Application of Artificial Neural Networks for Discrimination of Nonlinear Loads

Ana P. Mazzini, Wellington M. S. Bernardes, Student Member, IEEE, Fillipe M. de Vasconcelos, Filipe de O. Saraiva and Eduardo N. Asada, Member, IEEE

University of Sâo Paulo - Sâo Carlos School of Engineering Department of Electrical and Computer Engineering

Sâo Carlos, CEP 13566-590, Sâo Paulo - Brazil E-mail: apmazzini@usp.br, wellingtonmaycon@usp.br, fillipe@usp.br, filipe.saraiva@usp.br, easada@usp.br

Abstract—Smart Grids requires a complex infrastructure. It is associated with the advanced metering system which is responsi­ble for data acquisition and processing. Taking into account this new paradigm, this paper proposes the application of Artificial Neural Networks for classification of nonlinear loads that are connected to the electrical system by using signals processed for each sample. For this purpose, multilayer perceptron and radial basis functions neural network have been used for training and validation. The results have shown good results such as the performance above 90% of accuracy in the correct classification.

Index Terms—Artificial neural networks, metering system, nonlinear loads, power quality, smart meters.

I. INTRODUCACI

COMo crescente desenvolvimento tecnologico, o mercado disponibiliza aos consumidores equipamentos cada vez

mais diversificados com componentes eletrônicos de potência. Tais elementos em gérai sâo classificados corno cargas nâo lineares. Cargas nâo lineares podem introduzir harmônicos ao Sistema Elétrico de Potência (SEP) e proporcionar urna degradaçâo na qualidade da energia elétrica (QEE) [1]. Estes equipamentos sâo comumente encontrados em residências, comércios, industrias e sâo os mais variados possiveis, comò é o caso de lâmpadas fluorescentes, computadores, televisores, entre outras.

Estudos sobre a QEE sâo indispensâveis para a garantia de um serviço adequado de distribuiçâo e utilizaçâo da mesma. Considera-se urna energia de qualidade aquela caracterizada pela disponibilidade de urna forma de onda com pouca deformaçâo em relaçâo à onda senoidal da frequência funda­mental. Assim, torna-se pertinente reconhecer adequadamente as cargas que provocam estes disturbios no SEP.

Em adiçâo, orgâos reguladores do setor elétrico, corno a Agência Nacional de Energia Elétrica (ANEEL), estâo vigi­lantes com a crescente propagaçâo de cargas nâo lineares no sistema. O monitoramento deve ser eficaz o suficiente para detectar diversos fenômenos que perturbam a qualidade da energia, corno alteraçôes de tensâo, variaçôes de frequência e harmônicos [2].

No futuro proximo, os medidores inteligentes serâo ferra-mentas importantes para processos de tomada de decisôes, auxiliando as concessionârias a respeito da demanda de seus consumidores [3]. Em adiçâo, as informaçôes comunicadas

serâo utilizadas para subsidiar estes processos buscando ga­rantir maior segurança, confiabilidade, reduçâo de perdas e eficiência no SEP na medida em que passa a existir todo um processamento das informaçôes coletadas [4]. Acrescenta-se que a adoçâo desta infraestrutura permite que o cliente tenha maior privacidade em relaçâo a outras métodos, por exemplo, aqueles que propôem o uso de sensores no interior da residência [5], e assim nâo hâ necessidade de mediçâo local (mensuraçâo menos invasiva) [6]. A Figura 1 mostra um mo-delo da estrutura que utiliza medidor de energia convencional e outra para medidor inteligente.

De posse dos dados processados por medidores inteligentes e propagados via link de comunicaçâo remoto (cabo ou wire­less), a concessionaria de distribuiçâo sera capaz de classificar por estimativa, usando a tècnica apresentada neste traballio, quais tipos de cargas existem nas unidades consumidoras e os instantes que elas estâo atìvas ou nâo, assim auxiliando no planejamento e execuçâo de serviços. Hoje, os medidores con-vencionais nâo sâo acomodados para fornecerem informaçôes suficientes a respeito disto.

Um equipamento que tem a capacidade de reconhecer a gama de cargas pertencentes ao consumidor é interessante para a concessionaria, visto que possibilità um melhor planejamento e contrôle durante a operaçâo, e ainda, por estimativa, saber-se-â os horârios dos consumos significativos de cada espécie de carga.

Basicamente, as caracteristicas importantes dos medidores inteligentes sâo [7], [8]:

• Aquisiçâo de dados para estudo detalhado de sistemas de distribuiçâo;

• Podem limitar o consumo mâximo de energia, interrom­pendo ou reconectando a alimentaçâo remotamente;

• Säo passiveis de serem programados para manter um cronograma de operaçôes;

• Integraçâo com sistema geografico de informaçâo; • Melhorias na qualidade de serviço da concessionaria. Devido a necessidade de disponibilizaçâo de energia elétrica

de qualidade e da identificaçâo dos disturbios, muitos pesqui-sadores vem trabalhando com o desenvolvimento de métodos e ferramentas que possam identificar e mensurar harmônicos caracteristicos desse tipo de carga [9], [10]. Dentre as técnicas,

978-l-4673-5274-l/13/$31.00 ©2013 IEEE

Medidorcomum

Medidor inteligente (reconhecimento de cargas

conectadas a rede)

J Mediçâo convencional de energia

Concessionaria

Link via cabo / wireless

Mediçâo proposta

Rgura 1. Arquitetura de monitoramento usando RNAs.

destacam-se as que utilizam mmimos quadrados [11] e as baseadas em sistemas inteligentes [12].

Abordando os sistemas inteligentes, a identificaçao de car-gas näo lineares por meio de Redes Neurais Artifìciais (RNAs) è pesquisado em diversos setores, corno è o caso do reconheci-mento de cargas hospitalares introduzido em [13], que utiliza alguns atributos dos sinais coletados para treinar urna rede Perception Multìplas Camadas (PMC). Neste traballio, apenas alguns atributos dos sinais coletados foram processados, e näo a amostragem por interro, reduzindo assim, a complexidade do problema.

As próximas etapas deste traballio descreverâo a respeito de RNAs, de cargas a serem analisadas, do mètodo adotado para aquisicäo e processamento dos dados, da topologia da rede, dos resultados parciais, das contribuiçôes e, por firn, da conclusào.

II. REDES NEURAIS ARTIFÌCIAIS

RNAs säo modelos computacionais que foram desenvolvi-dos inspirados na estrutura neural de organismos. Elas pos-suem a capacidade de aprender, modificar seu comportamento à medida que novos dados Ines säo apresentados e exibir urna saida corno resultado de um problema. Säo aplicâveis a diversos tipos de problemas, corno por exemplo, classificaçâo de padrôes, aproximaçâo de funçôes, contrôle de processos, agrupamento de dados, otimizaçâo de sistemas, sistema de previsäo, entre outros. As RNAs säo tolerantes a falhas, podem ser auto-organizaveis e podem gerar aglomerado (cluster) de dados [14].

Geralmente o conjunto de amostras disponiveis que repre-sentam o comportamento de um sistema é subdividido entre amostras de treinamento e amostras de validaçâo da rede. As amostras de treinamento säo caracterizadas por fornecer informaçôes que deterrninam os pesos sinâpticos de forma iterativa até que o Erro Quadràtico Mèdio (EQM) relativo ao aprendizado seja estabilizado. Assim que os pesos estâo ajustados, os mesmos säo utilizados na fase de validaçâo da rede a firn de verificar a sua eficâcia para determinada aplicaçao.

Existem diversos modelos de RNAs e cada um deles tern a capacidade de tratar urn ou mais tipos de problemas. As redes PMC säo caracterizadas pela presença de pelo menos urna ca­mada intermediària de neurônios e säo muito versâteis quanto às suas aplicaçoes [14]. Sua funcäo de ativacäo pode ser tanto a funcäo logistica quanto a funcäo tangente hiperbólica, e näo necessariamente precisa ser a mesma em todas as camadas da rede.

Outro exemplo de RNA säo as redes de funçôes de base radiai, conhecidas comò RBF (Radiai Basis Function). Estas podem ser aplicadas em diversos problemas que o PMC irata, todavia, tem a estrutura topològica de apenas urna camada de neurônios escondida. Tipicamente utiliza a funcäo gaussiana comò funcäo de ativacäo e urna funcäo linear na camada de saida.

A seguir, a próxima seçao descreverâ sucintamente sobre as cargas utilizadas na identificaçao.

III. CARGAS ANALISADAS

O foco deste estudo abränge algumas cargas näo lineares utilizadas em residências, comércios ou industrias. O acumulo dessas cargas no SEP pode afetar o funcionamento apropri-ado da rede elétrica corno jâ mencionado. As caracteristicas elétricas destas cargas podem ser resumidas de acordo com a Tabela I.

Qualquer tipo de carga näo linear poderia ser objeto de estudo e, para este trabalho, optou-se por aquelas cuja a assinatura (ou caracteristica principal) da forma de onda da corrente säo distintas entre elas.

Nas Figuras 2 e 3 säo demonstrados exemplos de eidos de corrente das cargas analisadas em certo intervalo de operaçao.

A próxima seçao compreende a maneira que os dados destas cargas foram coletados e processados.

IV. MÉTODOS PARA AQUISICÄO E PROCESSAMENTO DOS DADOS

Os sinais das cargas foram coletados em urna bancada de laboratòrio que estuda a qualidade e eficiência energética.

Tabela I DlSTINÇÂO ENTRE AS CARGAS UTILIZADAS.

CargaTipo

Làmpada (area exterior) Làmpada 2 LEDs Làmpada 24 LEDs Làmpada (fachada) Làmpada dicròica a LED Làmpada 3 LEDs Làmpada econòmica a LED ARI 11 Làmpada econòmica a LED PAR38 Làmpada incandescente

Potênci Uff] 24 25 36 125 6 13 19 19 15

a Tensäo [V] 127 127 127 127 127 127 127 127 127

Corrente [A] 0,189 0,197 0,283 0,984 0,047 0,102 0,150 0,150 0,118

X J V ^ ; " ^ΛΛ,

id

V

0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 Tempo (s)

Figura 2. Ciclo de corrente da Carga n°. 1.

Estas cargas estavam alimentadas sob tensäo nominal de 127 V e frequência fundamental de 60 Hz.

A coleta foi obtida através do analisador de energia (qualimetro) RMS MARH-21 [15], sendo a frequência de amostragem destes sinais coletados de 11,52 kHz. Este equi-pamento é capaz de medir grandezas monofâsicas, bifâsicas e trifâsicas de sistemas elétricos em tempo real. Os dados foram enviados a um computador portâtil através de interface serial

1

0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 Tempo (s)

Figura 3. Ciclo de corrente da carga n°. 8.

(RS-232) a firn de 1er o conteudo da memòria de massa. As formas de onda da tensäo e corrente foram registradas

e importadas para o computador, e em seguida analisadas através de urna ferramenta de RNA desenvolvida no software Matlab® (The Math Works, ine).

A partir dos sinais de corrente, urna janela deslizante com tamanho de um ciclo (192 amostras) e com deslocamento de meio ciclo (96 amostras) foi empregada a firn de ser usada na RNA. Ao passo que acontecia a movimentaçâo dessa janela, os calculos para as entradas das RNAs (atributos) eram cumpridos.

A seguir, comenta-se sobre os resultados das arquiteturas adotadas das RNAs, bem comò a forma de treinamento.

V. T O P O L O G I A D A R E D E E P R O C E S S A M E N T O D E

TREINAMENTO PARA RECONHECIMENTO DE CARGAS

Para o processo de treinamento de redes PMC, diversos algoritmos foram utilizados e, dentre eles, o Levenberg-Marquardt (LM) foi escolhido para este traballio. Este é um mètodo de gradiente de segunda ordem baseado no proce­dimento dos minimos quadrados para modelos näo lineares, que pode ser adicionado ao algoritmo backpropagatìon a firn de aperfeiçoar a eficiência da etapa de treinamento. Além do PMC, a rede RBF também foi testada.

Optou-se por utilizar redes neurais especialistas para cada equipamento, ou seja, nove RNAs, sendo cada urna res-ponsâvel por cada tipo de carga.

Dentre os atributos de entrada, tem-se as harmonicas de la. a 20a. ordem. Estas foram obtidas via Transformada Discreta de Fourìei. A preferêneia do espectro de frequêneias das correntes corno atributo foi baseado em Fernandes [12]. Além das harmonicas, tem-se também o calculo do valor efìcaz (rms), a quantìdade de cruzamentos por zero (zero-crossing) e a integrai para cada amostra.

Acrescentando, a funçao linear foi empregada em alguns casos na camada de saida cujo resultado assumia valores reais entre - l e i , simbolizando, assim, a situaçâo em que o equipamento se encontra atìvo ou inatìvo. Essas funçôes säo diferenciâveis e o objetivo delas é limitar a saida dos neurônios.

O algoritmo utilizado para treinar e operar a rede PMC pode ser representado pelo diagrama apresentado na Figura 4.

O conjunto total de dados obtidos corresponde à 3386 amos­tras, sendo 80% utilizadas para treinamento (2709 amostras) e 20% para validaçao (677 amostras). A escolha dos dados para treinamento e validaçao foi realizada de forma aleatòria. A Tabela II apresenta a quantìdade de amostras coletadas para cada carga.

Ao coletar as amostras, duas informaçôes sobre cada carga foram obtidas: tensäo e corrente. Para o desenvolvimento deste traballio, considerou-se apenas o paràmetro corrente elétrica para a classificaçao das cargas, pois este discrimina com maior facilidade as cargas devido as assinaturas das formas de onda.

A codificaçao adotada na camada de saida foi a codificaçâo Multiclasses One of C-Class, em que cada neurônio està

Selecionar padrôes de treinamento e teste \^ Aplicaçao ^

Pré-ptocessar padrôes (normalizar dados) Apresentar padrôes

de entra da

Definir topologias candidates

Treinar topologias candidata^

Escolher melhor topologia

Pré-processar padrôes (normalizar dados)

Apticar padrôes nas entradas de rede treinada

Obter reiultados das said as da rede treinada

Pós-processar resultados (desnormaliîar dados)

(a) Fase de Treinamento

[ Fim 1 (b) fase de Operaçâo

Figura 4. Diagrams do algoritmo de treinamento e operaçâo de uma rede PMC [14].

Tabela II QUANTTDADE DE AMOSTRAS PARA TREINAMENTO E VALIDAÇÂO.

LSmpadas Amostras Treinamento Validaçâo Carga 1 Carga2 Carga 3 Carga 4 Carga 5 Carga 6 Carga 7 Carga 8 Carga 9

397 400 394 391 331 400 295 378 400

318 320 315 313 265 320 236 302 320

79 80 79 78 66 80 59 76 80

associado a uma classe. Isto esta disponivel na Tabela m.

Tabela m CODrFICAÇÂO DA CAMADA DE SAÎDA.

Neurônios 1 6 8 Carga 1 1 0 0 0 0 0 0 0 0 Carga 2 0 1 0 0 0 0 0 0 0 Carga 3 0 0 1 0 0 0 0 0 0 Carga 4 0 0 0 1 0 0 0 0 0 Carga 5 0 0 0 0 1 0 0 0 0 Carga 6 0 0 0 0 0 1 0 0 0 Carga 7 0 0 0 0 0 0 1 0 0 Carga 8 0 0 0 0 0 0 0 1 0 Carga 9 0 0 0 0 0 0 0 0 1

Por fim, estipulou-se um EQM menor do que 10 - 8 ou 500 iteracöes no treinamento comò critèrio de parada. O algoritmo inclui a tècnica de parada antecipada {early stopping) para evitar a condiçâo de overfMng.

A seguir, a seçâo posterior esclarece sobre os resultados encontrados.

VI. RESULTADOS EXPERIMENTAIS

Todos os expérimentes foram realizados utilizando um computador com processador Intel Core 2 Duo de 3 GHz, com 3,25 GB de memoria RAM e sistema operational Microsoft Windows XP Professional de 32 bits (Versäo 2002). Os códigos foram implementados no Matlab® (The MatnWorJcs, Ine), Versäo 7.10.0.499 de 32 bits.

Sucintamente, os resultados encontrados podem ser simpli-ficados pelas Tabelas IV e V. A rede RBF também foi testada para anâlise (casos 4 e 5 dessas tabelas). Em gérai, a rede PMC teve melhor desempenho em relacäo a rede RBF, jâ que a rede PMC precisou de um numero menor de neurônios, épocas e tempo computacional para atingir os resultados.

Os casos 1, 2, 3, 4, 5, 7, 8, 9,11, 14 e 16 atingiram acertos globais de identificaçâo de cargas acima de 90%. Dentre estes, o caso 5 (rede RBF com 1400 neurônios na la. camada oculta (funçâo de base radiai) e 9 neurônios na camada de salda (funçao linear) utilizando rms, zero-crossing e integrai do sinal comò atributos de entrada) foi o que levou mais tempo de processamento (4200 s), seguido do caso 3 (rede PMC com 18 neurônios na la. camada oculta, 10 neurônios na 2 \ camada oculta (funçao log-sigmoide) e 9 neurônios na camada de saida (funçâo linear saturada e simétrica). Funçâo de treinamento: LM) com tempo de 1037 s. Por outro lado, os casos mais râpidos (2 s) foram o 7 e 17, todavia o caso 7 foi mais vantajoso, pois necessitou de 93 épocas, contra 122 épocas do caso 17.

No trabalho, os casos 6, 8, 10, 12, 13, 15 e 17 utilizaram 9 neurônios na la. camada oculta (funçâo tangente hiperbólica) e 9 neurônios na camada de saida (funçao linear). Analisando os dados, somente o caso 8 que utilizando a funçâo de trei­namento backpropagation resiliente apresentou um resultado satisfatório.

O resultado comum dos casos 12 e 13 foi a identificaçâo incorreta das cargas n°. 2 (lampada 2 LEDs), n°. 7 (lampada econòmica a LED ARI 11) e n°. 9 (làmpada incandescente). Jâ os casos 17 e 18, além de näo identificarem adequadamente as cargas nos. 2, 7 e 9, näo acertaram a carga n°. 8 (làmpada econòmica a LED PAR38).

Observa-se que a rede PMC treinada com sinal bruto näo foi satisfatório (Caso 18 da Tabela V), demonstrando neste caso, a importâneia do pré-processamento das amostras (obtençâo dos atributos).

Nas Figuras 5 e 6 sâo ilustrados grâficos que relacionam os EQMs de dois treinamentos pelo numero de iteracöes. O primeiro treinamento convergiu pelo critèrio estabelecido do EQM na 125 a. època, enquanto no segundo treinamento a convergêneia foi atingida pelo critèrio da quantidade maxima de épocas (500 a. iteraçâo). Em ambos, todas as 677 amostras avalìadas foram classifìcadas corretamente (percentual global de acerto de 100%).

Com relacäo ao tempo computacional dos treinamentos apresentados, o treinamento da Figura 5 foi mais lento em relacäo ao treinamento da Figura 6, com valores de 12,0 s e 9,0 s, respectivamente. Aqui, os treinamentos apresentaram

Tabela IV EQMS, QUANTIDADE DE ÉPOCAS E TEMPO DE PROCESSAMENTO (TREINAMENTO).

Caso Especificaçâo da rede 1 Rede PMC com 18 neurônios na 1α . camada oculta (Funçâo tangente hiperbólica)

e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM. 2 Rede PMC com 25 neurônios na l a . camada oculta, 15 neurônios na 2°. camada

oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

3 Rede PMC com 18 neurônios na 1°. camada oculta, 10 neurônios na 2°. camada oculta (Funçâo log-sigmóide) e 9 neurônios na camada de saida (Funçâo linear saturada e simétrica). Funçâo de treinamento: LM.

4 Rede RBF com 643 neurônios na la. camada oculta (Funçâo de base radial) e 9 neurônios na camada de saida (Funçâo linear).

5 Rede RBF com 1400 neurônios na l a . camada oculta (Funçâo de base radial) e 9 neurônios na camada de saida (Funçâo linear).

6 Rede PMC com 9 neurônios na 1°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: gradiente descente com taxa de aprendizagem adaptativa.

7 Rede PMC com 30 neurônios na 1°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: gradiente descente com taxa de aprendizagem adaptativa.

8 Rede PMC com 9 neurônios na la. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: backpropagation resiliente.

9 Rede PMC com 18 neurônios na 1α . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

10 Rede PMC com 9 neurônios na l a . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: gradiente descente com taxa de aprendizagem adaptativa.

11 Rede PMC com 18 neurônios na 1°. camada oculta, 10 neurônios na 2°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

12 Rede PMC com 9 neurônios na l a . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de salda (Funçâo linear). Funçâo de treinamento: mètodo quasi-Newton BFGS.

13 Rede PMC com 9 neurônios na l a . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: backpropagation resiliente.

14 Rede PMC com 25 neurônios na 1°. camada oculta, 15 neurônios na 2°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

15 Rede PMC com 9 neurônios na 1°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: gradiente descente com taxa de aprendizagem adaptativa.

16 Rede PMC com 18 neurônios na l a . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

17 Rede PMC com 9 neurônios na 1°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: gradiente descente com taxa de aprendizagem adaptativa.

18 Rede PMC com 18 neurônios na 1". camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear). Funçâo de treinamento: LM.

Atributos de entrada T \ ä 2(PT harmonica + rms 1°. a 20a . harmonica + rms

1°. a 20°. harmonica

la. a 20°. harmonica rms + zero-crossing + integral 1°. a 20α. harmonica + rms

1°. a 20a . harmonica + rms

1°. a 20a . harmonica + rms

1°. a 20a . harmonica 1°. a 20°. harmonica

rms

EQMs 7,08x10"

9,84x10"

9,94x10"

1,12x10"

9,88x10"

0,0596

0,0418

0,00181

6,95x10"

0,0475

1,51x10"

=g

-9

-9

-6

-6

-9

-7

Epocas Tempo (s) Ï7

24

364

644

1400

98

93

500

18

115

500

12

46

1037

446

4200

2

2

9

13

2

181

0,0497

0,0902

63 2

53 1

rms + zero-crossing 3,54 x I O - 6 500 408

rms + zero-crossing 0,0651

integral + rms 4,82 x 1 0 - 5

intégral + rms 0,0667

sinal bruto 9 ,40x10"

126 2

500 115

122 2

293 972

urna eficiência muito satìsfatória. Deixa-se claro que estes nâo foram os ûnicos treinamentos realizados.

A porcentagem de acerto é altamente influenciada pela escolha dos paramétras de entrada, bem corno das funçôes de treinamento e ativaçâo. Outras problemas decorrentes sâo a quantidade de amostras, a escolha aleatòria do conjunto para treinamento e validaçâo e a convergência nâo esperada para pontos de minimo local.

VII. CONCLUSÂO Neste traballio foi apresentado um estudo sobre classificaçâo

de cargas utilizando os sinais de entradas da corrente pré-processados de cada amostra para treinar redes PMC e RBF.

De forma gérai, este artigo contribuì para o setor elétrico nos seguintes aspectos:

Mediçâo com invasâo de privacidade atenuada: embora o equipamento disponha do recurso de discriminaçâo de cargas lotadas no interior da unidade consumidora, o medidor pode ser instalado exteriormente; A arquitetura neural pode ser simulada em software, urna vez que posteriormente ao treinamento, normalmente os resultados sâo alcançados por operaçôes matemâticas elementares; A concessionaria poderâ apontar para o cliente quais sâo as cargas mais ativas durante o periodo de mediçâo, sanando possiveis duvidas e reclamaçôes; De forma mais agii, informaçôes de cargas desconhecidas pela concessionària até entâo, e que por ventura poluam a rede elétrica com emissâo de harmônicos, poderâo chegar

Tabela V DESEMPENHO GERAL DAS REDES NEURAIS PARA IDENTIFICAÇÂO DAS CARGAS.

Caso (Conforme Tabela TV)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Acerto (%) [Carga 1] 100,00 100,00 100,00 100,00 100,00 33,30 100,00 100,00 100,00 83,50 100,00 0,00 25,10 100,00 0,00 100,00 0,00 49,7

Acerto (%) [Carga 2] 100,00 100,00 100,00 100,00 100,00 58,80 95,20 100,00 100,00 54,40 100,00 0,00 0,00 100,00 0,00 100,00 0,00 0,00

Acerto (%) [Carga 3] 100,00 100,00 100,00 100,00 100,00 68,60 100,00 100,00 100,00 100,00 100,00 100,00 0,00 100,00 100,00 100,00 32,90 100,00

Acerto (%) [Carga 4] 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 0,00 100,00 100,00 100,00 100,00 100,00

Acerto (%) [Carga 5] 100,00 100,00 100,00 100,00 100,00 80,00 100,00 100,00 100,00 100,00 100,00 100,00 84,90 100,00 81,30 100,00 79,40 35,50

Acerto (%) [Carga 6] 100,00 100,00 100,00 100,00 100,00 92,60 89,90 100,00 100,00 95,20 100,00 33,30 28,60 100,00 25,60 100,00 37,40 1,80

Acerto (%) [Carga 7] 100,00 100,00 100,00 100,00 100,00 0,00 100,00 100,00 100,00 100,00 100,00 0,00 0,00 100,00 0,00 100,00 0,00 0,00

Acerto (%) [Carga 8] 100,00 100,00 100,00 100,00 100,00 41,30 95,00 100,00 100,00 66,10 100,00 56,30 35,70 100,00 55,10 100,00 0,00 0,00

Acerto (%) [Carga 9] 100,00 100,00 100,00 100,00 100,00 98,80 100,00 100,00 100,00 94,10 100,00 0,00 0,00 100,00 0,00 100,00 0,00 0,00

Acerto Global (%) 100,00 100,00 100,00 100,00 100,00 68,70 97,50 100,00 100,00 82,60 100,00 41,90 14,70 100,00 40,00 100,00 26,40 31,00

Desempenho ótimo do treinamento Desempenho do treinamento - 0.00180257 Treinamento

-Ótimo -Objetivo

124 Épocas

Figura 5. EQM em funçâo das épocas durante treinamento para o caso 1 da Tabela IV: Rede PMC com 18 neurônios na 1°. camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear); Funçâo de treinamento: LM e; Atributos de entrada: l a . a 20a . harmonica + rms.

10"M

Treinamento Validacäo Teste

200 250 300 500 Épocas

Figura 6. EQM em funçâo das épocas durante treinamento para o caso 8 da Tabela IV: Rede PMC com 9 neurônios na 1α . camada oculta (Funçâo tangente hiperbólica) e 9 neurônios na camada de saida (Funçâo linear); Funçâo de treinamento: backpropagation resiliente e; Atributos de entrada: 1°. a 20a . harmonica + rms.

à central de monitoramento via emissâo de alerta; • Para a alimentaçâo do banco de dados, as empresas de

energia elétrica e os agentes de regulaçâo serâo motivados a discutirem junto com os fabricantes de equipamentos elétricos e eletrônicos a firn de conhecerem mais profun-damente as caracteristicas das cargas instaladas.

Aqui foi abordado o desenvolvimento de urna ferramenta aplicada ao contexto Smart Grid a fim de facilitar o contrôle e supervisâo entre o consumidor e a concessionària.

Os resultados encontrados sâo aceitâveis na medida em que os valores sâo superiores a 90% de acerto para varias arquiteturas tratadas.

Apesar dos resultados expressivos, futures trabalhos podem ainda ser conduzidos, comò explorar sinais de outras tipos

de cargas (atualizaçâo do banco) e obter novos atributos de entrada quando as curvas de corrente entre dois elementos sâo parecidas.

REFERÊNCIAS

[1] W. Abbas and M. A. Saqib, 'Œiffect of nonlinear load distributions on total harmonie distortion in a power system," in International Conference on Electrical Engineering - ICEE '07, 2007, pp. 1-6.

[2] Procedimentos de distribuiçao de energia elétrica no sistema elèttrico nacional - PRODIST- Mòdulo 8: Qualidade da energia elétrica, Agènda Nacional de Energia Elétrica Std., Rev. 4, 2012.

[3] M. Akbar and Z. A. Khan, "Modified nonintrusive appliance load monitoring for nonlinear devices," in IEEE International Multitropic Conference, 2007, pp. 1-5.

[4] H. Chang, Po-Chien, L. Lin, and N. Chen, "Feature extraction of non-intrusive load-monitoring system using genetic algorithm in smart me-

ters," in IEEE 8th International Conference on e-Business Engineering, 2011, pp. 299-304.

[5] E. M. Tapia, S. S. Intille, and K. Larson, Activity recognition in home setting using simple and ubiquitous sensors. Springer, 2004, vol. 3001.

[6] A. C. S. Lima, A. P. A. Silva, and D. Nascimento, "Noninvasive monitoring of residential loads," in 3rd IEEE PES Innovative Smart Grid Technologies Europe Conference, 2012.

[7] R. A. S. Fernandes, I. N. Silva, and M. Oleskovicz, 'Identification of residential load profile in the smart grid context," in IEEE Power and Energy Society General Meeting, 2010, pp. 1-6.

[8] S. S. S. R. Depura, L. Wang, V. Devabhaktuni, and N. Gudi, "Smart meters for power grid - challenges, issues, advantages and status," in IEEE/PES Power Systems Conference and Exposition, 2011, pp. 1-7.

[9] W. A. Omran, H. S. K. El-Goharey, M. Kazerani, and M. M. A. Salama, 'Identification and measurement of harmonic pollution for radial and nonradial systems," IEEE Transactions on Power Delivery, vol. 24, pp. 1642-1650, 2009.

[10] A. Banshwar and A. K. Chandel, 'Identification of harmonic sources using fuzzy logic," in International Conference on Power Electronics, Drivers and Energy Systems, 2010, pp. 1-7.

[11] H. Xue and P. Zhang, "Subspace-least mean square method for accurate harmonic and interharmonic measurement in power systems," IEEE Transactions on Power Delivery, vol. 27, pp. 1260-1267, 2012.

[12] R. A. S. Fernandes, I. N. Silva, and M. Oleskovick, "Data mining applied to intensification of harmonic sources in residential consumers," IEEE Latin America Transactions, vol. 9, pp. 302-310, 2011.

[13] W. M. S. Bernardes, S. F. P. Silva, and R. A. S. Fernandes, "Reconhe-cimento de cargas nâo lineares hospitalares por meio de redes neurais artificiais," in IV Simpòsio Brasileiro de Sistemas Elétricos, 2012, pp. 1-7.

[14] I. N. Silva, D. H. Spatti, and R. A. Flauzino, Redes Neurais Artificiais para a Engenharia e Ciências Aplicadas. ArtLiber Editera, 2010.

[15] Manual operacional do medidor/registrador MARH-21. Porto Alegre - RS: RMS Sistemas Elétricos, 2008.