EC341E - SIGNAL PROCESSING AND ANALYSIS OF GRID PERFORMANCE METRICS 2020.1: Household Comsumption

Introdução

Para início das investigações utilizando a toolbox de Wavelets do Matlab, foram procuradas bases de dados com sinais de diversas naturezas e aplicações, de preferência sinais reais. Nesta publicação, será compartilhado a análise de sinais provenientes de medidas relacionadas ao Consumo de Energia de uma casa familiar, estes sinais foram recolhidos em [1].

Esse dataset apresenta medições do consumo de energia elétrica em uma casa com uma taxa de amostragem de um minuto durante um período de quase quatro anos. Diferentes quantidades elétricas e alguns valores de sub medição estão disponíveis.

Para esta análise optou-se por um intervalo especifico dentro do espaço amostral. Foram utilizadas amostras do dia 16/12/2006 - 17:24 até 17/12/2006 - 23:59, tendo em vista que as amostras estão datadas e com seus devidos horários minuto a minuto. Foram escolhias as seguintes variáveis: Potência Ativa; Potência Reativa; Tensão; Corrente.

Dentro da toolbox foi utilizada ferramenta que realiza a análise através da Transformada Wavelets Discreta. O objetivo principal é retirar os ruídos dessas medições, afim de observar o perfil que essas variáveis apresentam no sistema.

Desenvolvimento

Na análise numérica e na análise de funções, uma Transformada Wavelet Discreta (DWT) é qualquer transformação wavelet para qual são amostradas de forma. Assim como ocorre com outras transformações wavelets, uma das principais vantagens sobre as transformadas de Fourier é a resolução temporal: captura as informações de frequência/escala e localização no tempo. Maior detalhamento de como funciona essa tranformada pode ser studado em [2].

Dentro os tipos de wavelets, foi utilizada a Meyer, que dentro da toolbox é a opção "dmey". Uma noção importante é quantos níveis de decomposição vai ser utilizado para chegar a um coeficiente do sinal que seja o esperado, decompondo as diferentes frequências. A Fig. 1 mostra o a característica do tipo Meyer.

Fig.1

Como foi dito anteriormente, alguns sinais de medição são objetos desta análise. O objetivo principal, é identificar as impurezas de alta frequência para que seja realizado uma análise mais detalhada atravé dos coeficientes deste sinal. Fig. 2 até Fig. 5 contém as curvas das medições de corrente, tensão, potência ativa e potência reativa respectivamente.

Fig.2

Fig.3

Fig.4

Fig.5

Esses sinais foram importados para serem analisados dentro da toolbox por meio da DWT. Três níveis de decomposição foram o suficiente para ter uma melhor visualização do sinal das componentes de alta frequência. A visualização das figuras a seguir é importante para o melhor entendimento do que se trata o processo da transformada. Nesse sentido, uma melhor análise do sinal permite que o horizonte de discurso seja ampliado, para pensarmos outros aspectos técnicos do sinal e também associação de outras ferramentas. Fig.6 até Fig.9 mostram a decomposição dos sinais na mesma ordem em que foram dispostos anteriormente.

Fig.6

Fig.7

Fig.8

Fig.9

É possível observar as diferentes componentes do sinal, os detalhes (d) e a aproximação (a), que possivelmente, dentro de uma análise específica, vai caracteriza-lo com melhor precisão. Através das outras componentes pode-se realizar estudos para descobrir problemas imperceptíveis, por exemplo. É possível exportar por meio da toolbox.

A Fig.10 vai mostra uma sobreposição de um dos sinais originais com o seu respectivo sinal aproximado, para efeitos de visualização do processo.

Fig.10

Conclusão

A proposta era iniciar a utilização da Wavelet Toolbox buscando melhor entendimento da ferramenta para análise de sinais. Como ponto de partida, essa atividade é bem proveitosa para se familiarizar e aplicar com sinais reais o desenvolvimento da disciplina. Em sequência, devemos observar outros tipo de sinais, além de procurar outras utilidades desta ferramenta. Realizando análises desse tipo, principalmente para sinais de medição em sistemas de potência, será possível realizar aplicações como identificação de padrões, transitórios e outros pontos que pode ser segmento de estudo.

É necessário buscar sinais com uma amostragem maior, para ter melhores detalhes, assim sendo possível melhores aplicações a partir do processamento de sinais.