Este trabalho consiste em apresentar um método para a identificação de cargas lineares e não-lineares comumente encontradas em sistemas elétricos residenciais. Desta identificação, soluções viáveis poderão ser aplicadas com o intuito de mitigar os níveis de emissão das correntes harmônicas geradas, advindas principalmente por cargas com características não-lineares. No desenvolvimento do método, utilizaram-se de técnicas para a seleção de atributos, de forma a minimizar a dificuldade em se identificar as cargas conectadas ao sistema. A etapa posterior de identificação foi realizada pela aplicação de redes neurais artificiais. Todas as situações de distorção harmônica foram geradas em laboratório por uma fonte de alimentação, onde em sua saída foram alocados analisadores de energia, responsáveis pela extração das medidas necessárias sobre as cargas residenciais em análise. Os resultados obtidos foram considerados satisfatórios, mostrando-se que a metodologia proposta pode ser também empregada pelas concessionárias de energia elétrica para que estas obtenham informações sobre o perfil das cargas instaladas em consumidores residenciais.

This work presents a method to identify linear and nonlinear loads commonly encountered in residential electrical systems. From this method, feasible solutions can be applied to mitigate the high levels of harmonic currents, generated mainly by nonlinear loads. Techniques of feature selection were used to data preprocessing and to minimize the effort in identification of loads connected to the electrical system. For the next step, the load identification, artificial neural networks were applied. All harmonic distortion situations were created in laboratory from a power source, and in its outputs were inserted the loads and power quality analyzers, which perform the extraction of all measurements. The obtained results were considered satisfactory, which show that the methodology can be employed by power distribution companies in order to obtain information about the profile of loads used by residential consumers.

Os motores de indução são utilizados nos mais diversos setores industriais. Entretanto, a seleção de um motor de indução em determinada aplicação é imprecisa nos casos em que não há conhecimento do comportamento da carga que está acoplada ao eixo do motor. A proposta deste trabalho é fornecer uma ferramenta alternativa aos métodos tradicionais de identificação usando as redes neurais artificiais. O potencial desta proposta está em sua facilidade de implementação em hardware, tendo em vista que a metodologia não necessita de sensores de torque, assim como não requer alto poder computacional. Resultados de simulação são apresentados para validar a proposta.

Induction motors are widely used in several industrial sectors. However, the selection of induction motors is often inaccurate because, in most cases, the load behavior in the shaft is completely unknown. The proposal of this paper is to use artificial neural networks as a tool for dimensioning induction motors rather than conventional methods, which use classical identification techniques and mechanical load modeling. The potential of this approach is the simple hardware implementation since the methodology does not require torque sensor nor powerful computational processors. Simulation results are also presented to validate the proposed approach.

Inúmeras abordagens neurais têm sido propostas na literatura para resolver problemas de Fluxo de Potência Ótimo DC. Mais especificamente, a rede de Hopfield é o modelo de rede mais utilizado nesses tipos de problemas. A maioria destes modelos, entretanto, ignora o sistema de transmissão. Tal simplificação deixa de considerar importantes restrições de potência ativa, podendo conduzir a cálculos equivocados de despacho. Outras desvantagens encontradas até então dizem respeito a problemas de velocidade, e também à dificuldade de se garantir a factibilidade das soluções. Este artigo discute a aplicação de uma rede de Hopfield modificada para resolver eficientemente problemas de Fluxo de Potência Ótimo DC. O sistema de transmissão neste caso é representado através de equações de fluxo de carga lineares e de restrições no fluxo de potência ativa. Os parâmetros internos da rede de Hopfield modificada apresentada neste artigo são computados através da técnica de subespaço-válido de soluções, o qual garante que as soluções encontradas pela rede (pontos de equilíbrio) sejam sempre factíveis. Resultados de simulações e uma análise de situações envolvendo sistemas testes IEEE são apresentados de modo a ilustrar a eficiência da abordagem proposta.

Problems involving DC Optimal Power Flow have been solved by several neural approaches proposed in the literature. The approaches based on Hopfield models are those more used for mapping these types of problems. However, most of these models ignore the transmission system, which leave of taking into account important active power constraints. This fact can lead to solutions obtained by the networks to improper dispatch policies. Moreover, problems involving convergence speed and difficulty of guaranteeing feasible solutions are also found in some approaches. This paper presents a modified Hopfield network to solve DC Optimal Power Flow in an efficient way. The transmission system in this model is represented by linear load flow equations and constraints on active power flows. The internal parameters of the modified Hopfield network are computed using the valid-subspace technique, which guarantees the obtainment of feasible solutions (equilibrium points) by the developed network. Simulation results and a sensitive analisys involving IEEE test systems are presented to illustrate the efficiency of the proposed approach.

Neste artigo, os sinais de temperatura ambiente e de carregamento de transformadores de distribuição imersos em óleo são aplicados em uma arquitetura de redes neurais artificiais com o objetivo de estimar a temperatura interna destes transformadores. A arquitetura da rede neural utilizada nesta aplicação é do tipo perceptron multicamadas. O treinamento da rede foi realizado através do algoritmo de retropropagação denominado ''Resilient Propagation'' e foi baseado em dados de projeto e de ensaios de transformadores de distribuição imersos em óleo. Resultados de simulação da abordagem proposta indicam que esta metodologia pode ser utilizada eficientemente nos processos de proteção de transformadores, incrementando a seletividade, confiabilidade e o gerenciamento da rede de distribuição.

In this paper, the ambient temperature values and load signals are applied in an architecture of artificial neural network with the objective of estimating the internal temperature of oil-immersed distribution transformers. The architecture of neural network used in this application is a multilayer perceptron. The training of the network was carried-out using the ''Resilient Propagation'' algorithm and it was based on design details and experimental data relative to the oil-immersed distribution transformers. Simulation results of the proposed approach indicate that this methodology can be efficiently used in the protection processes of transformers, increasing the selectivity, reliability and the management of the electric energy distribution system.