Modelagem de Carga baseada em Monitoração de
Qualidade de Energia: um Problema de Identificação
de Sistemas
Igor F. Visconti, Luiz Felipe W. de Souza e Ricardo P. D. Ross
CEPEL – Av. Horácio Macedo, 354 - Cidade Universitária, CEP 21941-911 - Rio de Janeiro – RJ
Janaina M. S. C. Costa, Nobyle R. B. Sobrinho
CHESF – Rua Delmiro Gouveia, 333 – Bongi, CEP 50761-901 Recife – PE
Resumo  Modelos de carga precisos são essenciais para
estudos da operação e do planejamento de sistemas elétricos,
pois estes operam cada vez mais próximos de seus limites de
estabilidade, aumentando a necessidade de uma melhor
representação das cargas para a simulação do comportamento
dinâmico do sistema de potência mais confiável.
Neste trabalho são descritos procedimentos para modelagem de
cargas a partir de dados coletados numa rede de medidores de
Qualidade de Energia.
Para a estimação de parâmetros do modelo utilizamos o
Algoritmo Genético (AG), por não ter restrições de inicialização
de parâmetros e pela natureza não-linear das curvas analisadas.
Palavras-chaves  Modelagem de carga, algoritmos genéticos,
estabilidade eletromecânica, medição de qualidade de energia.
I. INTRODUÇÃO
Modelos matemáticos são fundamentais para a simulação de
sistemas elétricos. Geradores, transformadores e linhas têm
modelos conhecidos e validados, porém as cargas têm um
comportamento estocástico, aproximadamente sazonal e não-
linear. Em [1] há uma lista de modelos e recomendações para
representar cargas em estudos estáticos (fluxo de potência) e
dinâmicos (estabilidade eletromecânica).
Mas como definir a melhor estrutura de modelo para
representar o comportamento da carga diante de
contingências inerentes ao sistema de potência? Como obter
os parâmetros adequados para caracterizar padrões de
comportamento observados (medidos)? Essa área de pesquisa
é conhecida como “Identificação de Sistemas” e pode-se
dizer que esse é o grande desafio de muitas aplicações da
engenharia e da física.
Em um sistema dinâmico, variáveis de diferentes tipos se
relacionam, produzindo sinais observáveis (saídas), a partir
de estímulos (entradas) [2].
Igor Ferreira Visconti, igor@cepel.br , Tel. +55-21-2598-6128 Luiz Felipe
Willcox de Souza lfelipe@cepel.br , Tel. +55-21-2598-6408, Ricardo Penido
Dutt-Ross, rpdr@cepel.br , Tel. +55-21-2598-6235, Fax +55-21-2598-6451,
Janaina Mirses de Sousa Cruz Costa, jmirses@chesf.gov.br ,Tel. +55-81-
3229-4177, , Nóbyle Rabello de Barros Sobrinho, nobyle@chesf.gov.br Tel.
+55-81-3229-4056 , Fax: +55-81-3229-4174
Para descrever esse relacionamento entre variáveis do
sistema, são utilizadas equações a diferenças (domínio
discreto) ou diferenciais (domínio contínuo) que constituem
modelos matemáticos. É impossível estabelecer uma conexão
exata entre um sistema físico e sua descrição matemática. No
entanto, pode-se estabelecer uma caracterização matemática
boa o suficiente para um determinado fim.
Há duas abordagens para a modelagem de cargas:
modelagem baseada em componentes e modelagem baseada
em medições. A modelagem baseada em componentes
necessita de um conhecimento detalhado das classes de carga
e as respectivas parcelas que compõem a potência consumida
em uma determinada barra de carga. Em contraste, a
modelagem de carga baseada em medição requer um medidor
instalado nesta barra de carga, que fornece subsídios para
estimar-se um modelo entrada-saída, independente da
estrutura deste modelo ter significado físico ou não. A
determinação de modelos de cargas baseados em medição
requer o processamento de dados que registrem a resposta da
potência da carga a perturbações na tensão de entrada
(amplitude e frequência). Os dados podem ser obtidos a partir
das medições existentes na rede elétrica que registrem os
afundamentos de tensão que ocorram fortuitamente.
Com o objetivo de obter representações mais precisas das
cargas para os estudos de estabilidade angular, o Cepel e a
Chesf vem desenvolvendo um projeto de pesquisa para
desenvolver técnicas e métodos de modelagem de cargas a
partir de dados obtidos por medidores de qualidade de
energia elétrica.
A Chesf (Companhia Hidro Elétrica do São Francisco)
possui, em seus mais de 18.000 km de linhas de transmissão
no Nordeste brasileiro (Figura 1), um Sistema de
Monitoração da Qualidade de Energia Elétrica (SMQEE)
com medidores instalados em diversas subestações
espalhadas por toda a sua área de atuação [3]. O SMQEE,
também conhecido como “rede de qualimetria”, tem como
características monitorar a tensão de barramentos de
subestações e a corrente de alguns circuitos específicos. As
grandezas registradas pelos medidores são armazenadas em
um banco de dados. Diversos aplicativos para avaliação de
indicadores de qualidade de energia ou análise de eventos
ocorridos no sistema utilizam os dados armazenados no
SMQEE.

Fig. 1 - Diagrama do SMQEE da Chesf
Este artigo apresenta um procedimento de modelagem de
cargas baseado em medições de respostas a afundamentos de
tensão ocorridos na rede elétrica. A partir de um modelo
paramétrico de carga pré-estabelecido, foram obtidos
parâmetros que representaram o comportamento da carga de
uma subestação de 69 kV da Chesf. Para a obtenção dos
parâmetros do modelo, foram usados algoritmos genéticos,
que empregam um processo adaptativo e paralelo de busca de
soluções e podem ser utilizados na resolução de problemas de
otimização difíceis de serem modelados com técnicas
tradicionais.
II. AQUISIÇÃO E PROCESSAMENTO DE DADOS DE QEE
Os medidores de QEE (ou simplesmente medidores)
pertencentes à “Rede de Qualimetria” da CHESF, espalhados
em barras e entrada de linhas (EL) do sistema de transmissão,
são programados para registrar dados da rede elétrica quando
ocorrem Variações de Tensão de Curta Duração (VTCD).
Fig. 2 – Variação de Tensão de Curta Duração (VTCD)
Estas são definidas como uma redução súbita no valor eficaz
de pelo menos uma das tensões entre fase e neutro, abaixo de
um certo valor pré-definido. VTCD são causadas
principalmente por curtos-circuitos, mas também por
energização de transformadores, chaveamento de bancos de
capacitores/reatores, descargas atmosféricas e entrada e saída
de grandes consumidores, causando impacto dentro de uma
área de vulnerabilidade [5]. Ao detectar uma VTCD, os
medidores dentro desta área vão registrar as formas de ondas
de tensão (Fig. 2) e corrente (Fig. 3.), numa janela de duração
de 500ms, com taxa de amostragem de 32 pontos por ciclo.
Fig. 3 - Correntes associadas a VTCD da Fig. 2
A partir de dados de VTCD registradas no banco de dados do
sistema de monitoração da Chesf, foi estabelecido o seguinte
procedimento de processamento dos dados:
• Aquisição de dados de Tensão e Corrente Instantâneos
V(t) e I(t) de uma subestação do 69kV para distúrbios
(VTCD) causadas por curtos-circuitos oriundos do sistema de
transmissão (230, 500kV). Em [6] e [7] apresentamos a
metodologia de localização de origem de curtos circuitos, em
operação na Chesf.
• Decomposição de V(t) e I(t) em fasores, utilizando a
Transformada Discreta de Fourier.
• Transformação de tensões e correntes das coordenadas
ABC para 012.
• Processamento das potências de seqüência positiva
através da relação P + jQ = VI* (Fig. 4)
Fig. 4 - Potências calculadas com as V e I das Fig. 2 e 3
 III. IDENTIFICAÇÃO DE SISTEMAS
Um modelo deve atender a um propósito e ser encarado com
uma descrição boa e confiável o suficiente de aspectos
específicos de um sistema e não como a descrição final e
insofismável de um fenômeno. As etapas descritas em [2] e
em [3] sintetizam o procedimento para a modelagem de carga
baseada em medição:
• Escolha de uma estrutura de modelo – isto implica
entre adotar um modelo linear ou não-linear, entre um
modelo com significado físico ou “black-box”, “Single-Input
Single-Output” (SISO) ou “Multi-Inpu Multi-Output”
(MIMO). No presente trabalho, utilizou-se um modelo
“black-box” autorregressivo SISO, não tendo sido realizada
uma investigação do “melhor modelo”. Em [4], essa
abordagem é descrita como método a priori de escolha de
modelo.
• Escolha do tamanho do modelo – isto implica em
selecionar a ordem de um modelo de espaço de estados, ou os
graus de liberdade de um modelo polinomial, bem como
inferir quais são as variáveis de interesse. No presente
trabalho, o procedimento de escolha da ordem e das variáveis
de interesse foi pautado na simplicidade; assim sendo, a saída
do sistema é a Potência do barramento de carga e a entrada é
a Tensão, sendo dois modelos utilizados, um para Potência
Ativa e outro para Potência Reativa. Em [1] o modelo
“black-box” utiliza a Frequência como variável de interesse.
Embora exista um forte acoplamento entre a Frequência e a
Potência Ativa, os controles automáticos de tensão atuam
bem mais rápidos do que os controles automáticos de
velocidade e a partir desta premissa a Frequência não foi uma
variável incluída no modelo. O modelo é de segunda ordem,
pois esta escolha produziu resultados suficientes para os
fenômenos envolvidos.
• Escolha dos parâmetros – que minimizam o erro entre
a simulação obtida com o modelo e a medição. A
parametrização do modelo foi lograda através de um
algoritmo genético.
• Validação do modelo – Verificação da abrangência do
modelo e seus parâmetros para diferentes curvas,
correspondentes a diferentes eventos ocorridos no sistema
elétrico.
IV. MODELOS DE CARGA
Modelos de carga são expressos na forma de funções de
transferência, equações diferenciais, equações de diferenças,
entre outras. São divididos em estáticos e dinâmicos podendo
ter interpretações físicas ou não. Como mencionado
anteriormente, a referência [1] traz uma relação extensa de
estruturas de modelos utilizados nos mais diversos estudos,
agregando significados físicos quando possível.
A. Modelo Estático
O modelo mais conhecido para caracterizar o comportamento
estático de cargas, largamente empregado em estudos de
fluxo de potência, é o modelo ZIP, cujo significado físico é
caracterizar o comportamento da carga como uma agregação
de uma parcela de impedância constante (Z), uma parcela de
corrente constante (I) e uma parcela de potência constante
(P). As equações do modelo ZIP para representação das
potências ativa e reativa são, respectivamente:
P = Po [ α p(V/Vo)2 + β p (V/Vo) + γ p ] (1)
Q = Qo [ α q(V/Vo)2 + β q (V/Vo) + γ q ] (2)
onde Po, Qo e Vo são os pontos de operação definidos de
acordo com o problema e, neste estudo, foram considerados
como sendo os respectivos valores eficazes de operação em
regime permanente (pré-falta).
Os parâmetros α, β e γ representam, respectivamente, os
percentuais de impedância constante, corrente constante e
potência constante, sujeitos à restrição:
α+β +γ= 1 (3)
Embora esta estrutura de modelo seja útil para estudos
estáticos, como fluxo de potência, o modelo não se presta a
traduzir o comportamento dinâmico da carga (estudos de
estabilidade eletromecânica).
B. Modelo Dinâmico
Em [1] este modelo é chamado de Complex Load-Computer
Based On Line Model e em [7], é chamado Modelo
Australiano Linear. Em [2], é definido mais formalmente
como modelo autorregressivo (ARX) de 2ª ordem. Ao longo
do trabalho, será simplesmente referenciado como Modelo
Linear. As equações (5) e (6) mostram exemplos de modelos
lineares de 2ª ordem para potências ativa (P) e reativa (Q):
P(k)= α 1p P(k-1) + α 2p P(k-2)+β 0p V(k)+β 1p V(k-1)+β 2p V(k-2) (5)
Q(k)=α 1q Q(k-1) + α 2q Q(k-2)+β 0q V(k)+β 1q V(k-1)+β 2q V(k-2) (6)
C. Modelo Híbrido
Consiste na combinação linear entre os modelos estático e
dinâmico. Assim, a equação deste modelo é:
P = µ PZIP + (1- µ ) PLIN (7)
onde µ ≤ 1 representa a ponderação das parcelas estáticas e
dinâmica adotadas no modelo.
V. REPRESENTAÇÃO DA SOLUÇÃO COM AG
Algoritmo Genético é uma estratégia de busca de soluções,
inspirada na Biologia Evolutiva, onde os indivíduos mais
aptos sobrevivem pela seleção natural, carregando
características genéticas de seus pais e estando sujeitos a
variações aleatórias em seus genes. A ciência da computação
adaptou esses conceitos, codificando os parâmetros da
solução de um problema como cromossomas ou indivíduos,
dentro de um conjunto de soluções chamadas populações.
O algoritmo então gera uma população de cromossomas
aleatoriamente, respeitando os limites inferior e superior de
cada gene (parâmetro da solução do problema), avaliando
cada uma das soluções geradas. São criadas novas gerações
de cromossomas/soluções através da seleção, cruzamento ou
mutação dos mesmos [8]. Os modelos de carga contêm
parâmetros desconhecidos. Estes parâmetros constituem o
cromossoma do AG (representação da solução). A Eq. 8
apresenta o cromossoma do Modelo Híbrido:
[µ, α p,β p, α 1p, α 2p,β 0p, β 1p, β 2p] (8)
A função de avaliação ou Função Objetivo Fobj a ser
minimizada é o erro médio quadrático entre a curva medida e
a curva calculada pelo modelo parametrizado. Esta função é
responsável por determinar quais são os indivíduos mais
aptos a sobreviver ou qual solução melhor se aproxima da
solução ótima. Assim, para cada uma das curvas de potência
ativa P e reativa Q, as funções de avaliação de cada problema
são:
(9)
(10)
onde N é o número total de amostras da janela, P imed e Qimed
são respectivamente as amostras i das Potências Ativa e
Reativa e Pisim e Qisim são respectivamente as amostras i de
Potências Ativa e Reativa simuladas pelo modelo híbrido
proposto, (5) e (6).
O total de pontos N da janela com 54 ciclos e taxa de
amostragem de 32 pontos por ciclo é de 1698 pontos (valores
eficazes, calculados através de janelas deslizantes de 32
pontos por ciclo), como mostra a Fig. 5a.
Fig. 5 – (a) Sinal com amostragem original
No entanto, como este trabalho visa implementar modelos em
estudos de estabilidade transitória e a dinâmica de tais
fenômenos é muito lenta, da ordem de poucos Hz, o sinal foi
reamostrado com 4 pontos por ciclo, reduzindo o total de
pontos N da janela para pouco mais de 200 pontos (Fig. 5b).
Sinal de Potência com 4 pontos/ciclo
Fig. 5 - (b) Sinal reamostrado
VI. GENERALIZAÇÃO DO MODELO
Uma vez estabelecido o modelo híbrido como uma estrutura
adequada para representar o comportamento dinâmico das
cargas num sistema de distribuição, na ocorrência de faltas no
sistema de transmissão, o problema reside na identificação de
parâmetros, ou seja:
• Estimar percentagem da composição de cargas estáticas
e cargas dinâmicas
• Estimar os parâmetros individuais do modelo estático
(percentuais de impedância constante, corrente constante e
potência constante)
• Estimar os percentuais individuais do modelo dinâmico
(sensibilidade da resposta da potência com a variação de
tensão e de potência)
A estrutura do modelo híbrido e a obtenção de seus
parâmetros através de Algoritmos Genéticos se mostraram
bem sucedidas para representação de curvas de VTCD de
eventos específicos. Todavia, é necessário estabelecer um
procedimento para generalizar o modelo para:
• Diferentes tipos de distúrbios (curtos-circuitos
trifásicos, bifásicos, monofásicos).
• Diferentes severidades de curtos-circuitos (medidos pela
amplitude do afundamento de tensão, isto é, o desvio em
relação à tensão nominal).
• Diferentes períodos (cargas leve, média e pesada, verão,
outono, inverno e primavera)
A Figura 8 apresenta uma curva de potência obtida no
barramento da subestação de Teresina 69kV, durante um
curto-circuito monofásico no 500kV, numa quinta-feira na
ocorrência de chuva, num período de carga leve
(06hs29m21s).
 Fig. 8 – Curvas medida (Pmed) e simulada (Pcalc), com erro ~ 10-5 Fig. 9 – Curvas medida e simulada, com erro ~ 8* 10-4

Os parâmetros do modelo híbrido foram estimados através do
toolbox de Algoritmos Genéticos do MatLab 7.1 e foram
traçados na curva rosa da figura 8, confrontada com a curva
azul, que foi efetivamente medida. A Tabela 1 mostra os
parâmetros calculados para levantamento da curva estimada.
leve). Uma questão ainda pendente é avaliar qual a precisão
necessária do modelo para a obtenção de resultados
satisfatórios em simulações de estabilidade eletromecânica do
sistema de potência.

TABELA I. PARÂMETROS DO MODELO HÍBRIDO DA FIG. 8

µ 0.71
αp 0.01

βp 0.89

γp 0.10

1−µ 0.29
α 1p 1.73

α 2p 0.92

β 0p – 0.70

β 1p 8.80
Fig. 10 – Curvas medida e simula, com erro ~ 10-3
β 2p – 9.80

Estes parâmetros são referentes às equações (1), (5) e (7)
apresentadas na seção IV. A Função de Avaliação que
corresponde ao erro médio quadrático dado pela equação (9)
resultou em um erro aproximado de 10-5.
A seguir, estes mesmos parâmetros foram utilizados para
aproximar outras curvas medidas. A Figura 9 apresenta uma
curva (azul), medida na carga média (14hs22m05s) de uma
sexta-feira na mesma SE, e uma curva rosa, com a
aproximação pelo modelo híbrido utilizando os parâmetros da
Tabela 1.
Observa-se que os parâmetros obtidos para a curva da Figura
8, quando utilizados em outro evento, resultam em um erro
cerca de 10 vezes maior, enquanto o erro entre as curvas
medida e simulada pelo modelo da Figura 10 foi 100 vezes
maior que o erro inicial (curva medida num sábado, na carga
VII. CONCLUSÕES
Este trabalho mostra uma aplicação bem sucedida de uma
técnica de inteligência computacional para obter modelos
dinâmicos de cargas a partir de bancos de dados de qualidade
de energia elétrica.
Provou-se que:
• A técnica de Algoritmo Genético é capaz de resolver o
problema de parametrização de modelos de carga,
minimizando o erro entre uma curva de potência medida e
uma curva de potência simulada por um modelo adequado.
• Modelos Híbridos (com uma parcela do modelo ZIP e
outra parcela do modelo Linear) representam bem a resposta
dinâmica da carga para contingências no sistema.
• Há um certo número de eventos que deve ser
determinado para verificar a abrangência de um conjunto de
parâmetros de um modelo.
• Como mencionado em [11], as curvas de potência a
serem analisadas devem ter sido registradas nos pontos de
medição de carga em consequência de curtos-circuitos
originados no sistema de transmissão (a montante do ponto
de medição), pois o que se deseja é verificar a resposta da
carga a uma variação de tensão. Um curto-circuito a jusante
do ponto de medição iria alterar a topologia da área que se
deseja modelar. Além disso, o sinal de corrente medido nesta
situação incluiria não só a resposta de cargas como também a
corrente de curto-circuito.
A partir do procedimento descrito e da estrutura de modelo
proposta, pretende-se investigar formas de generalização de
modelos de carga que representem diferentes subestações,
diversos tipos de curtos-circuitos, carregamentos do sistema e
épocas do ano.
Futuramente, é necessário estabelecer um critério de
validação dos modelos, a partir de simulações com dados
reais do estado do sistema. Assim sendo, devem ser obtidos
dados do despacho dos geradores, da topologia do sistema e
introduzir estes dados em um programa de simulação
dinâmica. Esta é a próxima etapa deste trabalho: validar
modelos de carga com dados do estado do sistema.

REFERÊNCIAS

[1] IEEE Task Force on Load Representation for Dynamic

Performance, “Bibliography on load models for power flow and dynamic
performance simulation”, IEEE Transactions on Power Systems, vol. 10, nº
1, February 1995.
[2] Lennart Ljung, “System Identification, Theory for the user”,
Prentice-Hall Inc., 1987.
[3] Cruz, J. C. A. O. ; De Lira, D. P. C. P. ; Soares, L. R. .
Administração de Uma Rede de Aquisição e Distribuição de Dados para
Avaliação da Qualidade da Energia Elétrica. In: V Seminário Brasileiro
Sobre Qualidade da Energia Elétrica (SBQEE'2003), 2003, Aracaju, SE.
Anais do V SBQEE. Aracaju, SE : NEPEN, 2003.
[4] A. Maitra et al. “Using System Disturbance Measurement Data to
Develop Improved Load Models”, IEEE Transactions, 2006.
[5] Roger C. Dugan, Mark F. McGranaghan, “Electrical power
systems quality”, McGraw Hill,1996.
[6] Ricardo P. Ross, Luiz Felipe W. Souza, Igor F. Visconti, et al.,
“Identificação do sistema de origem das variações de tensão de curta
duração”, V SBQEE, volume 1, Aracaju, Ago/03.
[7] Math H. Bollen, E. Styvaktakis, “Characterization of Three-Phase
Unbalanced Dips (as easy as one-two-three?)”, Proceedings of IX ICHQP,
Orlando, Oct. 2000.
[8] Paulo Gomes, Antonio de P. Guarini, Mariana Marçal, et al.,
“Modelagem de carga para estudos dinâmicos”, SNPTEE, Outubro 2007.
[9] Zbigniew Michalewicz, “Genetic algorithms + data structures =
evolution programs”. Berlin: Springer, 1992.
[10] Jin Ma, Zhao-yang Dong, Ren-mu He, David J. Hill,
“Measurement-based Load Modeling Using Genetic Algorithms”, 2007
IEEE Congress on Evolutionary Computation.
[11] Carson W. Taylor, “Power System Voltage Stability”.
[12] A. Maitra, A. gaikwad, P. Pourbeik, D. Brooks, “Load Model
Parameter Derivation Using na Automated Algorithm and Measured Data”,
2008 IEEE Power and Energy Society General Meeting”.