COBEM 2015 - artigo apresentado

Boa noite! Gostaria de compartilhar com vocês, o artigo que apresentei no Congresso Brasileiro de Engenharia Mecânica - COBEM 2015, evento de porte internacional, realizado em Dezembro de 2015, no Rio de Janeiro.

Faz tempo que não faço mais postagens no blog. Mas pretendo recomeçar a aproveitar este espaço, para realizar minhas anotações, e compartilhar os meus caminhos nos estudos.
Estou concluindo um Mestrado em Engenharia Industrial, e já continuando no Doutorado, na mesma área, pela UFBA.
Este artigo é fruto de muito esforço, noites em claro, aprendizado na área da escrita técnica, e desejo a todos uma ótima leitura. O material está bem explicado e vale a pena conferir.
Um abraço aos amigos!!
OBS: algumas palavras poderão estar em inglês, pois quando conclui o trabalho precisei submeter a tradução para poder enviar o trabalho para publicação na língua inglesa, como exigência desse evento.

CLIQUE EM MAIS INFORMAÇÕES para visualizar o artigo...

MODELING FOR THE MEASUREMENT OF ELECTRICITY CONSUMPTION BASED ON READING ELECTRICAL CURRENT: A CASE STUDY.

Gregor Gama de Carvalho

Instituto Federal de Alagoas, Campus Maceió – Rua Mizael Domingues, nº 75 – Centro – Maceió/AL   

e-mail: gregor_gama@hotmail.com

Marcus Vinicius Americano da Costa

Universidade Federal da Bahia, Escola Politécnica. Rua Aristides Novis, nº 2, 6º Andar – Federação – Salvador/BA.

e-mail: marcus.americano@ufba.br

Robson da Silva Magalhães

Universidade Federal do Sul da Bahia, Campus Jorge Amado. Rod. Ilhéus-Vitória da Conquista, km 39, BR 415, Ferradas, Itabuna/BA.

e-mail: robsonmagalhaes@ufsb.edu.br

Abstract. No processo de inauguração de um Shopping Center, nem todos os setores operacionais estão ajustados e prontos para o funcionamento. Nesses casos, a gestão prioriza os principais serviços a serem concluídos para o funcionamento básico do estabelecimento em seus primeiros dias de vida. A parte elétrica é essencial, tal como iluminação, funcionamento de elevadores e escadas rolantes, porém, itens de automação de cargas e outros mais específicos, quando não concluídos, podem ser finalizados no decorrer dos meses seguintes. A medição da energia consumida por cada loja é de responsabilidade do shopping. O Shopping Center compra a energia da concessionária, e distribui internamente, a partir de sua subestação elétrica, para todos os seus consumidores internos. Desta forma, é necessário calcular o consumo individual de cada loja, através da leitura do valor das correntes elétricas. Para a obtenção dos valores de correntes elétricas utilizam-se técnicas como a aplicação de um alicate amperímetro. A leitura das correntes elétricas deve ser realizada em um momento em que a loja esteja com o seu funcionamento normal, pois, na ausência ou defeito no medidor de energia, haverão dados suficientes para a geração da tarifação de energia para cada loja. Neste trabalho, foram analisados dados dos consumos de diversas lojas do Arapiraca Garden Shopping, localizado na cidade de Arapiraca – Alagoas (Brasil). O processamento dos dados permitiu a realização de uma análise comparativa entre os resultados obtidos com o uso das fórmulas que calculam o consumo mensal de energia; os resultados obtidos pela aplicação de um modelo baseado em uma Artificial Neural Network (ANN), e os resultados obtidos pela medição real de consumo de energia realizada através de um medidor.

Keywords: Energy measurement, Mathematical Modelling, Artificial Neural Networks, Electric Consumption Calculation.

1.   Introduction

Atualmente, as diversas formas de geração de energia elétrica são as principais fontes de energia. A energia elétrica é empregada para a geração de força motriz, para a iluminação e para a alimentação dos mais diversos tipos de cargas elétricas. Segundo Caldeirão (2005), a fim de atender à crescente demanda de energia elétrica, são necessários investimentos em todas as suas fases (geração, transmissão e distribuição). Tolmasquim (2012) afirma que a demanda de energia no Brasil deverá crescer 5,3% ao ano, para os próximos dez anos. Um Planejamento Energético objetiva promover uma utilização racional das diversas formas energéticas, e otimizar o suprimento dessas formas, dentro das políticas econômica, social e ambiental vigentes no país (Bajay, 1989).

Para controlar o uso da energia elétrica, é necessário medir o seu consumo e, para tanto, é necessária a existência de um equipamento capaz de medi-lo. Esse equipamento é o medidor de energia elétrica. Para Paulino (2006), o valor obtido com essa medição deve ser o mais exato possível, pois estão envolvidos interesses econômicos de empresas geradoras e distribuidoras de energia, bem como dos consumidores, que devem ter os seus direitos respeitados. Com o propósito de manter os medidores dentro dos padrões exigidos, eles devem ser calibrados de acordo a norma específica para Medidores de Energia (NBR 14519). Estar calibrado quer dizer que o medidor está ajustado para medir o consumo de energia elétrica, dentro da faixa de erro admissível. Esta norma afirma que o erro de uma leitura de um Medidor Eletrônico não deve exceder de 2,5% com relação ao valor real consumido.

Melo (2006) afirma que a medição da energia elétrica é empregada, na prática, para possibilitar à entidade fornecedora o faturamento adequado da quantidade de energia elétrica consumida por cada usuário, conforme uma tarifa previamente estabelecida.

Nas últimas décadas vem sendo observado um aumento significativo do uso de novos tipos de tecnologia aplicada aos medidores de energia elétrica, tanto nas indústrias, como em unidades de consumo domésticas e comerciais. A tecnologia atual de medição de energia garante melhor exatidão, oferecendo informações detalhadas sobre o consumo. Com os dados de consumo, o sistema de distribuição de energia pode ser melhor dimensionado e o consumidor de energia pode, com isso, ter uma energia de melhor qualidade, com menos variação e menos interrupção no fornecimento. Paula (2013) mostra que, entre as principais vantagens do medidor eletrônico, estão a automação do processo de aquisição, o tratamento de dados para fins de faturamento e os ganhos de exatidão. No processo de medição, podem ocorrer eventuais falhas na porta de comunicação serial de um medidor ou um travamento no computador. Essas ocorrências impedem que o medidor eletrônico realize a leitura, ocasionando a perda de dados de medição, o que resulta em um forte impacto, com a perda na confiabilidade da medição.

Ante o exposto, este trabalho tem como objetivo o desenvolvimento de um modelo, baseado em redes neurais, para estimar a leitura de medidores eletrônicos de energia, minimizando o efeito das falhas desses medidores durante a operação do sistema de energia do Arapiraca Garden Shopping. Esse Shopping está localizado na cidade de Arapiraca – Alagoas, e possui um total de 194 lojas. O desenvolvimento de um modelo, além de possibilitar o tratamento de dados, o controle, a automação e a otimização do projeto, garantira uma forma alternativa para a tarifação dos consumidores. Na Seção 2, é explanado a maneira como foi realizada a medição dos dados de correntes, assim como as tecnologias utilizadas. Na Seção 3, os resultados calculados por formulações fenomenológicas são comparados com um modelo desenvolvido de uma Artificial neural network (ANN). Para o treinamento da ANN, foi utilizada uma base de dados composta pelo registro do consumo em 51 lojas. Na Seção 4, é realizada a conclusão mostrando a relevância deste trabalho sobre a medição de energia em estabelecimentos comerciais.

2.   MATERIALS OR METHODS

A coleta de dados foi realizada, em cada loja, durante os cinco primeiros meses de funcionamento do Shopping. A coleta ocorreu segundo um procedimento básico, seguindo os seguintes passos: localizou-se o medidor de energia de cada loja; garantiu-se o acesso ao medidor para a realização do procedimento de leitura da corrente; realizou-se a medida da corrente com o uso de um alicate amperímetro.

Figure 1. Electrical current measurement using the Clamp instrument.

     

O procedimento técnico para a execução da leitura do valor de corrente consistiu em visitar a loja escolhida, garantindo-se que todas as cargas elétricas existentes no recinto estivessem em operação, tais como: ar condicionado, iluminação de vitrines, televisores e equipamentos de som; ou seja, todos os equipamentos usualmente utilizados no decorrer de um dia normal de funcionamento. Dessa forma, garantiu-se que fossem medidos os valores nominais das correntes elétricas que alimentam a loja. Para realizar esta medição de corrente, utilizou-se um alicate amperímetro. Este dispositivo é ligado e ajustado para a escala conveniente. O alicate amperímetro é posicionado no cabo de uma das fases da rede elétrica que alimenta a loja, e é realizada a leitura do valor instantâneo da corrente elétrica que percorre este cabo.

A maioria das lojas são alimentadas por uma rede trifásica. Portanto, é necessário realizar a leitura dos valores de corrente nas 3 fases. Para realizar o cálculo do Consumo, é preciso verificar a quantidade de dias e horas em que a loja funcionou em cada mês observado. O Shopping funciona de segunda a sábado durante 12 horas por dia. No domingo, salvo algumas exceções de lojas grandes e restaurantes, a maioria das lojas funcionam apenas 6 horas. Portanto, a média de funcionamento de uma loja de pequeno porte é de aproximadamente 11 horas diárias, sendo esse valor adotado para os cálculos do consumo. Segundo Creder (2007), é possível calcular o Consumo de energia elétrica de cada loja aplicando-se a Equation 1.

(1)

onde,

(2)

Sendo, v a tensão elétrica trifásica medida em Volts, e i_m é a média aritmética das três correntes medidas (i₁, i₂ e i₃) em Amperes, demonstrada pela Equação 2. O Shopping possui um banco de capacitores instalado, mantendo um valor padrão do fator de potência (f_p) em 0,92. d  é a quantidade de dias em que a loja consumiu energia naquele mês, e h é a média da quantidade de horas que a loja funciona no dia.

Aplicando-se os dados na Equação 1, obtém-se o consumo em kWh para cada loja da amostra definida. Torna-se possível uma comparação entre o valor calculado (Equation 1) e o valor lido pelo medidor. Na tabela 1, são mostrados dois casos (Store – 109 e Store - 110) em que existe uma grande diferença entre o valor do consumo medido e o calculado pela Equation 1. Já a Store – 119 representa um caso típico em que os valores são próximos.

Table 1 – Energy Measurement Comparison Shopping 03 stores for the month February 2014.

STORE	Energy Consumption					kWh (Meter)
	I1	I2	I3	Days	kWh(currents)	Previous	Present	Measured
Store - 109	2,9	1,7	2,1	29	431	2235	2853	618
Store - 110	4,9	5,1	4,3	29	920	139	142	3
Store - 119	4	5,1	5,1	29	913	4193	5142	949

Esta tabela nos mostra como deve ser preenchida a planilha de rateio de energia para os lojistas do shopping. A leitura dos valores de correntes é conferida a cada mês. É realizada a atualização da coluna referente a quantidade de dias, pois nem sempre é possível manter constante o intervalo de medição. Comparando as medições das três lojas da tabela 1, é possível notar um erro na medição do medidor da Store – 110. O consumo calculado (Equation 1) para este mês indica um valor de 920 kW, e sabendo que a loja funcionou normalmente durante este mês, seria impossível ter consumido apenas 3 kWh, como indicado pelo medidor de energia. É dessa forma que o setor de Operações do Shopping investiga o consumo de cada loja, gerando-se o faturamento mensal de energia.

 Definimos como Discrepância (Dp) a diferença relativa entre o valor calculado e o valor medido pelo medidor. A Equation 3 calcula, em valor percentual, a discrepância relativa entre as duas maneiras de tarifar a loja, aonde (Calculated) é a energia (kWh) obtida pelo cálculo do consumo por corrente (Equation 1) e (Measured) é a leitura obtida no medidor.

          

                                                                                                                                                                                           

(3)

A discrepância é utilizada para a tomada de decisão de qual é o valor que representará melhor o consumo de energia de uma loja, em cada mês. Foi adotado, pelo setor de Operações, o valor de discrepância percentual em 10%, como o limite para a aceitação de um valor lido pelo medidor. Quando a Discrepância apresentar um valor inferior a 10%, é recomendável descartar o valor do cálculo por corrente (Equação 1) e assumir o valor da medição de energia realizada pelo medidor (Measured). Porém, quando Dp for maior que 10%, recomenda-se o uso do valor de energia calculado por corrente (Equação 1) para gerar a tarifação do cliente. Nesse caso, também se recomenda a realização de uma nova leitura dos valores das correntes elétricas, confirmando-se a leitura anterior. A realização de uma nova leitura pode indicar um defeito no medidor, uma alteração na carga elétrica consumida dentro da loja, ou algum outro fator que não tenha sido percebido pelo setor de fiscalização e operação do shopping.

O objetivo deste trabalho, diante da problemática apresentada, é adicionar mais uma maneira para estimar o consumo dos lojistas. A proposta é o desenvolvimento de um modelo baseado em uma Artificial neural network (ANN) que represente o consumo de energia. A ANN terá como entrada as correntes elétricas medidas em cada fase de alimentação de uma determinada loja. A saída da rede será a estimativa do consumo mensal da loja. Esse valor será registrado em uma nova coluna na planilha de rateio (Table 1), contribuindo para a escolha da melhor maneira de gerar a tarifação do consumidor.

3.   MODELLING AND ANALYSIS

Para o processamento dos dados, foi utilizado o software Matlab®. A Artificial neural network é uma das ferramentas oferecidas pelo software. Ela foi escolhida para a construção do modelo que representa o Consumo de Energia. A modelagem do Consumo foi desenvolvida a partir do conjunto de dados em que a entrada foi estabelecida como as três correntes elétricas que alimentam uma loja qualquer do shopping. Os dados foram aplicados ao modelo, considerando as medições dos cinco meses estudados (Novembro de 2013 a Março de 2014), uma entrada para cada mês. A saída do modelo é a estimativa do valor do consumo mensal da loja, em kWh.

As Redes Neurais Artificiais são treinadas em relação a um conjunto de dados até aprenderem com os padrões que lhe são apresentadas (Ata, 2015). Uma vez que a rede esteja treinada, novos dados poderão ser apresentados à entrada para a estimação da saída. A Rede Neural é uma ótima alternativa para a abordagem de problemas fenomenológicos complexos representando as situações reais. Segundo (Ganesan et al. 2015) os modelos de uma Rede Neural Artificial são mais precisos e eficientes para lidar com uma relação não linear de dados.

Os dados foram organizados considerando-se 51 lojas, do total de 194 lojas do Shopping. A escolha da quantidade de lojas para a amostra se dá pela disponibilidade de dados. O Shopping foi inaugurado em Setembro de 2013, e nos primeiros meses de funcionamento, apresentava poucas lojas inauguradas. Após a organização dos dados foram obtidos 255 padrões (Conjuntos entradas x saídas), já que foram disponibilizados os dados de 05 medições para cada uma das 51 lojas. A Tabela 2 ilustra como foram organizados os dados. Cada coluna representa um padrão, composto por três entradas e uma saída. De todo o conjunto de dados organizados conforme a tabela 2, é extraída duas matrizes para o treinamento da rede. A matriz P (entrada), é composta pelos dados de correntes, e a matriz T (saída), é composta pelos dados de consumo.

Para a construção da matriz dos dados de saída T, os valores do consumo de energia foram estabelecidos considerando-se o seguinte algoritmo:

1)     Para uma Discrepância (Equation 3) menor que 10%: é adotado o valor do Medidor (Measured);

2)     Para uma Discrepância (Equation 3) maior que 10%: é adotado o valor do Cálculo por correntes (Equation 1).

Table 2 – Part of the matrices P and T, with the data of 51 stores power measurements.

		STORE - 01					STORE -  02
		nov/13	dez/13	jan/14	feb/14	mar/14	nov/13	dez/13	jan/14	feb/14	mar/14
Input 1	i1 (Amperes)	4,3	4,2	4,4	4,8	4,3	4,1	3,9	4,1	4,3	4,2
Input 2	i2 (Amperes)	3,3	3,5	3,4	3,1	3,4	5,7	5,6	5,6	5,8	5,6
Input 3	i3 (Amperes)	3,6	3,8	3,7	3,2	3,2	4,4	4,3	4,5	4,6	4,7
Output	Consumption (kWh)	769	812	769	781	689	1142	957	1056	1202	1018

O modelo desenvolvido é um modelo empírico MISO (Multiple Input, Single Output). No treinamento do modelo, foram aplicados os 255 padrões correspondentes aos meses de Novembro de 2013 a Março de 2014. O software Matlab® foi utilizado para o desenvolvimento do modelo. A definição da topologia da rede é resultado da aplicação do Dynamic Division Method (DDM) proposto por Mendes, et. al., 2015. O modelo obtido a partir de Redes Neurais Artificias feedfoward é composto por duas camadas, possuindo 17 neurônios em sua camada oculta. The figure 2 mostra a topologia usada no treinamento da rede neural.

Figure 2 – Topology of the algorithm for the training of the artifical neural network 

Os dados de entrada foram normalizados buscando uma otimização no processo de aprendizagem da Rede Neural. Segundo Mendes, et. al., 2015, o principal motivo para a normalização é a diferença existente entre os valores apresentados na entrada. A função de ativação escolhida para o treinamento da camada oculta foi a função logsigmoidal. Aplicando valores de entrada muito elevados ao treinamento da rede neural, podem saturar a função de ativação, prejudicando a convergência da rede neural. Sem a realização da otimização dos dados poderá ser difícil para o algoritmo de convergir.

O método de aprendizagem utilizado foi o backpropagation. Foi escolhida para o treinamento da camada oculta, a função de ativação logsigmoidal. Para a camada de saída, aplicou-se a função linear para o treinamento. Segundo Felipe Rodriguez, et. al., 2014, o algoritmo de aprendizagem backpropagation é normalmente aplicado as múltiplas camadas de neurônios da rede, utilizando o método gradiente descendente. A camada de saída é então analisada para ver a contribuição de cada um dos neurônios, buscando a minimização do erro entre a saída desejada e a saída fornecida pela rede neural artificial. Dessa forma, os neurônios e seus pesos são reajustados, a cada iteração, durante o treinamento da rede, a fim de minimizar o erro da iteração seguinte.

Após o treinamento da rede neural, conhecidas as entradas, que são os valores de correntes em uma determinada loja que é alimentada por uma rede trifásica; o modelo é aplicado para simular o valor de saída, obtendo-se a estimativa do consumo mensal de energia (kWh) para essa loja. The Figure 2, mostra que o modelo desenvolvido correspondeu as expectativas, tendo os valores de saída muito próximos a realidade das medições lidas pelo medidor.

Figure 3 – Plots of energy consumption measured by the meter compared to the output obtained by the neural network model relating to a sample 51 stores.

A próxima etapa, após a obtenção do modelo, consiste na validação, aplicando dados de outras lojas que não participaram do treinamento inicial da Rede Neural.

4.   RESULTS AND DISCUSSION

Após a aplicação dos dados de entrada ao modelo (ANN), verifica-se que todas as lojas da amostra inicial de 51 lojas, alcançaram o valor de Dp (Equation 3) inferior a 10%. O desempenho do modelo proposto pode ser considerado como ótimo, já que soluciona os casos em que antes era contestada a veracidade da medição de consumo obtido pelo medidor de energia (Measured).

A tabela 3 mostra os valores percentuais da Discrepância relativa (Equation 3). O modelo foi validado com um novo conjunto de dados (tabela 3), composto por 20 lojas que não pertenciam a amostra inicial fornecida para o treinamento da rede. O teste de validação demonstra que 55% das lojas foram beneficiadas quanto a forma escolhida para a cobrança do consumo mensal de energia. Estas lojas pagaram menos energia neste mês. Após a aplicação da ANN, o valor da Discrepância (Equation 3) apresentou-se inferior a 10%, podendo adotar a medição de energia pela leitura do medidor eletrônico de energia.

A tabela 3 apresenta os valores que não foram tarifados para algumas lojas. Ao somá-los conclui-se que o shopping deixou de faturar 4.945 kWh para essa amostra de 20 lojas no mês de fevereiro.

Table 3 – Analysis of discrepancy value for choosing the adopted column

				MONTH: FEBRUARY / 2014
	Consumption	Consumption	Consumption	Discrepancy	Discrepancy	ADOPTED		Difference
	Calculation	Model	Monthly	Equation 3	ANN	COLUMN	ANN	ANN -
Number of Store	Equation 1	ANN	METER	Meter	Meter	Charging	Indication	Charging
Store - 122	1.073	1.089	1.091	2%	0%	1.091	1.091	-
Store - 132	915	998	949	4%	-5%	949	949	-
Store - 133	840	972	957	12%	-2%	840	957	117
Store - 135	4.386	5.365	5.243	16%	-2%	4.386	5.243	857
Store - 139	3.666	4.745	4.797	24%	1%	3.666	4.797	1.131
Store - 141	3.087	3.450	3.669	16%	6%	3.087	3.669	582
Store - 145	4.052	5.366	5.200	22%	-3%	4.052	5.200	1.148
Store - 151	1.743	1.746	1.845	6%	5%	1.845	1.845	-
Store - 190	1.055	1.103	1.214	13%	9%	1.055	1.214	159
Store - 197	605	867	866	30%	0%	605	866	261
Store - 198	772	864	944	18%	8%	772	944	172
Store - 216	1.254	1.239	1.140	-10%	-9%	1.140	1.140	-
Store - 221	933	1.075	1.058	12%	-2%	933	1.058	125
Store - 236	926	1.156	1.173	21%	1%	926	1.173	247
Store - 243	1.653	1.699	1.659	0%	-2%	1.659	1.659	-
Store - 245	1.543	1.542	1.549	0%	0%	1.549	1.549	-
Store - 266	1.093	1.106	1.097	0%	-1%	1.097	1.097	-
Store - 005	772	932	918	16%	-2%	772	918	146
Store - 129	1.042	1.155	1.117	7%	-3%	1.117	1.117	-
Store - 162	1.556	1.603	1.588	2%	-1%	1.588	1.588	-
					TOTAL	33.129	38.074	4.945

5.   CONCLUSion

No presente trabalho foi utilizado um conjunto de dados de 51 consumidores, lojistas, de um Shopping de Alagoas, para analisar o consumo mensal de energia elétrica. O conjunto destes dados permite uma análise com detalhe, precisão e representatividade.

Após a manipulação matemática  dos dados coletados foram apresentados duas formas para o cálculo do consumo mensal de energia de uma loja. O primeiro é o modelo matemático fenomenológico, que calcula o consumo através da leitura dos valores das 03 correntes elétricas que energizam a loja, utilizando a média do tempo de utilização, em horas, de determinado estabelecimento. O segundo é aplicação de um modelo desenvolvido de uma Rede Neural Artificial.

Dessa forma, a proposta do modelo de uma Rede Neural obteve uma melhoria para o sistema de medição, quando comparado ao método por cálculo do consumo pela Equation 1.

Tal medida visou reduzir a margem de erro para o calculo do consumo, em caso de falhas do medidor. A entidade fornecedora de energia elétrica, neste caso o Shopping, tem grande interesse no perfeito e correto desempenho deste equipamento, pois nele é que repousam uma das bases econômicas da empresa.

Tendo em vista que se obteve uma melhor eficiência na automação dos processos de leitura e controle dos dados, motivado pela nova modelagem apresentada, tornaram-se importantes à avaliação e o estudo da aplicabilidade de novos conceitos assim como a verificação de dificuldades que possam ser encontradas na criação e implementação. Como consequência, houve uma redução nos litígios entre consumidores e fornecedores, visto que a margem de erro foi inferior a 10%, margem assumida pela empresa. Determinando assim o sucesso da modelagem a qual este trabalho se propôs.

6.   aCKNOWLEDGEMENTS

A todo o corpo docente do PEI-UFBA, pelos novos conhecimentos e ensinamentos na área.

7.   ReFERENCES

Ata, R. 2015. “Artificial neural applications in wind energy systems: a review.” Renewable and Sustainable Energy Reviews. Vol. 49, p. 534-562.

Bajay, S.V., 1989. “Planejamento Energético: Necessidade, objetivo e metodologia.” Revista Brasileira de Energia, Vol. 1, p. 1-6.

Caldeirão, L.C., 2005.  “Avaliação Experimental de Medidores Watt-Hora Operando em Condições Não Seinodais”. São Paulo, Brasil.

Creder, H., 2007. “Instalações Elétricas”. Editora LTC, 15^a Edição. Rio de Janeiro, Brasil.

Ganesan, P., Rajakarunakaran, S., Thirugnanasambandam, M. and Devaraj, D. 2015. “Artifical neural network model to predict the diesel generator performance and exhaust emissions.” Energy, Vol. 83, p. 115-124.

Melo, W.G., 2006. Estudo e Aplicação da Norma IEEE 1459-2000 para Medidores Digitais de Energia. Dissertação de Mestrado, Pontifícia Universidade Católica do Rio Grande do Sul, Rio Grande do Sul, Brasil.

Mendes, C.; Magalhães, R. S.; Esquerre, K. and Queiroz, L. M., 2015. “Artificial Neural Network Modeling for Predicting Organic Matter in a Full-Scale Up-Flow Anaerobic Sludge Blanket (UASB) Reactor”. Environmental Modeling & Assessment, p.1-11.

NBR 14519, 2011. “Medidores Eletrônicos de Energia Elétrica (estáticos) – Especificação”. 22 Mai. 2015

     <http://pt.scribd.com>

Paula, G.J., 2013. Medidor de Demanda de Energia Elétrica Residencial com Acesso Remoto. Trabalho de Conclusão de Curso, Centro Universitário de Brasília, Distrito Federal, Brasil.

Paulino, C.A., 2006. Estudo de Tecnologias Aplicáveis a Automação da Medição de Energia Elétrica Residencial visando a Minimização de Perdas. Dissertação de Mestrado, Universidade de São Paulo, Escola Politécnica, São Paulo, Brasil.

Rodrigues, F., Cardeira, C. and Calado, J.M.F., 2014. “The Daily and Hourly Energy Consumption and Load Forecasting Using Artificial Neural Network Method: A Case Study a Set of 93 Households in Portugal.” Energy Procedia, Vol. 62,  p. 220-229.

Tolmasquim, M.T., 2012. “Perspectivas e planejamento do setor energético no Brasil” Estudos Avançados, Vol. 26, p. 249-260.

8.   Responsibility notice

The authors are the only responsible for the printed material included in this paper.