📈 Aula 02 — Reconhecimento de Padrões e Generalização em Engenharia

Navegação Rápida

📍 Disciplina: 02 Pensamento Computacional | 🗺️ Área: 06 Computação e Telecomunicações | 🏠 Hub Principal ⬅️ Aula Anterior: Aula 01 - Os Quatro Pilares e Decomposição | ➡️ Próxima Aula: Aula 03 - Abstração e Modelagem Computacional

---

📌 Sumário da Aula

1. 🧠 1. Fundamentação Teórica: Padrões, Indução e Generalização
2. ⚡ 2. Reconhecimento de Padrões em Sistemas Elétricos: Curvas de Carga
3. 📐 3. Métricas de Similaridade e Algoritmos de Agrupamento
4. 🔍 4. Aplicações Avançadas: Perdas Não Técnicas e Monitoramento NILM
5. 📊 5. Diagrama de Reconhecimento de Padrões e Curvas de Carga
6. 📝 6. Questões de Concursos e Problemas Avançados Resolvidos
7. 🔗 7. Conexões e Referências Cruzadas

---

🧠 1. Fundamentação Teórica: Padrões, Indução e Generalização

O segundo pilar do Pensamento Computacional, o Reconhecimento de Padrões (Pattern Recognition), é a capacidade cognitiva e algorítmica de examinar coleções de dados, sinais temporais ou estruturas de sistemas e identificar semelhanças, regularidades, tendências, periodicidades e leis invariantes subjacentes.

Enquanto a decomposição quebra o problema em fragmentos isolados, o reconhecimento de padrões busca relacionar os novos fragmentos com problemas já solucionados previamente. Essa transição do particular para o geral constitui o mecanismo da inferência indutiva:

$\text{Observac¸a˜o de Instaˆncias Particulares }\{x_1,x_2,\dots ,x_M\}\stackrel{\text{Induc¸a˜o}}{\to }\text{Lei Geral }\mathcal{M}(\mathbf{x};\mathbf{\theta })$

O objetivo da generalização em engenharia é parametrizar um modelo $\mathcal{M}$ com vetor de parâmetros $\mathbf{\theta }$ capaz de predizer com precisão o comportamento de novas entradas ${\mathbf{x}}_{\text{novo}}\notin \{{\mathbf{x}}_i\}$, evitando tanto o subajuste (underfitting) quanto o sobreajuste (overfitting).

---

⚡ 2. Reconhecimento de Padrões em Sistemas Elétricos: Curvas de Carga

Na operação de redes elétricas de distribuição e transmissão, a demanda por potência ativa $P(t)$ e reativa $Q(t)$ varia dinamicamente ao longo das 24 horas do dia. O reconhecimento de padrões é a ferramenta fundamental para categorizar as Curvas de Carga Típicas em três classes canônicas de consumidores regulamentados pelo setor elétrico brasileiro (módulo PRODIST da ANEEL):

flowchart LR
    Dados["Séries Temporais de Telemetria<br/>(Amostragem a cada 15 min)"] --> RP["Extração de Padrões e Features<br/>(Pmax, Pmed, Fatores Regulatórios)"]
    RP --> C1["Classe Residencial<br/>(Pico Noturno 18h-21h)"]
    RP --> C2["Classe Comercial<br/>(Platô Diurno 08h-18h)"]
    RP --> C3["Classe Industrial<br/>(3 Turnos Contínuos / Queda na Ponta)"]

2.1 Características Típicas das Classes

1. Residencial: Caracteriza-se por consumo moderado pela manhã, redução no período vespertino e um expressivo Horário de Ponta (Peak Load) no período noturno (entre 18h00 e 21h30), motivado pelo retorno da população às residências, acionamento simultâneo de chuveiros elétricos, sistemas de climatização, televisores e iluminação residencial.
2. Comercial: Exibe uma curva de carga em forma de platô quase retangular com início abrupto por volta das 08h00, permanência elevada durante o horário de expediente comercial e decaimento rápido após as 18h00 / 19h00, correlacionado diretamente com iluminação de lojas e sistemas de ar-condicionado central.
3. Industrial: Apresenta elevado consumo contínuo e plano ao longo das 24 horas em virtude de processos fabris em três turnos de trabalho (fornos a arco, motores de indução de grande porte). Muitas indústrias reduzem propositalmente a sua demanda durante as 3 horas consecutivas do Horário de Ponta para evitar penalidades e custos elevados na tarifa binômia horossazonal (Tarifa Azul ou Verde).

2.2 Índices Regulatórios de Desempenho Energético

Para transformar uma curva contínua $P(t)$ em um vetor de características (feature vector) numérico tratável por algoritmos, calculam-se métricas normalizadas:

A) Fator de Carga ($FC$)

Mede o grau de utilização contínua da demanda máxima solicitada pelo consumidor ao longo de um período de integração $T$ (geralmente $T=24\text{ horas}=1440\text{ min}$):

$FC=\frac{E_{\text{total}}}{P_{\text{maˊx}}\cdot T}=\frac{{\int }_0^{T}P(t)dt}{P_{\text{maˊx}}\cdot T}=\frac{P_{\text{meˊdio}}}{P_{\text{maˊx}}}$

Como $0\le P(t)\le P_{\text{maˊx}}$, tem-se sempre: $0\le FC\le 1$

Quanto mais próximo de $1,0$ estiver o fator de carga, mais uniforme é o consumo de energia, minimizando a necessidade de a concessionária manter geradores de ponta e transformadores ociosos durante o restante do dia.

B) Fator de Demanda ($FD$)

Relação entre a demanda máxima efetivamente exigida $D_{\text{maˊx}}$ e a potência instalada total da carga $P_{\text{instalada}}$ (soma das potências nominais de todos os equipamentos elétricos conectados):

$FD=\frac{D_{\text{maˊx}}}{P_{\text{instalada}}}\le 1$

C) Fator de Diversidade ($FDv$)

Na agregação de $M$ consumidores em um mesmo transformador de distribuição, o horário de solicitação de demanda máxima de cada cliente individual raramente coincide no mesmo instante de tempo. O fator de diversidade expressa esse descompasso:

$FDv=\frac{{\sum }_{i=1}^M{D}_{\text{maˊx},i}}{D_{\text{maˊx, conjunto}}}\ge 1$

---

📐 3. Métricas de Similaridade e Algoritmos de Agrupamento

Para agrupar curvas de carga de milhares de clientes industriais e comerciais sem intervenção manual, a teoria de reconhecimento de padrões projeta cada série temporal em um Espaço de Características ${\mathbb{R}}^D$, onde cada vetor de observação $\mathbf{x}=[x_1,x_2,\dots ,x_D{]}^T$ contém as potências ativas integradas a cada hora ($D=24$) ou a cada 15 minutos ($D=96$).

3.1 Métricas de Distância no Espaço de Estados

1. Distância Euclidiana ($L_2$): Mede a distância geométrica em linha reta entre dois vetores de demanda $\mathbf{x}$ e $\mathbf{y}$: $d_E(\mathbf{x},\mathbf{y})=\Vert \mathbf{x}-\mathbf{y}{\Vert }_2=\sqrt{{\sum }_{k=1}^D(x_k-y_k{)}^2}$

2. Distância Manhattan / Cityblock ($L_1$): Mede a soma das diferenças absolutas ao longo dos eixos coordenados, sendo menos sensível a surtos isolados (outliers): $d_M(\mathbf{x},\mathbf{y})=\Vert \mathbf{x}-\mathbf{y}{\Vert }_1={\sum }_{k=1}^D|x_k-y_k|$

3. Coeficiente de Correlação Linear de Pearson ($r_{xy}$): Avalia a similaridade na morfologia e formato das curvas, independente de escalas absolutas de consumo: $r_{xy}=\frac{{\sum }_{k=1}^D(x_k-\bar{x})(y_k-\bar{y})}{\sqrt{{\sum }_{k=1}^D(x_k-\bar{x}{)}^2}\sqrt{{\sum }_{k=1}^D(y_k-\bar{y}{)}^2}},-1\le r_{xy}\le +1$

3.2 O Algoritmo K-Means de Particionamento Não Supervisionado

Dado um conjunto de $N$ perfis diários de carga $\{{\mathbf{x}}_1,\dots ,{\mathbf{x}}_N\}\subset {\mathbb{R}}^D$, o objetivo do algoritmo $K$-Means é particioná-los em $K$ grupos (clusters) $\mathcal{S}=\{S_1,S_2,\dots ,S_K\}$ de modo a minimizar a Soma dos Quadrados Dentro dos Grupos (Within-Cluster Sum of Squares - $WCSS$):

$\arg {\min }_{\mathcal{S}}{\sum }_{j=1}^K{\sum }_{\mathbf{x}\in S_j}\Vert \mathbf{x}-{\mathbf{\mu }}_j{\Vert }^2$

Onde ${\mathbf{\mu }}_j\in {\mathbb{R}}^D$ é o centróide (vetor médio) do grupo $S_j$.

flowchart TD
    Init["1. Inicialização<br/>Sortear K centróides iniciais μ_j"] --> Atrib["2. Passo de Atribuição (Expectation)<br/>Alocar cada x_i ao centróide mais próximo:<br/>S_j = {x_i : ||x_i - μ_j|| <= ||x_i - μ_l|| para todo l}"]
    Atrib --> Atualiz["3. Passo de Atualização (Maximization)<br/>Recalcular os centróides médios:<br/>μ_j = (1 / |S_j|) * somatorio(x_i em S_j)"]
    Atualiz --> Conv{"4. Critério de Parada<br/>Centróides convergiram ou ΔWCSS < ε?"}
    Conv -- Não --> Atrib
    Conv -- Sim --> Fim["Clusters Finais Identificados<br/>(Perfis Médios de Referência)"]

---

🔍 4. Aplicações Avançadas: Perdas Não Técnicas e Monitoramento NILM

4.1 Detecção de Perdas Não Técnicas (PNT) e Fraudes

As Perdas Não Técnicas decorrem de fraudes de medição, adulteração de medidores de indução ou eletrônicos e derivações clandestinas (“gatos”). No pensamento computacional, o reconhecimento de padrões atua na Detecção de Anomalias.

Para um consumidor $i$, compara-se o seu perfil diário real com o centróide do seu grupo de enquadramento ${\mathbf{\mu }}_{\text{ref}}$. O grau de anomalia pode ser medido pela Distância de Mahalanobis, que pondera as covariâncias entre horários:

$D_{\text{Mahalanobis}}({\mathbf{x}}_i)=\sqrt{({\mathbf{x}}_i-{\mathbf{\mu }}_{\text{ref}}{)}^T{\mathbf{\Sigma }}^{-1}({\mathbf{x}}_i-{\mathbf{\mu }}_{\text{ref}})}$

Onde $\mathbf{\Sigma }$ é a matriz de covariância do grupo regular. Quando $D_{\text{Mahalanobis}}>{\gamma }_{\text{crıˊtico}}$, o sistema computacional emite automaticamente uma ordem de inspeção em campo para a concessionária de energia.

4.2 Monitoramento Não Intrusivo de Carga (NILM)

O NILM (Non-Intrusive Load Monitoring) é a tecnologia que analisa a forma de onda de tensão $v(t)$ e corrente agregada $i_{\text{total}}(t)$ na entrada do padrão de entrada de uma instalação para desagregar e identificar quais aparelhos individuais estão ligados:

$i_{\text{total}}(t)={\sum }_{m=1}^M{s}_m(t)\cdot i_m(t)+\eta (t)$

Onde:

• $s_m(t)\in \{0,1\}$ é o estado de chaveamento do aparelho $m$;
• $i_m(t)$ é a assinatura de corrente típica do aparelho;
• $\eta (t)$ é o ruído de medição.

Através do reconhecimento da trajetória no plano $V-I$, harmônicos de corrente (pelo Teorema de Fourier) e potência ativa/reativa transiente $(\Delta P,\Delta Q)$, o algoritmo reconhece instantaneamente a assinatura de motores de compressores de geladeira, motores de indução de lavadoras e fontes chaveadas de computadores.

---

📊 5. Diagrama de Reconhecimento de Padrões e Curvas de Carga

O diagrama abaixo, desenvolvido segundo os padrões visuais e cromáticos Catppuccin Mocha, exibe as morfologias das três classes fundamentais de curvas de carga e os índices associados:

---

📝 6. Questões de Concursos e Problemas Avançados Resolvidos

Questão 1 (Banca FGV - Engenharia Elétrica / Concurso de Concessionária de Energia)

Uma indústria metalúrgica possui uma potência instalada de $2500\text{ kW}$. Ao longo de um dia típico de operação (24 horas), o registrador de telemetria da concessionária indicou um consumo diário de energia elétrica de $36000\text{ kWh}$. Durante a medição, a demanda máxima registrada foi de $2000\text{ kW}$. Determine, respectivamente:

1. O Fator de Demanda ($FD$) da indústria;
2. A potência média demandada ($P_{\text{meˊdio}}$);
3. O Fator de Carga ($FC$) diário da referida unidade consumidora.

Resolução Passo a Passo:

1. Cálculo do Fator de Demanda ($FD$): $FD=\frac{D_{\text{maˊx}}}{P_{\text{instalada}}}=\frac{2000\text{ kW}}{2500\text{ kW}}=0,80(80\%)$

2. Cálculo da Potência Média ($P_{\text{meˊdio}}$): Sabendo que $E_{\text{total}}=36000\text{ kWh}$ no período de $T=24\text{ h}$: $P_{\text{meˊdio}}=\frac{E_{\text{total}}}{T}=\frac{36000\text{ kWh}}{24\text{ h}}=1500\text{ kW}$

3. Cálculo do Fator de Carga ($FC$): $FC=\frac{P_{\text{meˊdio}}}{D_{\text{maˊx}}}=\frac{1500\text{ kW}}{2000\text{ kW}}=0,75(75\%)$

$\boxed{FD=0,80;P_{\text{meˊdio}}=1500\text{ kW};FC=0,75}$

Análise de Engenharia: Um fator de carga de $0,75$ em regime industrial indica excelente aproveitamento da capacidade instalada. Se o fator de carga caísse para $0,30$, a indústria estaria pagando uma alta tarifa de demanda contratada ($2000\text{ kW}$) subutilizada na maior parte do dia.

---

Questão 2 (ENADE / Concurso Público - Perito Engenharia)

Considere dois perfis de carga discretizados a cada 6 horas ($D=4$ intervalos) em um alimentador elétrico:

• Perfil A (Residencial): ${\mathbf{x}}_A=[10,8,12,30{]}^T\text{ kW}$
• Perfil B (Comercial): ${\mathbf{x}}_B=[5,25,28,6{]}^T\text{ kW}$

Um algoritmo computacional de classificação precisa determinar a distância euclidiana $d_E$ e a distância de Manhattan $d_M$ entre os dois vetores de demanda. Calcule exatamente essas duas métricas.

Resolução Passo a Passo:

O vetor diferença $\mathbf{\Delta }={\mathbf{x}}_A-{\mathbf{x}}_B$ é dado por: $\mathbf{\Delta }=[10-5,8-25,12-28,30-6{]}^T=[5,-17,-16,24{]}^T$

1. Distância Euclidiana ($L_2$): $d_E({\mathbf{x}}_A,{\mathbf{x}}_B)=\sqrt{5^2+(-17{)}^2+(-16{)}^2+24^2}$ $d_E=\sqrt{25+289+256+576}=\sqrt{1146}\approx 33,85\text{ kW}$

2. Distância de Manhattan ($L_1$): $d_M({\mathbf{x}}_A,{\mathbf{x}}_B)=|5|+|-17|+|-16|+|24|$ $d_M=5+17+16+24=62\text{ kW}$

$\boxed{d_E\approx 33,85\text{ kW},d_M=62\text{ kW}}$

---

Questão 3 (Problema Prático de Convergência do K-Means em Smart Grids)

Em um sistema de telemetria AMI (Advanced Metering Infrastructure), três consumidores apresentam fatores de carga diários calculados em: $x_1=0,25$, $x_2=0,35$, $x_3=0,85$. Deseja-se particioná-los em $K=2$ grupos utilizando o algoritmo $K$-Means unidimensional. Considere que os centróides iniciais foram arbitrados em: ${\mu }_1^{(0)}=0,20\text{e}{\mu }_2^{(0)}=0,90$ Execute o primeiro passo completo de Atribuição e Atualização e determine os novos centróides ${\mu }_1^{(1)}$ e ${\mu }_2^{(1)}$.

Resolução Passo a Passo:

1. Passo de Atribuição (Cálculo das Distâncias):

   • Para $x_1=0,25$: $|x_1-{\mu }_1^{(0)}|=|0,25-0,20|=0,05$ $|x_1-{\mu }_2^{(0)}|=|0,25-0,90|=0,65$ Como $0,05<0,65$, $x_1$ é atribuído ao Grupo 1.

   • Para $x_2=0,35$: $|x_2-{\mu }_1^{(0)}|=|0,35-0,20|=0,15$ $|x_2-{\mu }_2^{(0)}|=|0,35-0,90|=0,55$ Como $0,15<0,55$, $x_2$ é atribuído ao Grupo 1.

   • Para $x_3=0,85$: $|x_3-{\mu }_1^{(0)}|=|0,85-0,20|=0,65$ $|x_3-{\mu }_2^{(0)}|=|0,85-0,90|=0,05$ Como $0,05<0,65$, $x_3$ é atribuído ao Grupo 2.

   Composição dos grupos: $S_1=\{x_1,x_2\}=\{0,25;0,35\}$; $S_2=\{x_3\}=\{0,85\}$.

2. Passo de Atualização (Recálculo dos Centróides): ${\mu }_1^{(1)}=\frac{0,25+0,35}{2}=\frac{0,60}{2}=0,30$ ${\mu }_2^{(1)}=\frac{0,85}{1}=0,85$

$\boxed{{\mu }_1^{(1)}=0,30,{\mu }_2^{(1)}=0,85}$

Conclusão: Em apenas uma iteração, o centróide ${\mu }_1$ ajustou-se para representar perfeitamente a média do perfil residencial de baixo fator de carga ($0,30$), enquanto ${\mu }_2$ representou o perfil industrial de alto fator de carga ($0,85$).

---

🔗 7. Conexões e Referências Cruzadas

Disciplinas Vinculadas:

• Aula 01: Apresentação formal dos 4 pilares.
• Aula 03: Ocultação de detalhes e modelagem de grafos.
• 05 Distribuição de Energia: Planejamento de alimentadores e enquadramento tarifário.
• 07 Planejamento e Análise de SEP: Curvas de duração de carga e previsão de demanda.

Materiais Didáticos Oficiais da Disciplina:

• Arquivo de Curso: 02 - Fundamentos de Softwares de Computadores.pdf
• Arquivo de Curso: 06 - Pensamento Computacional e Aplicações Nas Áreas de Conhecimento.pdf
• Arquivo de Prática: 07 - Praticando.pdf