 72 dias 1

REDD EUA 16,5 kHz / 1 Hz P, V vários meses 05/20

REFIT Reino Unido 8 s E 2 anos 20

UK-DALE Reino Unido 16 kHz / 1 Hz P Até 2 anos 6

Além destes, o Pecan Street Dataport apresenta a uma base de mais de 1000 casas americanas, fornecendo dados com amostragem de 1 minuto sendo a única das bases com atualização continuada.

Dentre as bases de dados públicas existem dados dos EUA, Canadá, Reino Unido, Índia, Japão, Holanda, Suíça, Itália, França e Finlândia [15]. Para que seja possível validar um algoritmo de desagregação para um determinado país é necessário que se tenha disponível base de dados de equipamentos e base de dados para este país, uma vez que as características de consumo e de equipamentos são únicas de cada país.

A escolha do método de desagregação é diretamente ligado a taxa de amostragem disponível e a quais dados são disponibilizados. Por exemplo, uma técnica que utilize transitórios não pode ser aplicada adequadamente a uma base de dados com amostras a cada minuto, assim como uma técnica que leve em conta a corrente com uma base de dados que contemple apenas potência ativa.

Com isso, tem-se que a base de dados direciona a abordagem a ser utilizada, bases com poucos ou nenhum problema de ausência dados não são garantia de qualidade

final no resultado da desagregação, entretanto pode-se afirmar que dados com pouca qualidade afetam negativamente os resultados da desagregação.

2.4

NILM Toolkit (NILMTK)

NILMTK é um conjunto de ferramentas que auxilia pesquisadores na compa-ração e avaliação dos métodos de desagregação. Para a compacompa-ração as bases de dados são padronizadas por meio de uma interface, que as converte em um formato comum a todos os algorítmos implementados, já para a avaliação os resultados desagregados são confrontados com as medições individualizada dos equipamentos. Isso requer do banco de dados além dos dados monitorados de maneira não intrusiva os equipamentos monitorados de maneira intrusiva, que também são utilizados para o treinamento dos algoritmos. Esta necessidade inviabiliza a utilização do NILMTK além do ambiente de pesquisa, pelo custo envolvido, pela estrutura de comunicação necessária. As tomadas inteligentes, que seriam a solução para a medição intrusiva carecem de precisão nas medições de potência ativa e reativa, carecem de robustez para suportar transitórios de partida de motores e na maioria posseum como característica o funcionamento normalmente aberto (NA), com isto, em caso de falta de energia não há reestabelecimento automático e consequentemente não pode ser utilizada em equipamentos permanentemente conectados a energia, como modens, refrigeradores, sistemas de segurança, etc.

2.4.1

Métodos disponíveis

Os primeiros métodos implementados na ferramenta [23] são divididos em três grupos, o primeiro são os métodos de média e detecção de bordas [7], que são baseados nos níveis de potência dos equipamentos o primeiro pelo nível médio e o segundo pela variação na mudança, o segundo grupo formado por abordagens de otimização, que tem aumento exponencial de complexidade com o aumento da quantidade de equipamentos [24] e o terceiro grupo baseado em estatística [25] com o fatorial oculto de markov (Factorial Hidden Markov Model - FHMM) como principal representante, que como as abordagens de otimização perde performance com o aumento da quantidade de equipamentos a serem desagregados.

O NILMTK foi atualizado [24] havendo aumento de representantes do grupo baseado em estatítica com variações do fatorial oculto de markov como o FHMM exato (ExactFHMM), FHMM aproximado (ApproxFHMM) e FHMM com restrições de sinal agregado (FHMM + SAC), que assim como o FHMM perdem performance com o aumento da quantidade de equipamentos. Além dos três grupos anteriores é adicionado um novo grupo de métodos baseados em redes neurais com o método denoising autoencoder (DAE) redes neurais recorrentes (RNN) [26], GRU online (Online Gated REcurrent Units)[27] com pelo menos uma camada de convolução cada um, os métodos sequência a sequência (Seq2seq) e sequência a ponto (Seq2point) [28], ambos com redes neurais completamente convolucionais. Os métodos utilizando redes neurais possuem bons resultados na detecção de eventos, com destaque para os métodos GRU online e Seq2seq e Seq2point porém falham na estimação da energia.

2.4.2

NILM-DF

NILM-DF (NILM - data format) é a estrutura de dados padrão utilizada no conjunto de ferramentas. Para avaliar o resultado da aplicação dos métodos de desagregação, é necessária a comparação dos resultados com valores reais individualizados do equipamento, para isso as bases devem fornecer além dos dados do medidor principal, dados de medição individualizados e por este motivo não existem tantas bases de dados públicas e consequentemente conversores de base disponíveis no NILMTK. Para validar o método empregado em um modelo não intrusivo é necessário o monitoramento intrusivo, com isso as bases de dados compatíveis e que possuem o conversor para o formato NILM-DF estão listadas na Tabela 2.2. Entretanto, mesmo as bases disponíveis apresentam problema quanto a perda de dados em diversos instantes.

2.5

Conclusões

Os métodos implementados no NILM Toolkit apresentam uma limitação para aplicações em cenários reais em larga escala: é necessário o treinamento com medições intrusivas. Além disso, os resultados dos métodos listados na seção 2.4.1 não apresentam resultados satisfatórios ;na estimação de consumo.

Há outros métodos que não necessitam diretamente de medições intrusivas, porém requerem outras formas de treinamento não trivial. Por exemplo, o método principal desenvolvido durante o projeto PA-3020 como apresentado em [6], baseia-se nos degraus de potência e necessita de ajustes de janelas para cada domicílio monitorado.

Frente a estes limitantes dos métodos difundidos na literatura, é proposto no capítulo seguinte uma metodologia alternativa baseada em análise simbólica, onde os símbolos são trechos normalizados de assinaturas elétricas de equipamentos, empregando grandezas disponíveis na assinatura e no sinal de medição não intrusiva a desagregar.

Capítulo 3

Método Proposto

Neste capítulo é apresentada a metodologia proposta a atender as demandas de desagregação de consumo com foco em eficiência energética, escalabilidade e com as limitações impostas pelo tipo de dados disponíveis.

Pela ótica da eficiência energética serão objeto do estudo os sistemas de aqueci-mento de água pela grande potência envolvida e os refrigeradores pela presença na quase totalidade dos domicílios brasileiro e pela característica de operação, sempre conectada a rede de energia.

Pela de escalabilidade há a necessidade reduzir o custo do sistema a fim de permitir a expansão para vários medidores, por meio de processamento local, simplificação da comunicação entre medidor e o sistema de consolidação dos dados e consequentemente redução de dados armazenados.

Com as premissas de escalabilidade e eficiência energética é proposta a meto-dologia com compromisso de simplicidade computacional de reduzir o espaço amostral ilustrada por um diagrama geral na Figura 3.1.

Entrada Tratamento stand by Remove valores contínuos Filtro adaptado 1 Esparsificação 1

Filtro adaptado 2 Filtro adaptado n

Esparsificação 2 Esparsificação n

Criação dos pares

liga e desliga e Δt liga e desliga e ΔtCriação dos pares liga e desliga e ΔtCriação dos pares

Estimação do consumo Estimação do consumo Estimação do consumo Apresentação da desagregação

3.1

Filtro Adaptado (Matched Filter)

Filtro adaptado (matched filter ) é um método matemático linear que se propõe a maximizar a relação sinal-ruído [29]. Este método é comumente aplicado em sistemas de radar, comunicações digitais, processamento de imagens e na detecção de padrões.

O sinal entra no filtro e tem a parcela contínua removida, pois o método busca mudança de estado de operação, então é aplicada à correlação cruzada entre este sinal e um trecho da assinatura elétrica do equipamento denominado kernel, que é uma fração da assinatura normalizada, o resultado da correlação tem a parcela contínua, gerada eventualmente pela existência de valores contínuos no kernel, removida. Com o foco em detectar variações de estado este novo sinal é diferenciado, uma janela de média móvel com o comprimento do kernel é aplicada ao sinal diferenciado, quanto este valor é superior a um valor determinado a vetor resultante recebe a diferença entre os coeficientes de correlação dos extremos desta janela. O fluxo descrito é apresentado na Figura 3.2.

Correlação cruzada Remove valores Contínuos Diferenciação Filtragem da correlação Saída Entrada Kernel equipamento

Figura 3.2: Fluxograma do filtro adaptado.

3.1.1

Correlação Cruzada

Correlação é uma operação matemática que calcula a similaridade entre dois sinais, quando a similaridade é calculada entre o sinal e o mesmo deslocado no tempo a correlação é chamada de autocorrelação, quando a similaridade é calculada entre dois sinais distintos a correlação é chamada de relação cruzada ou cross-correlation. O resultado da relação cruzada é maior quanto maior for a similaridade entre os sinais e é mostrado na Equação 3.1. Rxy[n] = ∞ X k=−∞ x[k]y[n + k] (3.1)

A correlação cruzada de dois sinais é equivalente a convolução do sinal descrito em 3.1.1.1 com o padrão referente a assinatura elétrica do equipamento descrita em 3.1.1.2.

3.1.1.1 Sinais do medidor

O sinal utilizado é uma série temporal de dados elétricos composto pelo agregado de consumo de todos os equipamentos conectados à rede elétrica do domicílio e é fornecido com taxa de amostragem de 1 Hz de potência ativa, potência reativa, tensão, corrente e harmônicas de corrente para todas as fases do domicílio. Os dados são dispostos por dia, mas não há restrição quanto ao período de dados, na Figura 3.3 estão representados os sinais disponíveis. A frequência de amostragem pode ser tão alta quanto seja necessário, a depender do processamento local e do envio dos dados. Taxas de amostragem maiores permitiriam avaliar aspectos transitórios, porém são incompatíveis com a coleta permanente e com o armazenamento dos dados em sistemas em grande escala.

3.1.1.2 Kernel

Kernel é o sinal submetido à correlação cruzada que contém o padrão elétrico do equipamento a ser identificado. Deve representar uma característica do equipamento tal como transitórios de acionamento, trechos de operação e transitórios de desligamento e em casos de equipamentos com ciclos muito curtos o próprio ciclo de operação. O que define a estrutura como tempo, divisão da assinatura e a amplitude do kernel são as características elétricas de funcionamento do equipamento, já a taxa de amostragem é definida de modo a equivaler-se a taxa de amostragem do medidor a ser desagregado. Antes de ser submetido a correlação cruzada o kernel deve ser normalizado para que o resultado da correlação possa ser filtrado. Para isso o kernel como fração ou assinatura completa é normalizado pelo método Min-Max mostrado na Equação 3.2, isso garante que os valores de amplitude fiquem entre 0 e 1.

kernelM in−M ax=

kernel − min(kernel)

max(kernel) − min(kernel) (3.2)

Após a normalização da amplitude a integral do kernel resultante é normalizada por meio da Equação 3.3, com isso é garantido que a integral tenha valor unitário.

kernelintegral normalizada =

kernelM in−M ax

P

kernelM in−M ax

(3.3)

Por fim o resultado da normalização da integral é dividido pelo valor original do kernel por meio da Equação 3.4, isso garante no resultado da correlação cruzada que casamentos perfeitos de padrão entre o kernelequipamento e a janela de amostragem do sinal

possuam coeficiente unitários. Essa abordagem pode ser aplicada a qualquer grandeza elétrica, assim como em combinações das mesmas, desde que disponíveis tanto no medidor quanto no kernel.

kernelequipamento =

kernelintegral normalizada

kernel (3.4)

3.1.2

Saída do Filtro Adaptado

O vetor de saída do filtro adaptado tem o mesmo comprimento do vetor de resultados da correlação cruzada, contudo a filtragem dos coeficientes por média móvel adicionou valores nulos onde a condição de média não era atendida, com isso o vetor deixou de ser denso como o sinal original. Além disso tem-se que os coeficientes indicam o grau de similaridade com o padrão encontrado no kernel, portanto valores unitários e próximos a 1 indicam sinais colineares no determinado instante de tempo, da mesma forma variações de amplitude na grandeza avaliada e intrínseca no sinal do medidor são refletidas no coeficiente como, por exemplo, um coeficiente 2 indica similaridade porém com o dobro da amplitude.

Como a coleta das assinaturas elétricas, que correspondem aos kernels, deram-se em momentos diferentes da medição, com condições climáticas distintas, com o tempo de vida do equipamento distintos, com diferentes níveis de tensão e distorção na rede, coeficientes de correlação unitários são passíveis de ocorrer, porém não esperados.

Além disso, pelo sinal do medidor conter além das contribuições elétricas do equipamento a ser desagregado, conter as contribuições elétricas de todos os outros equipamento e ruídos, podem ocorrer falsas similaridades entre kernel e medidor, por semelhança de determinados transitórios ou influência de ruído e da própria taxa de amostragem, que impossibilita aspectos transitórios com duração inferiores a taxa de amostragem de estarem sempre presentes nos dados medidos.

3.2

Esparsificação

O sinal resultante gerado pela correlação cruzada é um sinal denso de coeficientes. Em geral, a grande maioria dos valores não são relevantes para a desagregação, além de ser repleto de valores nulos ou muito baixos pela ausência da similaridade. O intuito do filtro

adaptado é encontrar onde houve ocorrência de determinado kernel, em outras palavras, detectar o instante de tempo onde ocorreu um evento de liga ou desliga de equipamento. Com isso, os dados válidos para análise são apenas os máximos locais de similaridade dentro de cada janela definida pelo número de amostras do kernel, sendo descartados além dos valores de correlação cruzada zero, e todos os valores que não os máximos locais. Desta forma, uma série que contém originalmente os 86400 segundos de um dia são reduzidos a no máximo dezenas de eventos. A seleção dos coeficientes relevantes é exemplificada na Figura 3.4.

Figura 3.4: Exemplo de esparsificação.

3.3

Criação da sequência de segmentos

A saída do processo de esparsificação produz um vetor que é associado ao equi-pamento associado ao kernel utilizado na correlação cruzada, com eventos de acionamento contendo em cada campo a estampa temporal (timestamp), o coeficiente de correlação, e um numeral inteiro referente ao tipo de evento, sendo o valor “0” para transitório de acionamento e o valor “2” para transitório de desligamento. Em versões iniciais, o método previa tratamento para um tipo de evento indicado pelo número “1” para estado de operação. No entanto, como os equipamentos estudados não apresentam, durante o estado de operação, variações tão representativas quanto os transitórios de acionamento e desligamento, optou-se por omitir seu uso.

Os dois vetores são unidos e ordenados pela estampa temporal. Neste vetor resultante há apenas eventos com coeficiente de correlação próximos de “1”, valores distantes não são considerados.

era desligado e vice-versa. Partindo desta premissa não deve haver dois elementos que representem o mesmo tipo de evento em sequência no vetor resultante. Para eliminar este tipo de ocorrência é necessário o pré-processamento do vetor eventos.

Quando um evento de acionamento é seguido de outro do mesmo tipo o acionamento mais antigo é descartado, este procedimento é repetido até chegar um evento de desligamento. Quando um evento de desligamento é seguido por outro do mesmo tipo o evento mais novo é descartado. Esse procedimento garante que não há criação de informações com erros de detecção, o consumo estimado do equipamento é reduzido e nunca aumentado. Os eventos descartados são armazenados em um vetor com os eventos descartados.

O procedimento é realizado para todas as grandezas submetidas ao filtro. O processo de entrada dos dois vetores até o vetor resultante é ilustrado na Figura 3.5. Com isso há a redução da amostra e consequentemente a necessidade de armazenamento.

timestamp coeficiente vetor liga t₀ c_{on_0} t₀₂ c_{on_02} t₀₄ c_{on_04} t₀₅ c_{on_05} t₀₇ c_{on_07} t₀₉ c_{on_09} t₁₂ c_{on_12} t₁₄ c_{on_14} t₁₆ c_{on_16} t₁₇ c_{on_17} timestamp coeficiente vetor desliga t₀₁ c_{off_01} t₀₃ t₀₆ t₀₈ t₁₀ t₁₁ t₁₃ t₁₅ c_{off_03} c_{off_06} c_{off_08} c_{off_10} c_{off_11} c_{off_13} c_{off_15} timestamp coeficiente vetor eventos t₀ c_{on_0} t₀₁ c_{off_01} t₀₂ c_{on_02} t₀₃ c_{off_03} t₀₅ c_{on_05} t₀₆ c_{off_06} t₀₇ c_{on_07} t₀₈ c_{off_08} t₀₉ c_{on_09} t₁₀ c_{off_10} t₁₂ c_{on_12} t₁₃ c_{off_13} t₁₄ c_{on_14} t₁₅ c_{off_15} t₁₇ c_{on_17} t₀₄ c_{on_04} t₁₁ c_{off_11} t₁₆ c_{on_16} timestamp coeficiente vetor resultante t₀ c_{on_0} t₀₁ c_{off_01} t₀₂ c_{on_02} t₀₃ c_{off_03} t₀₅ c_{on_05} t₀₆ c_{off_06} t₀₇ c_{on_07} t₀₈ c_{off_08} t₀₉ c_{on_09} t₁₀ c_{off_10} t₁₂ c_{on_12} t₁₃ c_{off_13} t₁₄ c_{on_14} t₁₅ c_{off_15} t₁₇ c_{on_17}

Figura 3.5: Ajuste da lista de eventos.

3.3.1

Tratamento dos segmentos descartados

Com o foco em determinar o consumo de energia de cada equipamento aproximando-se do consumo real, toda possível ativação ou desativação deve ser considerada. Desta forma, os eventos descartados no sequenciamento de uma grandeza são comparados ao sequenciamento de eventos de uma outra grandeza do mesmo equipamento.

Para cada evento descartado, é buscado um evento correspondente no tempo e no vetor resultante de outra grandeza. Para validar este evento é checado se o evento que

forma o par nesta nova grandeza ocorreu antes da próxima janela de operação na grandeza anterior. Caso não haja interseção entre os períodos de ativação e desativação, o vetor resultante do equipamento é alimentado com estes novos eventos.

3.4

Tempo de operação do equipamento

A partir dos eventos ordenados é realizada a diferença das estampas temporais e dos indicadores de evento. O resultado da diferenciação dos indicadores determina o estado do equipamento entre os dois eventos, sendo positivo para o equipamento em funcionamento e negativo para o equipamento desligado e o resultado da diferenciação das estampas temporais determina o tempo em funcionamento. O processo é ilustrado na Figura 3.6 timestamp indicador vetor resultante t₀ 0 t₀₁ 2 t₀₂ 0 t₀₃ 2 t₀₅ 0 t₀₆ t₀₇ t₀₈ t₀₉ t₁₀ t₁₂ t₁₃ t₁₄ t₁₅ t₁₇ 2 0 2 0 2 0 2 0 2 0 Δt fator vetor diferenciado t₀₂-t₀₁=Δt₀₁ 0-2 = -2 t₀₅-t₀₃=Δt₀₃ 0-2 = -2 t₀₇-t₀₆=Δt₀₅ 0-2 = -2 t₀₉-t₀₈=Δt₀₇ 0-2 = -2 t₁₂-t₁₀=Δt₀₉ 0-2 = -2 t₁₄-t₁₃=Δt₁₁ 0-2 = -2 t₁₇-t₁₅=Δt₁₃ 0-2 = -2 t₀₁-t₀=Δt₀ 2-0 = +2 t₀₃-t₀₂=Δt₀₂ 2-0 = +2 t₀₆-t₀₅=Δt₀₄ 2-0 = +2 t₀₈-t₀₇=Δt₀₆ 2-0 = +2 t₁₀-t₀₉=Δt₀₈ 2-0 = +2 t₁₃-t₁₂=Δt₁₀ 2-0 = +2 t₁₅-t₁₄=Δt₁₂ 2-0 = +2 Δt operação Δt₀ Δt₀₂ Δt₀₄ Δt₀₆ Δt₀₈ Δt₁₀ Δt₁₂

Figura 3.6: Cálculo do tempo de operação do equipamento.

3.5

Estimação de energia

O cálculo da energia utiliza a assinatura do equipamento fragmentada conforme a utilizada no filtro adaptado. Com a assinatura fragmentada transitório de acionamento,

estado de operação e transitório de desligamento proposta neste modelo de desagregação, a estimação é realizada integrando cada um dos trechos da assinatura separadamente e então somando-os, sendo x0, x1 e x2 os trechos da assinatura e e0 a energia estimada no transitório de acionamento, e1 a energia estimada durante a operação do equipamento e e2 a energia estimada no transitório de desativação, todos em watts, o resultado da Equação 3.5 o resultado da estimação total etotal é convertido para watt-hora (Wh).

etotal= e0+ e1+ e2 3600 → etotal= P x0 +∆ttotal_∆t−∆t₁0−∆t2 ·Px1+Px2 3600 (3.5)

3.6

Conclusão

Conjectura-se que a baixa complexidade do método seja suficiente para permitir sua implementação direta em hardware do próprio medidor ou equipamentos auxiliares já disponíveis na maioria dos domicílios. Por exemplo, apesar de não explorado neste trabalho, é possível implementar um datalogger baseado em roteador WiFi para coleta dos dados locais na própria residência do consumidor, realizando o processamento principal localmente. Resultados parciais, como os vetores de eventos esparsos empregados no método, poderiam ser compartilhados através da internet para processamento online. Outra alternativa é tratar os dados de forma totalmente local, sem compartilhamento de informações via internet, contornando assim diversas questões de privacidade de dados.

Capítulo 4

Resultados

Neste capítulo serão apresentados estudos de caso de alguns dos principais responsáveis do consumo de energia em domicílios brasileiros, incluindo os resultados da desagregação do consumo nos domicílios monitorados no projeto de P&D PA-3020 pelo método proposto no Capítulo 3. Os equipamentos estudados foram divididos em três classes:

• equipamentos com consumo contínuo, como sistemas de segurança e internet além de equipamentos com consumo em espera ou standby;

• sistemas de aquecimento de água elétricos, que representam a maior carga em muitas residências;

• refrigeradores, presentes na quase totalidade dos domicílios brasileiros e responsáveis por significativa parcela do consumo total.

A utilização de uma única assinatura elétrica, com ajustes de amplitude para di-ferentes domicílios, simplifica a solução e reduz a necessidade de armazenamento. Incertezas inseridas por problemas de medição e intrínsecas ao método serão apresentadas.

4.1

Cargas contínuas ou em espera – standby

Uma lâmpada sempre ligada tem seu consumo de energia contabilizado pelo medidor. Porém, por não haver variações elétricas, não há como identificá-la pelo método não intrusivo. O mesmo ocorre em sistemas de segurança, que não são desligados, e equipamentos com modos de operação em espera (standby), que consomem energia constantemente, em baixa potência, e não são “desagregados”. Como os medidores utilizados são um equipamento extra (não substituíram os medidores de faturamento das residências), o próprio consumo de medidor também é contabilizado nesta classe de consumo. Todo este consumo é caracterizado como consumo “standby” e é mensurado pela integral do menor valor de demanda de potência ativa na residência no período amostrado. Este valor será zero somente em ocasiões de blackout. Contudo, como o próprio medidor utiliza de energia da rede, em casos de falta de energia não haverá medições nestes momentos. A participação deste consumo no consumo total dos períodos monitorados em algumas bases de dados disponíveis é mostrado na Tabela 4.1.

A desagregação que canonicamente prevê discriminar o consumo energético no medidor encontra neste consumo contínuo o primeiro obstáculo.

Tabela 4.1: Energia de standby/vampira em datasets diferentes.

Dataset Patamar (W) Parcela do consumo total (%) Observações ECO 75,7 51,8 Building 6 REDD 64,8 33,3 House 5 PA-3020 29,1 19,3 Casa 1 (18/6)

O consumo contínuo foi responsável pelo consumo de mais 21% do total no período monitorado e consumo acumulado por dia é apresentado na Figura 4.1.

4.2

Estudo de caso de aquecimento de água

O aquecimento de água está presente em 43% dos domicílios brasileiros de acordo com a Pesquisa de Posse e Hábitos do Procel [30]. Destes, 96,3% possuem sistema de aquecimento elétrico. Além disso, 24,3% dos domicílios com aquecimento solar tem a energia elétrica como fonte de apoio de aquecimento.

Apesar da menor presença de aquecimento de água nos domicílios, a potência elevada nos equipamentos envolvidos no aquecimento de água faz com que o consumo energético seja significante.

A característica elétrica principal das cargas de aquecimento de água é resistiva, sendo o chuveiro elétrico o principal representante desta classe de equipamentos no Brasil. Outros equipamentos que compõe este grupo são as torneiras elétricas, e sistemas de apoio tal como boilers (caldeiras), que na necessidade de calor complementar (além do fornecido pelo sol) para aquecimento da água acionam resistências elétricas.

O Inmetro (Instituto Nacional de Metrologia, Qualidade e Tecnologia) respon-sável pelo Procel (Programa Nacional de Conservação de Energia Elétrica) descontinuou o processo de etiquetagem, que indicam eficiência energética, de chuveiros cancelando o regulamento específico para chuveiros [31] e não o substituindo. Contudo, os dados de potência e tempo de duração da utilização considerados nos ensaios técnicos de consumo mensal serão utilizados para efeito de comparação. As etiquetas de aquecimento de água continham indicação de potência variando de 2400 W até 9000 W, porém serão conside-rados os valores até 6800 W, além disso o tempo de utilização considerado era de oito minutos por banho e um banho por dia.

Da Tabela 4.2, tem-se o valor de 0,32 kWh para oito minutos na potência de 2400 W, o que representa 45 horas de funcionamento contínuo de uma lâmpada LED de 7 W. Logo, expor os valores associados ao consumo de energia do aquecimento de água a fim de propor mudanças de hábito tem grande efeito sobre a eficiência energética do domicílio.

Tabela 4.2: Consumo energético de aquecimento de água elétrico no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]).

Utilização 2400 W (kWh) 3500 W (kWh) 4600 W (kWh) 5700 W (kWh) 6800 W (kWh) 1 banho (8 minutos) 0,32 0,47 0,61 0,76 0,91 1 dia (4 banhos) 1,28 1,87 2,45 3,04 3,63 30 dias (120 banhos) 38,40 56,00 73,60 91,20 108,80

Na Tabela 4.3 é apresentado o impacto de cada faixa de potência com a mediana de quatro utilizações diárias de oito minutos no consumo mensal de cada classe econômica.

Tabela 4.3: Impacto do consumo de aquecimento de água elétrico no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]).

Classe Econômica Mediana do consumo (kWh/mês) 2400 W (%) 3500 W (%) 4600 W (%) 5700 W (%) 6800 W (%) A 290 13,2 19,3 25,4 31,4 37,5 B1 250 15,4 22,4 29,4 36,5 43,5 B2 196 19,6 28,6 37,6 46,5 55,5 C1 160 24,0 35,0 46,0 57,0 68,0 C2 135 28,4 41,5 54,5 67,6 80,6 Mediana Brasil 134 28,7 41,8 54,9 68,1 81,2 D/E 100 38,4 56,0 73,6 91,2 —

4.2.1

Assinatura

Os sistemas de aquecimento de água elétricos avaliados no projeto PA-3020 são do tipo auxiliar a sistema de aquecimento solar, e chuveiros elétricos. Possuem características resistivas, portanto apenas potência ativa. Diferente das assinaturas dos

eletrodomésticos de tomada, a potência elevada dos sistemas de aquecimento dificulta a aquisição da assinatura. Para contornar esta dificuldade, a assinatura da Figura 4.2 foi extraída da curva de medição de um dos domicílios monitorados.

Figura 4.2: Assinatura elétrica de um sistema reserva de aquecimento.

4.2.2

Desagregação

Devido à potência elevada das cargas de aquecimento de água, há visualmente o destaque de seu acionamento na curva de medição do domicílio. Na Figura 4.3, é apresentada a desagregação do sistema auxiliar de aquecimento do boiler. A legenda para a Figura 4.3, assim como outras figuras que apresentam eventos de desagregação, está reproduzida na Figura 4.4.

Figura 4.4: Legenda para figuras de ilustração dos eventos.

Por tratar-se de um sistema auxiliar de aquecimento, a resistência é acionada no caso do sistema solar não suprir a necessidade térmica por consumo excessivo, falta de insolação ou clima frio. Com isso, o consumo de energia elétrica é nulo em vários dias, como mostrado na Figura 4.5.

Figura 4.5: Energia consumida pelo boiler por dia.

Tipicamente, a quantidade de acionamentos, o tempo de operação, e o consumo do sistema de aquecimento auxiliar é apresentado na Figura 4.3. No entanto, a combinação de fatores como a falta de insolação e a queda abrupta de temperatura causadas pela chegada de uma frente fria causa comportamentos como o apresentado na Figura 4.6.

Figura 4.6: Desagregação de consumo do boiler em dia atípico.

Apesar da denominação de auxiliar, o sistema de aquecimento elétrico do boiler, quando acionado, representa fração significativa do consumo, como mostrado na Tabela 4.4.

Tabela 4.4: Impacto no consumo de um sistema auxiliar de aquecimento no consumo total do domicílio monitorado. Dia Consumo total (kWh/dia) Consumo do boiler (kWh) Parcela do total (%)

Dia típico (Figura 4.3) 8,77 2,83 32,2

Dia atípico (Figura 4.6) 19,65 15,79 80,3

4.2.3

Assinatura única vs dataset distintos

A característica resistiva dos dispositivos de aquecimento de água simplifica a assinatura elétrica a uma função degrau, como mostrada na Figura 4.2. Por outro lado, a variação de potência entre um sistema de aquecimento e outro dificulta o ajuste da assinatura ao domicílio monitorado. Com a assinatura elétrica de um sistema de aquecimento auxiliar de um boiler com potência nominal de 3 kW foi possível, com ajuste na assinatura, identificar e estimar o consumo de um chuveiro elétrico de 7 kW em outro domicílio, como mostrado na Figura 4.7. O consumo do chuveiro neste dia correspondeu a 27% do consumo total.

4.3

Estudo de caso de refrigerador

O refrigerador está presente em mais de 98% dos domicílios brasileiros [30], sendo o segundo equipamento elétrico mais encontrado, logo após a iluminação.

Na Tabela 4.5, é mostrado o consumo médio mensal de um refrigerador de acordo com o Procel [32]. Para efeito de média, foram considerados como “refrigerador” os refrigeradores combinados frost-free, que possuem portas separadas para congelador e refrigerador, além de uma resistência elétrica para o ciclo de operação do mecanismo de frost-free.

Tabela 4.5: Consumo médio de refrigerador, de acordo com o Procel.

Tipo Média mensal (kWh) Mínimo mensal (kWh) Capacidade média (l) (kWh/l) médio Frigobar 14,3 11,8 75,3 0,19 Refrigerador 48,1 31,0 450,2 0,11

O consumo de energia elétrica do refrigerador comparado ao consumo médio mensal de energia elétrica domiciliar no Brasil [30] nas diferentes classes econômicas é mostrado na Tabela 4.6. É observado que o consumo destes equipamentos pode representar uma grande parcela do consumo de uma residência. Assim, é possível afirmar que ao obter estimativas do consumo do refrigerador através de métodos de desagregação, parte significativa do consumo seria identificada para uma grande parcela dos domicílios brasileiros.

A redução do impacto do refrigerador no consumo quanto maior a classe econô-mica indica a maior quantidade de cargas. Essa quantidade maior agrega complexidade no processo de desagregação.

Tabela 4.6: Impacto do consumo do refrigerador no consumo das diferentes classes sociais – consumo médio mês de maio (dados de [30]).

Classe Econômica Mediana do consumo (kWh/mês) Refrigerador médio/consumo (%) Refrigerador mínimo/consumo (%) A 290 16,6 10,7 B1 250 19,2 12,4 B2 196 24,5 15,8 C1 160 30,1 19,4 C2 135 35,6 23,0 Mediana Brasil 134 35,9 23,1 D/E 100 48,1 31,0

4.3.1

Assinatura

Os refrigeradores avaliados no projeto PA-3020 são do tipo combinado com duas portas e frost-free. Os ciclos de operação são compostos pelo ciclo de motor e de frost-free, nunca combinados.

• Ciclo de motor: Foi subdividido nos segmentos de transitório de partida, o patamar de operação e o transitório de desligamento. Este ciclo é periódico e continuo, porém com duração variável de acordo com a perda de calor e a temperatura programada.

• Ciclo de frost-free: Ocorre de uma a duas vezes ao dia com duração não variável. Por representar uma parcela pequena do consumo total do equipamento, este ciclo não foi considerado na detecção de funcionamento do refrigerador.

A assinatura elétrica utilizada no filtro adaptado é observada na Figura 4.8. Nesta figura, o ciclo de motor é segmentado tanto em potência ativa quanto em potência reativa.

Figura 4.8: Assinatura elétrica de um refrigerador separado em transitório de acionamento, operação e transitório de desligamento.

4.3.2

Desagregação

Empregando apenas os dados da fase do equipamento, a desagregação do consumo do refrigerador foi realizada empregando a assinatura de potência ativa (Figura 4.9) e a assinatura de potência reativa (Figura 4.10). Nas Figuras 4.11 e 4.12, apresentam-se os resultados da detecção para a potência total (ativa e reativa, respectivamente) das duas fases da residência. O valor estimado de consumo total para os diferentes conjuntos está listado na Tabela 4.7.

Figura 4.9: Desagregação do refrigerador pela assinatura de potência ativa.

Figura 4.10: Desagregação do refrigerador pela assinatura de potência reativa.

Figura 4.11: Desagregação do refrigerador pela assinatura de P com potências das duas fases somadas.

Figura 4.12: Desagregação do refrigerador pela assinatura de Q com potências das duas fases somadas.

Tabela 4.7: Comparativo de desagregação do refrigerador com duas abordagens de medidor e duas de assinaturas.

Medidor Grandeza Consumo estimado (Wh)

Fase A P 1326

Fase A Q 1666

Fases A e B somadas P 1619

Fases A e B somadas Q 1854

Neste caso, o refrigerador da assinatura é o mesmo presente no domicílio. Apesar de não haver monitoração dedicada ao refrigerador, é possível aferir quais os ciclos de motor do refrigerador foram corretamente identificados. O refrigerador observado é monofásico e não deveria haver diferenças de estimação de consumo para o medidor apenas na fase do refrigerador quanto na soma da potência ativa das fases. Apesar disso, ocorreu uma falsa detecção quando somados que influenciou o resultado. Já a diferença na estimação com a assinatura de potência reativa é esperada devido ao comportamento do medidor utilizado para cargas bifásicas. O medidor indica para cargas resistivas bifásicas a existência de potência reativa complementar entre as fases. Dentre as diferentes formas de estimação testadas, a abordagem que apresentou valor próximo ao valor real foi o uso da soma das potências reativas em conjunto com a assinatura de potência reativa do

refrigerador.

Ao aumentar o período de observação é possível identificar nuances da de-sagregação. A alteração de modo de operação, como a mudança de temperatura do refrigerador, implica na redução da detecção do mesmo. Para contornar esta nuance é necessário readequar o nível de potência. Na Figura 4.13, a energia estimada em diferentes dias é apresentada. Com o detalhamento apresentado na Figura 4.14, observa-se que no dia 25-06-2019 ocorreu o aumento da potência do refrigerador, promovendo queda na assertividade do filtro adaptado original. A potência durante a operação passou de um patamar de 124 W para aproximadamente 160 W, ou seja 1,3 vezes o original. Para retornar a estimação correta deve haver o ajuste da potência ativa na assinatura elétrica.

Figura 4.13: Energia consumida pelo refrigerador por dia.

Figura 4.14: Detalhamento do processo de desagregação do refrigerador no dia da mudança de configuração de temperatura.