IDENTIFICAÇÃO DE CARGAS LINEARES E NÃO-LINEARES EM

SISTEMAS ELÉTRICOS RESIDENCIAIS USANDO TÉCNICAS PARA

SELEÇÃO DE ATRIBUTOS E REDES NEURAIS ARTIFICIAIS

Ricardo A. S. Fernandes∗ Ivan N. da Silva∗

Mário Oleskovicz∗

∗
USP / EESC / SEL
Av. Trabalhador Sancarlense, 400 Centro, CEP 13566-590
São Carlos - SP

RESUMO ABSTRACT
Este trabalho consiste em apresentar um método para a iden- Identification of Harmonic Current Sources in Single-
tificação de cargas lineares e não-lineares comumente encon- Phase Power Systems Using Feature Selection Techniques
tradas em sistemas elétricos residenciais. Desta identifica- and Artificial Neural Networks
ção, soluções viáveis poderão ser aplicadas com o intuito de This work presents a method to identify linear and nonlin-
mitigar os níveis de emissão das correntes harmônicas gera- ear loads commonly encountered in residential electrical sys-
das, advindas principalmente por cargas com características tems. From this method, feasible solutions can be applied
não-lineares. No desenvolvimento do método, utilizaram-se to mitigate the high levels of harmonic currents, generated
de técnicas para a seleção de atributos, de forma a minimi- mainly by nonlinear loads. Techniques of feature selection
zar a dificuldade em se identificar as cargas conectadas ao were used to data preprocessing and to minimize the effort
sistema. A etapa posterior de identificação foi realizada pela in identification of loads connected to the electrical system.
aplicação de redes neurais artificiais. Todas as situações de For the next step, the load identification, artificial neural net-
distorção harmônica foram geradas em laboratório por uma works were applied. All harmonic distortion situations were
fonte de alimentação, onde em sua saída foram alocados ana- created in laboratory from a power source, and in its outputs
lisadores de energia, responsáveis pela extração das medidas were inserted the loads and power quality analyzers, which
necessárias sobre as cargas residenciais em análise. Os resul- perform the extraction of all measurements. The obtained
tados obtidos foram considerados satisfatórios, mostrando- results were considered satisfactory, which show that the
se que a metodologia proposta pode ser também empregada methodology can be employed by power distribution compa-
pelas concessionárias de energia elétrica para que estas ob- nies in order to obtain information about the profile of loads
tenham informações sobre o perfil das cargas instaladas em used by residential consumers.
consumidores residenciais.
KEYWORDS: Identification of linear and nonlinear loads,
PALAVRAS-CHAVE: Identificação de cargas lineares e não- harmonic components, artificial neural networks.
lineares, componentes harmônicas, redes neurais artificiais.

Artigo submetido em 25/06/2009 (Id.: 01012)

Revisado em 20/08/2009, 28/12/2009, 02/02/2010
Aceito sob recomendação do Editor Associado Prof. Luis Antonio Aguirre

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 389

1 INTRODUÇÃO de harmônicas, normalmente baseados em ferramentas mate-
máticas como as Transformadas de Fourier e as Transforma-
Com as instalações residenciais utilizando cada vez mais das Wavelet (Ng et al., 2005; Tse, 2006; Limin et al., 2007;
cargas não-lineares como computadores, televisores, refri- Tarasiuk, 2007; Pádua et al., 2007); monitoração de tensões
geradores, condicionadores de ar, circuitos de iluminação, e correntes harmônicas aplicando as principais normas e/ou
dentre outros, nota-se um aumento dos níveis das correntes recomendações (Prudenzi et al., 2001; Halpin, 2005; Lowe
harmônicas encontradas nos sistemas elétricos, os quais po- et al., 2006; Maitra et al., 2007); desenvolvimento de filtros
dem contribuir para a degradação da Qualidade da Energia para a mitigação das componentes harmônicas que apresen-
Elétrica (QEE). Apenas como fato ilustrativo, tem-se hoje a tem níveis elevados (Czarnecki, 2000; Pomilio e Deckmann,
preocupação com o uso racional da energia, onde em certos 2007; Quesada et al., 2007); e modelagem de cargas não-
casos verifica-se a substituição de cargas praticamente linea- lineares para que possam ser utilizadas em simulações de
res (alto consumo) por cargas não-lineares (baixo consumo). sistemas elétricos de baixa, média, alta ou extra-alta tensão
Como exemplo, pode-se citar a substituição de lâmpadas in- (Acarkan e Erkan, 2007; Mota et al., 2004).
candescentes por lâmpadas fluorescentes compactas.
No entanto, durante a última década, as pesquisas estão mais
No entanto, observando o sistema elétrico como um todo, voltadas aos métodos de análise reversa de harmônicas, pois
mesmo com a proliferação de cargas não-lineares, constatar- estes são responsáveis por estimar harmônicos em barramen-
se-á que as residências possuem uma distorção harmônica tos, calcular o fluxo de potência das harmônicas (Variz et al.,
muitas vezes aceitável; porém, a soma das distorções harmô- 2008), além de realizar tarefas como a localização e iden-
nicas geradas pelos consumidores residenciais de um deter- tificação de cargas que absorvam elevadas correntes harmô-
minado alimentador pode contribuir para a amplificação da nicas, seja em barramentos dos sistemas de distribuição das
distorção harmônica total deste alimentador, quando soma- concessionárias, em plantas industriais e até mesmo em con-
das às distorções ocasionadas pelos consumidores de grande sumidores residenciais (Srinivasan et al., 2006; Fernandes et
porte. Assim, algumas correntes harmônicas podem também al., 2008). É neste contexto que o presente trabalho se in-
apresentar amplitudes além do esperado e, por conseqüên- sere, em que se realiza a identificação de cargas lineares e
cia, causar diversos problemas relacionados à QEE (Bezerra não-lineares em sistemas elétricos residenciais.
et al., 2001). Como resultado da amplificação dos níveis de
harmônicas, tem-se a má qualidade da energia que pode ser Os primeiros métodos de análise reversa foram propostos por
refletida para as concessionárias, consumidores próximos à Heydt (1989), em que se realizava uma estimação de harmô-
fonte geradora de harmônicas e ao próprio estabelecimento nicas sobre os barramentos que não possuíam medidores,
gerador. Muitas das vezes, os próprios consumidores são os para assim determinar quais se encontravam sob a influên-
grandes prejudicados, devido à maior sensibilidade de suas cia de altos níveis de distorção harmônica. Porém, até en-
cargas (Dugan et al., 2004). tão não se dava tanta importância às correntes harmônicas
demandadas por sistemas industriais, comerciais e residen-
Neste contexto, caso não haja meios específicos de con- ciais, devido às cargas não-lineares ainda não terem se pro-
trole, qualquer sistema com grande quantidade de cargas liferado. Conseqüentemente, os primeiros métodos desen-
não-lineares estará vulnerável a problemas refletidos na qua- volvidos apenas conseguiam identificar uma carga por vez.
lidade da energia. Desta situação, poder-se-ia evidenciar Assim, Varadan e Makram (1996) propuseram um método
um mau funcionamento de equipamentos, baixo fator de po- baseado em mínimos quadrados que estimava o estado das
tência, distorção na forma de onda da tensão e/ou corrente, harmônicas nos barramentos e, por meio de uma análise feita
aquecimento de cabos, dentre outros (Dugan et al., 2004). sobre os dados obtidos, tal método era capaz de identificar a
classe de cargas que provavelmente encontrava-se conectada
Devido aos problemas apontados anteriormente, muitas das ao barramento. Para tanto, houve a necessidade de determi-
pesquisas são realizadas com relação à identificação e con- nar três classes de cargas, isto porque as mesmas possuíam
trole de harmônicas. Assim, tais pesquisas encontram-se di- características particulares, sendo que a classe “A” tinha pre-
vididas, como denominado por Kumar et al. (2004), em aná- dominância das harmônicas de 5a , 7a , 11a e 13a ordens; a
lise direta de harmônicas e análise reversa de harmônicas. classe “B” era determinada por cargas com maior predomi-
Cabe comentar que, além destas duas frentes de pesquisa, nância de harmônicas de 3a , 5a e 7a ordens; e a classe “C”
existem também os métodos de detecção e classificação dos constituída por cargas com harmônicas predominantes de 3a
distúrbios acarretados com a má qualidade da energia; no e 5a ordens.
entanto, estes geralmente não se concentram apenas nas dis-
torções harmônicas (Ferreira et al., 2009). Já em Kumar et al. (2004), um método para identificação de
cargas não-lineares em barramentos é proposto, no qual duas
Dentre os estudos que compreendem a análise direta de etapas são realizadas. Na primeira etapa são encontrados os
harmônicas, grande parte destina-se às técnicas para extração

390 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

possíveis barramentos onde estão conectadas as cargas não- harmônicas.
lineares, usando-se aqui um método de estimação baseado
em mínimos quadrados. A segunda etapa elege um dos bar- Pesquisas mais recentes ainda trabalham com sistemas de
ramentos selecionados pela primeira etapa, empregando-se distribuição e sistemas elétricos industriais. Porém, come-
então no mesmo um método baseado na norma Euclidiana çam a crescer os estudos relacionados à identificação de car-
que visa identificar as cargas não-lineares mais expressivas. gas não-lineares em sistemas elétricos residenciais. Dentro
deste contexto, Umeh e Mohamed (2005) propuseram um
Observa-se que muitas pesquisas até então utilizavam técni- sistema fuzzy com regras lingüísticas baseadas nos níveis per-
cas convencionais, como o próprio método dos mínimos qua- centuais da Distorção Harmônica Total (DHT) de corrente.
drados, para a estimação de estado das harmônicas em bar-
ramentos, onde posteriormente as cargas não-lineares eram Já Srinivasan et al. (2006) propõem um método a par-
identificadas, sendo que estas representavam barramentos ou tir da aplicação da Transformada Rápida de Fourier (TRF)
uma classe de cargas e não as cargas propriamente ditas. En- para a extração do espectro de freqüências das correntes,
tretanto, além dos métodos convencionais, em alguns traba- considerando-se o ângulo de fase e a amplitude apenas das
lhos anteriores, já haviam sido aplicados sistemas inteligen- componentes de ordem ímpar até a 15a ordem, resultando
tes como as Redes Neurais Artificiais (RNAs), em que algu- assim em 16 variáveis que foram fornecidas como entradas
mas de suas vantagens e desvantagens foram apresentadas. às RNAs implementadas. Neste mesmo trabalho, modelos
Um dos trabalhos pioneiros foi realizado por Varadan e Ma- baseados em RNAs (MLP – Multilayer Perceptron, RBF –
kram (1994), em que se empregou RNAs com arquitetura de Radial Basis Function e SVM – Support Vector Machines)
múltiplas camadas (MLP – Multilayer Peceptron), sendo as foram utilizados para a identificação das cargas presentes no
mesmas treinadas com o algoritmo backpropagation. A par- sistema elétrico residencial criado em laboratório.
tir deste estudo, a aplicação de sistemas inteligentes para a
Seguindo o contexto apresentado por Srinivasan et al.
tarefa de identificação de cargas não-lineares se proliferou,
(2006), a pesquisa aqui proposta também realiza a identifi-
onde tanto RNAs (Chan et al., 2000; Niekerk et al., 2002;
cação de cargas conectadas em sistemas elétricos residenci-
Lin et al., 2005) como sistemas de inferência fuzzy (Nawi
ais; porém, com o intuito de mostrar que, assim como em
et al., 2003; Ferrero et al., 2007) passaram a ser utilizados
Varadan e Makram (1994), o ângulo de fase é um atributo
devido à apresentação de resultados satisfatórios.
irrelevante para a identificação de cargas não-lineares. Vale
Ainda com relação ao trabalho desenvolvido por Varadan e ressaltar que, diferentemente do trabalho de Srinivasan et al.
Makram (1994), o mesmo fez uso de uma RNA treinada para (2006), foram adquiridas componentes harmônicas pares e
identificar as cargas conforme as classes determinadas pelo ímpares até a 25a ordem e que empregaram-se técnicas para
IEEE Std. 519-1992. No referido trabalho, as cargas foram a seleção dos atributos mais relevantes, as quais proporcio-
separadas em lineares e não-lineares de acordo com o ângulo nam a redução do número de correntes harmônicas utiliza-
de fase das correntes, em que se demonstrou que o ângulo é das para a tarefa de identificação das cargas presentes em um
um atributo irrelevante para tarefas de identificação de cargas sistema elétrico residencial. Desta forma, obtiveram-se como
não-lineares, pois não se consegue caracterizar distintos tipos variáveis de entrada apenas a amplitude de 6 das 25 correntes
de cargas não-lineares por meio desta variável. analisadas, constatando assim, grande redução na quantidade
de variáveis de entrada fornecidas às RNAs quando compa-
Na proposta de Niekerk et al. (2002) foi também utilizada rado ao trabalho desenvolvido por Srinivasan et al. (2006),
uma rede neural do tipo MLP, cujos algoritmos de treina- o qual não empregou nenhuma técnica para selecionar atri-
mento foram variados entre bayesian regularisation e resi- butos. Conseqüentemente, esta pesquisa também tem como
lient backpropagation (Demuth et al., 2007). Tal pesquisa atrativo salientar que a utilização de técnicas de seleção de
possui grande semelhança àquela relatada nos dois parágra- atributos contribui de maneira significativa e efetiva para o
fos anteriores (Varadan e Makram, 1994) devido a também processo de escolha das variáveis mais relevantes ao sistema
classificar as cargas conforme regido pelo IEEE Std. 519- a ser mapeado pela abordagem neural.
1992.
Sendo assim, o principal objetivo deste trabalho é gerar uma
Já em Nawi et al. (2003), os sistemas fuzzy foram aplica- sistemática que possa ser aplicada à identificação dos perfis
dos com o intuito de se identificar cargas industriais como de cargas instalados em residências, com o intuito de for-
inversores de freqüência, controladores de velocidade para necer às concessionárias de energia elétrica uma informação
máquinas elétricas, além de fornos a arco. As cargas foram útil à monitoração da QEE. Além do mais, esta informação
identificadas por suas correntes harmônicas de 3a , 5a , 7a , 9a poderá ser utilizada para se realizar cálculos de fluxo de po-
e 11a ordens, sendo as regras lingüísticas do sistema fuzzy tência harmônico em sistemas de distribuição, visto que até
determinadas conforme o nível de cada uma destas correntes então não há a possibilidade de garantir boa precisão para

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 391

 200
este cálculo, justamente devido à falta de informações relaci-
150
onadas às componentes harmônicas características das cargas
100
utilizadas pelos consumidores finais de energia. 50

Tensão (V)
0

2 METODOLOGIA PROPOSTA -50

-100

Apresenta-se nesta seção uma visão geral da metodologia -150

proposta, a qual se encontra ilustrada pela Figura 1. -200

0 12.5 25 37.5 50
Tempo (ms)

O que se refere aos aspectos físicos do sistema, estes se-

rão abordados na Seção 3. Entretanto, cabe comentar que Figura 2: Forma de onda de tensão com uma DHT de 8,12%.
todo o procedimento experimental foi baseado na fonte de
200
alimentação, em que foram geradas 14 formas de onda dis-
150
tintas, sendo que 9 delas foram configuradas com distor-
100
ções harmônicas (DHTs de respectivamente 0,94%; 1,51%;
50
1,94%; 2,62%; 3,02%; 3,42%; 3,94%; 4,42% e 5%) dentro Tensão (V)
0
dos limites estabelecidos pelo IEEE Std. 519-1992. Outras 4
-50
foram configuradas com distorções acima destes limites e ou- -100

tra forma de onda foi configurada em condições ideais (sem -150

distorções harmônicas). No entanto, todas as formas de onda -200

0 12.5 25 37.5 50
distorcidas tiveram como base a forma de onda ideal, a qual Tem po (ms)

foi configurada com tensão em 127 V e ângulo de fase em

90o . Figura 3: Forma de onda de tensão com uma DHT de
14,52%.
Cabe comentar que, em conformidade com o IEEE Std. 519-
1992, todas as formas de onda distorcidas foram configura- 200

das com até 5% de DHT de tensão e um valor máximo de 3% 150

de Distorção Harmônica Individual (DHI) de tensão. 100

50
Tensão (V)

Por meio das Figuras de 2 a 5 podem ser visualizadas as for- 0

-50

-100

-150
Cargas Identificadas
-200
0 12.5 25 37.5 50

Saída da RNA Tem po (ms)

Redes Neurais
Artificiais Figura 4: Forma de onda de tensão com uma DHT de
SISTEMA
COMPUTACIONAL 16,34%.
Conjunto de dados
selecionado
200

Normalização 150
e
Seleção de atributos
100

50
Tensão (V)

Dados SISTEMA FÍSICO

0

Analisadores
Processamento dos -50
de
arquivos gerados
Harmônicas
-100
Base de dados
Aquisição de dados
-150

-200
Fonte de Barram ento 0 12.5 25 37.5 50
Alimentação Tem po (ms)

Ventilado r Com pu tado r Mo nitor

L âmp ada L âmp ada

Lâm pad a
F luorescen te
Figura 5: Forma de onda de tensão com uma DHT de
Flu orescente In cand escente Comp acta
16,41%.
Bancada de Cargas

Figura 1: Diagrama de blocos denotando uma visão geral da mas de onda distorcidas, as quais extrapolam os limites pré-
metodologia proposta.
estabelecidos.

392 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

Já o quadro de cargas foi projetado de modo a permitir o aci- para a identificação de cargas não-lineares. Portanto, para
onamento individual ou até mesmo combinações entre as car- cada medição foram extraídas 25 variáveis.
gas. Assim, para todas as 6 cargas, teremos 64 (26 ) possíveis
combinações ou medições. Ressalta-se que uma das combi- No que segue, são apresentadas por meio da Tabela 1, as am-
nações leva em consideração que nenhuma carga se encontra plitudes das correntes harmônicas individuais de cada uma
conectada ao sistema. Portanto, foram possíveis 63 medições das cargas quando alimentadas por tensão sem distorção.
com cargas.
Tabela 1: Assinatura harmônica individual de corrente das
Além das formas de onda distorcidas, outras 189 medidas cargas sob análise.
aleatórias foram realizadas variando-se a amplitude da ten-
Ordem
são de saída da fonte entre ±15%. No entanto, para cada Harmô- PC MON LFC LF LI VE
uma destas 189 situações geradas, dois analisadores de ener- nica
gia distintos foram empregados (Flukee R California Instru- 1a 0,72 0,41 0,21 0,28 0,79 1,28
ments, os quais serão posteriormente apresentados na Seção 2a 0,66 0,38 0,17 0,22 0 0,01
3), permitindo que o número de medidas dobre, chegando-se 3a 0,56 0,33 0,1 0,13 0 0

então a um total de 378 aquisições. A utilização de analisa- 4a 0,44 0,27 0,05 0,07 0 0

dores de energia distintos garantiu que as assinaturas harmô- 5a 0,3 0,2 0,04 0,05 0 0
6a 0,18 0,13 0,04 0,05 0 0
nicas obtidas fossem diferentes em poucos níveis percentu-
7a 0,09 0,07 0,03 0,04 0 0
ais. Tais diferenças advêm das características intrínsecas e
8a 0,06 0,03 0,02 0,03 0 0
construtivas de ambos os equipamentos (hardware e soft-
9a 0,07 0,02 0,02 0,03 0 0
ware), sendo os erros de medição em corrente de ±0,05A
10a 0,06 0,02 0,02 0,03 0 0
para o equipamento da Flukee R ±0,01A para o California
11a 0,05 0,02 0,02 0,02 0 0
Instruments. Utilizando-se de um dos analisadores (Fluke, R
12a 0,02 0,02 0,02 0,02 0 0
Seção 3), ainda foram extraídas outras 126 medidas aleató-
13a 0,01 0,01 0,02 0,02 0 0
rias sob as cargas alimentadas com formas de onda que foram 14a 0,01 0 0,01 0,02 0 0
distorcidas seguindo os limites estabelecidos pelo IEEE Std. 15a 0,01 0 0,01 0,02 0 0
519-1992. 16a 0,01 0,01 0,01 0,02 0 0
17a 0 0 0,01 0,02 0 0
Desta forma, por meio do analisador da California Instru-
18a 0 0 0,01 0,01 0 0
ments, obteve-se um total de 1071 medições, que correspon-
19a 0 0 0,01 0,01 0 0
dem à soma das aquisições realizadas para as cargas alimen- 20a 0 0 0,01 0,01 0 0
tadas com as 13 formas de onda distorcidas, considerando- 21a 0 0 0,01 0,01 0 0
se também aquelas que extrapolam os limites de distorções 22a 0 0 0,01 0,01 0 0
(63x13 = 819); às aquisições realizadas com as cargas sendo 23a 0 0 0,01 0,01 0 0
alimentadas pela forma de onda sem distorção (63); e pelas 24a 0 0 0,01 0,01 0 0
aquisições realizadas quando se variou a amplitude da ten- 25a 0 0 0,01 0,01 0 0
são de saída da fonte entre ±15% (189). Já pelo analisador
da Fluke, obteve-se um total de 315 medidas, que correspon-
dem às 126 aquisições referentes às cargas alimentadas por Para uma melhor adequação da tabela, utilizaram-se os se-
formas de onda distorcidas e 189 medidas realizadas a partir guintes rótulos para se referir a cada uma das cargas: PC
da variação da amplitude de tensão entre ±15%. Portanto, a (computador pessoal), MON (monitor), LFC (lâmpada fluo-
base de dados é constituída por um total de 1386 medições. rescente compacta), LF (lâmpada fluorescente acionada por
reator eletrônico), LI (lâmpada incandescente) e VE (venti-
Vale ressaltar que todas as medidas foram realizadas com as lador).
cargas em regime permanente, conforme estabelecido pelo
IEEE Std. 519-1992, para que a real assinatura de uma carga Além das assinaturas harmônicas de corrente das cargas, são
possa ser extraída. apresentadas por meio das Figuras de 6 a 11 as formas de
onda de corrente de cada carga quando da alimentação destas
Afirma-se que os dados representativos das assinaturas por um sinal puramente senoidal (sem distorção harmônica).
harmônicas, ou das cargas individuais e/ou da combinação
entre as mesmas, continham apenas correntes harmônicas da Apenas como caráter explicativo, cabe comentar que, para
1a a 25a ordem com suas respectivas amplitudes. O ângulo manter a uniformidade da base de dados, alguns módulos de
de fase não foi considerado devido à pesquisa de Varadan e software foram desenvolvidos por meio da ferramenta com-
Makram (1994) mostrar que este não é um atributo relevante putacional Matlab,R de forma a se realizar a adequação dos
arquivos (extração dos cabeçalhos) provenientes dos analisa-

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 393

 4

1
3

2
0.5

Corrente (A)
1
Corrente (A)

0
0

-1
-0.5

-2

-3 -1

-4 497 12.5 25 37.5 50

0 12.5 25 37.5 50
Tempo (ms)
Tempo (ms)

Figura 6: Forma de onda da corrente quando da alimentação Figura 10: Forma de onda da corrente quando da alimenta-
de um PC (Computador Pessoal). ção de uma Lâmpada Incandescente (LI).

2.5
2
2
1.5
1.5

1 1
Corrente (A)

0.5 0.5
Corrente (A)

0
0
-0.5
-0.5
-1

-1.5 -1

-2 -1.5

-2.5
497 12.5 25 37.5 50 -2
Tempo (ms) 0 12.5 25 37.5 50
Tempo (ms)

Figura 7: Forma de onda da corrente quando da alimentação Figura 11: Forma de onda da corrente quando da alimenta-
de um Monitor (MON). ção de um Ventilador (VE).

Tendo em mãos os arquivos totalmente adequados, a base de

0.5
dados pôde então ser gerada, a qual possuía 1386 instâncias,
Corrente (A)

0 contendo cada uma delas um total de 25 atributos.

-0.5
Devido à grande quantidade de atributos na base de dados,
-1 o treinamento das RNAs tornou-se uma tarefa de alto custo
0 12.5 25 37.5 50
computacional. Isto decorre do fato de que muitos atributos
Tempo (ms)
não contribuem efetivamente para a extração dos padrões de
assinaturas harmônicas. Em face disto, o emprego do seletor
Figura 8: Forma de onda da corrente quando da alimentação
de atributos foi de extrema necessidade. Sendo assim, foi ve-
de uma Lâmpada Fluorescente Compacta (LFC).
rificado o desempenho dos três métodos para seleção de atri-
butos, os quais serão explicitados na Seção 4. Cabe adiantar
1.5
que o desempenho de cada um desses métodos foi avaliado
1
quanto ao nível de relevância dos atributos. Entretanto, ape-
0.5 nas como caráter informativo e ilustrativo, foi obtido o tempo
Corrente (A)

0
gasto por cada um destes métodos. Ressalta-se que os seleto-
res de atributos são executados somente na fase de projeto da
-0.5
metodologia proposta e, portanto, este tempo não é relevante
-1
à identificação dos perfis de carga. Os resultados obtidos por
-1.5
0 12.5 25 37.5 50
estes métodos serão apresentados e discutidos na Seção 4.
Tempo (ms)

Com os atributos selecionados, passou-se então a utilizar

Figura 9: Forma de onda da corrente quando da alimentação uma nova base de dados constituída apenas pelos atributos
de uma Lâmpada Fluorescente com reator eletrônico (LF). mais relevantes à identificação das cargas. Assim, a nova
base gerada pôde ser dividida em dois conjuntos, os quais
foram utilizados nos processos de treinamento e validação
dores de energia. das RNAs.

394 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

O conjunto de treinamento foi, por conseguinte, submetido representar um sistema elétrico residencial.
às RNAs, as quais foram treinadas por meio do algoritmo
de Levenberg-Marquardt para que pudessem extrair os pa- As assinaturas harmônicas foram então extraídas com o au-
drões de assinaturas harmônicas das cargas. Para tanto, xílio de dois analisadores de energia que serão comentados
seis RNAs foram empregadas, sendo que cada RNA tornou- mais adiante.
se especialista na identificação de um determinado equipa-
mento. Esta estratégia fez com que o desempenho na fase 3.1 Fonte de Alimentação
de identificação das cargas fosse ainda melhor. Ressalta-se
que as RNAs foram empregadas aqui justamente pelo fato Para a alimentação das cargas foi utilizada uma fonte mono-
de conseguirem mapear eficientemente a dinâmica compor- fásica, modelo 5001iX da California Instruments (Califor-
tamental do sistema analisado, garantindo-se boa classifica- nia Instruments, 2007), com potência de 5 kVA. Esta fonte
ção mesmo quando os sinais de entrada sofrerem pequenos de alimentação foi configurada inicialmente para fornecer às
desvios (inerentes a equipamentos de fabricantes diferentes), cargas uma tensão de 127 V com ângulo de fase em 90˚ e
pois a mesma possui capacidade de generalização de solu- freqüência em 60 Hz. Toda a configuração da fonte foi re-
ções, e que implica em potencial para também ser tolerante alizada por meio de um microcomputador com o software
a essas perturbações (falhas) de baixo impacto. Todos os Cigui32 iX Series (California
R Instruments, 2007), em que
aspectos relacionados às RNAs serão abordados com maior todos os ajustes são transmitidos à fonte por uma interface
profundidade na Seção 5. serial RS-232.

3 ASPECTOS DA BANCADA DE ENSAIOS 3.2 Analisadores de Energia

A bancada experimental foi basicamente composta por uma Os analisadores de energia utilizados para extração das as-
fonte de alimentação, dois analisadores de energia, um qua- sinaturas harmônicas foram dois, onde um deles encontra-se
dro de cargas e um microcomputador responsável pelo arma- sob o mesmo chassi da fonte de alimentação. Portanto, este
zenamento dos dados e pela execução do sistema de identi- equipamento possui também como característica a função de
ficação das cargas conectadas ao sistema elétrico. Para uma analisador de energia. O segundo analisador utilizado foi um
melhor compreensão desta bancada de ensaios, um diagrama Fluke 435 (Fluke, 2006).
de blocos da mesma pode ser visualizado por meio da Figura
12. A utilização de dois analisadores foi adotada a fim de se obter
uma maior quantidade de medidas, a qual auxilia no treina-
A princípio, empregou-se um total de seis cargas dentre li- mento das redes neurais, além também de se considerar neste
neares e não-lineares. O quadro de cargas foi alimentado processo os desvios marginais das medições de um equipa-
com uma forma de onda puramente senoidal a fim de que mento em relação ao outro. Adicionalmente, o uso de dois
pudessem ser extraídas as assinaturas harmônicas reais de analisadores possibilitou ainda verificar se, para medições re-
cada carga, bem como de suas respectivas combinações. No alizadas em equipamentos diferentes (mesmo com baixos ní-
entanto, conforme apresentado na seção anterior, também veis de distinção), as redes neurais conseguiriam identificar
foram criadas mais 9 formas de onda com um conteúdo os perfis de cargas conectados no sistema elétrico.
harmônico dentro dos limites estabelecidos pela recomenda-
ção IEEE Std. 519-1992, além de 4 formas de onda com con- Ambos os analisadores foram gerenciados via software para
teúdo harmônico extrapolando estes limites, a fim de melhor que a aquisição dos dados fosse realizada de modo semi-
automático, sendo que neste caso o operador fica apenas res-
ponsável pela disparada dos procedimentos de coleta. No
Bancada de Cargas caso do analisador da California Instruments, os dados fo-
Fonte de Barramento ram acessados e resgatados via interface serial e então arma-
Alimentação
zenados no microcomputador.
Ventilador Computador Monitor

Lâmpada Em relação ao analisador da Fluke, os dados foram obtidos

Lâmpada Lâmpada Fluorescente
Fluorescente Incandescente Compacta via interface serial opto-isolada, que é convertida para uma
interface USB (Universal Serial Bus), realizando-se assim a
Analisadores
RNAs
Dispositivos conexão com o microcomputador, cujos dados são compila-
de Energia Identificados
dos pelo software FlukeView(Fluke,
R 2005).

Figura 12: Diagrama de blocos representando a bancada ex-

perimental utilizada nos ensaios laboratoriais.

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 395

3.3 Bancada de Cargas
Tabela 3: Características das cargas quando mantidas em
Como enfatizado nas seções anteriores, o sistema elétrico sob regime permanente e medidas pelos analisadores de ener-
gia.
estudo é considerado residencial, principalmente pela natu-
reza das cargas analisadas. Potência Potência
Tipo de Fator de
Ativa Aparente
As características de cada uma das cargas utilizadas nos en- Carga Potência
(W) (VA)
saios laboratoriais são descritas pela Tabela 2.
Lâmpada In-
100 100 1,000
candescente
Tabela 2: Características das cargas empregadas nos en- Lâmpada
saios laboratoriais. 29 50 0,580
Fluorescente
Tipo de Tensão Potência Freqüência Lâmpada
Carga (V) Nominal(W) (Hz) Fluorescente 23 41 0,561
Lâmpada In- Compacta
127 100 60
candescente Ventilador 110 169 0,651
Lâmpada Computador
127 20 60 93 167 0,557
Fluorescente Pessoal
Lâmpada Monitor 53 97 0,546
Fluorescente 110/127 23 50/60
Compacta
Ventilador 127 120 60
Computador espera obter de tal base de dados.
115/230 400 50/60
Pessoal
Seletores de atributos são muito empregados quando os algo-
Monitor 110/240 450 50/60
ritmos de classificação não conseguem obter a generalização
de padrões, ou ainda, quando estes algoritmos são inviabi-
lizados devido à grande quantidade de atributos que seriam
As informações apresentadas na Tabela 2 denotam os dados inseridos como entrada. No estudo em questão, as duas pre-
fornecidos pelos fabricantes. Desta forma, por meio da Ta- missas são validas, pois, quando as RNAs são treinadas com
bela 3, são mostradas as informações sobre potência ativa, todas as correntes harmônicas, estas não conseguem gene-
aparente e fator de potência de cada uma das cargas no mo- ralizar a solução do problema; além disso, há também uma
mento em que estas se encontravam em regime permanente, grande quantidade de atributos que torna o treinamento das
isto é, sob as condições nas quais foram realizadas as aquisi- RNAs bastante ineficiente.
ções dos dados.
Geralmente, utiliza-se a seleção de atributos para evitar es-
Com relação às cargas utilizadas, cabe comentar que a lâm- tas duas hipóteses, pois, ao se reduzir o número de entradas,
pada fluorescente foi acionada por um reator eletrônico com minimiza-se também o espaço de busca pela melhor solução.
potência nominal de 40W, o que explica a potência ativa me-
dida na mesma. Os métodos para seleção de atributos podem ser divididos
em duas classes: wrappers (Kohavi e John, 1997) e filtros
4 SELETORES DE ATRIBUTOS (Almuallim e Dietterich, 1991; Liu e Setiono, 1996). Fil-
tros diferenciam-se de wrappers apenas quanto à indepen-
As devidas considerações com relação aos seletores de atri- dência do algoritmo de aprendizado que será utilizado poste-
butos serão apresentadas nesta seção. riormente. Normalmente, wrappers apresentam desempenho
considerável quando o algoritmo de aprendizado é supervisi-
Para o desenvolvimento deste trabalho, foram aplicados três onado (Liu e Setiono, 1996; Hall, 2000). O desempenho dos
seletores de atributos distintos, com o intuito de verificar seus wrappers foi anteriormente citado como considerável devido
desempenhos. aos testes de desempenho realizados no trabalho de Kohavi
e John (1997), em que diversas bases de dados comumente
O processo de seleção de atributos é definido por Liu e Mo- empregadas para benchmark foram utilizadas e verificou-se
toda (1998) como a determinação de um subconjunto de atri- o bom desempenho deste seletor de atributos.
butos que será responsável por generalizar a informação con-
tida na base de dados, isto de acordo com a resposta que se Durante o desenvolvimento deste trabalho foram empregados

396 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

métodos de ambas as classes, com intuito de se comprovar temente da grande maioria dos métodos para seleção de atri-
os benefícios fornecidos em cada tipo, além de fornecer uma butos, não utiliza busca heurística, mas sim uma busca pro-
análise de desempenho dos mesmos. babilística baseada no algoritmo Las Vegas (Mitzenmacher e
Upfal, 2005). Conforme os resultados experimentais obtidos
Alguns autores defendem a idéia de que a seleção de atri- por Liu e Setiono (1996), pôde-se verificar que este método
butos é um ponto central para tarefas de classificação de geralmente obtém uma resposta rápida e garante também a
padrões, visto que muitas vezes a não seleção dos atribu- localização de um subconjunto de atributos que forneça boa
tos pode levar os classificadores a uma identificação com generalização da informação contida na base de dados, além
baixo desempenho e alto custo computacional (Hall e Hol- de ser facilmente implementado.
mes, 2003). Assim, no que se segue serão apresentados os
três métodos para seleção de atributos empregados, os quais O algoritmo Las Vegas faz escolhas probabilísticas que auxi-
foram executados com o auxílio da ferramenta computaci- liam no processo de busca; assim, encontra-se rapidamente
onal WEKA c (Waikato Environment Knowledge Analysis) um subconjunto de atributos que forneça resultados satisfa-
(Witten e Frank, 2005). tórios. Esta busca é executada até que um número máximo
de tentativas seja alcançado, sendo que ao final dessas tenta-
tivas avaliam-se tanto o tamanho do subconjunto de atributos
4.1 Wrapper
como a sua inconsistência com relação à classe. O subcon-
Seletores de atributos do tipo Wrapper são muito utiliza- junto selecionado será o de menor tamanho e inconsistência,
dos quando se deseja selecionar atributos em problemas de visto que a consistência de um subconjunto de atributos é
aprendizado supervisionado, isto é, quando há uma saída de- inversamente proporcional à sua inconsistência.
sejada para o sistema. A metodologia consiste na apresen-
Uma desvantagem apresentada pela busca probabilística
tação de um conjunto de treinamento em que os atributos
quando comparada a uma busca heurística é o seu custo com-
passam pelo método de busca pré-determinado pelo usuário.
putacional um pouco mais alto. No entanto, sua maior vanta-
Após a busca de um subconjunto de atributos, este é avali-
gem é que não possui a mesma vulnerabilidade apresentada
ado e recebe um custo. Porém, para que o método tenha a
pela busca heurística quando submetido a conjuntos de dados
devida validade, estes subconjuntos devem ser classificados
com muitos atributos correlatos.
por um algoritmo de indução também pré-definido pelo usuá-
rio, que fornecerá como resultado uma estimativa de desem-
penho. Após todos os subconjuntos de atributos serem sub- 4.3 Correlation-based Feature Selection
metidos ao mesmo processo, os melhores subconjuntos são (CFS)
selecionados e deverão novamente passar por um segundo al-
goritmo de indução que irá extrair os atributos mais relevan- O CFS é um método proposto por Hall (1999), que pode ser
tes, sendo estes avaliados junto a um conjunto de validação aplicado tanto em conjuntos de dados contínuos como dis-
a fim de que os atributos selecionados mostrem seu devido cretos. O método faz uso de correlação para avaliar o custo
potencial (Kohavi e John, 1997). dos atributos. Contudo, uma grande diferença apresentada
pelo CFS, quando comparado a outros filtros, é que sua se-
Este algoritmo foi empregado devido ao fato de normalmente leção começa pela avaliação dos subconjuntos de atributos
fornecer melhores resultados do que filtros, isto porque seu para depois avaliar os atributos individualmente.
método de busca interage com o algoritmo de indução que
realiza uma prévia avaliação dos subconjuntos de atributos. A busca pelo melhor subconjunto de atributos é finalizada
Entretanto, como mostrado por Hall e Holmes (2003), mé- apenas quando o critério de parada é satisfeito, sendo este
todos do tipo Wrapper apresentam alto custo computacional factível quando as últimas cinco iterações retornam o mesmo
devido ao algoritmo de indução ser executado para todos os subconjunto de atributos.
subconjuntos analisados.
Algumas vantagens apresentadas pelo algoritmo CFS são a
Para o trabalho em questão empregou-se uma árvore de de- sua rápida execução, a possibilidade de ser aplicado em qual-
cisão do tipo J48 (Goldschmidt e Passos, 2005) tanto como quer tipo de conjunto de atributos e a redução de até 50% da
método de busca quanto como algoritmo de indução. quantidade de atributos (Hall, 2000).

4.2 Consistency-based Filter (CF) 4.4 Análise de Desempenho dos Seleto-

res de Atributos
O método CF, proposto por Liu e Setiono (1996), avalia os
subconjuntos de atributos conforme sua consistência em rela- Antes de apresentar devidamente os resultados obtidos pe-
ção às classes que compõem o conjunto de dados e, diferen- los seletores de atributos, cabe-se comentar que todos fo-

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 397

ram executados pela ferramenta computacional WEKA, c
utilizando-se de um microcomputador com 3 GB de memó-
ria e com processador IntelCore
R TM
2Duo de 1,83 GHz. As 3

2.5
medidas de desempenho desses métodos podem ser avaliadas

Amplitude (A)
2
por meio da Tabela 4. 1.5

0.5
2 1
4 3
0 6 5
8 7
Tabela 4: Desempenho dos seletores de atributos. 50
45 40 12 11
10 9
35 30 14 13
25 17 16 15
20 19 18
Seletores de Instância
15
10
5 1
25 24
23 22
21 20 Ordem das Harmônicas
Ranking de Atributos Tempo (s)
Atributos
01, 03, 08, 09, 05, 07, 19, Figura 13: Espaço de busca antes de selecionar os atributos
11, 17, 13, 23, 25, 06, 15, mais relevantes.
CFS 0, 47
10, 12, 20, 22, 24, 04, 21,
18, 14, 02, 16
01, 03, 08, 09, 05, 07, 19, 3
11, 17, 13, 23, 25, 06, 15,
CF 0, 82
10, 12, 20, 22, 24, 04, 21, 2.5

18, 14, 02, 16

2
Amplitude (A)

01, 03, 08, 09, 05, 07, 17,

11, 13, 15, 19, 20, 22, 25, 175209 ( 1.5
Wrapper
18, 16, 24, 14, 23, 04, 10, ≈ 2 dias)
1
12, 06, 21, 02
0.5

0
As três técnicas utilizadas foram configuradas de modo a for- 50
45
necerem como resposta uma lista dos atributos, ordenada do 40
35
atributo de maior para o de menor relevância. Desta forma, 30
25
pela lista apresentada na Tabela 4, pôde-se verificar que os Instância
20
15 3
1
5
seis primeiros atributos mais relevantes foram os mesmos 10
5 8
7
Ordem das
para as três técnicas. Assim, apenas estes seis atributos foram 1 9
Harmônicas
selecionados para compor a nova base de dados.
Figura 14: Espaço de busca contendo apenas os atributos
Outra característica observada é o esforço computacional selecionados.
apresentado por cada um dos algoritmos. O método Wrap-
per gastou cerca de 2 dias para obter os atributos mais rele-
vantes, enquanto que os algoritmos CFS e CF, os quais são
O próximo passo considerado, após a seleção dos atribu-
baseados em filtros, apresentaram respostas favoráveis num
tos, foi o treinamento das RNAs, conforme apresentado na
tempo menor do que 1 segundo. Também se pode verificar
seqüência.
que o método CF apresenta um tempo maior de resposta do
que o método CFS. Isto, devido aos seus distintos algorit-
mos de busca (probabilística e heurística, respectivamente). 5 REDES NEURAIS ARTIFICIAIS
No entanto, conforme comentado na Seção 2, o tempo des-
pendido pelos seletores de atributos não é relevante devido As RNAs possuem como principais características a capaci-
ao fato de serem somente empregados na etapa de projeto da dade de aprender por meio de exemplos e a de generalizar as
metodologia proposta. informações aprendidas. A generalização está atrelada com a
capacidade de a rede aprender pela apresentação de um con-
Com a aplicação das técnicas de seleção de atributos, o es- junto reduzido de exemplos, em que a mesma deverá estar
paço de busca pôde ser então efetivamente reduzido. Assim, apta a fornecer respostas coerentes para dados que não te-
pela Figura 13, ilustra-se o espaço de busca contendo 60 ins- nham sido utilizados em sua etapa de aprendizado. Outras
tâncias e os 25 atributos da base original, sendo que pela Fi- características como tolerância a falhas, auto-organização e
gura 14 pode-se visualizar o espaço de busca contendo as capacidade de agrupar ou organizar dados também podem ser
mesmas 60 instâncias, porém, contendo apenas os atributos observadas em algumas arquiteturas de redes neurais (Hay-
selecionados. kin, 1999).

398 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

 1ª - Camada 2ª - Camada
Escondida Escondida
das às derivadas de segunda ordem do erro quadrático, ao
1 1
passo que o algoritmo de treinamento backpropagation faz
Entradas
apenas uso de informações associadas às derivadas de pri-
Fundamental x1
2 2 Camada
meira ordem.
de
3ª Harmônica x2
Saída Comenta-se que todas as RNAs empregadas neste estudo,
3 3
5ª Harmônica X3
1 bem como seus algoritmos de treinamento, foram configu-
7ª Harmônica X4 . . radas utilizando-se o Toolbox da ferramenta computacional
. . Matlab (Demuth
R et al., 2007).
8ª Harmônica X5 . .

Apresentadas as arquiteturas das RNAs utilizadas e suas ca-

9ª Harmônica X6

26 12 racterísticas, na próxima seção serão apontados e discutidos

os resultados decorrentes desta aplicação.
Figura 15: Arquitetura das RNAs.
6 RESULTADOS EXPERIMENTAIS
Nesta seção serão abordados os resultados apresentados pe-
As RNAs empregadas neste trabalho possuem arquitetura las RNAs quando submetidas a dois modos de treinamentos
MLP, a qual normalmente é aplicada em tarefas de reco- e validações, onde o conjunto de dados foi dividido de forma
nhecimento de padrões, aproximação funcional, identifica- distinta.
ção e controle. Assim, considerando o propósito do reconhe-
cimento de padrões referente à composição harmônica das
cargas e suas combinações, verifica-se que tal arquitetura se 6.1 Primeiro Modo de Treinamento e Vali-
encaixa à tarefa proposta. dação
Na intenção de melhorar o processo de identificação, foi cri- Para o primeiro modo, empregou-se um conjunto de treina-
ada uma RNA para cada carga utilizada. Vale comentar que mento composto pelas seguintes medições:
todas as RNAs possuem a mesma configuração, sendo 26
neurônios na primeira camada escondida, 12 neurônios na
• medições com as cargas alimentadas pelas formas de
segunda camada escondida e apenas um neurônio na camada
onda contendo distorções harmônicas acima dos limites
de saída. Quanto às funções de ativação, para as camadas es-
recomendados pelo IEEE (189 amostras);
condidas utilizou-se a tangente hiperbólica, sendo que para
a camada de saída empregou-se a função linear com limi- • medições realizadas quando as cargas foram alimenta-
tes em 1 e -1, representando assim o estado ao qual se en- das por tensão sem distorção harmônica (63 amostras);
contra o equipamento (ligado ou desligado). As funções de
ativação têm como finalidade limitar a saída dos neurônios. • medições obtidas pelo analisador da California Instru-
Ressalta-se ainda que cada uma das RNAs possui 6 entradas ments quando houve variação na tensão de alimentação
que correspondem às amplitudes das correntes fundamental entre ±15% (252 amostras);
e harmônicas de 3a , 5a , 7a , 8a e 9a ordens, as quais foram
previamente fornecidas como resposta pelos seletores de atri- • metade das medições adquiridas pelo analisador da
butos. Para uma melhor compreensão da arquitetura supraci- Fluke quando as cargas foram alimentadas com tensões
tada, a mesma encontra-se ilustrada por meio da Figura 15. distorcidas dentro dos limites recomendados pelo IEEE
(63 amostras);
Com relação ao treinamento das RNAs, muitos algoritmos
podem ser encontrados na literatura. Dentre alguns, o mais • além de aproximadamente 67% das medidas adquiri-
conhecido é o backpropagation que possui como fundamento das pelo analisador da California Instruments quando as
o cálculo do gradiente descendente. No entanto, em Ha- cargas foram alimentadas com tensões distorcidas den-
gan e Menhaj (1994), um algoritmo denominado Levenberg- tro dos limites comentados (378 amostras).
Marquardt, que consiste em uma aproximação do método de
Newton, se destaca por apresentar um processo de ajuste oti- Desta forma, o conjunto de treinamento foi composto por um
mizado dos pesos e uma maior velocidade de convergência total de 945 amostras, que correspondem em cerca de 68%
quando comparado com algoritmos convencionais como o da base de dados.
backpropagation. Esta melhoria na velocidade de convergên-
cia apresentada pelo algoritmo de treinamento de Levenberg- Os dados restantes foram utilizados para compor o conjunto
Marquardt é devida à exploração de informações relaciona- de validação. Cabe-se evidenciar que as medidas obtidas

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 399

quando as cargas foram alimentadas pela forma de onda da
Tabela 6: Instâncias do conjunto de validação 1 identificadas
Figura 2 fizeram parte do conjunto de validação. Isto porque
de forma errônea.
a mesma apresenta um achatamento na tensão, característico
de componentes harmônicas de 3a e 5a ordens, que não se Instâncias
Conjunto de Validação 1
encontra pronunciado nas demais formas de onda. Essas me- PC MON LFC LF LI VE
didas também foram consideradas devido a esta forma de 91 O X X X O O
onda extrapolar os limites de distorção recomendados pelo
IEEE. 165 X O O X X X
179 X X O X O X
Sendo assim, após o treinamento das RNAs, estas foram sub-
180 X X O X X O
metidas à etapa de validação, onde foram obtidos os resulta-
dos apresentados por meio da Tabela 5. 231 X O X O X O
236 X O X X X X
Tabela 5: Resultados obtidos com o primeiro modo de treina- 240 X X O O X X
mento e validação. 246 X X X O O X
Carga Acertos (%) 247 X X X O X O
Lâmpada Incandescente 99, 77 314 X X X X X O
Lâmpada Fluorescente 96, 15 385 O O O X X X
Lâmpada Fluorescente Compacta 96, 15 387 O O X O O X
Ventilador 99, 77 390 O O X X O O
Computador Pessoal 100 393 O O X X X X
Monitor 99, 55 396 O X O O X O
398 O X O X O O
A partir da análise da Tabela 5, nota-se que a RNA respon- 399 O X O X O X
sável por identificar o computador pessoal obteve um apro- 401 O X O X X X
veitamento de 100%. Ou seja, conseguiu identificar correta- 403 O X X O O X
mente se a carga estava conectada ou não ao sistema elétrico
para todas as 441 instâncias que comportaram o conjunto 404 O X X O X O
de validação do primeiro modo de treinamento. Já no caso 413 X O O O X X
do ventilador, monitor e lâmpada incandescente, suas RNAs 415 X O O X O X
apresentaram resultados acima de 99%, isto é, o erro destas
416 X O O X X O
RNAs foi bastante baixo. Apenas as RNAs responsáveis pe-
las lâmpadas, fluorescente compacta e fluorescente acionada 417 X O O X X X
por reator eletrônico, apresentaram taxas de acerto acima de 418 X O X O O O
96%, sendo esta taxa considerada satisfatória. A seguir, por 419 X O X O O X
meio da Tabela 6, são mostradas as instâncias onde as cargas
foram classificadas incorretamente. 420 X O X O X O
426 X X O O O O
Para a análise da tabela 6, a mesma nomenclatura utilizada
429 X X O O X X
na Tabela 1 foi adotada; entretanto, neste caso, esta nomen-
clatura refere-se às RNAs responsáveis por cada uma das 434 X X X O O O
cargas. Os “X” denotam cargas ligadas e “O” cargas des- 435 X X X O O X
ligadas. Esta tabela representa a saída desejada pelas RNAs. 437 X X X O X X
Contudo, para uma melhor compreensão dos erros cometidos
pelas RNAs, os “X” e “O” em destaque representam as situa- 439 X X X X O X
ções nas quais as RNAs apresentaram respostas errôneas, ou
seja, a saída da rede neural foi contrária à saída apresentada
na tabela. Por exemplo, na instância 91, as cargas conecta-
das ao sistema eram: MON, LFC e LF; no entanto, a saída Ainda com relação à Tabela 6, cabe comentar que apenas
da RNA responsável pela LFC apresentou uma resposta onde um erro foi gerado quando da apresentação de medidas reali-
tal lâmpada encontrava-se desligada. zadas com desvios na alimentação das cargas entre ±15% da

400 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

tensão (instância 91). Os demais erros foram todos ocasiona- siderada satisfatória para a identificação de cargas lineares e
dos quando se alimentou as cargas com formas de onda dis- não-lineares. As instâncias classificadas incorretamente por
torcidas. Com relação às aquisições obtidas com o Fluke, R cada uma das RNAs são ilustradas por meio da Tabela 8.
estas também foram submetidas às redes neurais, porém,
não apresentaram erros. Nota-se ainda que as instâncias Para análise desta tabela, foram utilizadas as mesmas nomen-
240 e 429 possuem a mesma saída desejada e apresenta- claturas e representações da Tabela 6; no entanto, esta reflete
ram o mesmo erro; porém, a primeira instância foi adquirida o segundo modo de treinamento e validação.
quando as cargas foram alimentadas por uma forma de onda
Ao se examinar a Tabela 8, verificou-se que não houve erros
com DHT de 3,02%, ao passo que a segunda instância foi
quando da classificação das medidas obtidas com o Flukee R
medida quando as cargas foram alimentadas por uma forma
também para aquelas adquiridas quando as cargas foram ali-
de onda com DHT de 8,12% (Figura 5). Cabe também co-
mentadas com desvio de tensão entre ±15%. Portanto, os
mentar que apenas nas instâncias 179, 393, 404, 418 e 434
erros encontrados referem-se às medições realizadas com o
os erros foram cometidos por duas redes neurais distintas.
California Instruments quando as cargas foram alimentadas
por tensões distorcidas, tanto aquelas que se encontram den-
6.2 Segundo Modo de Treinamento e Va- tro dos limites de distorção estipulados pelo IEEE quanto pe-
lidação las formas de onda que extrapolam estes limites. Em alguns
casos, nota-se que duas redes neurais distintas apresentaram
Para o segundo modo, o conjunto de treinamento foi alterado respostas errôneas em uma mesma instância (instâncias 179,
apenas com relação à quantidade de medidas adquiridas pelo 242, 518, 519, 530, 541, 542, 543, 544, 560 e 562), onde
analisador da California Instruments, quando as cargas fo- se verificou que estes erros foram geralmente apresentados
ram alimentadas com tensões distorcidas dentro dos limites pelas RNAs responsáveis por classificar as lâmpadas fluores-
recomendados pelo IEEE. Utilizou-se para tanto de aproxi- cente e fluorescente compacta. Também pôde ser verificado
madamente 44% destas medidas, isto é, apenas 252 amos- que apenas na instância 517, três RNAs apresentaram respos-
tras ao invés de 378 amostras, conforme realizado no pri- tas errôneas. Em algumas instâncias verificou-se que a res-
meiro modo de treinamento e validação. Assim, o conjunto posta desejada pelas RNAs era igual, no entanto, as cargas
de treinamento foi composto por um total de 819 amostras, foram alimentadas com formas de onda distintas. As instân-
que corresponde a cerca de 59% da base de dados. Os dados cias 147 e 525; 148 e 526 são casos em que as cargas foram
restantes foram utilizados durante a etapa de validação das alimentadas com tensões distorcidas distintas, as quais pos-
RNAs. suíam DHT de 4,42% e 8,12% (Figura 5), respectivamente.
Nas instâncias 269 e 521; 303 e 555 ocorrem o mesmo, en-
Apresentam-se por meio da Tabela 7 os resultados obtidos tretanto, as cargas são alimentadas com formas de onda con-
após a validação das RNAs para o segundo modo de treina- tendo DHTs respectivamente de 3,02% e 8,12% (Figura 5).
mento. Já as instâncias 146 e 209; 179 e 242 também são iguais, po-
rém, as DHTs das formas de onda foram respectivamente de
Tabela 7: Resultados obtidos com o segundo modo de trei- 4,42% e 3,94%. Além disso, as instâncias 162 e 351 foram
namento e validação. alimentadas por formas de onda distorcidas distintas, as quais
apresentavam DHTs de tensão de respectivamente 4,42% e
Carga Acertos (%)
3,02%.
Lâmpada Incandescente 99, 65
Lâmpada Fluorescente 95, 59 7 CONCLUSÕES
Lâmpada Fluorescente Compacta 94, 18
Neste trabalho apresentou-se um estudo sobre a identificação
Ventilador 99, 65
de cargas lineares e não-lineares em sistemas elétricos resi-
Computador Pessoal 100 denciais, em que foi gerada uma base de dados a partir de
Monitor 99, 12 ensaios laboratoriais. Os ensaios forneceram dados reais de
cargas comumente utilizadas em residências, os quais pos-
sibilitaram o treinamento e validação das RNAs. Estes da-
Quanto ao segundo modo de treinamento e validação, pôde- dos foram adquiridos a partir de formas de onda distorcidas
se observar por meio da Tabela 7 que houve um decréscimo e também de formas de onda com variações de tensão en-
de qualidade nos resultados quando comparados àqueles ob- tre ±15%. Tais ensaios tornaram viável a aplicação de redes
tidos no primeiro modo de treinamento e validação (Tabela neurais, pois, se fossem utilizados apenas dados represen-
5). No entanto, verifica-se que esta metodologia, apesar de tando a condição normal do sistema, não seria então possível
apresentar resultados menos favoráveis, ainda pode ser con- realizar o treinamento e validação das mesmas devido ao pe-

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 401

Tabela 8: Instâncias do conjunto de validação 2 identificadas
530 O X X O X O
de forma errônea. 531 O X X O X X
Conjunto de Validação 2 537 X O O O O X
Instâncias
PC MON LFC LF LI VE 539 X O O O X X
130 O O O X O O 541 X O O X O X
138 O O X X O O 542 X O O X X O
146 O X O X O O 543 X O O X X X
147 O X O X O X 544 X O X O O O
148 O X O X X O 551 X O X X X X
162 X O O X O O 552 X X O O O O
164 X O O X X O 555 X X O O X X
165 X O O X X X 560 X X X O O O
179 X X O X O X 562 X X X O X O
181 X X O X X X 563 X X X O X X
188 X X X X X O 565 X X X X O X
209 O X O X O O 566 X X X X X O
241 X X O X O O
242 X X O X O X
243 X X O X X O queno conjunto de dados que seria formado.
251 X X X X X O
Pela impossibilidade de saber quais harmônicas seriam mais
269 O X O O O X
relevantes à identificação das cargas, foram então registradas
287 X O O O X X as componentes harmônicas da 1a à 25a ordens. Desta ma-
294 X O X O X O neira, a grande quantidade de sinais obtidos para cada assina-
303 X X O O X X tura harmônica das cargas e suas combinações fez com que
o conjunto de dados tivesse muitos atributos, o que tornou
309 X X X O O X o espaço de busca mais complexo. Assim, técnicas para a
351 X O O X O O seleção de atributos foram aplicadas para melhor preparar os
352 X O O X O X dados que seriam fornecidos como entradas às RNAs, com o
intuito de se extrair uma resposta eficiente que determinasse
431 X X O X O X
o comportamento dinâmico do sistema.
509 O O O X O X
511 O O O X X X Os resultados experimentais mostraram que as RNAs apre-
sentam desempenho satisfatório até mesmo sobre condições
513 O O X O O X que extrapolam a normalidade do sistema elétrico, devido à
516 O O X X O O sua capacidade de generalizar o conhecimento. Tais resulta-
517 O O X X O X dos mostram o grande potencial desta técnica, podendo ser
muito bem empregadas a problemas de identificação de car-
518 O O X X X O
gas lineares e não-lineares.
519 O O X X X X
521 O X O O O X Como trabalho futuro, vislumbra-se a identificação das car-
gas em tempo-real, por meio de um processador de baixo
523 O X O O X X custo, que seria empregado apenas na extração do espectro da
525 O X O X O X corrente e no envio deste para um computador remoto, o qual
526 O X O X X O seria então responsável por aplicar a metodologia proposta
neste trabalho. Cabe-se comentar também que o computador
527 O X O X X X
remoto seria responsável por gerenciar um grande conjunto
528 O X X O O O de consumidores. A utilização de tal processador possibilita-
529 O X X O O X ria uma expressiva redução de custos, devido à possibilidade

402 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

de se eliminar do sistema de identificação os analisadores Demuth, H., Beale, M. e Hagan, M. (2007). "Neu-
de energia, além de tornar o sistema totalmente automati- ral Network Toolbox 5 - User’s Guide",
zado. Além disso, o surgimento dos smart meters (medidor [Link]
inteligente) auxilia significativamente nesta tarefa, visto que helpdesk/help/toolbox/nnet/, Acessado em
o próprio smart meter poderá transmitir tais dados para as 05 de Janeiro de 2008.
concessionárias via rede PLC (Power Line Communication).
Dugan, R. C., McGranaghan, M. F., Santoso, S. e Beaty, H.
Ainda como sugestão de trabalho futuro, após o processo de
W. (2004). Electrical Power Systems Quality, McGraw-
identificação das cargas em tempo-real, tem-se as pesquisas
Hill.
que podem ser direcionadas a fim de quantificar o número de
cada um desses equipamentos presentes nas residências. Fernandes, R. A. S., Silva, I. N., Oleskovicz, M. e Santos,
F. M. C. (2008). Extração de Características Harmôni-
Por fim, pode-se aplicar este sistema baseado em redes neu- cas para a Identificação de Cargas Não-Lineares Apli-
rais artificiais para a identificação de consumidores que este- cando Sistemas Inteligentes. XVII Congresso Brasileiro
jam contribuindo para distorções harmônicas na tensão e/ou de Automática (CBA).
corrente dos sistemas de distribuição de energia, sendo este
o tipo de aplicação comumente encontrado na literatura. Ferreira, D. D., Marques, C. A. G., Cerqueira, A. S., Du-
que, C. A. e Ribeiro, M. V. (2009). Sistema Automático
de Detecção e Classificação de Distúrbios Elétricos em
AGRADECIMENTOS
Qualidade da Energia Elétrica. Revista Controle & Au-
Os autores gostariam de agradecer à FAPESP, ao CNPq e tomação, vol. 20, No. 1, pp. 53-62.
à CAPES pelos auxílios financeiros propiciados no decorrer Ferrero, A., Salicone, S. e Todeschini, G. (2007). A Fuzzy
das atividades de pesquisas. Agradecimentos especiais tam- Method for the Identification of the Sources Reducing
bém aos revisores frente às valiosas contribuições propicia- Harmonic Pollution in the Electric Network. Proc. of
das no decorrer do processo de revisão. the Instrumentation and Measurement Technology Con-
ference (IMTC), pp. 1-6.
REFERÊNCIAS Fluke (2005). FlukeView Power Quality Analyzer Software
Acarkan, B. e Erkan, K. (2007). Harmonics Mode- – User Manual.
ling and Harmonic Activity Analysis of Equipments Fluke (2006). Fluke 434/435 Three Phase Power Quality
with Switch Mode Power Supply Using Matlab and Analyzer - User Guide.
Simulink. Electric Machines & Drives Conference
(IEMDC), pp. 508-513. Goldschmidt, R. e Passos, E. (2005). Data Mining – Um
Guia Prático, Editora Campus.
Almuallim, H. e Dietterich, T. G. (1991). Learning with
many Irrelevant Features. Proc. of the 9th National Hagan, M. T. e Menhaj, M. B. (1994). Training Feedforward
Conference on Artificial Intelligence. Networks with the Marquardt Algorithm. IEEE Tran-
sactions on Neural Networks, vol. 5, No. 6, pp. 989-
Bezerra, U. H., Tostes, M. E. L., Araújo, A. C. S., Garcez, 993.
J. N., Mesquita, J. E. e Tupiassú, A. A. (2001). Harmô-
nicos Gerados por Consumidores em Baixa Tensão da Hall, M. A. (1999). Correlation-based Feature Selection for
Rede Metropolitana de Distribuição de Energia de Be- Machine Learning, Ph.D. Thesis, The University of
lém (PA). I Congresso de Inovação Tecnológica em Waikato, Hamilton, New Zealand.
Energia Elétrica (Citenel).
Hall, M. A. (2000). Correlation-based Feature Selection for
California Instruments (2007). AC Power Source – User Ma- Discrete and Numeric Class Machine Learning. Proc.
nual. of the 17 th International Conference on Machine Lear-
ning (ICML), pp. 359-366.
Chan, W. L., So, A. T. P. e Lai, L. L. (2000). Wavelet Feature
Vectors for Neural Network Based Harmonics Load Hall, M. A. e Holmes, G. (2003). Benchmarking Attribute
Recognition. Proc. of the 5th International Conference Selection Techniques for Discrete Class Data Mining.
on Advances in Power System Control, Operation and IEEE Transactions on Knowledge and Data Enginee-
Management (APSCOM), pp. 511-516. ring, vol. 15, No. 3, pp. 1-16.
Czarnecki, L. S. (2000). An Overview of Methods of Har- Halpin, S. M. (2005). Comparison of IEEE and IEC Har-
monic Suppression in Distribution Systems. Power En- monic standards. Power Engineering Society General
gineering Society Summer Meeting, pp. 800-805. Meeting, pp. 2214-2216.

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 403

Haykin, S. (1999). Neural Networks - A Comprehensive Nawi, S. M., Johari, J. e Abidin, A. F. (2003). A Fuzzy Logic
Foundation, Prentice Hall. Application for Identification of Harmonics Disturban-
ces Sources. Proc. of the National Power and Energy
Heydt, G. T. (1989). Identification of Harmonic Sources by Conference (PECon), pp. 27-31.
a State Estimation Technique. IEEE Transactions on
Power Delivery, vol. 4, No. 1, pp. 569-576. Ng, C. H., Busawon, K., Putrus, G. A. e Ran, L. (2005). Fast-
Individual-Harmonic-Extraction Technique. IEE Proc.-
IEEE Standard 519-1992 (Recommended Practices and Re- Gener. Transm. Distrib., vol. 152, No. 4, pp. 556-562.
quirements for Harmonic Control in Electrical Power
Systems). Niekerk, C. R., Rens, A. P. J. e Hoffman, A. J. (2002). Iden-
tification of Types of Distortion Sources in Power Sys-
Kohavi, R. e John, G. H. (1997). Wrappers for Feature Subset tems by Applying Neural Networks. Proc. of the IEEE
Selection. Artificial Intelligence, pp. 273-324. Africon, pp. 829-834.
Kumar, A., Das, B. e Sharma, J. (2004). Determination of Pádua, M. S., Lopes, A., Dechmann, S. M., Marafão, F. P. e
location of multiple harmonic sources in a power sys- Moreira, A. C. (2007). Metodologia para Identificação
tem. Electrical Power and Energy Systems, vol. 26, pp. do Componente Fundamental da Tensão da Rede Base-
73-78. ada no Algoritmo Recursivo da TDF. Revista Controle
& Automação, vol. 18, No. 3, pp. 381-396.
Limin, X., Weisheng, X. e Youling, Y. (2007). A Fast Harmo-
nic Detection Method Based on Recursive DFT. Proc.
Pomilio, J. A. e Deckmann, S. M. (2007). Characterization
of the 8th International Conf. on Electronic Measure-
and Compensation of Harmonics and Reactive Power
ment and Instruments (ICEMI), pp. 972-976.
of Residential and Commercial Loads. IEEE Transacti-
Lin, W., Lin, C., Tu, K. e Wu, C. (2005). Multiple Har- ons on Power Delivery, vol. 22, No. 2, pp. 1049-1055.
monic Source Detection and Equipment Identification
Prudenzi, A., Grasselli, U. e Lamedica, R. (2001). IEC Std.
With Cascade Correlation Network. IEEE Transactions
61000-3-2 Harmonic Current Emission Limits in Prac-
on Power Delivery, vol. 20, No. 3, pp. 2166-2173.
tical Systems: Need of Considering Loading Level and
Liu, H. e Motoda, H. (1998). Feature Selection for Kno- Attenuation Effects. Power Engineering Society Gene-
wledge Discovery and Data Mining, Kluwer Academic ral Meeting, pp. 277-282.
Publishers.
Quesada, I., Lázaro, A., Barrado, A., Vázquez, R., Gonzá-
Liu, H. e Setiono, R. (1996). A Probabilistic Approach to lez, I. e Herreros, N. (2007). Extension of the Harmo-
Feature Selection: A Filter Solution. Proc. of the 13th nic Elimination Technique in the Presence of Non Li-
International Conference on Machine Learning. near Loads. Power Electronics Specialists Conference,
pp. 43-46.
Lowe, D., Waddell, R. e McGranaghan, M. (2006). Utility
Perspective on Applying Harmonic Limits for Custo- Srinivasan, D., Ng, W. S. e Liew. A. C. (2006). Neural
mers. Transmission and Distribution Conference and Network-Based Signature Recognition for Harmonic
Exhibition, pp. 1152-1154. Source Identification. IEEE Transactions on Power De-
livery, vol. 21, No. 01, pp. 398-405.
Maitra, A., Halpin, S. M. e Litton, C. A. (2007). Applications
of Harmonic Limits at Wholesale Points of Delivery. Tarasiuk, T. (2007). Hybrid Wavelet-Fourier Method for Har-
IEEE Transactions on Power Delivery, vol. 22, No. 1, monics and Harmonic Subgroups Measurement – Case
pp. 263-269. Study. IEEE Transactions on Power Delivery, vol. 22,
No. 1, pp. 4-17.
Mitzenmacher, M., e Upfal, E. (2005). Probability and
Computing: Randomized Algorithms and Probabilistic Tse, N. C. F. (2006). Practical Application of Wavelet to
Analysis, Cambridge University Press. Power Quality Analysis. Power Engineering Society
General Meeting, pp. 18-22.
Mota, L. T. M., Mota, A. A. e França, A. L. M. (2004). Mo-
delagem e Simulação de Cargas Residenciais Termostá- Umeh, K. e Mohamed, A. (2005). Intelligent System for
ticas para a Recomposição do Sistema Elétrico a Partir Identification of Harmonics Originating from Single
de uma Abordagem Orientada a Objetos. Revista Con- Phase Nonlinear Loads. Proc. of the IEEE Southeast-
trole & Automação, vol. 15, No. 2, pp. 202-214. Con, pp. 137-142.

404 Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010

Varadan, S. e Makram, E. B. (1994). Practical Considerati-
ons in the Application of Neural Networks to the Iden-
tification of Harmonic Loads. Electrical Power Systems
Research, vol. 30, pp. 103-106.

Varadan, S. e Makram, E. B. (1996). Harmonic Load Identi-

fication and Determination of Load Composition Using
a Least Squares Method. Electrical Power Systems Re-
search, vol. 37, pp. 203-208.

Variz, A. M., Jr. Carneiro, S., Pereira, J. L. R. e Barbosa,

P. G. (2008). Cálculo do Fluxo de Potência de Harmô-
nicos em Sistemas de Potência Trifásicos Utilizando o
Método de Injeção de Correntes com Solução Iterativa.
Revista Controle & Automação, vol. 19, No. 2, pp.178-
198.

Witten, I. H. e Frank, E. (2005). Data Mining: Practical Ma-

chine Learning Tools and Techniques, Morgan Kauf-
mann.

Revista Controle & Automação/Vol.21 no.4/Julho e Agosto 2010 405