UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” FACULDADE DE ENGENHARIA CÂMPUS DE ILHA SOLTEIRA DANIELA SBIZERA JUSTO SIMILARIDADE COMPORTAMENTAL DO CONSUMO RESIDENCIAL DE ELETRICIDADE POR REDE NEURAL BASEADA NA TEORIA DA RESSONÂNCIA ADAPTATIVA Ilha Solteira 2016 Campus de Ilha Solteira DANIELA SBIZERA JUSTO SIMILARIDADE COMPORTAMENTAL DO CONSUMO RESIDENCIAL DE ELETRICIDADE POR REDE NEURAL BASEADA NA TEORIA DA RESSONÂNCIA ADAPTATIVA Tese apresentada ao Programa de Pós-Graduação em Engenharia Elétrica da Faculdade de Engenharia de Ilha Solteira – UNESP, como parte dos requisitos necessários à obtenção do título de Doutora em Engenharia Elétrica. Área de concentração: Automação. Prof. Dr. Carlos Roberto Minussi Orientador Ilha Solteira 2016 DEDICATÓRIA Aos grandes amores da minha vida: meu esposo, Eduardo Trevizoli Justo, e os preciosos presentes que Deus me deu – meus filhos Mateus Sbizera Justo e Vinícius Sbizera Justo. AGRADECIMENTOS Ao meu orientador, professor Carlos Roberto Minussi, por me aceitar como orientanda, por acreditar que eu poderia semear e colher frutos de um trabalho que foi elaborado com muito esforço e com muita dedicação. Obrigada por seu empenho em me auxiliar com as orientações sempre que necessário, por seus ensinamentos, não somente técnico-científicos, mas também de Vida, por não ser apenas um professor e sim um grande Mestre que certamente é lembrado com muito respeito por todos aqueles que têm a oportunidade de compartilhar um pouco de sua convivência. Meu eterno obrigado, respeitado Mestre! À querida professora, Anna Diva Plasencia Lotufo, pelo entusiasmo em me ver prosseguir, pela compreensão diante das minhas atribulações pessoais, pela presteza em me receber com minhas ideias ou incertezas, pela atenção e pelo acolhimento que sempre me dedicou. Agradeço aos meus pais pela minha vida, pelo carinho que cuidaram de mim, pelo lar feliz que proporcionaram a mim e às minhas queridas irmãs quando éramos pequenas, pelo amor percebido em seus olhares e em seus gestos, nos momentos de tristeza e de alegria... Ao meu pai, Iezo Sbizera, que diante de sua simplicidade, sempre mostrou o quanto o trabalho honesto e dedicado nos engrandece e sempre incentivou os meus estudos, independentemente do caminho que desejaria trilhar. À minha mãe, Elizabeth Carvalho de Oliveira que, mesmo não entendendo a necessidade de tanto estudo, abdicava de seus afazeres para me ver seguir meus objetivos e sonhos, apoiando-me com os cuidados aos meus filhos durante as minhas ausências. Ao meu esposo, Eduardo Trevizoli Justo, que nunca mediu esforços para me encorajar a continuar sempre. Obrigada pela paciência, pelo carinho, pelo cuidado, pela compreensão e, acima de tudo, pelo seu amor demonstrado não somente neste momento importante, mas em toda a nossa estória. Que esta estória seja bastante longa. Aos meus maravilhosos filhos, Mateus e Vinícius, que, diariamente, ensinam-me a ser alguém melhor e a enxergar o amor maior do mundo, que compreenderam e respeitaram as minhas necessidades e decisões, que suportaram as minhas ausências, que se propuseram a ajudar, no que fosse possível, para que eu concluísse esta etapa. Vocês me enchem de orgulho e me fazem sentir a mamãe mais amada do mundo! Aos meus sogros, Serafim Justo Filho e Elisabete Trevizoli Justo, por me receberem como filha, pelo carinho de sempre demonstrado nos mais simples gestos, por me darem exemplos grandiosos de vida e pelo cuidado aos seus netos. Às minhas queridas irmãs, Karina Sbizera Hanna e Milena de Oliveira Sbizera, pela cumplicidade, pelo amor, pelos bons momentos que compartilhamos juntas desde que nos descobrimos como melhores amigas, de quando ainda éramos pequeninas, até os nossos recentes encontros. Que eles sejam frequentes por muitos e muitos anos. Aos meus sobrinhos e sobrinhas, Vitor, Melissa, Cecília, Helena e João Pedro, crianças queridas que deixam nossas vidas mais coloridas, cheias de ternura e com muito mais essência. Aos queridos tios Custódio e Shirleny por mim admirados desde sempre: tio Custódio, pela inteligência e competência de um grande engenheiro que gentilmente se dedicou e se dispôs a me ajudar com ideias para o meu projeto de doutorado; tia Lene, pelo carinho, por sempre estar pronta para nos ouvir, por ter sempre as palavras certas a nos dizer, pelo sorriso e pelo abraço que aconchega nas horas certas. Aos queridos tios Manoel e Marli por me receberem, na etapa final do doutorado, em sua casa como recebem sua filha: com muita expectativa, muita comidinha gostosa, muita simpatia, muito amor e muito carinho. Aos amigos e familiares que foram primordiais no processo de coleta de dados atuando como voluntários respondendo questões tão particulares e privativas. Aos colegas do SINTEL pelos momentos de descontração, pela troca de conhecimentos multidisciplinares e, em especial, à amiga Thays Abreu, pela companhia nas nossas viagens à Ilha Solteira. RESUMO Esta pesquisa será dedicada ao desenvolvimento de uma metodologia com vistas à compreensão e ao exame do comportamento do hábito de consumo de eletricidade residencial, via análise de similaridade, baseado no uso de uma rede neural da família ART (Adaptive Resonance Theory). Trata-se de uma rede neural composta por dois módulos ART-Fuzzy, cujo treinamento é realizado de modo não supervisionado. No primeiro módulo, serão usadas, como entrada, as informações que caracterizam os hábitos de consumo e a situação socioeconômica. A saída do primeiro módulo junto com os dados referentes aos equipamentos eletroeletrônicos da residência compõem a entrada do segundo módulo que, finalmente, produz informações, na saída, relativas ao diagnóstico pretendido, ou seja, a formação de agrupamentos similares (clusters). Todo o processamento da rede neural modular é realizado com dados binários, os quais são gerados a partir de informações quantitativas e qualitativas. As redes neurais da família ART são estáveis e plásticas. A estabilidade refere-se à garantia de sempre produzir soluções, ou seja, não se observa problemas relativos à má convergência. A plasticidade é uma característica que possibilita a execução do treinamento de forma contínua sem destruir o conhecimento adquirido previamente. É um recurso pouco observado nas demais redes neurais disponíveis na literatura especializada. Com essas propriedades (estabilidade e plasticidade), combinada com o processamento de dados essencialmente binários, confere ao sistema neural uma ampla capacidade de produzir objetivos que podem ser facilmente modificados visando atender requisitos preestabelecidos pelos usuários (consumidor, empresa do setor elétrico). Neste sentido, o resultado esperado é a obtenção de informações referentes à similaridade de consumidores, à qual pode-se vislumbrar alguns benefícios, por parte dos consumidores, como melhorar o hábito de consumir energia elétrica, oferecendo também, por meio do conhecimento dos consumidores similares, a obtenção de melhores estratégias de negociação com os fornecedores, principalmente, no caso de sistemas smart grids. Neste novo paradigma do setor elétrico, há uma forte tendência do(s) consumidor(es) escolher(em) livremente a empresas fornecedoras de energia elétrica. Além disso, é discutida uma melhor forma para a realização da previsão de carga em pontos da rede elétrica onde há uma maior incerteza, e.g., nos barramentos mais próximos do consumidor (transformadores etc.), i.e., as incertezas no contexto da previsão de carga total do sistema são aumentadas à medida que se adentra a partir da carga global até chegar ao consumidor final, em especial ao usuário residencial. A base de dados, para a fase de treinamento da rede neural, é construída a partir de informações disponibilizadas por consumidores voluntários via o preenchimento de formulário. Realizada a fase de treinamento, a rede neural adquire um conhecimento incipiente afeito de ser aperfeiçoado ao longo do tempo, quando se implementa o recurso da plasticidade. Palavras-chave: Redes elétricas. Consumo residencial de eletricidade. Agrupamento de consumidores residenciais. Características socioeconômicas e hábitos de consumo. Redes neurais artificiais. Teoria da ressonância adaptativa. Rede neural ART-Fuzzy. ABSTRACT This work develops a methodology to understand and analyze the behavior of residential electricity consumption by similarity analysis, based on a neural network of ART (Adaptive Resonance Theory) family. The neural network is composed of two Fuzzy-ART modules whose training are non-supervised. At the first module, the inputs are information that characterize the consumption habits and the socio-economic situation. The output of the first module with the data referred to electro-electronic equipment available at the residence compose the input of the second module, which finally produces information at the output related to the diagnosis proposed, i.e. the formation of clusters. All the neural network processing is realized with binary data, which are generated from quantitative and qualitative information. ART family neural networks are stable and plastic. The stability assures that it always produces a solution, i.e. there is no convergence problem. The plasticity is a characteristic that allows executing the processing continuously without losing the knowledge previously learned. Those advantages are seldom observed in other neural networks available at the specialized literature. Considering these properties (stability and plasticity), combined with the data processing exclusively binary, the neural network is capable to be modified when necessary to attend pre-defined requests by the users (consumers, distributers, etc.). Therefore, the expected result is to obtain information referred to the similarity with consumers, and with this information, the consumers can improve their habits or even negotiating with the producers in case of smart grid systems. This new electrical system paradigm, the tendency is that the consumers can arbitrarily choose the electrical distributers. Furthermore, the work discusses the best way to realize load forecasting in points where there is uncertainty, e.g., on the busses near the consumers (transformers), i.e., the uncertainties considering the global forecasting increase if the information of residences is not considered. The database for the training phase of the neural network was built by a quiz form filled by some volunteer consumers. Afterwards, when finishing the training phase, the neural network acquires knowledge that along time can implement the plasticity resource. Keywords: Smart grids. Residential electricity consumption. Clustering of residential consumers of electricity. Socioeconomic characteristics and consumption habits. Artificial neural networks. Adaptive theory resonance. ART-Fuzzy neural network. LISTA DE FIGURAS Figura 1 – Consumo per capita anual (em kWh) de energia elétrica ..................................... 16 Figura 2 – Processo de agrupamento de dados ....................................................................... 33 Figura 3 – Participação do setor residencial no consumo de energia elétrica ........................ 43 Figura 4 – Objetivos da pesquisa ............................................................................................ 45 Figura 5 – Arquitetura da rede neural ART-Fuzzy ................................................................. 51 Figura 6 – Diagrama esquemático da metodologia desenvolvida .......................................... 57 Figura 7 – Fases do processo de desenvolvimento da pesquisa.............................................. 58 Figura 8 – Planilha do Excel com dados brutos de consumidores .......................................... 61 Figura 9 – Planilha do Excel com dados brutos sobre a posse e o uso dos eletroeletrônicos . 62 Figura 10 – Diagrama E-R para construção da base dados do sistema neural ....................... 63 Figura 11 – Categorização dos dados de consumo de energia elétrica ................................... 68 Figura 12 – Categorização dos dados de consumo estimado dos aparelhos eletroeletrônicos 69 Figura 13 – Distribuição de moradores nas residências .......................................................... 71 Figura 14 – Distribuição de consumidores por faixa salarial familiar .................................... 71 Figura 15 – Distribuição das residências por quantidade de cômodos ................................... 72 Figura 16 – Distribuição de consumidores por faixa de consumo (em kWh) de energia elétrica ................................................................................................................. 73 Figura 17 – Percentual de posse de equipamentos eletroeletrônicos ...................................... 75 Figura 18 – Equipamentos mais relevantes no consumo de acordo com estimativas ............ 78 Figura 19 – Média estimada de consumo mensal por residência com destaque para os eletroeletrônicos .................................................................................................. 80 Figura 20 – Média mensal de consumo estimado X Média mensal de consumo real ............ 84 Figura 21 – Consumo anual estimado X Consumo anual real ................................................ 87 Figura 22 – Arquitetura rede neural ARTab ........................................................................... 90 Figura 23 – Opções de execução da rede neural ARTab ...................................................... 105 Figura 24 – Perfis de consumo mensal nos clusters 2 e 9 ..................................................... 109 Figura 25 – Distribuição de consumidores pelos clusters gerados no módulo ARTa utilizando-se vetores em sua composição original ............................................ 112 Figura 26 – Identificação de consumidores nos clusters obtidos na saída da rede ARTa com vetores de entrada originais ............................................................................... 113 Figura 27 – Perfis de consumo mensal nos clusters 2 e 3 ..................................................... 115 Figura 28 – Distribuição de consumidores pelos clusters gerados no módulo ARTa realizando a alteração nos atributos ResidentsDuringDay e ResidentsBelow15 ........................................................................................................................... 117 Figura 29 – Identificação de consumidores nos clusters obtidos na saída da rede ARTa com vetores de entrada modificados ......................................................................... 117 Figura 30 – Distribuição de consumidores pelos clusters utilizando-se vetor a original na Abordagem I ...................................................................................................... 120 Figura 31 – Distribuição de consumidores pelos clusters utilizando-se vetor a modificado na Abordagem I ...................................................................................................... 122 Figura 32 – Identificação de consumidores nos clusters utilizando-se vetor a modificado obtidos na saída da rede ARTb utilizando a Abordagem I ............................... 123 Figura 33 – Distribuição de consumidores pelos clusters - Abordagem II (com vetor original) ........................................................................................................................... 124 Figura 34 – Distribuição de consumidores pelos clusters - Abordagem II (com vetor modificado) ....................................................................................................... 124 Figura 35 – Distribuição de consumidores pelos clusters utilizando-se vetor a original na Abordagem III ................................................................................................... 126 Figura 36 – Distribuição de consumidores pelos clusters utilizando-se vetor a modificado na Abordagem III ................................................................................................... 128 LISTA DE TABELAS Tabela 1 – Projetos-piloto de Redes Inteligentes no Brasil .................................................... 26 Tabela 2 – Categorias para representação do tamanho da residência ..................................... 68 Tabela 3 – Categorias para representação da faixa salarial mensal familiar........................... 69 Tabela 4 – Relação entre clientes e consumo médio mensal .................................................. 73 Tabela 5 – Consumo dos aparelhos eletroeletrônicos (em kWh) para cada hora de uso ........ 76 Tabela 6 – Consumo mensal estimado e consumo real........................................................... 81 Tabela 7 – Consumo anual estimado e consumo real ............................................................. 85 Tabela 8 – Composição dos vetores de entrada do módulo ARTa ......................................... 91 Tabela 9 – Concepção do vetor de entrada para o módulo ARTa .......................................... 92 Tabela 10 – Exemplo da composição do vetor a para o módulo ARTa ................................. 93 Tabela 11 – Abordagens para constituição do vetor padrão de entrada para o módulo ARTb95 Tabela 12 – Composição dos vetores de entrada do módulo ARTb para a Abordagem I ...... 95 Tabela 13 – Concepção do vetor de entrada para o módulo ARTb ........................................ 96 Tabela 14 – Exemplo da composição do vetor b para o módulo ARTb na Abordagem I ...... 98 Tabela 15 – Composição dos vetores de entrada do módulo ARTb para a Abordagem II ..... 99 Tabela 16 – Exemplo da composição do vetor b para o módulo ARTb na Abordagem II ... 100 Tabela 17 – Composição dos vetores de entrada do módulo ARTb para a Abordagem III . 101 Tabela 18 – Exemplo da composição do vetor b para o módulo ARTb na Abordagem III . 102 Tabela 19 – Resultado do agrupamento de consumidores obtido pelo módulo ARTa com uso do vetor padrão de entrada original .................................................................. 107 Tabela 20 – Detalhamento dos consumidores no cluster 2 ................................................... 108 Tabela 21 – Detalhamento dos consumidores no cluster 9 ................................................... 109 Tabela 22 – Índices obtidos pelo cálculo da Distância Euclidiana - cluster 2 ..................... 110 Tabela 23 – Índices obtidos pelo cálculo da Distância de Manhattan - cluster 2 ................. 110 Tabela 24 – Índices obtidos pelo cálculo da Distância Euclidiana com vetor padrão de entrada original - cluster 9 ............................................................................................. 111 Tabela 25 – Índices obtidos pelo cálculo da Distância de Manhattan com vetor padrão de entrada original - cluster 9 ................................................................................ 111 Tabela 26 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância Euclidiana .......................................................................................................... 112 Tabela 27 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância de Manhattan ..................................................................................................... 112 Tabela 28 – Resultado do agrupamento de consumidores obtido pelo módulo ARTa alterando os valores dos atributos ResidentsDuringDay e ResidentsBelow15 .................. 114 Tabela 29 – Índices obtidos pelo cálculo da Distância Euclidiana com vetor padrão de entrada modificado – cluster 2 ....................................................................................... 115 Tabela 30 – Índices obtidos pelo cálculo da Distância de Manhattan com vetor padrão de entrada modificado – cluster 2 .......................................................................... 115 Tabela 31 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância Euclidiana .......................................................................................................... 116 Tabela 32 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância de Manhattan ..................................................................................................... 116 Tabela 33 – Comparativo dos resultados dos clusters obtidos pelo módulo ARTa .............. 118 Tabela 34 – Interpretação dos resultados do módulo ARTb com vetor a original na Abordagem I ...................................................................................................... 120 Tabela 35 – Interpretação dos resultados do módulo ARTb com vetor a modificado na Abordagem I ...................................................................................................... 122 Tabela 36 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância Euclidiana .......................................................................................................... 125 Tabela 37 – Cálculo do percentual de pares de objetos dissimilares utilizando-se a Distância de Manhattan ..................................................................................................... 125 Tabela 38 – Interpretação dos resultados do módulo ARTb com vetor a original na Abordagem III ................................................................................................... 126 Tabela 39 – Interpretação dos resultados do módulo ARTb com vetor a modificado na Abordagem III .................................................................................................. 128 Tabela 40 – Matriz de similaridade utilizando-se a medida de Distância Euclidiana nos vetores originais do módulo ARTa ................................................................... 147 Tabela 41 – Matriz de similaridade utilizando-se a medida de Distância de Manhattan nos vetores originais do módulo ARTa ................................................................... 151 NOTAÇÃO, SIGLAS/ACRÔNIMOS E SIMBOLOGIA Emprega-se o estilo itálico para representar parâmetros e variáveis. Vetor e matriz são indicados no estilo itálico e negrito. Vetor é representado na notação por linha e não por coluna, como habitualmente adotado na literatura técnico-científica quando se trata das redes neurais da família ART, em especial à rede neural ART-Fuzzy, a qual será objeto de uso nesta pesquisa. � Vetor de entrada do módulo neural ARTa ��� Vetor � com codificação complementar � Parâmetro de escolha ANEEL Agência Nacional de Energia Elétrica ART Adaptive Resonance Theory ART-Fuzzy Rede neural combinando um módulo ART e a lógica fuzzy ART-EMAP ART with spatial and temporal Evidence integration for dynamic predictive Mapping ARTMAP Adaptive Resonance Theory Map � Vetor de entrada do módulo neural ARTb ��� Vetor � com codificação complementar � Taxa de treinamento Bit Binary Digit �-ésimo cluster � ���� Distância Euclidiana � ���� Distância de Manhattan DR Demand Response DSM Demand Side Management EPE Empresa de Pesquisa Energética E-R Entidade-Relacionamento FMM Finite Mixture Models GLD Gerenciamento do Lado da Demanda IA Inteligência Artificial kWh quilowatt-hora � Número de componentes do vetor � MME Ministério de Minas e Energia � Número de categorias criadas � Parâmetro de vigilância PROCEL Programa Nacional de Conservação de Energia Elétrica RD Resposta à Demanda RDBI Resposta à Demanda com Base em Incentivos RDBT Resposta à Demanda com Base em Tarifas RNA Rede Neural Artificial RNA´s Redes Neurais Artificiais SINTEL Grupo de pesquisa e Laboratório de Sistemas Inteligentes SM Salário Mínimo SOM Self-Organizing Maps � Função de escolha UNESP Universidade Estadual Paulista � Conjunto de dados �a Matriz de pesos da rede neural ARTa �b Matriz de pesos da rede neural ARTb SUMÁRIO INTRODUÇÃO.......................................................................................................................16 REVISÃO BIBLIOGRÁFICA..................................................................23 1.1 INTRODUÇÃO ........................................................................................... 23 1.2 REDES DE ENERGIA ELÉTRICA INTELIGENTES (SMART GRIDS) .. 23 1.2.1 Panorama brasileiro ................................................................................... 25 1.2.2 A Relação com os consumidores ............................................................... 27 1.3 PROGRAMAS DE GERENCIAMENTO DO LADO DA DEMANDA (DEMAND SIDE MANAGEMENT) E DE RESPOSTA À DEMANDA (DEMAND RESPONSE) .............................................................................. 29 1.4 DEFINIÇÃO DE AGRUPAMENTO DE DADOS E SEUS MÉTODOS ... 31 1.5 AGRUPAMENTO DE DADOS NO CONTEXTO DAS REDES INTELIGENTES DE ENERGIA ELÉTRICA ............................................ 37 1.6 CONCLUSÕES DO CAPÍTULO ................................................................ 41 A PESQUISA..............................................................................................42 2.1 INTRODUÇÃO ........................................................................................... 42 2.2 CONTEXTUALIZAÇÃO ............................................................................ 43 2.3 MOTIVAÇÃO E OBJETIVOS .................................................................... 44 2.4 CONCLUSÕES DO CAPÍTULO ................................................................ 47 REDES NEURAIS ARTIFICIAIS............................................................48 3.1 INTRODUÇÃO ........................................................................................... 48 3.2 REDES NEURAIS ARTIFICIAIS .............................................................. 49 3.3 REDE NEURAL ART-FUZZY .................................................................... 50 3.4 CONCLUSÕES DO CAPÍTULO ................................................................ 55 METODOLOGIA.......................................................................................56 4.1 INTRODUÇÃO ........................................................................................... 56 4.2 CARACTERIZAÇÃO E PROCESSO DE DESENVOLVIMENTO .......... 57 4.3 COLETA DE DADOS ................................................................................. 59 4.4 CONSTRUÇÃO DA BASE DE DADOS .................................................... 62 4.5 ANÁLISE DESCRITIVA DOS DADOS .................................................... 70 4.6 SELEÇÃO DAS MEDIDAS DE SIMILARIDADE ................................... 88 4.7 DEFINIÇÃO DA REDE NEURAL ARTAB PARA A “CLUSTERIZAÇÃO“ DE CONSUMIDORES RESIDENCIAIS DE ENERGIA ELÉTRICA ................................................................................ 88 4.7.1 Descrição da rede neural ARTab .............................................................. 89 4.7.2 Descrição do módulo ARTa ....................................................................... 91 4.7.3 Descrição da saída do módulo ARTa ....................................................... 94 4.7.4 Descrição do módulo ARTb ...................................................................... 94 Abordagem I ................................................................................................ 95 Abordagem II .............................................................................................. 98 Abordagem III .......................................................................................... 100 4.8 CONCLUSÕES DO CAPÍTULO ............................................................. 102 CARACTERIZAÇÃO DOS PERFIS DE CONSUMIDORES RESIDENCIAIS.......................................................................................104 5.1 INTRODUÇÃO ......................................................................................... 104 5.2 ANÁLISE DE SIMILARIDADE ENTRE OS OBJETOS ........................ 104 5.3 APLICAÇÃO DO SISTEMA NEURAL ARTAB PARA IDENTIFICAÇÃO DE CLUSTERS DE CONSUMIDORES RESIDENCIAIS DE ENERGIA ELÉTRICA ........................................... 105 5.3.1 Entrada de dados no módulo ARTa ...................................................... 106 Processamento do módulo ARTa com vetor padrão de entrada original ................................................................................................................ ...107 Processamento do módulo ARTa com vetor padrão de entrada modificado ................................................................................................................... 113 Comparação dos resultados utilizando-se diferentes configurações do vetor de entrada ......................................................................................... 118 5.3.2 Entrada de dados no módulo ARTb ...................................................... 119 Execução do sistema neural conforme Abordagem I ............................. 119 Execução do sistema neural conforme Abordagem II ............................ 124 Execução do sistema neural conforme Abordagem III .......................... 125 5.4 VALIDAÇÃO DE CLUSTERS ................................................................. 129 5.5 INTERPRETAÇÃO DE CLUSTERS PARA DETERMINAÇÃO DE PERFIS DE CONSUMIDORES ............................................................... 130 5.6 O QUE SE PODE FAZER MAIS USANDO A METODOLOGIA PROPOSTA? ............................................................................................. 131 5.7 CONCLUSÕES DO CAPÍTULO ............................................................. 133 CONCLUSÕES E SUGESTÕES............................................................134 6.1 INTRODUÇÃO ......................................................................................... 134 6.2 SUGESTÕES PARA TRABALHOS FUTUROS ..................................... 135 REFERÊNCIAS........................................................................................137 APÊNDICE A QUESTIONÁRIO PARA LEVANTAMENTO DE HÁBITOS DE CONSUMO DE ENERGIA ELÉTRICA.................................................................145 APÊNDICE B ANÁLISE DE SIMILARIDADE...............................147 16 INTRODUÇÃO A existência de recursos energéticos e sua transformação em energia elétrica são primordiais para a sociedade moderna. A história da humanidade mostra que a demanda por energia tem sido crescente a cada ano visando a acompanhar o avanço tecnológico das indústrias e a urbanização das cidades. Esta situação está presente, tanto no cenário mundial, assim como no cenário brasileiro. Conforme consta em (The World Bank, 2016), o Brasil apresentou um aumento de 23,69% no consumo per capita de eletricidade no período de 2006 a 2013, enquanto que o aumento da demanda mundial por energia elétrica foi de 13,96% no mesmo período (Vide Figura 1). Figura 1 – Consumo per capita anual (em kWh) de energia elétrica Fonte: The world bank (2016). A expectativa é de que a demanda por energia elétrica continue crescente nos próximos anos. No setor residencial brasileiro, isto é causado pelo crescimento do número de consumidores (2,0% ao ano) e ao aumento do consumo por consumidor (2,2% ao ano) tendo a projeção de crescimento da demanda de 4,3% ao ano no período de 2014 a 2024 (A EMPRESA DE PESQUISA ENERGÉTICA- EPE, 2015b). Por outro lado, um ponto de grande atenção é a crise hídrica que o Brasil tem enfrentado nos últimos anos. Considerando que a energia elétrica fornecida neste país é, em 17 sua maior parte, proveniente de grandes usinas hidrelétricas e que estas necessitam de seus reservatórios com nível satisfatório de água para seu funcionamento, em situação desfavorável de pluviosidade, outras formas de energia devem ser acionadas (e.g., termelétricas). Ressalta-se que a crise de água nos reservatórios das usinas hidrelétricas tem-se observado em consequência, em parte importante, por não ter sido implementado, adequadamente, o planejamento hidrotérmico produzido pela engenharia. Ainda que o ciclo hidrológico tenha sido pouco generoso nos últimos anos, um bom planejamento produz um estoque permanente de água nos reservatórios o que permite uma produção de energia elétrica com regularidade, em sua maioria de natureza hídrica, e, em menor proporção, advinda da queima de combustíveis. O aumento da demanda por energia elétrica não será facilmente controlado (LO; ANSARI, 2012), o que, consequentemente, requisita o aumento na geração de energia e o equilíbrio do sistema. Diante deste panorama, a busca por diversas fontes de energia também tem sido crescente. Ao longo dos anos, muitas pesquisas, buscando as mais diversas alternativas para suprir esta progressiva demanda por energia, foram e continuam sendo realizadas. Na natureza, há fontes de energia que são consideradas renováveis e não renováveis. As fontes de energia renováveis, também chamadas de energia limpa, são encontradas em abundância e geram menos impactos ambientais. Elas podem ser de origem solar, eólica (dos ventos), das marés, da biomassa (matéria orgânica), hidráulica (das águas) entre outras. Já as fontes não renováveis, representadas pelos combustíveis fósseis como o carvão, o petróleo e o gás natural, podem se esgotar ao longo dos anos, além de provocarem problemas socioambientais como poluição atmosférica, contaminação de recursos hídricos, efeito estufa entre outros efeitos nocivos à saúde e ao meio ambiente. Um cenário de esgotamento do petróleo e suas consequências já havia sido abordado, por exemplo, por Richard C. Duncan (DUNCAN, 2001). Trata-se de uma publicação da sua teoria intitulada “Teoria de Olduvai” onde foi predito que a sociedade humana “deslizará” para a idade da pedra posteriormente à era pós-industrial, ou seja, adiante do ano de 2000. Esta teoria fundamenta-se na evolução do homem, a partir da idade da pedra, passando por grandes transformações até chegar à revolução industrial. A partir daí, com o esgotamento das reservas do petróleo, a humanidade, no porvir, chegará novamente a uma situação similar à 18 idade da pedra. A garganta de Olduvai, que se situa na Tanzânia (África), tem sido fortemente associada com origens humanas. Daí o sentido do retorno à idade da pedra. Obviamente, essa teoria é uma metáfora. Neste caso, o Autor sugere o nosso retorno iminente a um modo de vida da idade da pedra, se nada for feito. Felizmente, apresentados vários alertas, o homem tem procurado encontrar saídas passando a desenvolver e usar outras formas de energia primárias, e.g., a energia solar, eólica entre outras. Quiçá, também, que sejam adotadas soluções, neste sentido, com relação há vários outros desafios que são realidades como, por exemplo, poluição, grandes volumes de lixo nos mares, efeito estufa, resolver o problema da pobreza/fome, entre tantos que são gerados pelo próprio homem. A geração de energia elétrica, a partir das fontes de energia supracitadas, é um desafio para a sociedade quando temas como competitividade, baixa emissão de carbono e uso de fontes renováveis são considerados. Além disso, a garantia de fornecimento de energia e as tarifas de energia elétrica adequadas para a população e para as empresas são fatores primordiais a serem considerados em um sistema elétrico. Este cenário indica a necessidade de mudanças com o intuito de atender à exigência de um sistema elétrico mais inteligente que permita reduzir o consumo de energia elétrica em cada equipamento eletroeletrônico, encorajando os consumidores a desenvolver estratégias eficientes para a redução do consumo de energia. Para controlar a geração, a transmissão, a distribuição e a comercialização de energia elétrica proveniente das diversas fontes de energia, o sistema elétrico brasileiro é composto por instituições responsáveis por todas essas funções permitindo que a energia elétrica chegue onde é necessário. Dentre estas instituições, estão as concessionárias de distribuição de energia que são as responsáveis por fornecer energia ao consumidor final (residencial, comercial, industrial). Um dos maiores desafios das concessionárias de distribuição de energia é reduzir picos de consumo e despesas com falhas na rede elétrica. Neste sentido, essas instituições têm feito investimentos em tecnologias modernas voltadas para a criação de uma Rede Inteligente que mundialmente é denominada por Smart Grid (FAN; BORLASE, 2009). As Redes Inteligentes de energia elétrica constituem-se de plataformas de tecnologia da informação integradas aos sistemas de comunicação e infraestrutura de rede elétrica. Estas redes permitem monitorar e gerenciar o sistema de energia elétrica em qualquer lugar a 19 qualquer momento tornando-se cada vez mais importante no cenário urbano, pois oferecem integração em diversas fontes de energia (PATEL et al., 2011). A primeira etapa da implantação de uma rede inteligente implica em realizar medição inteligente em dados de consumo de energia. Para que isto seja possível, são necessários investimentos substituindo os medidores eletromecânicos utilizados atualmente por uma nova tecnologia: os medidores inteligentes (smart meters) (ROSENFELD; BULLEIT; PEDDIE, 1986). Embora estas mudanças de tecnologia, visando ao funcionamento das novas redes, estejam sendo estudadas e implementadas, o problema da demanda nos horários de pico ainda persiste. É neste interim que o presente trabalho se contextualiza. Ademais, a participação mais efetiva do consumidor no mercado de energia é alvo de estudos, pois este tem um papel fundamental na equação da demanda por energia elétrica e da expansão do setor energético. A função do consumidor final nesta conjuntura inclui tanto ações de eficiência energética como de geração distribuída, as quais cooperam para a redução da necessidade de expansão do setor elétrico brasileiro ao longo prazo (EPE, 2014b). Sob o aspecto da eficiência energética, a consequência das ações resulta do uso de aparelhos eletroeletrônicos mais eficientes e também a partir dos hábitos de utilização das tecnologias disponíveis. No que tange à geração distribuída, as ações de incentivo para uso de fontes alternativas como fotovoltaica e eólica de forma a produzir e compartilhar energia em menor escala, fazem do consumidor final um produtor de energia elétrica. Neste contexto, a maior participação dos usuários (consumidores) por geração própria procedente de fontes fotovoltaicas, nos próximos anos, há a expectativa de que os maquinários fotovoltaicos se tornem mais acessíveis (mais eficientes e com preços mais competitivos). A maior eficiência virá, por certo, por meio de novos materiais semicondutores como, por exemplo, a substituição de materiais baseados no uso do silício (rendimento atual inferior a 20%) por superposições de camadas semicondutoras que propiciem a absorção de um espectro de frequência mais amplo da luz solar, e.g., células solares de nitreto de gálio (GaN) com superposição de um filme de nitreto de Índio (InN). Essas estruturas podem chegar a um rendimento superior a 40%. Há de se destacar, também, as células fotovoltaicas orgânicas (células OPV) (SCHARBER; SARICIFTCI, 2013). Ainda que proporcionem uma menor eficiência, são bastantes competitivas por se tratarem de filmes transparentes impressos com tintas orgânicas que são baratas, não poluem e são de grande capacidade de uso, pois podem ser aplicadas em janelas, na lataria de automóveis etc. 20 Outra forma de aumentar a eficiência refere-se ao emprego de formas geométricas e arranjos diferenciados das células fotovoltaicas habitualmente usadas, e.g., baseado na forma e na inclinação das asas (forma em “V”) de borboletas, conforme pesquisa desenvolvida na Universidade de Exeter na Inglaterra (JORNAL O GLOBO, 2015), chegando a 50% o aumento da eficiência. A tendência é, portanto, dar mais atenção à inovação de materiais, abandonando o uso de equipamentos para o posicionamento de células de acordo com a posição do sol em relação à Terra, isto porque esses equipamentos são caros e estão sujeitos a falhas (resultando em custos maiores de manutenção). Enfim, há uma série de inovações que são realidades, bem como outras que, certamente, poderão tornar o uso da energia solar muito atraente e cada vez mais popularizada. Conhecer, com a máxima precisão, a carga do sistema elétrico de potência é rigorosamente primordial. Ou seja, é a carga que norteia os modos operativos do sistema e as estratégias que devem ser implementadas visando atendê-la de forma contínua, econômica (tanto para as empresas, assim como para os consumidores) e de qualidade (tensão, frequência, forma de onda etc. adequadas do ponto de vista elétrico). Para realizar este cenário, a carga pode ser prevista baseada no emprego de técnicas clássicas, e.g., a abordagem de Box-Jenkins (O’DONOVAN, 1983). Modernamente, a realização da previsão de carga tem sido voltada às técnicas intituladas “inteligentes” (redes neurais artificiais, lógica fuzzy, sistemas imunológicos artificiais entre outras). Qualquer que seja o enfoque adotado (tradicional ou via uso de técnicas inteligentes), a previsão de carga encontra-se consolidada na atualidade, quando se trata da previsão global (somatório de todos os consumos apurados em tempos regulares [minutos, horas, dias etc.]). Levando-se em conta o conhecimento da carga X tempo, pode-se planejar a operação do sistema elétrico com vistas o desenvolvimento das “melhores” maneiras de atender a demanda de eletricidade. Porém, para o sistema será necessário ir além da previsão global. É preciso conhecer como ela se distribui nos vários pontos da rede elétrica (transformadores, alimentadores etc.). Este problema se torna mais complexo a partir da estimativa da carga global até chegar ao consumidor (residencial, comercial e industrial) final. Entre o transformador e o consumidor final não se pode contar com os recursos da estatística (distancia-se da ideia de que o consumo no passado se reproduzirá no futuro), ou seja, a previsibilidade comportamental do usuário é insignificante. Nota-se que a carga nos transformadores é apurada tomando o somatório das cargas residenciais, por conseguinte, também, é pouco perceptível à luz da estatística. 21 Assim sendo, esta pesquisa será focada com o objetivo de estudar e compreender os hábitos comportamentais da energia elétrica por parte dos consumidores residenciais. Neste contexto, será proposto um procedimento para a determinação de agrupamento de consumidores com perfis similares. Neste caso, o que se pode aproveitar deste sistema visando melhorar a vida do usuário? Afinal, a grande maioria das pesquisas técnico-científicas objetiva-se, obviamente, oferecer, aos consumidores, a qualidade elétrica desejada e estabelecida pelos órgãos regulatórios. Contudo, não se pode negar que há uma tendência forte de disponibilizar resultados em números vantajosos em prol das empresas. Assim, nesta pesquisa de doutorado, buscar-se-á dar atenção aos consumidores finais, em especial, ao consumidor residencial. Por conseguinte, esta pesquisa tem por objetivo modelar, desenvolver e validar um sistema neural que permita conhecer os perfis de consumidores residenciais quanto aos seus hábitos de consumo e posses de aparelhos eletroeletrônicos por meio da utilização de Redes Neurais Artificiais da família ART. A preferência por essa classe de redes neurais depreende do fato da sua excelente capacidade tendo em vista ser estável, plástica e proporcionar baixíssimo custo computacional na sua implementação. Estabilidade e plasticidade são propriedades correspondentes à garantia de sempre proporcionar uma solução e, o aprendizado é realizado de forma incremental, respectivamente. A plasticidade é uma propriedade pouco observada na maioria das redes neurais disponíveis na literatura técnico- científica. É algo semelhante ao que ocorre com os humanos, ou seja, à medida que novas informações são disponíveis (obviamente, se houver interesse das pessoas), tornamos cada vez mais, por hipótese, mais inteligentes. Assim sendo, com o emprego desta arquitetura neural, aliada à estruturação da base de dados (quantitativos e qualitativos) convertida em uma base binária proporciona um grande aporte de recursos que, por certo, conduzem à obtenção de resultados de forma bastante eficiente, como observar-se-á na ilustração dos experimentos realizados. Ressalta-se que esta metodologia proposta não encontra, salvo engano, similaridade com outras técnicas encontradas na literatura técnico-científica. Apenas destaca-se a publicação mais recente de Quilumba et al. (2015) que tem sido conduzida à resolução do problema-alvo desta pesquisa com enfoque e técnica usada diferentemente. Para culminar no objetivo proposto, a trajetória do desenvolvimento desta pesquisa está organizada em seis capítulos descritos a seguir: 22 No Capítulo 1 são apresentados os resultados da pesquisa bibliográfica quanto à identificação de perfis de consumidores de energia elétrica utilizando técnicas de agrupamento (clustering) e descrevendo-as. O contexto no qual o problema de agrupamento de dados de consumidores está inserido também é apresentado neste capítulo descrevendo, brevemente, o que são as Redes Inteligentes de energia elétrica e os programas de Gerenciamento do Lado da Demanda (Demand Side Management - DSM) e de Resposta à Demanda (Demand Response - DR). No Capítulo 2 apresenta-se a contextualização na qual a pesquisa se situa ressaltando seus diferenciais e descrevendo as motivações que deram origem ao trabalho e os objetivos a serem atingidos. O Capítulo 3 aborda, inicialmente, as redes neurais artificiais de maneira genérica apresentando-se os conceitos, as características, as principais arquiteturas, os tipos de treinamento, as vantagens de utilização e as aplicações mais relevantes na atualidade. Em seguida e com descrição mais aprofundada, é abordada a Teoria de Ressonância Adaptativa e uma arquitetura descendente, ou seja, a rede neural ART-Fuzzy. No Capítulo 4 é apresentada a metodologia utilizada no desenvolvimento do sistema neural proposto, o qual tem o objetivo de identificar agrupamentos (clusters) de consumidores residenciais de energia elétrica por meio da análise de características socioeconômicas, demográficas e de posse e uso de equipamentos eletroeletrônicos. Neste capítulo são consideradas as etapas de coleta de dados, construção da base de dados, modelagem e desenvolvimento do sistema neural utilizando a rede ART-Fuzzy. A caracterização dos perfis de consumidores residenciais é descrita no Capítulo 5 de modo a analisar os resultados obtidos por meio da aplicação do sistema neural desenvolvido. As conclusões e contribuições desta pesquisa são apresentadas no Capítulo 6. Este capítulo também traz sugestões para a realização de trabalhos futuros. No Apêndice A é apresentado o questionário aplicado aos consumidores residenciais de energia elétrica como técnica para coleta de dados. Finalmente, no Apêndice B são apresentados alguns dos resultados obtidos do cálculo das medidas de proximidade utilizadas para identificar a similaridade ou dissimilaridade entre os objetos os quais, no contexto desta pesquisa, representam os consumidores e seus hábitos de consumo de energia elétrica. 23 REVISÃO BIBLIOGRÁFICA 1.1 INTRODUÇÃO Neste capítulo, encontram-se descritos os resultados da pesquisa bibliográfica realizada na fase preliminar e exploratória desta pesquisa. A pesquisa bibliográfica teve como objetivo conhecer os estudos que utilizam métodos de agrupamento de dados aplicados a consumidores residenciais de energia elétrica. Também, de situar esta pesquisa diante das produções da comunidade científica mundial, bem como conhecer o estágio em que se encontram os estudos quanto ao problema de demanda de energia do lado do consumidor residencial (programas DSM) e os programas de Resposta à Demanda no contexto das Redes Inteligentes de energia elétrica. 1.2 REDES DE ENERGIA ELÉTRICA INTELIGENTES (SMART GRIDS) O surgimento das Redes de Energia Elétrica Inteligentes no cenário mundial se expõe como um conjunto de tecnologias inovadoras, trazendo mudanças significativas nos processos de fornecimento de energia elétrica. Não há uma definição única sobre as Redes Inteligentes. As definições variam de acordo com a ênfase dada ao assunto. A definição dada por (SCOTT; VAESSEN; VERHEIJ, 2008) exprime que uma Rede Inteligente gera e distribui energia elétrica mais efetivamente, com mais economia, segurança e sustentabilidade. Ela integra ferramentas inovadoras e tecnologias, produtos e serviços, desde a geração, transmissão e distribuição até os dispositivos dos consumidores e equipamentos que utilizam sensores, comunicação e tecnologias de controle. Permite comunicação de via dupla com os consumidores provendo muito mais informações sobre o consumo e subsídios para tomada de decisões. Permite o compartilhamento de energia elétrica produzida em menores escalas e possibilita obter maior eficiência energética. As práticas adotadas para implantação da arquitetura dessas Redes Inteligentes e os resultados esperados são estratégicos e com potenciais benefícios para os diversos 24 participantes envolvidos como, por exemplo, as concessionárias de energia elétrica, os consumidores, os fornecedores, as instituições de pesquisa entre outros. São muitas as motivações que estão envolvidas com a migração para as Redes Inteligentes, dentre elas estão presentes aspectos de confiabilidade, eficiência nos processos de detecção e localização de falhas, autodiagnóstico, autorrestabelecimento da rede e medição do consumo de energia com precisão. O intuito das Redes Inteligentes é tornar a infraestrutura de energia elétrica em uma rede que seja mais segura, totalmente digitalizada, mais rápida em resposta a falhas do Sistema Elétrico e também de prover diversos benefícios econômicos resultantes tanto para as concessionárias quanto para os consumidores. Uma das etapas da implantação de uma Rede Inteligente implica em realizar medição inteligente em dados de consumo de energia. Para que isto seja possível, investimentos serão necessários para substituir os medidores eletromecânicos utilizados atualmente por medidores inteligentes citados anteriormente. A medição inteligente consiste em um sistema composto por medidores inteligentes, infraestrutura que permita comunicação bidirecional e software que realizem aquisição automática de dados do medidor inteligente em intervalos de tempo pré-determinados, envio remoto de dados ao medidor e gerenciamento do sistema. A comunicação bidirecional consiste em trafegar dados entre o consumidor e a central de energia. Assim, é possível que o consumidor, além de informar seu consumo de energia elétrica, receba dados da empresa concessionária de energia. Este novo paradigma apresenta a possibilidade de diferenciar o preço da energia ao longo do dia e de informar, em tempo real, ao consumidor as mudanças de preço e o seu consumo. Pode permitir ainda o controle da carga dos consumidores caso haja aumento demasiado e anormal da demanda. Nesta situação, seria possível, por exemplo, enviar notificações aos consumidores para reduzir o consumo desligando alguns aparelhos. O que se espera com a implantação deste novo paradigma do sistema elétrico é o surgimento de uma série de benefícios para os consumidores de energia, dentre eles, a oferta de condições e incentivos para expandir a microgeração distribuída, ou seja, a possibilidade de que consumidores também possam atuar como geradores, mesmo que em pequena escala, de fontes alternativas de energia. Outros benefícios que a implantação de tecnologias de medição eletrônica poderá trazer ao consumidor concentram-se em alcançar o consumo mais eficiente de energia, já que o consumidor passará a ter mais informações sobre o seu perfil de consumo, em usufruir da 25 possibilidade de atendimento remoto pela distribuidora de energia elétrica e na expansão de serviços aos consumidores. Para as distribuidoras, será viável o melhor monitoramento da rede devido ao fluxo de comunicação consumidor-concessionária e ainda a oportunidade de identificar e reduzir as perdas técnicas e não técnicas de energia elétrica. Com o intuito de conhecer os avanços alcançados no contexto das Redes Inteligentes, as subseções a seguir apresentam alguns projetos do cenário nacional e, também, alguns aspectos da relação dos consumidores com a implantação de novas tecnologias e novos serviços. 1.2.1 Panorama brasileiro Em abril de 2010, foi criado pelo Ministério de Minas e Energia (MME) o grupo de trabalho para estudo do conceito de redes elétricas inteligentes no Brasil (MINISTÉRIO DE MINAS E ENERGIA- MME, 2010). Este grupo de trabalho é composto por representantes de órgãos públicos e privados do setor energético e tem como objetivo realizar análises e identificar as ações necessárias para auxiliar na organização de políticas públicas para a implantação de um Programa Brasileiro de Rede Elétrica Inteligente. Os seguintes aspectos foram abordados (MME, 2010): i. O estado da arte de programas do tipo Smart Grid no Brasil e em outros países; ii. Proposta de adequação das regulamentações e das normas gerais dos serviços públicos de distribuição de energia elétrica; iii. Identificação de fontes de recursos para financiamento e incentivos à produção de equipamentos no País; e iv. Regulamentação de novas possibilidades de atuação de acessantes no mercado, o que inclui a possibilidade de usuários operarem tanto como geradores de energia (geração distribuída) quanto consumidores. Em agosto de 2012, a ANEEL aprovou a resolução que regulamenta os requisitos básicos para os sistemas de medição eletrônica de energia elétrica de unidades consumidoras do Grupo B (residencial, rural e demais classes, exceto baixa renda e iluminação pública) (AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL, 2012). Até o ano de 2021, o governo brasileiro tem como objetivo instalar cerca de 63 milhões de medidores inteligentes (BITTENCOURT, 2012). Entretanto, os investimentos não 26 se restringem apenas a instalação dos medidores, mas também da criação de infraestrutura. Neste sentido, a solução que atualmente tem sido dada no Brasil é a criação de cidades inteligentes as quais baseiam-se na utilização das redes inteligentes visando à habilitação de diversos serviços de utilidade pública, além do serviço de distribuição de eletricidade. No Brasil, os projetos-piloto de cidades inteligentes visam à análise e à utilização dos medidores inteligentes em consumidores residenciais, promovendo orientações à população quanto à economia com ações de eficiência energética. A seguir, é apresentada na Tabela 1 a abrangência destes projetos: Tabela 1 – Projetos-piloto de Redes Inteligentes no Brasil Projeto Companhia Município Informações Cidade do Futuro Cemig Sete Lagoas/MG • 8 mil medidores inteligentes; Cidade Inteligente Ampla Armação de Búzios/RJ • 10 mil medidores inteligentes; • Programa de Medição Horária como incentivo de consumo fora do horário de pico. Eletropaulo Digital AES/Eletropaulo Barueri/SP • Maior projeto no Brasil; • 62 mil medidores inteligentes instalados até 2017. InovCity EDP Bandeirante Aparecida/SP • Primeira cidade inteligente do estado de São Paulo; • 13 mil medidores inteligentes instalados. Paraná Smart Grid Copel Curitiba/PR • 10 mil medidores inteligentes; Parintins Eletrobras Parintins/AM • 4,5 mil medidores inteligentes na 1ª fase (2014); • Projeto de instalação e monitoramento de unidades fotovoltaicas conectadas à 27 Projeto Companhia Município Informações rede elétrica (geração distribuída). Smart Grid Light Light Rio de Janeiro/RJ • 400 mil medidores inteligentes; Fonte: da própria autora elaborado com dados extraídos de EDP (2014), AES (2015) e Redes Inteligentes Brasil (2014). 1.2.2 A Relação com os consumidores Nas redes elétricas convencionais, o consumidor não recebe informações detalhadas sobre o seu consumo ou sobre o sistema e também não participa da geração compartilhando, caso haja, a produção de sua energia por meio de fontes alternativas. Além disso, as redes convencionais possuem mecanismos muito limitados para a coordenação da operação e para prover confiabilidade e qualidade do sistema. Espera-se, portanto, que as Redes Inteligentes mudem esse panorama, permitindo integrar o comportamento e as ações de todos os consumidores. O principal objetivo é estabelecer, de maneira eficiente e econômica, um sistema de energia que seja sustentável, onde ocorra a minoração das perdas e a majoração dos níveis de qualidade e de segurança do fornecimento. Quanto aos consumidores, o objetivo é que possam ter um perfil mais dinâmico no sentido de controle de consumo permitindo, portanto, exercer comando sobre a energia que usam tendo acesso a uma gama maior de informações e podendo participar da geração de energia compartilhando-a com outros consumidores. Porém, a falta de informação para o consumidor é um elemento que o impede de alcançar o uso eficiente de energia elétrica. Uma pesquisa da IBM, na qual foram entrevistadas 10.000 pessoas em 15 países, revelou que muitos consumidores não entendem dados e informações simples relativos ao seu próprio consumo de eletricidade (INSTITUTE FOR BUSINESS VALUE- IBM, 2011). A falta de informações dificulta a tarefa de economizar energia surgindo, portanto, a necessidade de fornecer aos consumidores termos que sejam de fácil compreensão e úteis para as tomadas de decisões e mudanças de hábitos de consumo. Um estudo apresentado por Darby (2006) mostra que é possível alcançar uma 28 economia de 10 a 20% quando as pessoas obtêm informações de consumo de forma direta e são engajadas em programas de mudança de comportamento de consumo de energia. Formas de tornar claro o consumo para o consumidor e torná-lo participante do sistema é fazê-lo saber quanto é gasto durante a utilização de determinado eletrodoméstico, quais eletrodomésticos estão sendo utilizados, inspirar a preocupação com o ambiente e introduzir o senso de comunidade, apresentando, de maneira adequada, o quanto os outros consumidores com o mesmo perfil estão consumindo. Embora diversos benefícios sejam trazidos com a implementação das Redes Inteligentes, aspectos de privacidade também devem ser levados em consideração. Manter a integridade do fluxo de informações ao longo da Rede Inteligente é um dos grandes desafios para o setor elétrico. A segurança das novas operações que se estabelecem entre os agentes das fases de geração, transmissão, distribuição, comercialização e mesmo consumo é um fator de suma importância para viabilidade econômica da nova tecnologia. Os medidores inteligentes são pontos extremamente atrativos para hackers e qualquer falha pode facilmente refletir financeiramente (HAMILTON; SUMMY, 2011). Por outro lado, dados de consumo dos consumidores, armazenados nos bancos de dados das distribuidoras de energia elétrica, possivelmente expõem hábitos e comportamentos dos consumidores, permitindo saber, inclusive, quando estão ou não em suas residências. Modernas técnicas analíticas aplicadas a grandes conjuntos de dados como Big Data, por exemplo, são capazes de identificar a localização de aparelhos que consumam energia em uma residência e ainda traçar a rotina dos consumidores a partir de informações do dia-a-dia dos moradores. Estando hoje o ato de consumir energia atrelado a uma responsabilidade social do indivíduo, poder-se-ia, eventualmente, cogitar sobre a natureza pública ou privada de certas informações de consumo, e, com isso, colocar dúvidas sobre quão ampla ou restrita deve ser a esfera de privacidade do indivíduo no que diz respeito à sua atuação como usuário do serviço de energia (RIBEIRO, 2011). 29 1.3 PROGRAMAS DE GERENCIAMENTO DO LADO DA DEMANDA (DEMAND SIDE MANAGEMENT) E DE RESPOSTA À DEMANDA (DEMAND RESPONSE) Conhecer a demanda por energia elétrica é um dos grandes desafios para as empresas do setor de eletricidade. Ao redor do mundo, projetos foram definidos e continuam sendo aprimorados no sentido de conhecer e gerenciar a demanda por energia elétrica por parte dos consumidores. Estes projetos estão contidos nos programas de Gerenciamento do Lado da Demanda (GLD) e de Resposta à Demanda (RD) respectivamente denominados, em inglês, como Demand-Side Management (DSM) e Demand Response (DR). Os programas de GLD constituem-se no planejamento e na implementação de atividades para influenciar a utilização de eletricidade pelo consumidor de forma a produzir mudanças desejadas na curva de carga de um sistema elétrico (GELLINGS, 1985). De acordo, com Gellings, o gerenciamento da curva de carga é tratado em seis categorias: redução de pico, deslocamento da carga, conservação estratégica, preenchimento de vales, crescimento estratégico e curva de carga flexível. A utilização de técnicas de GLD traz os seguintes benefícios (SAINI, 2004; STRBAC, 2008): • Postergar ou reduzir investimentos com a construção de novas usinas, linhas de transmissão e de distribuição; • Possibilidade de incremento da quantidade de geração distribuída que pode ser ligada à infraestrutura atual de distribuição; • Atenuação de sobrecarga da rede nos horários de pico; • Potencial redução da conta de energia dos consumidores; • Potencial redução da emissão de poluentes. Ações de Resposta à Demanda referem-se à utilização de preços (por exemplo, tarifas com postos tarifários, descontos ou multas na conta final do cliente) no mercado de energia elétrica para influenciar o momento ou o nível da demanda, em resposta a condições de fornecimento, geração, ambientais, econômicas, entre outras (INSTITUTO DE ECONOMIA AGRÍCOLA - IEA, 2003). Estas ações fornecem uma oportunidade para os consumidores em desempenhar um papel significativo na operação da rede elétrica, reduzindo ou mudando seu hábito de uso de energia elétrica nos horários de pico em resposta a taxas baseadas no tempo ou outras formas de incentivos financeiros. Elas estão sendo usadas por planejadores do sistema elétrico como 30 opção de recursos para equilibrar a oferta e a demanda e podem ser de dois tipos: Resposta à Demanda com Base em Incentivos (RDBI) ou incentive-based e Resposta à Demanda com Base em Tarifas (RDBT) ou price-based (GELLINGS; CHAMBERLIM, 1993). Embora estes programas existam há muitos anos, atualmente recebem um grande incremento com o advento das novas tecnologias e das possibilidades de implementação das Redes Inteligentes. Siebert e colegas (SIEBERT et al., 2012) propõem um método baseado em algoritmos genéticos para o desenvolvimento de propostas de agendamento de consumo de dispositivos residenciais por meio de algoritmos genéticos visando auxiliar os consumidores a moldarem seus hábitos para usufruir de benefícios de tarifas (Time-Of-Use) e da estrutura de smart grids. O trabalho de Bakker (2011), intitulado TRIANA, apresenta uma metodologia de controle para as Redes Inteligentes de energia elétrica que consiste em prever, planejar e realizar controle em tempo real. A meta deste trabalho é prover mecanismos para gerenciar os perfis de energia de dispositivos em edifícios de modo a apoiar a transição para uma cadeia de fornecimento de energia que pode fornecer toda a energia necessária de forma sustentável. Na etapa de previsão, o agendamento para o funcionamento de um determinado dispositivo é determinado de acordo com o tipo do dispositivo, com suas restrições específicas e com o ambiente. As características da residência e dos moradores também são levadas em consideração de forma a melhorar a qualidade da predição. Em Ali et al. (2015) é proposta uma ferramenta de apoio à decisão capaz de fornecer informações aos consumidores sobre custos de energia e incentivos financeiros apresentada como um framework para Resposta à Demanda. O intuito é que o consumidor possa realizar pequenas mudanças em seu hábito de consumo sem grandes impactos ao seu conforto com a finalidade de economizar energia elétrica. A ferramenta fornece aos consumidores o preço a cada hora que custará, no dia seguinte, a energia elétrica. O Gerenciamento do Lado da Demanda é uma função importante na gestão de energia das futuras Redes Inteligentes, pois fornece suporte para as funcionalidades da rede em diversas áreas, tais como o controle do mercado de eletricidade, gestão da distribuição, construção de infraestrutura e gestão dos recursos energéticos descentralizados. O principal objetivo das técnicas de GLD é a redução da demanda de pico de carga do sistema e do custo operacional e, a implementação de ações voltadas a este objetivo, que envolve diretamente o consumidor. 31 Assim, visando atingir os objetivos pretendidos nesta pesquisa de doutorado, adiante (Seção 1.4), tratar-se-á de um estudo preparativo, baseado em agrupamento de dados e seus métodos, como forma introdutória à metodologia proposta a ser apresentada no Capítulo 4 que consistirá no estudo (cálculo) sobre a similaridade comportamental do consumo residencial de eletricidade por redes neurais. 1.4 DEFINIÇÃO DE AGRUPAMENTO DE DADOS E SEUS MÉTODOS O agrupamento de dados lida com a identificação de grupos no conjunto de dados (objetos) de acordo com a similaridade entre os objetos pertencentes a este conjunto. Estes grupos são denominados clusters. Esta é uma técnica que pertence ao paradigma não supervisionado o qual consiste em identificar informações relevantes nos dados sem a presença de um elemento externo para guiar o aprendizado, ou seja, tem a característica de observar e descobrir, de realizar uma análise exploratória nos dados. Formalmente, fornecido um conjunto de dados � = ���, ��, … , �!}, uma partição de � em � clusters pode ser definida como: = � �, �, … , } com � < $, tal que (XU; WUSNCH, 2005): 1. % ≠ ∅, ( = 1, … , � (todos os clusters contêm pelo menos um objeto); 2. ∪%+� % = � (todos os objetos pertencem a algum cluster); 3. % ∩ - = ∅, (, . = 1, … , � / ( ≠ . (cada objeto pertence exclusivamente a um único cluster). A aplicação das técnicas de agrupamento tem o objetivo de encontrar uma estrutura de clusters (grupos) nos dados em que os objetos pertencentes a cada cluster compartilham alguma característica ou propriedade relevante para o domínio do problema em estudo, ou seja, são de alguma maneira, similares (JAIN; DUBES, 1988). Técnicas de agrupamento são aplicáveis quando não há classes para predição, mas sim quando há necessidade de separar os objetos em grupos (WITTEN; FRANK; HALL, 2011). Estas técnicas já foram utilizadas nas mais diversas áreas do conhecimento. Algumas das aplicações existentes abrangem segmentação de imagens, reconhecimento de padrões, agrupamento de documentos, agrupamento de clientes para marketing eficiente, estudo de dados de genoma entre outras. 32 O processo de agrupamento de dados engloba várias etapas que abrangem desde a preparação dos dados (objetos) até a interpretação dos resultados obtidos pela aplicação da técnica (clusters). A Figura 2 ilustra as etapas deste processo que são posteriormente descritas. A preparação dos dados, primeira etapa do processo de agrupamento de dados, engloba os aspectos relacionados ao seu pré-processamento e à forma de representação apropriada para sua utilização por algoritmos de agrupamento. A etapa seguinte trata da definição de medidas de proximidade que consideram a similaridade ou dissimilaridade entre objetos ou grupos de objetos e são utilizadas para decidir a atribuição de um objeto a um cluster ou para unir ou dividir clusters. Foram propostas diversas medidas de proximidade para o cálculo da similaridade, entre as quais estão as medidas de distância, de correlação e de associação. Existem medidas para atributos quantitativos e qualitativos. As medidas de distância geralmente podem ser aplicadas quando há atributos numéricos (quantitativos). Uma revisão de vários tipos de medidas de similaridade pode ser encontrada em (JAIN; DUBES, 1988). 33 Figura 2 – Processo de agrupamento de dados Fonte: adaptado de Faceli et al. (2015). Como já citado anteriormente, no projeto do sistema neural proposto, nesta pesquisa, abordam-se apenas os atributos quantitativos que, na entrada da rede neural, são convertidos em números binários. Nesta situação, é comum a utilização da medida denominada Distância de Manhattan (FACELI et al., 2015) ou City-Block que é expressa pela equação (1): � ����012, 1%3 = ∑ |�2-6-+� 7 �%-| (1) Outra métrica largamente utilizada em análise de agrupamentos é a Distância Euclidiana expressa pela Equação (2): Processo de agrupamento Objetos Clusters validados Significado dos Clusters Preparação Proximidade Interpretação Agrupamento Validação Conhecimento do especialista Clusters Representação dos objetos Medida de similaridade 34 � ����012, 1%3 = 8∑ (�2-6-+� 7�%-)� (2) sendo em ambas as equações: � ����012, 1%3 : distância de Manhattan; � ����012, 1%3 : distância Euclidiana; 12 e 1% : são os vetores 12 = [�2� �2� . . . �26] e 1% = [�%� �%� . . . �%6] descritos pelos respectivos valores de >; > : indica a quantidade de atributos do vetor. É importante observar que, quando uma medida de distância é utilizada para calcular a similaridade entre os objetos, tem-se, porém, o oposto da similaridade: a dissimilaridade. Quanto maior o valor calculado, ou seja, quanto maior for a distância, menor será o grau de semelhança entre os objetos e quanto menor for a distância, maior será a semelhança. Após a aplicação das medidas de proximidade, o agrupamento propriamente dito é executado a partir do método escolhido. Existe um grande número de algoritmos de agrupamento, cada um buscando clusters em consonância com critérios diferentes. O método escolhido para utilização nesta pesquisa baseia-se na RNA ART-Fuzzy que é descrita no Capítulo 3. A etapa seguinte consiste na validação, a qual avalia o resultado de um agrupamento e deve determinar se os clusters são significativos, ou seja, se a solução é representativa para o conjunto de dados analisado. É uma etapa de característica exploratória e uma análise prévia dos dados é de grande utilidade para guiar não somente esta, mas todas as etapas do processo. Tal análise poder ser feita utilizando-se, por exemplo, técnicas de estatística descritiva. Esta tarefa é realizada para determinar o grau de significância dos resultados obtidos pelo algoritmo de clustering. O fato de não haver uma classe definida para os dados em tarefas de aprendizado não supervisionado, acarreta na utilização de heurísticas e suposições para identificação das estruturas embutidas nesses dados, que são avaliadas e validadas considerando a qualidade dos clusters encontrados. 35 A validação do resultado de um agrupamento, em geral, é baseada em índices estatísticos cuja função é o de julgarem o mérito das estruturas encontradas. Um índice quantifica alguma informação a respeito da qualidade de um agrupamento. A maneira pela qual um índice é aplicado para avaliar um agrupamento é dada pelo critério de validação. Assim, um critério de validação expressa a estratégia utilizada para validar uma estrutura de agrupamento, enquanto que um índice é uma estatística pela qual a validade e testada (JAIN; DUBES, 1988). Três classes de critérios para investigação da validade dos agrupamentos obtidos foram citadas em (HALKIDI et al., 2001): critério interno, critério externo e critério relativo. O critério interno mede a qualidade dos agrupamentos com base apenas nos dados originais (matriz de padrões ou matriz de similaridades). O critério externo avalia o agrupamento de acordo com uma estrutura preestabelecida e que reflete a intuição do especialista sobre a estrutura presente nos dados. Já o critério relativo compara diversos agrupamentos para decidir qual deles é o melhor, segundo algum aspecto. Para a presente pesquisa, um critério adequado para validar os clusters que serão obtidos é o critério interno. Considerando-se essa classe de critérios, destacou-se da literatura especializada, além da utilização da matriz de similaridades, alguns dos mais populares índices e qual a finalidade de cada um deles. Ressalta-se que, em (JAIN; DUBES, 1988; GORDON, 1999; HALKIDI et al., 2001), foram realizados diversos estudos sobre processos de validação de agrupamentos para os diferentes critérios apresentados. A decisão por qual número de clusters melhor se ajusta a uma base de dados e de medir a qualidade dos clusters gerados indicando em que grau os padrões são similares dentro de um cluster e diferentes entre clusters separados, pode ser embasada, por exemplo, utilizando-se os índices Davies- Bouldin Indicator (DBI), Modified Dunn Index (MDI) e Cluster Dispersion Indicator (CDI). Por fim, a etapa de interpretação refere-se ao exame de cada cluster com relação a seus objetos para rotulá-los descrevendo a natureza do cluster e tentar descobrir significados relacionados ao domínio da aplicação. Além de ser uma forma de validação dos clusters encontrados e da hipótese inicial, de um modo confirmatório, os clusters podem permitir avaliações subjetivas que tenham um significado prático. A atribuição de conceitos aos agrupamentos é parte fundamental do processo de descoberta de conhecimento. Porém, é uma tarefa complexa que exige a participação do especialista do domínio na análise dos agrupamentos para que ele identifique os conceitos, que, eventualmente, cobrem ou explicam os exemplos contidos em um mesmo cluster. 36 Faceli et al. (2015) relatam que estas etapas são importantes para que se possa garantir que os resultados sejam realmente significativos e úteis, uma vez que qualquer algoritmo de agrupamento obtém um resultado, quer realmente haja uma estrutura subjacente aos dados, em conformidade com o critério do algoritmo, quer não. Assim, para que se possa aplicar com sucesso cada uma das etapas e obter um resultado significativo da análise de agrupamento, é importante ter em mente as possíveis características dos dados, pois tais características impõem certos desafios na aplicação da análise de agrupamento que, se não considerados, podem levar a conclusões errôneas sobre a estrutura encontrada nos dados. Existe um grande número de algoritmos de agrupamento, cada um buscando clusters de acordo com critérios diferentes. Jain et al. (1999) propõem classes de algoritmos de acordo com o método adotado para definir os clusters. Assim, os algoritmos são divididos em hierárquicos, particionais, baseados em grid e baseados em densidade. Outras classificações também são encontradas na literatura: sobreposição ou clumping e as redes neurais auto- organizáveis, como é classificada a rede neural ART-Fuzzy adotada nesta pesquisa. Estas classificações são descritas brevemente a seguir dando maior ênfase apenas à rede neural ART-Fuzzy que é detalhadamente descrita no Capítulo 3. Ressalta-se ainda que muitos algoritmos se enquadram em mais de uma dessas classificações (FACELI et al., 2015). Um algoritmo de agrupamento hierárquico gera, a partir de uma matriz de proximidade, uma sequência de partições aninhadas. O resultado obtido é constituído de uma hierarquia que descreve um particionamento diferente à cada nível analisado. A hierarquia de clusters normalmente é representada por um dendrograma que consiste em um tipo especial de estrutura de árvore na qual os nós pais agrupam os objetos representados pelos nós filhos. Os algoritmos hierárquicos mais utilizados são: BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies) (ZHANG et al., 1996), CURE (Clustering Using Representatives) (GUHA et al., 1998) e CHAMALEON (KARYPIS et al., 1999). O objetivo dos algoritmos de particionais, também conhecidos como algoritmos de otimização, é formar agrupamentos ótimos sobre os objetos realizando divisões iterativas sobre o conjunto de dados em k-partições mutuamente exclusivas, as quais devem maximizar uma função critério predefinida. O primeiro passo cria uma partição inicial. Em seguida, os objetos são movidos de um cluster para outro com o objetivo de melhorar o valor do critério do agrupamento. A função-critério adotada pode ser, por exemplo, o erro quadrático. O objetivo é obter uma partição que minimiza o erro quadrático para um número fixo de clusters. Os algoritmos k-means (MACQUEEN, 1967), k-medoids (KAUFMAN; 37 ROUSSEEUW, 1987), PAM (Partitioning Around Medoids) (KAUFMAN; ROUSSEEUW, 1990) e Fuzzy C-Means (DUNN, 1973) são os algoritmos mais populares dessa abordagem. Os algoritmos baseados em grid definem uma grade para o espaço de exemplos (objetos) e realiza todas as operações nesse espaço. É capaz de encontrar clusters de formatos arbitrários sendo muito eficientes para grandes conjuntos de dados. Alguns exemplos são: CLIQUE (Clustering in quest) (AGRAWAL et al., 1998), MAFIA (Merging of Adaptative Finite Intervals) (NAGESH et al., 1999), OptiGrid (Optimal Grid clustering) (HINNEBURG; KEIM, 1999) e STING (Statistical Information Grid-based Method) (WANG et al., 1997). Os algoritmos baseados em densidade assumem que os clusters são regiões de alta densidade de objetos separados por regiões de baixa densidade no espaço de objetos. Cada exemplo do cluster deve manter uma vizinhança com um número mínimo de vizinhos dentro de uma esfera com raio ?. Os exemplos que possuem uma vizinhança com densidade mínima e estão numa distância menor que ?, pertencem ao mesmo cluster (METZ, 2006). Os algoritmos que seguem esta abordagem são: DENCLUE (Density-based clustering) (HINNEBURG; KEIM, 1998), DBSCAN (Density-based Spatial Clustering of Applicatios with Noise) (ESTER et al., 1996) e Wave-cluster (SHEIKHOLESLAMI et al., 1998). Os algoritmos baseados nas redes neurais auto-organizáveis são capazes de realizar o agrupamento de objetos utilizando unidades de processamento simples (neurônios) que se comunicam enviando sinais entre si utilizando aprendizado não supervisionado. O algoritmo de agrupamento mais conhecido e que utiliza este conceito é o SOM (Self Organizing Map) (KOHONEN, 2001). 1.5 AGRUPAMENTO DE DADOS NO CONTEXTO DAS REDES INTELIGENTES DE ENERGIA ELÉTRICA Com o surgimento das Redes Inteligentes, diversas aplicações podem ser desenvolvidas nas quais específica importância pode ser dada no lado da demanda. Como resultado, mudanças no consumo, por parte do usuário-final, motivadas por programas de Resposta à Demanda, constituem um ponto vital a ser levado em consideração tanto no planejamento do sistema como nas fases de operação. No setor de energia elétrica, inúmeras pesquisas foram realizadas utilizando-se a abordagem de agrupamento não supervisionado de dados de consumidores das redes de alta 38 ou média tensão (CHICCO et al., 2006; PANAPAKIDIS; ALEXIADIS; PAPAGIANNIS, 2015). Mais recentemente, nota-se o emergente desenvolvimento de trabalhos voltados ao agrupamento de dados de consumidores residenciais com o intuito de entender como estes utilizam a energia elétrica e qual o impacto deste uso nas redes de baixa tensão (PAIVA, 2003; STEPHEN; GALLOWAY, 2012; CHICCO, 2012; BECKEL et al., 2014). Para as empresas deste setor, é de grande importância conhecer os perfis de consumo no nível residencial de modo que tenham parâmetros e ferramentas para realizar o planejamento e o gerenciamento do fornecimento de energia com maior eficiência, segurança e estabilidade. Benefícios podem ser trazidos também aos consumidores residenciais os quais poderão conhecer melhor sobre seu consumo permitindo monitorá-lo e controlá-lo. Diante destas motivações e por meio da realização deste levantamento bibliográfico, identificou-se que os trabalhos encontrados na literatura abordam as tecnologias disponíveis e emergentes advindas do setor elétrico (como os medidores inteligentes) e propõem soluções que, em um futuro próximo, irão contemplar as ferramentas esperadas tanto pelo consumidor como para as empresas do setor elétrico. A seguir, apresenta-se uma síntese de soluções presentes no panorama atual e que têm o âmbito de aplicar as técnicas de agrupamento especificamente aos dados de consumidores residenciais de energia elétrica: • Identificar quais características das residências podem ser correlacionadas aos hábitos de uso de energia elétrica (BECKEL et al., 2014; MCLOUGHLIN; DUFFY; CONLON, 2012); • Auxiliar as companhias a definirem mais adequadamente as tarifas de energia elétrica de acordo com os perfis de consumo (FLATH et al., 2012); • Definir perfis mais ajustados de consumidores (PAIVA, 2003; RÄSÄNEN; KOLEHMAINEN, 2009; STEPHEN et al., 2014); • Identificar quais consumidores são candidatos a participarem de programas de economia de energia como de Resposta à Demanda, (ALBERT; RAJAGOPAL, 2013; CAO; BECKEL; STAAKE, 2013; DENT, 2012; KWAC; FLORA; RAJAGOPAL, 2014; PEREIRA et al., 2016; MIGUEL et al., 2016); • Identificar quais consumidores podem causar violações às restrições das redes de energia elétrica; 39 • Comparar diferentes grupos de consumidores e tendências de consumo. Para implementar as soluções citadas, distintas técnicas de agrupamento não supervisionado, descritas na sequência, foram aplicadas. Os trabalhos de (RÄSÄNEN; KOLEHMAINEN, 2009; DENT et al., 2012; FLATH et al., 2012; BENITEZ et al., 2014; MCLOUGHLIN et al., 2015) apresentam o uso de agrupamento de dados de consumidores residenciais por meio dos métodos k-means e k- medoid. Em (STEPHEN; GALLOWAY, 2012; STEPHEN et al., 2014; HABEN; SINGLETON; GRINDROD, 2016) foram utilizadas a técnica de agrupamento conhecida por Finite Mixture Models (FMM). A técnica SOM (Self Organizing Maps) foi aplicada nos trabalhos de (BECKEL et al., 2014; MCLOUGHLIN et al., 2015). Tão importante quanto escolher o método a ser utilizado para agrupar os dados é a definição dos atributos que serão utilizados no agrupamento. Em (MCLOUGHLIN et al., 2012; MCLOUGHLIN et al., 2015), as especificidades da residência e a maneira com que os consumidores usam a energia elétrica podem ser caracterizadas por meio de atributos individuais dos consumidores. Um modelo linear generalizado foi aplicado por (O´DOHERTY; LYONS; TOL, 2008) para inferir o relacionamento entre a posse de equipamentos eletroeletrônicos e o consumo de energia. A análise apresentou resultados que tiveram um grande significado para o consumo de energia elétrica como as características da residência (localização, valor e tipo) e as características dos moradores (renda, idade, tempo de residência, classe social e tipo de posse). Em (YOHANIS et al., 2008), também foi utilizada uma relação significativa de atributos relacionados às características da residência e de consumo de eletricidade. Perfis de carga de energia elétrica foram caracterizados com base no tipo da residência, área útil, número de moradores, número de quartos, a posse, a idade dos ocupantes e a renda familiar. Aydinalp et al. (2002, 2004, 2008) desenvolveram uma rede neural artificial para modelar o consumo de energia elétrica de aparelhos eletroeletrônicos, iluminação e refrigeração de residências. As variáveis utilizadas no modelo de rede neural desenvolvido e que influenciaram o consumo de energia elétrica eram a posse e o uso dos equipamentos eletroeletrônicos, a renda, o tipo de residência e a composição familiar. 40 Quanto ao contexto da criação de programas de Resposta à Demanda, os quais fornecem oportunidades para os consumidores em desempenhar um papel significativo na operação da rede elétrica, a literatura especializada apresenta diversas alternativas que podem ser implementadas na forma de ações nestes programas e que têm em comum o intuito de envolver o consumidor residencial e oferecer ferramentas para o conhecimento de seu consumo e as alternativas de mudanças que culminam na economia de energia e, consequentemente, na economia financeira. Uma abordagem de clustering utilizando lógica fuzzy e que provê suporte aos consumidores residenciais na tomada de decisão permitindo controlar a carga considerando as necessidades de consumo foi proposto por (PEREIRA et al., 2016). O modelo de ação de Resposta à Demanda proposto tem foco no deslocamento de carga e no preenchimento de vales, considerando os clusters identificados. Outro estudo que objetiva a obtenção de perfis diários de consumo, de geração eólica e de custo de eletricidade os quais recaem em características necessárias para desenvolver avaliações a serem aplicadas no planejamento das redes inteligentes: ações de resposta à demanda residencial e geração de energia elétrica em pequena escala. A abordagem consiste em aplicar algoritmos de clustering hierárquicos e de redes neurais auto-organizáveis de modo a obter-se clusters que representem os perfis desejados (MIGUEL et al., 2016). Frente às pesquisas expostas, o presente trabalho aplica, de forma original, a técnica de agrupamento implementada por meio de um sistema neural artificial composto por redes neurais ART-Fuzzy. Tal método é comumente utilizado para realização de agrupamentos de dados. Contudo, o mesmo não foi explorado na literatura para agrupar consumidores residenciais de energia elétrica utilizando características socioeconômicas, demográficas e de hábito e posses de equipamentos eletroeletrônicos como é feito no presente trabalho. As redes neurais artificiais são capazes de modelar uma série complexa de parâmetros que podem ser fornecidos como entrada e que afetam o consumo de energia elétrica na residência. A capacidade de autoaprendizagem das redes neurais pode resultar em um mecanismo preciso de modelagem de consumo de energia elétrica no nível residencial. Diferente de outros métodos, a rede neural ART-Fuzzy não necessita que o número de clusters seja determinado. De acordo com os parâmetros de configuração da rede, a quantidade de clusters obtida é diminuída ou aumentada, pois a criação de clusters nas redes ART acontece dinamicamente por meio do próprio algoritmo. 41 Os conceitos referentes às redes neurais artificiais e, mais especificamente, os conceitos, as vantagens e os algoritmos da rede neural ART-Fuzzy utilizada como técnica de clustering estão descritos no Capítulo 3 deste texto. 1.6 CONCLUSÕES DO CAPÍTULO Neste capítulo, foi apresentada uma visão geral sobre as Redes Inteligentes de Energia Elétrica com o enfoque aos benefícios que podem ser trazidos aos consumidores finais no sentido de terem uma participação mais efetiva. As ações realizadas pelo governo brasileiro para regulação e implementação das redes inteligentes e projetos-piloto que vêm sendo executados no país também foram apresentados. Os conceitos e o panorama sobre os programas de Gerenciamento do Lado da Demanda e de Resposta à Demanda foram introduzidos com o propósito de conhecer as iniciativas que vêm sendo desenvolvidas no país e no mundo e de compreender a importância da participação dos consumidores de energia elétrica nesses programas, sobretudo, os consumidores residenciais. Apresentou-se, ainda, o conceito de agrupamento de dados, como discorre o processo de agrupamento, os tipos de algoritmos e os métodos mais utilizados. Neste contexto, foram apresentados alguns dos mais recentes e relevantes estudos que aplicam métodos de agrupamento de dados no contexto de energia elétrica e, mais especificamente, a dados de consumidores residenciais de energia elétrica. No capítulo seguinte, é apresentada, em sua completude, a presente pesquisa discorrendo sobre o contexto na qual está inserida, apresentando as motivações para sua realização e os objetivos a serem alcançados. 42 A PESQUISA 2.1 INTRODUÇÃO Neste capítulo, a pesquisa é fundamentada, em sua totalidade, sendo apresentado o contexto no qual a mesma se situa e salientado suas especificidades apresentando, para tanto, as motivações, os objetivos e a metodologia adotada. Nos países desenvolvidos e em diversos outros em desenvolvimento, incluindo-se o Brasil, tem-se notado o planejamento e a realização de mudanças no setor de energia elétrica. Estas mudanças são embasadas na necessidade de modernização de todo o sistema de produção e distribuição de energia elétrica convergindo, portanto, para as Redes Inteligentes de energia elétrica e para utilização dos novos medidores inteligentes de consumo de energia. Frente a estas novas mudanças e para que haja eficiência no funcionamento destas complexas redes, grande atenção deve ser dada aos usuários finais, pois estes são os consumidores os quais ditam a demanda por energia elétrica. Para as empresas do setor elétrico, conhecer a demanda é primordial para o planejamento de toda a cadeia, desde a produção até o fornecimento de energia. Reduzir a demanda nos horários de pico é o grande desafio que tenta ser sanado por meio do encorajamento aos consumidores quanto a mudanças de hábitos de consumo aplicando-se, assim, as estratégias propostas por programas de Gerenciamento do Lado da Demanda e as ações de Resposta à Demanda. Diante da necessidade de estabelecerem-se estas estratégias para auxiliar na definição de programas voltados à realidade brasileira, esta pesquisa enquadra-se no propósito de desenvolver um sistema neural que permita conhecer os perfis de consumidores residenciais quanto aos seus hábitos de consumo por meio da utilização de Redes Neurais Artificiais da família ART. 43 2.2 CONTEXTUALIZAÇÃO O consumo de energia elétrica vem crescendo exponencialmente ao longo dos anos tanto nas residências como no comércio e na indústria. Nas residências brasileiras, esse crescimento é justificado por fatores como o aumento no número de domicílios, cuja previsão é de que passará de 58 milhões em 2010 (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE, 2010) para cerca de 75 milhões de unidades em 2020, e a posse de equipamentos eletroeletrônicos que também cresce (MINISTÉRIO DE MINAS E ENERGIA - MME, 2011). No ano de 2014, o consumo nacional de energia elétrica fechou com elevação de 2,9% sobre o ano anterior, somando 531,1 TWh. A contribuição dos consumidores residenciais neste aumento foi de 5,7% naquele ano (2014), sendo o setor responsável pela participação em 24,9% do consumo total de energia elétrica, como mostra o gráfico apresentado na Figura 3 (MME, 2015). Figura 3 – Participação do setor residencial no consumo de energia elétrica Fonte: da própria autora. Dados obtidos do relatório do MME (2015). Entretanto, a Associação Brasileira de Serviços de Conservação de Energia (ABESCO) (2016) apontou que, durante o ano de 2014, mais de 10% da energia consumida foi desperdiçada e que o consumidor residencial é responsável por metade destas perdas. Porém, a falta de informação aos consumidores tem sido um dos principais fatores que os impedem 44 de alcançar o uso eficiente de energia elétrica, pois não entendem os dados e as informações básicas relativas ao seu próprio consumo dificultando, assim, a tarefa de economizar energia (INSTITUTE FOR BUSINESS VALUE - IBM, 2011). Considerando a crescente demanda por energia elétrica pela população no setor residencial e os desafios aos quais as empresas do setor elétrico têm de vencer com o compromisso de prover serviços de qualidade a preços justos, justifica-se o encorajamento dos consumidores em utilizar a energia elétrica de forma mais racional. Com a iminência da substituição do modelo atual do sistema elétrico para o modelo de smart grid, o consumidor residencial tem sido foco de várias iniciativas relacionadas à economia de energia e à mudança dos hábitos de consumo. Diante de um dos grandes desafios das empresas distribuidoras de energia elétrica, que é a gestão da distribuição nos horários de maior demanda de eletricidade, a identificação de consumidores que possam mudar, mesmo que de maneira minorada, seus hábitos de consumo, trará impactos positivos à rede elétrica. Pequenas mudanças realizadas pelo consumidor como, por exemplo, o uso de determinados eletrodomésticos em horários de menor demanda da rede, podem não impactar ou, até mesmo, impactar minimamente seus hábitos e seu conforto, mas trazem grandes benefícios quando executadas em larga escala. Em médio e longo prazo, a adoção de tecnologias para geração de energia nas residências também é uma forma de fazer com que a dependência da energia elétrica seja diminuída e que esta energia alternativa seja compartilhada com outros consumidores. Para que estas ações sejam possíveis, é necessário, além da conscientização, prover aos consumidores mecanismos de fácil utilização e entendimento que permitam melhor interpretação de seu consumo e posterior tomada de decisões. Na presença desta problemática, este trabalho busca investigar um método para identificar os padrões de consumo de energia de consumidores residenciais baseando-se em dados referentes à coleta de dados de consumo e de hábitos e posse de equipamentos eletroeletrônicos e seu agrupamento utilizando-se Redes Neurais Artificiais da família ART. 2.3 MOTIVAÇÃO E OBJETIVOS Diante do atual panorama mundial de migração para uma rede inteligente de energia elétrica, o Brasil tem realizado investimentos em programas piloto para implantação de 45 medidores inteligentes os quais são componentes indispensáveis à implantação deste tipo de rede. Como consequência desta nova tecnologia, haverá a produção de uma grande quantidade de dados que, certamente, irão fornecer informações extremamente relevantes sobre o consumo no setor residencial. A disponibilidade deste tipo de dados pode, potencialmente, ser aplicada com o intuito de criar perfis de consumidores e dar subsídios para a previsão de carga e para o planejamento do fornecimento de energia elétrica aos consumidores. O consumidor também poderá conhecer com mais detalhes seus hábitos de consumo e será capaz de analisar se há como mudar estes hábitos com o intuito de reduzir sua conta de energia elétrica. Este trabalho pretende definir perfis de consumidores residenciais de acordo com seus hábitos de consumo com o intuito de prover parâmetros às empresas distribuidoras de energia elétrica que permitam conhecer a demanda por energia em nível residencial e também de prover parâmetros aos consumidores com a finalidade de fazê-los conhecer seu consumo e realizar mudanças para economia de energia elétrica. Na Figura 4, são apresentados os objetivos descritos anteriormente. Figura 4 – Objetivos da pesquisa Fonte: da própria autora. O principal objetivo deste trabalho é monitorar o consumo médio mensal e, baseado na posse e no uso de equipamentos eletroeletrônicos, identificar os diferentes perfis e as suas Empresas do setor elétrico • Conhecer a demanda por energia elétrica por meio dos diferentes perfis obtidos; • Obter dados que auxiliem na previsão de carga e no equilíbrio entre oferta e demanda; • Monitorar o consumo de energia nas residências. Consumidores residenciais • Conhecer seu consumo de energia elétrica; • Obter dados que auxiliem na mudança dos hábitos de consumo de energia elétrica; • Permitir a tomada de decisões com a finalidade de economizar energia. 46 características e propor soluções baseadas em incentivos financeiros e ambientais por meio de programas de Resposta à Demanda no setor residencial. Para identificar os perfis de consumidores e seus hábitos de consumo de energia elétrica nas residências e propor as soluções descritas, alguns objetivos específicos foram determinados: • Realizar levantamento bibliográfico para explorar as técnicas utilizadas de definição de perfis de consumidores residenciais de energia elétrica bem como assuntos pertinentes; • Realizar coleta de dados por meio da aplicação de questionário com a finalidade de obter uma base de dados com registros de consumidores residenciais de energia elétrica quanto ao consumo mensal, dados socioeconômicos, demográficos e de posse e uso de equipamentos eletroeletrônicos; • Modelar um sistema neural artificial e programar o código-fonte para o mesmo utilizando a rede neural ART-Fuzzy no ambiente do software MATLAB do fabricante MathWorks; • Relacionar a renda familiar com o consumo médio residencial, o número de moradores de cada residência, o tamanho da residência, o número de moradores que permanece grande parte do dia em casa e o número de moradores menores de 15 anos com o intuito de identificar grupos (clusters) de consumidores por meio da utilização de um sistema neural ART-Fuzzy. As características citadas são utilizadas como entrada da rede neural e são convertidas em código binário e o resultado obtido, ou seja, o cluster identificado, também é obtido em valores binários; • Relacionar os clusters de consumidores com a posse e o uso de equipamentos eletroeletrônicos utilizando-se o sistema neural ART-Fuzzy cujo vetor de entrada também é composto por códigos binários; • Analisar os resultados obtidos com o intuito de: o Identificar consumidores que tenham potencial para economia de energia elétrica e que possam participar de programas de Resposta à Demanda; o Prover um mecanis