Estudos para Identificação e Classificação de Harmônicos em Medição de Energia Elétrica Utilizando uma Arquitetura Neural

Transcrição

1 1 Estudos para Identificação e Classificação de Harmônicos em Medição de Energia Elétrica Utilizando uma Arquitetura Neural A. N. Souza, J. L. Padilha, W. H. Sato, D. S. Gastaldello, C. C. O. Ramos e K. M. Santos Resumo-- A evolução tecnológica propiciou uma maior utilização de equipamentos eletrônicos. Essas cargas não-lineares são fontes de distorções harmônicas e, também, são dispositivos mais sensíveis a variações dos sinais da rede elétrica. Neste contexto, este trabalho propõe o uso de redes neurais artificiais para classificação de cargas através de suas harmônicas de corrente e também verificar se cargas não-lineares influenciam na medição de energia. Palavras-chave Classificação de Harmônicos, Medição de Energia, Redes Neurais Artificiais. C I. INTRODUÇÃO OM o advento de novas tecnologias de equipamentos eletrônicos, cargas não-lineares tornaram-se cada vez mais comuns em unidades consumidoras de energia elétrica. Essas cargas são conhecidas como fontes de distorções harmônicas, e estão diretamente ligadas ao estudo de qualidade de energia [1]. Neste sentido, atenta-se a importância dos índices de qualidade no suprimento de energia elétrica, ou seja, as formas de onda, as amplitudes, bem como as freqüências da tensão e da corrente do sistema. As correntes e tensões harmônicas produzem efeitos danosos que podem ser instantâneos ou de longo prazo. As correntes distorcidas se propagam pelo sistema, provocando distorções de tensão em vários pontos, podendo afetar assim, todo o sistema elétrico, bem como causar a operação inadequada de equipamentos (medidores) [2], [3]. Os medidores de energia elétrica do tipo indução, quando na presença de conteúdos harmônicos, têm seu funcionamento alterado, o disco é acelerado ou desacelerado ocasionando erros de medição [4]. Neste contexto, pelo não conhecimento do comportamento na medição, vislumbra-se a necessidade do desenvolvimento de novas metodologias e o uso de ferramentas computacionais Esta pesquisa foi financiada pelo Programa Renove Engenharias da Pró- Reitoria de Pesquisa da UNESP A. N. Souza, J. L. Padilha, W. H. Sato, K. M. Santos e D. S. Gastaldello pertencem ao Departamento de Engenharia Elétrica da FEB-UNESP/Bauru ( s: andrejau@feb.unesp.br, jonatasp7@yahoo.com.br, wallace_sato@msn.com, ra910635@feb.unesp.br, danilosinkiti@hotmail.com,) C. C. O. Ramos pertence ao Departamento de Engenharia Elétrica da Universidade de São Paulo - USP, São Paulo, SP, Brasil ( caioramos@gmail.com) para identificar e classificar as verdadeiras causas de erros de medição de energia. As redes neurais artificiais (RNAs) são caracterizadas pela sua habilidade em aprender ou modificar seu comportamento em seu contexto de aplicação. Desta forma, por serem capazes de aprender através de exemplos (dados de ensaios) e generalizar informações aprendidas, torna-se uma ferramenta ampla e eficaz no mapeamento dos erros de medição [5]. Assim, este trabalho vislumbra o desenvolvimento de uma RNA que seja capaz de identificar os harmônicos de corrente, segundo o seu tipo de carga, e também, estudar a influência desse conteúdo harmônico na medição de energia elétrica. II. MEDIÇÃO DAS HARMÔNICAS A medição de harmônicos das cargas visa gerar um banco de dados para uso na RNA. As cargas utilizadas para este estudo compreendem alguns equipamentos e dispositivos que podem ser encontrados em residências, escritórios, dentre outras unidades consumidoras (UCs) de baixa tensão, e são citados à seguir: Notebook; Monitor LCD; Monitor CRT; Computador; Secador de cabelo; Liquidificador; Lâmpadas eletrônicas e incandescentes; Impressora; Furadeira; Descartador de papel; e Batedeira. Com o objetivo de criar uma RNA capaz de identificar, através do espectro harmônico de corrente, qual equipamento é a fonte geradora de tais distorções, foram realizadas medidas dos harmônicos de corrente das cargas, usando para isso o medidor de qualidade de energia elétrica AE-200 da Instrutherm. Tal medidor foi configurado para medir os harmônicos de corrente de até 49ª ordem e a distorção harmônica total de corrente (DHTI), onde uma nova medida era gravada a cada 6 segundos, onde cada medida, continha os valores dos harmônicos de corrente até a 49ª ordem e o DHTI.

2 2 Assim, um valor mínimo de 100 medidas de harmônicos de corrente com o DHTI foram realizadas para cada carga, criando-se um banco de dados representativo para alimentar a RNA, para que ela realizasse um dos objetivos do trabalho. Na Fig. 1 é mostrado o esquema de ligação das cargas monofásicas, ligadas a fonte de 127V CA 60Hz e do medidor AE-200 para a análise do conteúdo harmônico dos equipamentos. Fig. 1. Esquema elétrico montado. Em seguida, com os valores dessas medidas, foram calculados os valores médios dos harmônicos de corrente, e também do DHTI para cada carga, uma vez que seu cálculo é dado pela raiz da somatória dos quadrados das componentes harmônicas, dividida pela componente fundamental, conforme a Eq. (1): 1 2 n I n= 2 DHT1 = I (1) Os resultados são apresentados na Tabela I. TABELA I HARMÔNICOS DE CORRENTE (A) E DHTI (%) DE CADA CARGA Carga DHT(%) H1 H2 H3 H4 H5 Batedeira 58,19 1,12 0,14 0,10 0,14 0,08 Descartador de papel 601,94 0,12 0,12 0,07 0,06 0,06 Computador 110,02 1,00 0,02 0,84 0,01 0,60 Furadeira 13,01 1,09 0,02 0,11 0,02 0,02 Impressora 142,61 0,14 0,01 0,13 0,01 0,11 Lâmpada Eletrônica Lâmpada Incandesc. Liquidific. Antigo Liquidific. Moderno 77,97 0,06 0,01 0,04 0,01 0,02 2,03 0,62 0,00 0,01 0,00 0,01 54,61 0,92 0,47 0,13 0,04 0,02 23,00 1,54 0,03 0,33 0,03 0,03 Monitor CRT 125,15 0,39 0,02 0,35 0,02 0,27 Monitor LCD 154,37 0,10 0,01 0,09 0,01 0,07 Notebook 157,80 0,29 0,02 0,27 0,01 0,22 Secador de Cabelo 58,88 0,65 0,36 0,12 0,02 0,02 Sendo H1, H2, H3, H4, e H5, os harmônicos de corrente de ordem 1 à 5 respectivamente. Nesta tabela foram exibidos apenas os harmônicos de corrente até a 5ª ordem e a distorção harmônica total de cada aparelho, pois estes valores já mostram a diferença de cada equipamento. Depois são apresentadas figuras de harmônicas de corrente até a 49ª ordem. Cabe salientar que o aparelho AE-200 fornece dados de harmônicos de corrente até a 99ª ordem, mas para este estudo, as redes receberam dados de harmônico de corrente até a 10ª ordem, pois tal valor se mostrou suficiente para atingir o objetivo da RNA. Pode-se observar que a maior parte das cargas analisadas apresentou valores mais expressivos dos harmônicos ímpares, principalmente os de 3ª ordem. Comparando-se as tecnologias dos equipamentos, nota-se, que quanto mais moderno, menor é o consumo de energia, porém, com um aumento das distorções harmônicas. Fato verificado para cargas de mesma finalidade, como por exemplo, as lâmpadas incandescentes, conhecidas por seu alto consumo de energia elétrica, com um DHTI medido de 2,03%, e em contrapartida, as lâmpadas eletrônicas, que comprovadamente apresentam menor consumo, porém com DHTI medido de 77,97%. Analisando também o DHTI de outros equipamentos de mesma finalidade, como os monitores do tipo CRT (com 125,15%) e LCD (com 157,37%), também com maior distorção para o equipamento mais moderno, nota-se que esse aumento do DHTI se deve, dentre outras, a diminuição do valor da componente fundamental em relação as demais componentes harmônicas no equipamento do tipo LCD. Um equipamento que se destaca quanto ao DHTI é o descartador de papel com 601,94%, muito comum em escritórios. Em contrapartida apresenta baixos valores em amplitude das componentes harmônicas, ou seja, quando ligado em conjunto com as outras cargas como computadores, monitores, impressoras, suas componentes pouco interferem no DHTI total do conjunto. Com base nos dados das medidas dos harmônicos de corrente das cargas constantes da Tabela I, foram feitos gráficos para análise do espectro harmônico de corrente dessas cargas, das quais, cinco foram escolhidas para o treinamento e validação da RNA, que são o Notebook, Monitor LCD, Monitor CRT, Lâmpada Eletrônica e Batedeira, pois as características harmônicas de cada equipamento eram bem distintas, facilitando o processo de treinamento e validação da RNA. Na Fig. 2 é mostrado o conteúdo harmônico do notebook analisado em laboratório. Na análise dos seus harmônicos de corrente, observa-se que as componentes de maior valor estão concentradas até a 13ª ordem. Na Fig. 3 é mostrado o conteúdo harmônico do monitor LCD analisado em laboratório. Na análise dos seus harmônicos de corrente, observa-se maior predominância de harmônicos ímpares decrescentes até a 11ª ordem. Na Fig. 4 é mostrado o conteúdo harmônico do monitor CRT analisado em laboratório. Na análise dos seus

3 3 harmônicos de corrente, observa-se maior predominância de harmônicos ímpares decrescentes até a 9ª ordem. Fig. 5. Amplitude dos Harmônicos de Corrente Lâmpadas Eletrônicas. Fig. 2. Amplitude dos Harmônicos de Corrente Notebook. Na Fig. 6 é mostrado o conteúdo harmônico da batedeira analisada em laboratório. Na análise dos seus harmônicos de corrente, observa-se uma homogeneidade dos harmônicos pares e ímpares, com amplitudes inferiores a 20% da fundamental. Fig. 3. Amplitude dos Harmônicos de Corrente Monitor LCD. Fig. 6. Amplitude dos Harmônicos de Corrente Batedeira. Uma característica em comum observada nos espectros harmônicos de corrente destes cinco equipamentos selecionados para o desenvolvimento da RNA, é que em todos eles, as distorções harmônicas de maior amplitude estão compreendidas entre a fundamental e a 10ª ordem, ou seja, os dados essenciais para o treinamento e validação da RNA estão localizados neste intervalo, economizando recursos computacionais, desta forma aumentando a velocidade das etapas de treinamento e validação da RNA. Fig. 4. Amplitude dos Harmônicos de Corrente Monitor CRT. Na Fig. 5 é mostrado o conteúdo harmônico das lâmpadas eletrônicas analisadas em laboratório. Na análise dos seus harmônicos de corrente, observa-se maior predominância de harmônicos ímpares até a 7ª ordem, intercalados por harmônicos pares com valores decrescentes até a 6ª ordem. III. IMPLEMENTAÇÃO DAS RNAS Para a topologia de RNA, foi escolhida a feedforward multicamadas, que se caracteriza por possuir uma ou mais camadas intermediárias onde o sinal da rede é propagado em apenas um sentido, isto é, nenhuma saída retorna a uma camada anterior. Este tipo de topologia geralmente é aplicado no reconhecimento de padrões e como aproximador universal de funções, uma vez que se podem aproximar funções nãolineares. Após a construção do banco de dados, foi iniciado o desenvolvimento de uma rede neural artificial, que com base

4 4 nos harmônicos de corrente fornecidos na entrada, fosse capaz de identificar tais harmônicos e associá-los ao seu respectivo equipamento. Na Fig. 7 é mostrado um diagrama simplificado do modo de funcionamento da RNA desenvolvida. Fig. 7. Funcionalidade da rede neural artificial desenvolvida. Durante a fase de treinamento e de validação da RNA, os dados que foram fornecidos a entrada continham também a saída desejada (os equipamentos associados ao conteúdo harmônico), para que a rede fosse capaz de identificar padrões e estabelecer funções capazes de deixar a RNA apta a identificar conteúdos harmônicos futuros. Já na simulação teste de uma situação real (após a RNA ter sido treinada e validada), apenas o conteúdo harmônico foi fornecido como dado de entrada. Na Fig. 8 é mostrado um esquema da arquitetura neural multicamadas simplificado. A rede desenvolvida era composta por 10 neurônios na camada intermediária e 5 neurônios na camada de saída, para cada tipo de tipo de carga. determinada tarefa, durante a fase de treinamento de RNAs com multicamadas. Neste trabalho foi usado uma variância do Backpropagation, chamada de Levenberg-Maquardt [6]. Nesta fase foram utilizados os valores das medidas dos harmônicos de corrente das cargas Notebook(1), Monitor LCD(2), Monitor CRT(3), Lâmpadas Eletrônicas (4) e Batedeira(5), totalizando 855 medidas de harmônicos de corrente até a 10ª ordem (cada medida). Destas 855 medidas, 80% foram selecionadas aleatoriamente e utilizadas para treinamento da RNA e os 20% restantes usadas no processo de validação. Após a rede ter sido treinada e validada, ela foi também testada em uma situação real, para verificar se os dados apresentados como resposta estavam confiáveis. Foram utilizados dados referentes às cargas treinadas (Notebook, Monitor LCD, Monitor RCT, Lâmpadas Eletrônicas e Batedeira) além de uma carga nova: um Computador. Com isso foi possível verificar se a RNA aprendeu realmente o que lhe foi ensinado. IV. MEDIÇÃO DA ENERGIA EM CARGAS COM DISTORÇÕES HARMÔNICAS Esta seção consistiu em analisar o efeito dos harmônicos de corrente na medição de energia elétrica de uma determinada combinação de cargas. Para isso, foi preparada uma configuração de cargas monofásicas ligadas em paralelo, utilizando algumas das cargas medidas na primeira parte do estudo, que são: 1 Impressora; 2 Monitores CRT; 2 Computadores; 8 Lâmpadas eletrônicas; e 4 Lâmpadas incandescentes. Para esta configuração de cargas, a distorção harmônica total de corrente medida foi de 35,69%, o espectro harmônico medido é mostrado na Fig. 9. Fig. 8. Arquitetura neural desenvolvida. Para a camada de entrada, foram usados os valores das amplitudes dos harmônicos de corrente desde a fundamental até a 10ª ordem. O algoritmo Backpropagation ou Regra Delta Generalizada é um algoritmo supervisionado de aprendizagem de uma Fig. 9. Harmônicos de corrente da configuração de cargas apresentada. Para medir a energia consumida por esta configuração de cargas, foi usado o medidor residencial eletrônico Genus Modelo-01B.

5 5 Desta maneira, os valores apresentados por este medidor, eram comparados com os valores aferidos pelo medidor AE- 200 da Instrutherm, que para estes estudos, foram tomados como referência. Na Fig. 10 é mostrado o esquema de ligação das cargas, ligadas a fonte de 127V CA, ao medidor AE-200 (referência) e ao medidor eletrônico Genus Modelo-01 B (em análise). cargas ensaiadas, bem como medidas de harmônicos de corrente de uma nova carga (um computador) para a qual a RNA não havia sido treinada, foram utilizadas como dados de entrada da RNA para verificar se a resposta obtida era razoável com o esperado. Abaixo na Fig. 12 é mostrado o espectro harmônico de corrente do computador analisado. Fig. 10. Esquema de ligação para medição de energia consumida. Fig. 11. Medição de harmônicos de corrente de lâmpadas Na figura acima, têm-se o quadro da bancada do laboratório utilizado para as medições, que embora esteja preparado para ligação de cargas trifásicas, neste estudo utilizou-se apenas cargas monofásicas. Fig. 12. Amplitude dos Harmônicos de Corrente Computador. Na Fig. 14 é exibido o resultado obtido da simulação teste de uma situação real para a RNA, onde cada intervalo de 20 medidas representa um equipamento, sendo o último intervalo referente às medidas da carga computador. Como podem ser observados, tanto na fase de treinamento e validação, quanto na fase de simulação de uma situação real, os valores apresentados pela RNA foram bastante satisfatórios, uma vez que a arquitetura neural desenvolvida foi capaz de identificar os harmônicos de corrente e associálos corretamente ao seu equipamento de origem, tendo em vista o baixo desvio entre os valores desejados para a RNA, ante os valores da simulação na fase de treinamento e validação, bem como encontrando corretamente os equipamentos na simulação de uma situação real. Neste ponto observa-se também, que para a carga computador, para a qual a RNA não fora treinada, a arquitetura neural respondeu classificando esta carga como um equipamento de conteúdo harmônico que está entre o de um notebook e o de um monitor LCD, vide a Fig. 14. V. RESULTADOS E DISCUSSÕES Nesta seção serão apresentados os resultados com a utilização da RNA para identificação dos harmônicos de corrente de equipamentos e também os resultados das medições de energia de cargas com distorções harmônicas. A. RNA para identificação de harmônicos Foi desenvolvida uma RNA capaz de identificar os harmônicos de corrente e associá-los a suas respectivas cargas geradoras. Os resultados obtidos na fase de treinamento e validação podem ser observados na Fig. 13. Em seguida, para testar a eficiência da RNA em uma situação prática, as medidas dos harmônicos de corrente das Fig. 13. Resultados obtidos na fase de treinamento de validação da RNA

6 6 Fig. 14. Resultados obtidos na simulação de uma situação real para a RNA B. Efeito dos harmônicos na medição de energia elétrica Para o ensaio com a configuração de cargas discutida na Seção IV, de 1 impressora, 2 monitores CRT, 2 computadores, 4 lâmpadas incandescentes e 8 lâmpadas eletrônicas, a energia consumida foi medida com o medidor eletrônico, em comparação com o medidor AE-200. Os resultados das medidas apresentadas pelo medidor residencial eletrônico foram comparados com os resultados apresentados pelo medidor AE-200, a fim de verificar possíveis desvios entre as medições. Tais resultados são mostrados na Tabela II. TABELA II ERROS NAS MEDIÇÕES DE CARGAS COM DISTORÇÕES HARMÔNICAS AE-200 Eletrônico Medida Valor Medido(kWh) Valor Medido(kWh) Erro% 1 2,83 2,9 2, ,05 2,1 2, ,62 10,8 1, ,19 1,2 0,84 5 3,13 3,2 2, ,47 1,5 2, ,55 48,5 1,998 A partir destes resultados, pode-se verificar que os harmônicos da rede influenciaram no resultado do medidor eletrônico (classe de exatidão de 1%), uma vez que os valores de suas medidas foram maiores que os aferidos pelo medidor AE-200 (referência, classe de exatidão 0,1%), dando indícios de que os harmônicos de corrente para esta determinada configuração de cargas (com DHTI de 35,69%) influenciaram o erro por excesso do medidor eletrônico, com erros em torno de 2%. VI. CONCLUSÃO Este projeto visa estudar um sistema capaz de identificar distorções harmônicas, associando-as a suas respectivas cargas, e também, os efeitos de tais distorções na medição de energia elétrica. Usando harmônicos de corrente medidos de uma carga genérica como dados de entrada, a RNA desenvolvida identificou tais harmônicos de forma satisfatória, associandoos ao equipamento gerador de tal distorção harmônica das cargas para as quais foi treinada, realizando aproximações para a carga diferente de seu banco de dados de treinamento. Quanto aos efeitos dos harmônicos de corrente na medição de energia elétrica, foi possível observar desvios nos valores medidos das cargas com distorção harmônica, que embora não muito elevados, influenciaram em um erro por excesso dos valores apresentados pelo medidor residencial eletrônico. Mas como foi realizado um número limitado de medições, e para uma determinada configuração de cargas com distorções harmônicas, ainda não se pode concluir que sempre distorções deste tipo causarão erro por excesso em medidores residenciais. Assim, novas medições, para outras configurações de cargas, devem ser submetidas aos testes aqui descritos, a fim de se chegar a resultados mais generalistas, bem como, servir de ferramenta para o desenvolvimento de técnicas para diminuição do impacto de tais distorções neste tipo de medição. Com a continuação desta pesquisa, pode-se ampliar o banco de dados da RNA com a medição de novas cargas, e também desenvolver a rede neural com novas funções, principalmente aquelas relacionadas aos efeitos dos harmônicos na medição de energia elétrica. VII. AGRADECIMENTOS Um agradecimento especial ao Programa Renove Engenharias da Pró-Reitoria de Pesquisa da UNESP no apoio financeiro para a realização desta pesquisa. VIII. REFERÊNCIAS [1] J. Arrilaga, N.R. Watson, Power system harmonics, Wiley, [2] J. Yang, C. Yu, e C. Liu, A New Method for Power Signal Harmonic Analysis, IEEE Transactions on Power Delivery, vol. 20, 2005, pp [3] D.M. McNamara, A.K. Ziarani, e T.H. Ortmeyer, A New Technique of Measurement of Nonstationary Harmonics, IEEE Transactions on Power Delivery, vol. 22, 2007, pp [4] L. Siqueira; P. A. M. Vale; M. Oliveira. Efeito das distorções harmônicas nas medições de energia elétrica. In: Seminário Brasileiro Sobre Qualidade Da Energia Elétrica, Brasília. Anais...p.34-39, Brasília: Anel, [5] W. W. L. Keerthipala; L. T. Chong; T C. Leong. Artificial neural network model for analysis of power system harmonics. Proceedings IEEE International Conference on Neural Networks, vol. 2, nº 27, p , [6] M. T. Hagan and M. B. Menhaj, Training Feedforward Networks with the Marquardt Algorithm, IEEE Transactions on Neural Networks, v. 5, 1994, pp