Ivan N. da Silva
Mrio Oleskovicz
RESUMO
ABSTRACT
Este trabalho consiste em apresentar um mtodo para a identificao de cargas lineares e no-lineares comumente encontradas em sistemas eltricos residenciais. Desta identificao, solues viveis podero ser aplicadas com o intuito de
mitigar os nveis de emisso das correntes harmnicas geradas, advindas principalmente por cargas com caractersticas
no-lineares. No desenvolvimento do mtodo, utilizaram-se
de tcnicas para a seleo de atributos, de forma a minimizar a dificuldade em se identificar as cargas conectadas ao
sistema. A etapa posterior de identificao foi realizada pela
aplicao de redes neurais artificiais. Todas as situaes de
distoro harmnica foram geradas em laboratrio por uma
fonte de alimentao, onde em sua sada foram alocados analisadores de energia, responsveis pela extrao das medidas
necessrias sobre as cargas residenciais em anlise. Os resultados obtidos foram considerados satisfatrios, mostrandose que a metodologia proposta pode ser tambm empregada
pelas concessionrias de energia eltrica para que estas obtenham informaes sobre o perfil das cargas instaladas em
consumidores residenciais.
Identification of Harmonic Current Sources in SinglePhase Power Systems Using Feature Selection Techniques
and Artificial Neural Networks
This work presents a method to identify linear and nonlinear loads commonly encountered in residential electrical systems. From this method, feasible solutions can be applied
to mitigate the high levels of harmonic currents, generated
mainly by nonlinear loads. Techniques of feature selection
were used to data preprocessing and to minimize the effort
in identification of loads connected to the electrical system.
For the next step, the load identification, artificial neural networks were applied. All harmonic distortion situations were
created in laboratory from a power source, and in its outputs
were inserted the loads and power quality analyzers, which
perform the extraction of all measurements. The obtained
results were considered satisfactory, which show that the
methodology can be employed by power distribution companies in order to obtain information about the profile of loads
used by residential consumers.
389
1 INTRODUO
Com as instalaes residenciais utilizando cada vez mais
cargas no-lineares como computadores, televisores, refrigeradores, condicionadores de ar, circuitos de iluminao,
dentre outros, nota-se um aumento dos nveis das correntes
harmnicas encontradas nos sistemas eltricos, os quais podem contribuir para a degradao da Qualidade da Energia
Eltrica (QEE). Apenas como fato ilustrativo, tem-se hoje a
preocupao com o uso racional da energia, onde em certos
casos verifica-se a substituio de cargas praticamente lineares (alto consumo) por cargas no-lineares (baixo consumo).
Como exemplo, pode-se citar a substituio de lmpadas incandescentes por lmpadas fluorescentes compactas.
No entanto, observando o sistema eltrico como um todo,
mesmo com a proliferao de cargas no-lineares, constatarse- que as residncias possuem uma distoro harmnica
muitas vezes aceitvel; porm, a soma das distores harmnicas geradas pelos consumidores residenciais de um determinado alimentador pode contribuir para a amplificao da
distoro harmnica total deste alimentador, quando somadas s distores ocasionadas pelos consumidores de grande
porte. Assim, algumas correntes harmnicas podem tambm
apresentar amplitudes alm do esperado e, por conseqncia, causar diversos problemas relacionados QEE (Bezerra
et al., 2001). Como resultado da amplificao dos nveis de
harmnicas, tem-se a m qualidade da energia que pode ser
refletida para as concessionrias, consumidores prximos
fonte geradora de harmnicas e ao prprio estabelecimento
gerador. Muitas das vezes, os prprios consumidores so os
grandes prejudicados, devido maior sensibilidade de suas
cargas (Dugan et al., 2004).
Neste contexto, caso no haja meios especficos de controle, qualquer sistema com grande quantidade de cargas
no-lineares estar vulnervel a problemas refletidos na qualidade da energia. Desta situao, poder-se-ia evidenciar
um mau funcionamento de equipamentos, baixo fator de potncia, distoro na forma de onda da tenso e/ou corrente,
aquecimento de cabos, dentre outros (Dugan et al., 2004).
Devido aos problemas apontados anteriormente, muitas das
pesquisas so realizadas com relao identificao e controle de harmnicas. Assim, tais pesquisas encontram-se divididas, como denominado por Kumar et al. (2004), em anlise direta de harmnicas e anlise reversa de harmnicas.
Cabe comentar que, alm destas duas frentes de pesquisa,
existem tambm os mtodos de deteco e classificao dos
distrbios acarretados com a m qualidade da energia; no
entanto, estes geralmente no se concentram apenas nas distores harmnicas (Ferreira et al., 2009).
Dentre os estudos que compreendem a anlise direta de
harmnicas, grande parte destina-se s tcnicas para extrao
390
de harmnicas, normalmente baseados em ferramentas matemticas como as Transformadas de Fourier e as Transformadas Wavelet (Ng et al., 2005; Tse, 2006; Limin et al., 2007;
Tarasiuk, 2007; Pdua et al., 2007); monitorao de tenses
e correntes harmnicas aplicando as principais normas e/ou
recomendaes (Prudenzi et al., 2001; Halpin, 2005; Lowe
et al., 2006; Maitra et al., 2007); desenvolvimento de filtros
para a mitigao das componentes harmnicas que apresentem nveis elevados (Czarnecki, 2000; Pomilio e Deckmann,
2007; Quesada et al., 2007); e modelagem de cargas nolineares para que possam ser utilizadas em simulaes de
sistemas eltricos de baixa, mdia, alta ou extra-alta tenso
(Acarkan e Erkan, 2007; Mota et al., 2004).
No entanto, durante a ltima dcada, as pesquisas esto mais
voltadas aos mtodos de anlise reversa de harmnicas, pois
estes so responsveis por estimar harmnicos em barramentos, calcular o fluxo de potncia das harmnicas (Variz et al.,
2008), alm de realizar tarefas como a localizao e identificao de cargas que absorvam elevadas correntes harmnicas, seja em barramentos dos sistemas de distribuio das
concessionrias, em plantas industriais e at mesmo em consumidores residenciais (Srinivasan et al., 2006; Fernandes et
al., 2008). neste contexto que o presente trabalho se insere, em que se realiza a identificao de cargas lineares e
no-lineares em sistemas eltricos residenciais.
Os primeiros mtodos de anlise reversa foram propostos por
Heydt (1989), em que se realizava uma estimao de harmnicas sobre os barramentos que no possuam medidores,
para assim determinar quais se encontravam sob a influncia de altos nveis de distoro harmnica. Porm, at ento no se dava tanta importncia s correntes harmnicas
demandadas por sistemas industriais, comerciais e residenciais, devido s cargas no-lineares ainda no terem se proliferado. Conseqentemente, os primeiros mtodos desenvolvidos apenas conseguiam identificar uma carga por vez.
Assim, Varadan e Makram (1996) propuseram um mtodo
baseado em mnimos quadrados que estimava o estado das
harmnicas nos barramentos e, por meio de uma anlise feita
sobre os dados obtidos, tal mtodo era capaz de identificar a
classe de cargas que provavelmente encontrava-se conectada
ao barramento. Para tanto, houve a necessidade de determinar trs classes de cargas, isto porque as mesmas possuam
caractersticas particulares, sendo que a classe A tinha predominncia das harmnicas de 5a , 7a , 11a e 13a ordens; a
classe B era determinada por cargas com maior predominncia de harmnicas de 3a , 5a e 7a ordens; e a classe C
constituda por cargas com harmnicas predominantes de 3a
e 5a ordens.
J em Kumar et al. (2004), um mtodo para identificao de
cargas no-lineares em barramentos proposto, no qual duas
etapas so realizadas. Na primeira etapa so encontrados os
possveis barramentos onde esto conectadas as cargas nolineares, usando-se aqui um mtodo de estimao baseado
em mnimos quadrados. A segunda etapa elege um dos barramentos selecionados pela primeira etapa, empregando-se
ento no mesmo um mtodo baseado na norma Euclidiana
que visa identificar as cargas no-lineares mais expressivas.
Observa-se que muitas pesquisas at ento utilizavam tcnicas convencionais, como o prprio mtodo dos mnimos quadrados, para a estimao de estado das harmnicas em barramentos, onde posteriormente as cargas no-lineares eram
identificadas, sendo que estas representavam barramentos ou
uma classe de cargas e no as cargas propriamente ditas. Entretanto, alm dos mtodos convencionais, em alguns trabalhos anteriores, j haviam sido aplicados sistemas inteligentes como as Redes Neurais Artificiais (RNAs), em que algumas de suas vantagens e desvantagens foram apresentadas.
Um dos trabalhos pioneiros foi realizado por Varadan e Makram (1994), em que se empregou RNAs com arquitetura de
mltiplas camadas (MLP Multilayer Peceptron), sendo as
mesmas treinadas com o algoritmo backpropagation. A partir deste estudo, a aplicao de sistemas inteligentes para a
tarefa de identificao de cargas no-lineares se proliferou,
onde tanto RNAs (Chan et al., 2000; Niekerk et al., 2002;
Lin et al., 2005) como sistemas de inferncia fuzzy (Nawi
et al., 2003; Ferrero et al., 2007) passaram a ser utilizados
devido apresentao de resultados satisfatrios.
Ainda com relao ao trabalho desenvolvido por Varadan e
Makram (1994), o mesmo fez uso de uma RNA treinada para
identificar as cargas conforme as classes determinadas pelo
IEEE Std. 519-1992. No referido trabalho, as cargas foram
separadas em lineares e no-lineares de acordo com o ngulo
de fase das correntes, em que se demonstrou que o ngulo
um atributo irrelevante para tarefas de identificao de cargas
no-lineares, pois no se consegue caracterizar distintos tipos
de cargas no-lineares por meio desta varivel.
Na proposta de Niekerk et al. (2002) foi tambm utilizada
uma rede neural do tipo MLP, cujos algoritmos de treinamento foram variados entre bayesian regularisation e resilient backpropagation (Demuth et al., 2007). Tal pesquisa
possui grande semelhana quela relatada nos dois pargrafos anteriores (Varadan e Makram, 1994) devido a tambm
classificar as cargas conforme regido pelo IEEE Std. 5191992.
J em Nawi et al. (2003), os sistemas fuzzy foram aplicados com o intuito de se identificar cargas industriais como
inversores de freqncia, controladores de velocidade para
mquinas eltricas, alm de fornos a arco. As cargas foram
identificadas por suas correntes harmnicas de 3a , 5a , 7a , 9a
e 11a ordens, sendo as regras lingsticas do sistema fuzzy
determinadas conforme o nvel de cada uma destas correntes
harmnicas.
Pesquisas mais recentes ainda trabalham com sistemas de
distribuio e sistemas eltricos industriais. Porm, comeam a crescer os estudos relacionados identificao de cargas no-lineares em sistemas eltricos residenciais. Dentro
deste contexto, Umeh e Mohamed (2005) propuseram um
sistema fuzzy com regras lingsticas baseadas nos nveis percentuais da Distoro Harmnica Total (DHT) de corrente.
J Srinivasan et al. (2006) propem um mtodo a partir da aplicao da Transformada Rpida de Fourier (TRF)
para a extrao do espectro de freqncias das correntes,
considerando-se o ngulo de fase e a amplitude apenas das
componentes de ordem mpar at a 15a ordem, resultando
assim em 16 variveis que foram fornecidas como entradas
s RNAs implementadas. Neste mesmo trabalho, modelos
baseados em RNAs (MLP Multilayer Perceptron, RBF
Radial Basis Function e SVM Support Vector Machines)
foram utilizados para a identificao das cargas presentes no
sistema eltrico residencial criado em laboratrio.
Seguindo o contexto apresentado por Srinivasan et al.
(2006), a pesquisa aqui proposta tambm realiza a identificao de cargas conectadas em sistemas eltricos residenciais; porm, com o intuito de mostrar que, assim como em
Varadan e Makram (1994), o ngulo de fase um atributo
irrelevante para a identificao de cargas no-lineares. Vale
ressaltar que, diferentemente do trabalho de Srinivasan et al.
(2006), foram adquiridas componentes harmnicas pares e
mpares at a 25a ordem e que empregaram-se tcnicas para
a seleo dos atributos mais relevantes, as quais proporcionam a reduo do nmero de correntes harmnicas utilizadas para a tarefa de identificao das cargas presentes em um
sistema eltrico residencial. Desta forma, obtiveram-se como
variveis de entrada apenas a amplitude de 6 das 25 correntes
analisadas, constatando assim, grande reduo na quantidade
de variveis de entrada fornecidas s RNAs quando comparado ao trabalho desenvolvido por Srinivasan et al. (2006),
o qual no empregou nenhuma tcnica para selecionar atributos. Conseqentemente, esta pesquisa tambm tem como
atrativo salientar que a utilizao de tcnicas de seleo de
atributos contribui de maneira significativa e efetiva para o
processo de escolha das variveis mais relevantes ao sistema
a ser mapeado pela abordagem neural.
Sendo assim, o principal objetivo deste trabalho gerar uma
sistemtica que possa ser aplicada identificao dos perfis
de cargas instalados em residncias, com o intuito de fornecer s concessionrias de energia eltrica uma informao
til monitorao da QEE. Alm do mais, esta informao
poder ser utilizada para se realizar clculos de fluxo de potncia harmnico em sistemas de distribuio, visto que at
ento no h a possibilidade de garantir boa preciso para
391
200
este clculo, justamente devido falta de informaes relacionadas s componentes harmnicas caractersticas das cargas
utilizadas pelos consumidores finais de energia.
150
Tenso (V)
100
2 METODOLOGIA PROPOSTA
50
0
-50
-100
-200
0
12.5
25
Tempo (ms)
37.5
50
Tenso (V)
O que se refere aos aspectos fsicos do sistema, estes sero abordados na Seo 3. Entretanto, cabe comentar que
todo o procedimento experimental foi baseado na fonte de
alimentao, em que foram geradas 14 formas de onda distintas, sendo que 9 delas foram configuradas com distores harmnicas (DHTs de respectivamente 0,94%; 1,51%;
1,94%; 2,62%; 3,02%; 3,42%; 3,94%; 4,42% e 5%) dentro
dos limites estabelecidos pelo IEEE Std. 519-1992. Outras 4
foram configuradas com distores acima destes limites e outra forma de onda foi configurada em condies ideais (sem
distores harmnicas). No entanto, todas as formas de onda
distorcidas tiveram como base a forma de onda ideal, a qual
foi configurada com tenso em 127 V e ngulo de fase em
90o .
-150
50
0
-50
-100
-150
-200
0
12.5
25
37.5
50
Tem po (ms)
Cabe comentar que, em conformidade com o IEEE Std. 5191992, todas as formas de onda distorcidas foram configuradas com at 5% de DHT de tenso e um valor mximo de 3%
de Distoro Harmnica Individual (DHI) de tenso.
200
150
Tenso (V)
100
50
0
-50
-100
-150
Cargas Identificadas
-200
0
12.5
25
37.5
50
Tem po (ms)
Sada da RNA
Redes Neurais
Artificiais
SISTEMA
COMPUTACIONAL
Conjunto de dados
selecionado
200
Normalizao
e
Seleo de atributos
150
Dados
Tenso (V)
100
SISTEMA FSICO
Processamento dos
arquivos gerados
Analisadores
de
Harmnicas
50
0
-50
-100
Base de dados
Aquisio de dados
Fonte de
Alimentao
-150
-200
0
Barram ento
12.5
25
37.5
50
Tem po (ms)
Ventilado r
Com pu tado r
L mp ada
Flu orescente
Mo nitor
L mp ada
In cand escente
Lm pad a
F luorescen te
Comp acta
Bancada de Cargas
392
J o quadro de cargas foi projetado de modo a permitir o acionamento individual ou at mesmo combinaes entre as cargas. Assim, para todas as 6 cargas, teremos 64 (26 ) possveis
combinaes ou medies. Ressalta-se que uma das combinaes leva em considerao que nenhuma carga se encontra
conectada ao sistema. Portanto, foram possveis 63 medies
com cargas.
Alm das formas de onda distorcidas, outras 189 medidas
aleatrias foram realizadas variando-se a amplitude da tenso de sada da fonte entre 15%. No entanto, para cada
uma destas 189 situaes geradas, dois analisadores de enerR California Instrugia distintos foram empregados (Flukee
ments, os quais sero posteriormente apresentados na Seo
3), permitindo que o nmero de medidas dobre, chegando-se
ento a um total de 378 aquisies. A utilizao de analisadores de energia distintos garantiu que as assinaturas harmnicas obtidas fossem diferentes em poucos nveis percentuais. Tais diferenas advm das caractersticas intrnsecas e
construtivas de ambos os equipamentos (hardware e software), sendo os erros de medio em corrente de 0,05A
R 0,01A para o California
para o equipamento da Flukee
R
Instruments. Utilizando-se de um dos analisadores (Fluke,
Seo 3), ainda foram extradas outras 126 medidas aleatrias sob as cargas alimentadas com formas de onda que foram
distorcidas seguindo os limites estabelecidos pelo IEEE Std.
519-1992.
Desta forma, por meio do analisador da California Instruments, obteve-se um total de 1071 medies, que correspondem soma das aquisies realizadas para as cargas alimentadas com as 13 formas de onda distorcidas, considerandose tambm aquelas que extrapolam os limites de distores
(63x13 = 819); s aquisies realizadas com as cargas sendo
alimentadas pela forma de onda sem distoro (63); e pelas
aquisies realizadas quando se variou a amplitude da tenso de sada da fonte entre 15% (189). J pelo analisador
da Fluke, obteve-se um total de 315 medidas, que correspondem s 126 aquisies referentes s cargas alimentadas por
formas de onda distorcidas e 189 medidas realizadas a partir
da variao da amplitude de tenso entre 15%. Portanto, a
base de dados constituda por um total de 1386 medies.
Vale ressaltar que todas as medidas foram realizadas com as
cargas em regime permanente, conforme estabelecido pelo
IEEE Std. 519-1992, para que a real assinatura de uma carga
possa ser extrada.
Afirma-se que os dados representativos das assinaturas
harmnicas, ou das cargas individuais e/ou da combinao
entre as mesmas, continham apenas correntes harmnicas da
1a a 25a ordem com suas respectivas amplitudes. O ngulo
de fase no foi considerado devido pesquisa de Varadan e
Makram (1994) mostrar que este no um atributo relevante
PC
MON
LFC
LF
LI
1a
0,72
0,41
0,21
0,28
0,79
1,28
2a
0,66
0,38
0,17
0,22
0,01
3a
0,56
0,33
0,1
0,13
4a
0,44
0,27
0,05
0,07
5a
0,3
0,2
0,04
0,05
6a
0,18
0,13
0,04
0,05
7a
0,09
0,07
0,03
0,04
8a
0,06
0,03
0,02
0,03
9a
0,07
0,02
0,02
0,03
10a
0,06
0,02
0,02
0,03
11a
0,05
0,02
0,02
0,02
12a
0,02
0,02
0,02
0,02
13a
0,01
0,01
0,02
0,02
14a
0,01
0,01
0,02
15a
0,01
0,01
0,02
16a
0,01
0,01
0,01
0,02
17a
0,01
0,02
18a
0,01
0,01
19a
0,01
0,01
20a
0,01
0,01
21a
0,01
0,01
22a
0,01
0,01
23a
0,01
0,01
24a
0,01
0,01
25a
0,01
0,01
VE
Para uma melhor adequao da tabela, utilizaram-se os seguintes rtulos para se referir a cada uma das cargas: PC
(computador pessoal), MON (monitor), LFC (lmpada fluorescente compacta), LF (lmpada fluorescente acionada por
reator eletrnico), LI (lmpada incandescente) e VE (ventilador).
Alm das assinaturas harmnicas de corrente das cargas, so
apresentadas por meio das Figuras de 6 a 11 as formas de
onda de corrente de cada carga quando da alimentao destas
por um sinal puramente senoidal (sem distoro harmnica).
Apenas como carter explicativo, cabe comentar que, para
manter a uniformidade da base de dados, alguns mdulos de
software foram desenvolvidos por meio da ferramenta comR de forma a se realizar a adequao dos
putacional Matlab,
arquivos (extrao dos cabealhos) provenientes dos analisa-
393
4
1
0.5
Corrente (A)
Corrente (A)
2
1
0
-1
-0.5
-2
-1
-3
-4
0
12.5
25
Tempo (ms)
37.5
497
50
12.5
25
Tempo (ms)
37.5
50
Figura 10: Forma de onda da corrente quando da alimentao de uma Lmpada Incandescente (LI).
2.5
1.5
0.5
0.5
Corrente (A)
Corrente (A)
1.5
0
-0.5
-1
0
-0.5
-1.5
-1
-2
-1.5
-2.5
497
12.5
25
Tempo (ms)
37.5
50
-2
0
12.5
25
Tempo (ms)
37.5
50
Corrente (A)
0.5
-0.5
-1
12.5
25
Tempo (ms)
37.5
50
Corrente (A)
0.5
-0.5
-1
-1.5
0
12.5
25
Tempo (ms)
37.5
50
dores de energia.
394
Para a alimentao das cargas foi utilizada uma fonte monofsica, modelo 5001iX da California Instruments (California Instruments, 2007), com potncia de 5 kVA. Esta fonte
de alimentao foi configurada inicialmente para fornecer s
cargas uma tenso de 127 V com ngulo de fase em 90 e
freqncia em 60 Hz. Toda a configurao da fonte foi realizada por meio de um microcomputador com o software
R
Instruments, 2007), em que
Cigui32 iX Series (California
todos os ajustes so transmitidos fonte por uma interface
serial RS-232.
Os analisadores de energia utilizados para extrao das assinaturas harmnicas foram dois, onde um deles encontra-se
sob o mesmo chassi da fonte de alimentao. Portanto, este
equipamento possui tambm como caracterstica a funo de
analisador de energia. O segundo analisador utilizado foi um
Fluke 435 (Fluke, 2006).
A princpio, empregou-se um total de seis cargas dentre lineares e no-lineares. O quadro de cargas foi alimentado
com uma forma de onda puramente senoidal a fim de que
pudessem ser extradas as assinaturas harmnicas reais de
cada carga, bem como de suas respectivas combinaes. No
entanto, conforme apresentado na seo anterior, tambm
foram criadas mais 9 formas de onda com um contedo
harmnico dentro dos limites estabelecidos pela recomendao IEEE Std. 519-1992, alm de 4 formas de onda com contedo harmnico extrapolando estes limites, a fim de melhor
Bancada de Cargas
Fonte de
Alimentao
Barramento
Ventilador
Computador
Lmpada
Fluorescente
Analisadores
de Energia
RNAs
Monitor
Lmpada
Incandescente
Lmpada
Fluorescente
Compacta
Dispositivos
Identificados
Figura 12: Diagrama de blocos representando a bancada experimental utilizada nos ensaios laboratoriais.
395
As caractersticas de cada uma das cargas utilizadas nos ensaios laboratoriais so descritas pela Tabela 2.
Tabela 2: Caractersticas das cargas empregadas nos ensaios laboratoriais.
Tipo de
Carga
Tenso
(V)
Potncia
Freqncia
Nominal(W)
(Hz)
Lmpada Incandescente
127
100
60
Lmpada
Fluorescente
127
20
60
Lmpada
Fluorescente
Compacta
110/127
23
50/60
Ventilador
127
120
60
Computador
Pessoal
115/230
400
50/60
Monitor
110/240
450
50/60
4 SELETORES DE ATRIBUTOS
As devidas consideraes com relao aos seletores de atributos sero apresentadas nesta seo.
Para o desenvolvimento deste trabalho, foram aplicados trs
seletores de atributos distintos, com o intuito de verificar seus
desempenhos.
O processo de seleo de atributos definido por Liu e Motoda (1998) como a determinao de um subconjunto de atributos que ser responsvel por generalizar a informao contida na base de dados, isto de acordo com a resposta que se
396
Tipo de
Carga
Potncia
Ativa
(W)
Potncia
Aparente
(VA)
Fator de
Potncia
Lmpada Incandescente
100
100
1,000
Lmpada
Fluorescente
29
50
0,580
Lmpada
Fluorescente
Compacta
23
41
0,561
Ventilador
110
169
0,651
Computador
Pessoal
93
167
0,557
Monitor
53
97
0,546
4.1 Wrapper
Seletores de atributos do tipo Wrapper so muito utilizados quando se deseja selecionar atributos em problemas de
aprendizado supervisionado, isto , quando h uma sada desejada para o sistema. A metodologia consiste na apresentao de um conjunto de treinamento em que os atributos
passam pelo mtodo de busca pr-determinado pelo usurio.
Aps a busca de um subconjunto de atributos, este avaliado e recebe um custo. Porm, para que o mtodo tenha a
devida validade, estes subconjuntos devem ser classificados
por um algoritmo de induo tambm pr-definido pelo usurio, que fornecer como resultado uma estimativa de desempenho. Aps todos os subconjuntos de atributos serem submetidos ao mesmo processo, os melhores subconjuntos so
selecionados e devero novamente passar por um segundo algoritmo de induo que ir extrair os atributos mais relevantes, sendo estes avaliados junto a um conjunto de validao
a fim de que os atributos selecionados mostrem seu devido
potencial (Kohavi e John, 1997).
Este algoritmo foi empregado devido ao fato de normalmente
fornecer melhores resultados do que filtros, isto porque seu
mtodo de busca interage com o algoritmo de induo que
realiza uma prvia avaliao dos subconjuntos de atributos.
Entretanto, como mostrado por Hall e Holmes (2003), mtodos do tipo Wrapper apresentam alto custo computacional
devido ao algoritmo de induo ser executado para todos os
subconjuntos analisados.
Para o trabalho em questo empregou-se uma rvore de deciso do tipo J48 (Goldschmidt e Passos, 2005) tanto como
mtodo de busca quanto como algoritmo de induo.
temente da grande maioria dos mtodos para seleo de atributos, no utiliza busca heurstica, mas sim uma busca probabilstica baseada no algoritmo Las Vegas (Mitzenmacher e
Upfal, 2005). Conforme os resultados experimentais obtidos
por Liu e Setiono (1996), pde-se verificar que este mtodo
geralmente obtm uma resposta rpida e garante tambm a
localizao de um subconjunto de atributos que fornea boa
generalizao da informao contida na base de dados, alm
de ser facilmente implementado.
O algoritmo Las Vegas faz escolhas probabilsticas que auxiliam no processo de busca; assim, encontra-se rapidamente
um subconjunto de atributos que fornea resultados satisfatrios. Esta busca executada at que um nmero mximo
de tentativas seja alcanado, sendo que ao final dessas tentativas avaliam-se tanto o tamanho do subconjunto de atributos
como a sua inconsistncia com relao classe. O subconjunto selecionado ser o de menor tamanho e inconsistncia,
visto que a consistncia de um subconjunto de atributos
inversamente proporcional sua inconsistncia.
Uma desvantagem apresentada pela busca probabilstica
quando comparada a uma busca heurstica o seu custo computacional um pouco mais alto. No entanto, sua maior vantagem que no possui a mesma vulnerabilidade apresentada
pela busca heurstica quando submetido a conjuntos de dados
com muitos atributos correlatos.
397
c
ram executados pela ferramenta computacional WEKA,
utilizando-se de um microcomputador com 3 GB de memTM
R
2Duo de 1,83 GHz. As
ria e com processador IntelCore
medidas de desempenho desses mtodos podem ser avaliadas
por meio da Tabela 4.
Amplitude (A)
2.5
Ranking de Atributos
CFS
0, 47
CF
0, 82
45 40
35 30
25
20
Instncia
Tempo (s)
15
10
8 7
10 9
12 11
14 13
16 15
17
19 18
Ordem das Harmnicas
21 20
23 22
25 24
5 1
2.5
Amplitude (A)
Wrapper
1
0.5
0
50
Seletores de
Atributos
2
1.5
175209 (
2 dias)
1.5
0.5
0
50
As trs tcnicas utilizadas foram configuradas de modo a fornecerem como resposta uma lista dos atributos, ordenada do
atributo de maior para o de menor relevncia. Desta forma,
pela lista apresentada na Tabela 4, pde-se verificar que os
seis primeiros atributos mais relevantes foram os mesmos
para as trs tcnicas. Assim, apenas estes seis atributos foram
selecionados para compor a nova base de dados.
Outra caracterstica observada o esforo computacional
apresentado por cada um dos algoritmos. O mtodo Wrapper gastou cerca de 2 dias para obter os atributos mais relevantes, enquanto que os algoritmos CFS e CF, os quais so
baseados em filtros, apresentaram respostas favorveis num
tempo menor do que 1 segundo. Tambm se pode verificar
que o mtodo CF apresenta um tempo maior de resposta do
que o mtodo CFS. Isto, devido aos seus distintos algoritmos de busca (probabilstica e heurstica, respectivamente).
No entanto, conforme comentado na Seo 2, o tempo despendido pelos seletores de atributos no relevante devido
ao fato de serem somente empregados na etapa de projeto da
metodologia proposta.
Com a aplicao das tcnicas de seleo de atributos, o espao de busca pde ser ento efetivamente reduzido. Assim,
pela Figura 13, ilustra-se o espao de busca contendo 60 instncias e os 25 atributos da base original, sendo que pela Figura 14 pode-se visualizar o espao de busca contendo as
mesmas 60 instncias, porm, contendo apenas os atributos
selecionados.
398
45
40
35
30
25
Instncia
20
3
15
10
8
1
Ordem das
Harmnicas
O prximo passo considerado, aps a seleo dos atributos, foi o treinamento das RNAs, conforme apresentado na
seqncia.
1 - Camada
Escondida
Entradas
Fundamental
x1
3 Harmnica
x2
5 Harmnica
X3
7 Harmnica
X4
8 Harmnica
X5
9 Harmnica
X6
2 - Camada
Escondida
Camada
de
Sada
.
.
.
.
.
.
26
12
Apresentadas as arquiteturas das RNAs utilizadas e suas caractersticas, na prxima seo sero apontados e discutidos
os resultados decorrentes desta aplicao.
6 RESULTADOS EXPERIMENTAIS
As RNAs empregadas neste trabalho possuem arquitetura
MLP, a qual normalmente aplicada em tarefas de reconhecimento de padres, aproximao funcional, identificao e controle. Assim, considerando o propsito do reconhecimento de padres referente composio harmnica das
cargas e suas combinaes, verifica-se que tal arquitetura se
encaixa tarefa proposta.
Nesta seo sero abordados os resultados apresentados pelas RNAs quando submetidas a dois modos de treinamentos
e validaes, onde o conjunto de dados foi dividido de forma
distinta.
Na inteno de melhorar o processo de identificao, foi criada uma RNA para cada carga utilizada. Vale comentar que
todas as RNAs possuem a mesma configurao, sendo 26
neurnios na primeira camada escondida, 12 neurnios na
segunda camada escondida e apenas um neurnio na camada
de sada. Quanto s funes de ativao, para as camadas escondidas utilizou-se a tangente hiperblica, sendo que para
a camada de sada empregou-se a funo linear com limites em 1 e -1, representando assim o estado ao qual se encontra o equipamento (ligado ou desligado). As funes de
ativao tm como finalidade limitar a sada dos neurnios.
Ressalta-se ainda que cada uma das RNAs possui 6 entradas
que correspondem s amplitudes das correntes fundamental
e harmnicas de 3a , 5a , 7a , 8a e 9a ordens, as quais foram
previamente fornecidas como resposta pelos seletores de atributos. Para uma melhor compreenso da arquitetura supracitada, a mesma encontra-se ilustrada por meio da Figura 15.
Para o primeiro modo, empregou-se um conjunto de treinamento composto pelas seguintes medies:
alm de aproximadamente 67% das medidas adquiridas pelo analisador da California Instruments quando as
cargas foram alimentadas com tenses distorcidas dentro dos limites comentados (378 amostras).
399
Instncias
Sendo assim, aps o treinamento das RNAs, estas foram submetidas etapa de validao, onde foram obtidos os resultados apresentados por meio da Tabela 5.
Tabela 5: Resultados obtidos com o primeiro modo de treinamento e validao.
Conjunto de Validao 1
MON LFC LF LI
VE
91
165
179
180
231
236
240
246
Carga
Acertos (%)
247
Lmpada Incandescente
99, 77
314
Lmpada Fluorescente
96, 15
385
96, 15
387
Ventilador
99, 77
390
Computador Pessoal
100
393
Monitor
99, 55
396
398
399
401
403
404
413
415
416
417
418
419
420
426
429
434
435
437
439
A partir da anlise da Tabela 5, nota-se que a RNA responsvel por identificar o computador pessoal obteve um aproveitamento de 100%. Ou seja, conseguiu identificar corretamente se a carga estava conectada ou no ao sistema eltrico
para todas as 441 instncias que comportaram o conjunto
de validao do primeiro modo de treinamento. J no caso
do ventilador, monitor e lmpada incandescente, suas RNAs
apresentaram resultados acima de 99%, isto , o erro destas
RNAs foi bastante baixo. Apenas as RNAs responsveis pelas lmpadas, fluorescente compacta e fluorescente acionada
por reator eletrnico, apresentaram taxas de acerto acima de
96%, sendo esta taxa considerada satisfatria. A seguir, por
meio da Tabela 6, so mostradas as instncias onde as cargas
foram classificadas incorretamente.
Para a anlise da tabela 6, a mesma nomenclatura utilizada
na Tabela 1 foi adotada; entretanto, neste caso, esta nomenclatura refere-se s RNAs responsveis por cada uma das
cargas. Os X denotam cargas ligadas e O cargas desligadas. Esta tabela representa a sada desejada pelas RNAs.
Contudo, para uma melhor compreenso dos erros cometidos
pelas RNAs, os X e O em destaque representam as situaes nas quais as RNAs apresentaram respostas errneas, ou
seja, a sada da rede neural foi contrria sada apresentada
na tabela. Por exemplo, na instncia 91, as cargas conectadas ao sistema eram: MON, LFC e LF; no entanto, a sada
da RNA responsvel pela LFC apresentou uma resposta onde
tal lmpada encontrava-se desligada.
400
PC
tenso (instncia 91). Os demais erros foram todos ocasionados quando se alimentou as cargas com formas de onda disR
torcidas. Com relao s aquisies obtidas com o Fluke,
estas tambm foram submetidas s redes neurais, porm,
no apresentaram erros. Nota-se ainda que as instncias
240 e 429 possuem a mesma sada desejada e apresentaram o mesmo erro; porm, a primeira instncia foi adquirida
quando as cargas foram alimentadas por uma forma de onda
com DHT de 3,02%, ao passo que a segunda instncia foi
medida quando as cargas foram alimentadas por uma forma
de onda com DHT de 8,12% (Figura 5). Cabe tambm comentar que apenas nas instncias 179, 393, 404, 418 e 434
os erros foram cometidos por duas redes neurais distintas.
Carga
Acertos (%)
Lmpada Incandescente
99, 65
Lmpada Fluorescente
95, 59
94, 18
Ventilador
99, 65
Computador Pessoal
100
Monitor
99, 12
7 CONCLUSES
Quanto ao segundo modo de treinamento e validao, pdese observar por meio da Tabela 7 que houve um decrscimo
de qualidade nos resultados quando comparados queles obtidos no primeiro modo de treinamento e validao (Tabela
5). No entanto, verifica-se que esta metodologia, apesar de
apresentar resultados menos favorveis, ainda pode ser con-
401
Instncias
402
PC
Conjunto de Validao 2
MON LFC LF LI
530
531
537
VE
539
130
541
138
542
146
543
147
544
148
551
162
552
164
555
165
560
179
562
181
563
188
565
209
566
241
242
243
251
269
287
294
303
309
351
352
431
509
511
513
516
517
518
519
521
523
525
526
527
528
529
AGRADECIMENTOS
Os autores gostariam de agradecer FAPESP, ao CNPq e
CAPES pelos auxlios financeiros propiciados no decorrer
das atividades de pesquisas. Agradecimentos especiais tambm aos revisores frente s valiosas contribuies propiciadas no decorrer do processo de reviso.
REFERNCIAS
Acarkan, B. e Erkan, K. (2007). Harmonics Modeling and Harmonic Activity Analysis of Equipments
with Switch Mode Power Supply Using Matlab and
Simulink. Electric Machines & Drives Conference
(IEMDC), pp. 508-513.
Almuallim, H. e Dietterich, T. G. (1991). Learning with
many Irrelevant Features. Proc. of the 9th National
Conference on Artificial Intelligence.
Bezerra, U. H., Tostes, M. E. L., Arajo, A. C. S., Garcez,
J. N., Mesquita, J. E. e Tupiass, A. A. (2001). Harmnicos Gerados por Consumidores em Baixa Tenso da
Rede Metropolitana de Distribuio de Energia de Belm (PA). I Congresso de Inovao Tecnolgica em
Energia Eltrica (Citenel).
California Instruments (2007). AC Power Source User Manual.
Chan, W. L., So, A. T. P. e Lai, L. L. (2000). Wavelet Feature
Vectors for Neural Network Based Harmonics Load
Recognition. Proc. of the 5th International Conference
on Advances in Power System Control, Operation and
Management (APSCOM), pp. 511-516.
Czarnecki, L. S. (2000). An Overview of Methods of Harmonic Suppression in Distribution Systems. Power Engineering Society Summer Meeting, pp. 800-805.
Demuth, H., Beale, M. e Hagan, M. (2007). "Neural Network Toolbox 5 - Users Guide",
http://www.mathworks.com/access/
helpdesk/help/toolbox/nnet/, Acessado em
05 de Janeiro de 2008.
Dugan, R. C., McGranaghan, M. F., Santoso, S. e Beaty, H.
W. (2004). Electrical Power Systems Quality, McGrawHill.
Fernandes, R. A. S., Silva, I. N., Oleskovicz, M. e Santos,
F. M. C. (2008). Extrao de Caractersticas Harmnicas para a Identificao de Cargas No-Lineares Aplicando Sistemas Inteligentes. XVII Congresso Brasileiro
de Automtica (CBA).
Ferreira, D. D., Marques, C. A. G., Cerqueira, A. S., Duque, C. A. e Ribeiro, M. V. (2009). Sistema Automtico
de Deteco e Classificao de Distrbios Eltricos em
Qualidade da Energia Eltrica. Revista Controle & Automao, vol. 20, No. 1, pp. 53-62.
Ferrero, A., Salicone, S. e Todeschini, G. (2007). A Fuzzy
Method for the Identification of the Sources Reducing
Harmonic Pollution in the Electric Network. Proc. of
the Instrumentation and Measurement Technology Conference (IMTC), pp. 1-6.
Fluke (2005). FlukeView Power Quality Analyzer Software
User Manual.
Fluke (2006). Fluke 434/435 Three Phase Power Quality
Analyzer - User Guide.
Goldschmidt, R. e Passos, E. (2005). Data Mining Um
Guia Prtico, Editora Campus.
Hagan, M. T. e Menhaj, M. B. (1994). Training Feedforward
Networks with the Marquardt Algorithm. IEEE Transactions on Neural Networks, vol. 5, No. 6, pp. 989993.
Hall, M. A. (1999). Correlation-based Feature Selection for
Machine Learning, Ph.D. Thesis, The University of
Waikato, Hamilton, New Zealand.
Hall, M. A. (2000). Correlation-based Feature Selection for
Discrete and Numeric Class Machine Learning. Proc.
of the 17 th International Conference on Machine Learning (ICML), pp. 359-366.
Hall, M. A. e Holmes, G. (2003). Benchmarking Attribute
Selection Techniques for Discrete Class Data Mining.
IEEE Transactions on Knowledge and Data Engineering, vol. 15, No. 3, pp. 1-16.
Halpin, S. M. (2005). Comparison of IEEE and IEC Harmonic standards. Power Engineering Society General
Meeting, pp. 2214-2216.
403
Varadan, S. e Makram, E. B. (1994). Practical Considerations in the Application of Neural Networks to the Identification of Harmonic Loads. Electrical Power Systems
Research, vol. 30, pp. 103-106.
Varadan, S. e Makram, E. B. (1996). Harmonic Load Identification and Determination of Load Composition Using
a Least Squares Method. Electrical Power Systems Research, vol. 37, pp. 203-208.
Variz, A. M., Jr. Carneiro, S., Pereira, J. L. R. e Barbosa,
P. G. (2008). Clculo do Fluxo de Potncia de Harmnicos em Sistemas de Potncia Trifsicos Utilizando o
Mtodo de Injeo de Correntes com Soluo Iterativa.
Revista Controle & Automao, vol. 19, No. 2, pp.178198.
Witten, I. H. e Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann.
405