Abstract:
RESUMO:Esta pesquisa propõe um algoritmo híbrido para filtragem e agrupamento de curvas de
carga. Utilizou-se dados reais de um transformador de extra-alta tensão instalado em uma
subestação, suscetível ao clima e às peculiaridades do sistema elétrico de potência. O primeiro
passo do algoritmo é filtrar os dados através de um processo iterativo utilizando filtro hampel
para corrigir as curvas de carga e procurar defeitos remanescentes usando o sinal do banco de
filtros com Transformada Wavelet Discreta (TWD). No segundo estágio, associado ao
agrupamento, um processo iterativo realizou a redução da dimensionalidade das curvas de
carga, através de um sinal aproximado do banco de filtros TWD, nos seus diversos níveis,
seguido do agrupamento dessas curvas, aplicando o algoritmo k-means. O resultado da
filtragem apresentou a correção otimizada das curvas de carga, além do número de curvas
excluídas indicarem anormalidades no sistema de medição. A estratégia de redução de
dimensionalidade das curvas de carga, utilizada na metodologia proposta, resultou em melhor
eficácia de agrupamento, quando comparada ao agrupamento realizado sem redução de
dimensionalidade, assim como, em relação a redução das curvas de carga, através da Análise
de Componentes Principais. Os grupos resultantes representaram curvas de carga com
tipologias bem definidas, associadas aos dias da semana, classe de carga, meses do ano e
estações climáticas, mesmo que o agrupamento tenha sido realizado sem supervisão, ou
qualquer informação prévia fornecida ao algoritmo.
ABSTRACT:This research proposes a hybrid algorithm for filtering and clustering of load curves.
We used real data from an extra-high voltage transformer installed in a substation, susceptible
to the weather and peculiarities of the electrical system. The first step of the algorithm is to
filter data through an iterative process using hampel filter to correct the load curves and search
for remaining defects using the signal from the filter bank with Discrete Wavelet Transform
(DWT). In the second stage, associated to the clustering, an iterative process performed the
reduction of dimesionality of the load curves, through approach signal of the TWD filter bank,
at its various levels, followed by the grouping of these curves, applying the k-means algorithm.
The result of the filtration presented the optimized correction of the load curves, in addition to
that the number of curves excluded indicated abnormalities in the measurement system. The
strategy of dimensionality reduction of the load curves, used in the proposed methodology,
resulted in better clustering efficiency, when compared to the clustering realized without
reduction of dimensionality, as well as, in relation to the reduction of the load curves, through
the Principal Component Analysis. The resulting clusters represent load curves with welldefined typologies, associated with the days of the week, load class, months of the year and
climatic seasons, even though the clustering was performed without supervision, or any
previous information provided to the algorithm.
.
