1 INTELIGÊNCIA COMPUTACIONAL APLICADA NA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE PROBLEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA André Nunes de Souza 1 , Lucas Imaizumi Pereira 2 , Maria Goretti Zago 3 , Pedro da Costa Junior 4 , João Paulo Papa 5 , Danilo Sinkiti Gastaldello 6 . 1 UNESP-FEB-LSISPOTI, Bauru, Brasil, andrejau@feb.unesp.br 2 UNESP-FEB-LSISPOTI, Bauru, Brasil, ra510611@feb.unesp.br 3 EPUSP, São Paulo, Brasil, mgzago@uol.com.br 4 UNESP-FEB-LSISPOTI, Bauru, Brasil, costajr@feb.unesp.br 5 UNESP-FC-LSISPOTI, Bauru, Brasil, papa@fc.unesp.br 6 UNESP-FEB-LSISPOTI, Bauru, Brasil, dandangastaldello@gmail.com Resumo: A evolução tecnológica propiciou a maior utilização de equipamentos eletrônicos, essas cargas não- lineares são fontes de distorções harmônicas e, também, são dispositivos mais sensíveis na rede elétrica. Este artigo integra elementos da Inteligência Computacional com ensaios experimentais, visando identificar os efeitos e as causas das interferências nas medições de energia. Palavras-chave: Medição de energia, inteligência computacional, sistemas de energia. 1. INTRODUÇÃO O Estado de São Paulo possui cerca de 4,6 milhões de unidades consumidoras e um consumo aproximado de 31.600 Gigawatts-Hora de energia o que representa aproximadamente 35% do consumo estadual e 9,4% do nacional, beneficiando cerca de 14 milhões de pessoas. Considerando este cenário, um dos problemas de mesma ordem de grandeza está relacionado à quantificação e à caracterização do erro de medição, bem como à identificação precisa do número de queima de medidores de energia provocados pela presença de harmônicas e suas principais implicações nos indicadores de qualidade no sistema de energia [2]. Neste contexto, vislumbra-se a necessidade do desenvolvimento de metodologias e ferramentas computacionais para identificar, classificar e caracterizar as verdadeiras causas de erros de medição de energia [3]. Diversas pesquisas comprovam os malefícios dos altos níveis de distorções harmônicas nas instalações elétricas, acarretando prejuízos de ordem econômica e financeira, tanto para a empresa de energia como também para os consumidores [4]. Além disso, é conveniente destacar que as harmônicas produzem a operação anormal ou indevida dos medidores de energia elétrica do tipo indução, os quais são amplamente utilizados na medição de energia elétrica. Esses medidores têm sua operação fundamentada no fenômeno da interação eletromagnética, ou seja, o conjugado motor do medidor, associado ao registro de energia, é obtido em função da interação entre uma corrente e um fluxo magnético, este último oriundo da tensão aplicada ao medidor. Quando o medidor é submetido a tensões e a correntes distorcidas, essas por sua vez, criam conjugados que fazem com que o disco acelere ou desacelere, ocasionando nestas circunstâncias erros de medição [5]. O sistema elétrico nacional depara-se com a normatização dos índices de qualidade de energia, o PRODIST (Procedimentos de Distribuição de Energia Elétrica), o qual estabelece os requisitos mínimos necessários ao planejamento, acesso, uso, qualidade do fornecimento e operação dos sistemas de distribuição. Esta normatização pretende garantir que os indicadores de qualidade de serviço sejam atingidos, proporcionando segurança, eficiência e a confiabilidade dos sistemas elétricos. Para evitar possíveis irregularidades, e como conseqüência, penalidades financeiras e a insatisfação do cliente, as empresas têm a necessidade cada vez maior de se enquadrarem dentro dos limites toleráveis de distúrbios na rede e por isso têm investindo muito nesta área [6]. O interesse crescente em redes neurais artificiais (RNA) pode ser visto como um fenômeno notável dos anos 80 e ocorreu devido às características das RNA de grande capacidade de processamento e flexibilidade de integração com outras ferramentas matemáticas. As RNA têm atraído um grande número de pesquisadores de diversas áreas; entre eles destacam-se: matemáticos, físicos, psicólogos, neuro- fisiologistas, biólogos e engenheiros. Redes Neurais Artificiais são técnicas computacionais constituídas por sistemas paralelos distribuídos, compostos por unidades de processamento simples (neurônios) que tem a capacidade de aprender funções matemáticas. Essas unidades são dispostas em uma ou mais camadas e interligadas por um grande número de conexões, geralmente unidirecionais. Na maioria dos modelos, essas conexões estão associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede [7]. A possibilidade de aprender através de exemplos e de generalizar a informação aprendida é, sem dúvida, o atrativo principal da solução de problemas através de RNA. A Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications Serra Negra, SP - ISSN 2178-3667 398