ALGORITMOS PARA ESTIMAR CURVAS DE CARGAS A PARTIR DE PADRÕES DE

HÁBITOS DE CONSUMO

André Nunes de Souza1, Pedro da Costa Junior2, Renato de Oliveira3 Maria Goretti Zago4,
João Paulo Papa5, Danilo Sinkiti Gastaldello6.
1
UNESP-FEB-LSISPOTI, Bauru, Brasil, andrejau@feb.unesp.br
2
UNESP-FEB-LSISPOTI, Bauru, Brasil, costajr@feb.unesp.br
3
UNESP-FEB-LSISPOTI, Bauru, Brasil, ra511201@feb.unesp.br
4
EPUSP, São Paulo, Brasil, mgzago@uol.com.br
5
UNESP-FC-LSISPOTI, Bauru, Brasil, papa@fc.unesp.br
6
UNESP-FEB-LSISPOTI, Bauru, Brasil, dandangastaldello@gmail.com

Resumo: O artigo propõe uma técnica para ser utilizada no
planejamento de sistemas de energia elétrica, promovendo a
identificação de fraudes em instalações residenciais,
considerando padrões estatísticos e a natureza aleatória das
cargas. A metodologia consiste na utilização das
características de unidades consumidoras e de seus padrões
de hábito de consumo.
Palavras-chave: Curvas de carga, gerenciamento de cargas,
consumo de energia.
1. INTRODUÇÃO
A baixa qualidade de energia pode causar avarias tanto
nos equipamentos elétricos dos usuários como das
companhias de energia. Portanto, políticas de conservação
de energia necessitam se orientar pela tendência das curvas
de carga e dados históricos da qualidade de energia.
Programas de gerenciamento da qualidade do serviço
oferecido constituem em um conjunto de ações tomadas
para influenciar o consumo de energia elétrica, no sentido de
produzir alterações desejadas na curva de carga, e devem ser
capazes de antecipar o impacto na curva de demanda do
sistema como um todo. Ferramentas de simulação devem
permitir a avaliação de diferentes estratégias de controle e
redução de carga a fim de identificar aquelas consideradas
mais apropriadas para os planejadores do sistema de
potência e para a equipe técnica envolvida com o controle
da rede e, ao mesmo tempo, atender as expectativas do
usuário final (tanto do ponto de vista econômico quanto da
qualidade da energia fornecida) [1].
O método proposto neste artigo pode ser empregado em
sistemas de informação de energia desenvolvidos para
proporcionar benefícios de conservação de energia
voluntária e tornar as informações de consumo, tais como,
tarifas diferenciadas e perfis de consumo econômico, mais
acessíveis, incentivando os consumidores a deslocar e
diminuir o pico da demanda para períodos com cargas mais
leves, sem sobrecarregar o sistema de distribuição.
A implantação de medidores de energia capazes de
fornecer as informações requeridas através de displays é
necessária de maneira que se possa proporcionar uma
aplicação de tarifas diferenciadas em tempo real,
monitoramento da energia, redução de carga, planejamento
de interrupções de fornecimento, detecção de perdas de
energia, previsão de demanda e serviços de planejamento,
aumentando ainda mais o custos de operação [2].
As perdas de energia elétrica possuem uma importância
relevante no tema discutido e podem ser divididas em dois
tipos distintos: perdas técnicas e perdas comerciais. Perdas
técnicas de energia são as perdas inerentes às atividades do
transporte da energia elétrica na rede e as perdas comerciais
são as parcelas de energia consumida e não faturada pela
concessionária de distribuição, estão relacionadas com as
fraudes de energia e erros de medição [3], [4]. Logo, as
perdas comerciais representa uma diminuição significativa
de receita para a concessionária, por isso o seu combate é
um item bastante vantajoso atualmente.
Uma abordagem em evidência proposta na literatura [5]
no combate a perdas comerciais é a de um sistema
centralizado, no qual não haveria nenhum medidor dentro da
propriedade do consumidor e, além disso, todos os
medidores de uma vizinhança em particular estariam
acondicionados em um mesmo local.
Existem técnicas de identificação de fraudes realizadas
no local onde se desconfia que haja ligações clandestinas.
Uma técnica mostrada em [6] se dá pela utilização da
tecnologia de rádio freqüência. Tal método consiste na
utilização de um equipamento de transmissão de freqüência
e um receptor portátil, usado para mapear a rota percorrida
pelo cabo de energia. Se existirem emendas ligadas
diretamente ao cabo, o desvio é percebido pelo receptor e o
ponto de ligação é facilmente descoberto.
Outro equipamento que pode ser utilizado é o
refletômetro [7]. São gerados sinais em pequenos intervalos
de tempo, que percorrem o cabo e, no ponto onde existem
problemas ou quando atinge o final do cabo, os sinais são
divididos em dois, e são transmitidos e refletidos.
Atualmente, vêm sendo desenvolvidas técnicas que
utilizam o emprego da inteligência artificial no combate às
fraudes. Os métodos propostos em [8] e [9], por exemplo,
apresentam um estudo para a escolha do melhor método

1
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 775
 Algoritmos para Estimar Curvas de Cargas a Partir de Padrões de Hábitos de Consumo
André N. S., Pedro C. Jr., Renato O., Maria G. Z., João P. P., Danilo S. G.

para a geração de curvas de carga. Neste método, são obtidas através de estudos [11], típicas de consumidores
utilizadas técnicas de aglomeração (clusters) e mineração de residenciais, comercias e industrias, bem como as diferenças
dados. Após a coleta de dados de consumidores divididos entre elas, são mostrada nas Figs. 2, 3 e 4.
em categorias, como residencial, comercial e industrial,
estes dados são separados em clusters, cada um contendo
um subconjunto de dados com características semelhantes,
que são usados para classificar as unidades consumidoras de
acordo com o comportamento, sendo, então, criados perfis
de consumo típicos.
Esses perfis típicos são comparados com os perfis de
consumo a serem averiguados e se alguma destas novas
curvas apresentarem desvio com relação à curva típica, esta
é selecionada para investigação. Confirmado que esta
variação se deve à ocorrência de perdas comerciais, a nova
curva é inserida na base de dados e utilizada para fins de
previsão.
Logo, esse artigo apresenta uma estimação de curvas de
Fig. 2. Curva de carga de um consumidor residencial.
carga como suporte em programas de planejamento de
sistemas de distribuição de energia e a averiguação de
possíveis fraudes em unidades consumidoras, na qual
consiste no estudo do comportamento da curva de carga de
consumidores residenciais, onde se compara o seu perfil
típico simulado com o seu perfil de consumo medido.

2. DIRETRIZ METODOLÓGICA

2.1. Definições envolvendo curvas de carga

Define-se curva de carga como a curva que apresenta a
demanda em função do tempo, D(t), para um dado período
T, conforme a Fig. 1, adaptada de [10].
Na verdade, ela é constituída por patamares, no entanto, Fig. 3. Curva de carga de um consumidor comercial.
é mais comum apresentá-la como uma curva, resultando da
união dos pontos médios das bases superiores dos retângulos
de largura t. Para um período T, a ordenada máxima da
curva define a demanda máxima, DM. A energia total
consumida no período, T, é medida pela área entre a curva
e o eixo dos tempos, ou seja,
T
εT =  D ( t ) ⋅ dt
0
(1)

Fig. 4. Curva de carga de um consumidor industrial.

2.2. Generalidades sobre o método

Fig. 1. Curva de carga das demandas.
Cada tipo de consumidor apresenta um tipo de curva de
carga padrão. É esperado que um consumidor residencial
apresente um comportamento de consumo relativamente
uniforme durante o dia e, durante o período de pico, o
consumo cresça consideravelmente. As curvas de carga,
A confecção de curvas de carga de um consumidor pode
ser feita a partir da especificação de perfis de consumo
característicos, dependendo das características da unidade
consumidora, tais como: classe de consumo, dia da semana,
estação do ano, região ou bairro, entre outros.
Cada uma destas variáveis influencia de modo diferente
no comportamento da curva característica final, que é a
composição dos perfis gerados com base nas propriedades
que especificam uma determinada unidade consumidora. A
partir destas características, é possível incluir, nos padrões

2
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 776
 de consumo estabelecidos, as variações aleatórias de
consumo que ocorrem de um dia para o outro.
A confecção dos perfis de consumo de uma determinada
unidade consumidora pode ser feita através de levantamento
de campo [12]. A princípio, sem estes dados disponíveis, os
perfis de consumo podem ser estimados com base em dados
estatísticos. As curvas de carga são construídas para um
período de 24 horas, em intervalos de tempo de 15 minutos.
Após a confecção das curvas de carga, é possível
escolher entre manter as curvas inalteradas ou inserir
distorções no comportamento de uma determinada unidade
consumidora com o intuito de simular uma possível fonte de
tem sua maior chance de estar em uso na faixa de horários
entre 20 h e 23 h.
A Tabela 2 apresenta valores sorteados aleatoriamente de
acordo com a curva de probabilidade da Fig. 5. Esta tabela
mostra que, mesmo apresentando uma maior freqüência de
sorteio nos horários com maior probabilidade de uso, o
algoritmo permite que sejam sorteados períodos em outros
intervalos de tempo. Isto faz com que a simulação se
aproxime de uma situação real, pois garante uma
independência de comportamento por parte do consumidor.
Curva de probabilidade TV 29"
50

perdas comerciais, seja por fraude ou por defeito de 45

medição. 40

2.3. Especificação dos equipamentos de uma residência 35

Probabilidade de uso, %
A confecção das curvas de carga é feita a partir da 30

especificação dos equipamentos elétricos que compõem uma 25

residência. Os dados utilizados para a confecção destas
curvas são obtidos através de uma tabela de consumo criada 20

pelo Procel (Programa Nacional de Conservação de Energia 15

Elétrica - www.eletrobras.com/procel). Alguns itens são 10
exibidos na Tabela 1.
Os dados expostos na Tabela 1, são utilizados como 5

entrada para o algoritmo da potência média do equipamento 0

e o tempo médio de utilização ao longo de um dia. 0 5 10
Tempo, horas
15 20 25

Tabela 1. Dados dos equipamentos segundo estimativa do Procel.

Fig. 5. Curva de probabilidade de uso de uma TV 29”.
Aparelho Potência Consumo
média Dias de Média de
elétrico médio
uso no utilização por
mensal
(W) mês dia
(kWh) Tabela 2. Valores sorteados aleatoriamente para a hora de utilização
de uma TV 29”.
Chuveiro
3500 30 40 min 70,0 Sorteio 01 02 03 04 05 06 07 08 09 10
elétrico
Ferro Hora de 20 17 22 18 17 19 16 21 22 21
1000 12 1h 12,0 utilização
elétrico
Lâmpada
23 30 5h 3,50
flúor As curvas de probabilidade utilizadas na etapa inicial
Microondas 1200 30 20 min 12,0 desta simulação são obtidas a partir de hipóteses, e,
portanto, trata-se de uma abordagem teórica do assunto.
TV 29” 110 30 5h 16,5
Curvas de probabilidade reais podem ser obtidas através de
pesquisas de campo, a fim de se investigar o real
2.4. Curvas de probabilidade comportamento de um grupo de consumidores com
Conhecendo o tempo médio de utilização de um características semelhantes.
equipamento, é escolhido aleatoriamente pelo algoritmo um A quantidade de vezes em que um equipamento é
valor de duração de uso dentro de uma faixa de valores, que utilizado ao longo do dia depende do valor sorteado para a
tem como valor médio o dado extraído da Tabela 1. sua duração total, sendo que a soma das durações de cada
Após o sorteio da duração de utilização do equipamento período é igual ao valor da duração total. O algoritmo não
no dia, são sorteados os períodos de utilização do permite que esta quantidade de períodos extrapole um valor
equipamento. Para isto, é utilizado o conceito de curvas de máximo estipulado para cada equipamento.
probabilidade de uso do equipamento.
2.5. Curvas de carga diária
Esta curva mostra a chance do equipamento estar sendo
utilizado em um determinado momento do dia. Portanto, em Tendo como dados os períodos de utilização sorteados,
períodos com maior probabilidade de utilização, a suas respectivas durações de uso e a potência do
probabilidade do período de utilização ser sorteado é maior. equipamento, é atribuída para cada elemento de um vetor y a
A Fig. 5 mostra um exemplo de curva de probabilidade de potência média do equipamento nos instantes referentes ao
utilização de uma TV 29”. Nota-se que este equipamento sorteio dos períodos de utilização. Por exemplo, se um

3
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 777
 Algoritmos para Estimar Curvas de Cargas a Partir de Padrões de Hábitos de Consumo
André N. S., Pedro C. Jr., Renato O., Maria G. Z., João P. P., Danilo S. G.

equipamento é utilizado entre 18 h e 19 h, a potência deste

equipamento é somada minuto a minuto ao vetor y nas
posições referentes a tais períodos.
O procedimento acima é repetido para todos os
equipamentos que compõem a residência. Obtém-se,
portanto, um vetor y com as somas das potências de todos os
equipamentos, cada qual em seu instante de utilização.
O vetor y obtido representa as potências relacionadas a
cada minuto no dia. Porém, convencionalmente, utilizam-se
períodos de 15 em 15 minutos para se gerar uma curva de
carga. Assim, os elementos consecutivos do vetor y estão
separados em intervalos de 15 minutos.
O gráfico do vetor y versus um vetor de períodos, de 0 a
24 h, consiste na curva de carga que representa o consumo
em um dia em uma determinada residência. Em outras
palavras, a curva de carga final é composta pela
concatenação das curvas de carga de cada equipamento
utilizado.
O consumo diário pode ser obtido pelo cálculo da área
abaixo da curva de carga, que, por sua vez, é obtida pelo
cálculo da integral da curva, como foi mostrado em (1).
2.6. Curva de carga mensal
A curva de carga mensal é formada através do registro de
consumo de todos os dias de um determinado mês. Isto é
feito pela obtenção dos valores de consumo diário de todas
as curvas que compõem um mês através de (1). Com esses
dados, é construída uma curva de consumo versus tempo,
sendo o tempo dado em dias, de 1 a 30.
Somando-se todos os consumos diários em um mês,
obtém-se o valor do consumo mensal. Além disso, podem
ser extraídos desta curva o pico de consumo no mês e o dia
em que este ocorre.
potInst = 0; // Potência instalada
para equipamento = 1 até número total de equipamentos
{
potInst = potInst + potência do equipamento;
Transformação do vetor de probabilidades de uso horário para
períodos de 15 minutos;
sorteio da duração total de uso do equipamento;
sorteio do número de períodos de utilização no dia;
sorteio da duração de cada período de utilização;
para j = 1 até o número de períodos de utilização
{
para k = (instante do período inicial sorteado j até instante
do período final sorteado j
{
y[k] = y[k] + potência do equipamento;
}
}
consumo diário = integral da curva;
demanda média = média dos elementos de y;
demanda máxima = máximo valor de y;
horario de pico = instante do máximo valor de y;
fator de carga = demanda média / demanda máxima;
fator de demanda = demanda máxima / potencia instalada;
mostrar gráfico de y versus tempo
}
Fig. 6. Algoritmo de estimação de curvas diárias.

3. ALGORITMO
Após a leitura do rol de equipamentos disponíveis na
unidade consumidora e dos dados estatísticos de utilização
de cada equipamento, procede-se o cálculo do vetor de
potências acumuladas (y) para períodos de 15 minutos. A
Fig. 6 ilustra o algoritmo proposto.
Os métodos de sorteios mencionados na Fig. 6 consistem
Fig. 7. Parâmetros de entrada e dados obtidos.
no Método da Roleta, onde os valores da duração, número
de períodos de utilização e duração de cada período são
escolhidos através de um sorteio de roleta.
Neste método, cada horário do dia é representado na
roleta proporcionalmente ao índice de probabilidade de uso
do equipamento.
Assim, para os horários com maior probabilidade é dada
uma porção maior da roleta, enquanto aos de menor
probabilidade é dada uma porção relativamente menor.
Finalmente, a roleta é girada um determinado número de
vezes, e são escolhidos, como horários e durações de
funcionamento, aqueles sorteados na roleta.
A Fig. 7 ilustra os parâmetros utilizados pelo algoritmo
bem como os dados obtidos da simulação.
O algoritmo foi implementado em MATLAB® [13], e
Java [14], tendo sido criada uma interface entre essas duas
plataformas. A Fig. 8 ilustra a estrutura dos módulos
implementados.

Fig. 8. Algoritmo de estimação de curvas diárias.

4
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 778
 4. RESULTADOS E DISCUSSÕES
Os resultados apresentados nesta seção são referentes a
uma simulação de um consumidor residencial de renda
média e estão muito próximos de uma situação real, já que
foram realizadas comparações entre as curvas simuladas e as
curvas reais de consumidores. Os equipamentos disponíveis
nesta unidade consumidora estão expostos na Tabela 3.
Tabela 3. Equipamentos escolhidos para uma residência de renda
média
Potência Duração Número
Média média de máximo de
Equipamento
utilização utilizações
(W) (minutos) por dia
Aparelho de som 80 180 5
Ap. de DVD 100 120 2 Fig. 9. Curva de carga de uma TV 29”.

Aspirador de pó 100 20 1 Como foi exposto na seção anterior, primeiramente é

criada uma curva de carga para cada equipamento, e só
Barbeador 10 30 1
então as curvas são somadas para formar uma curva de
Batedeira 120 20 1 carga total diária. A Fig. 9 mostra a curva de carga de uma
Cafeteira 600 30 1 TV 29”. Como pode ser observado, o equipamento TV 29”
foi utilizado quatro vezes no dia em questão, sendo que cada
Chuveiro 4500 40 3 período de utilização possui uma duração de uso diferente.
Computador 180 180 5 O resultado obtido com a concatenação das curvas de cada
equipamento da residência em questão é mostrado na Fig.
Espremedor 65 10 2
10. Embora o pico de consumo observado na Fig. 10 ocorra
Ferro elétrico 1000 30 1 por volta das 22h, horário de pico não típico para este tipo
Fogão 60 2,5 5 de consumidor, é preciso lembrar que esta figura representa
um perfil de carga possível para apenas um dia de consumo
Freezer 130 600 5 e não um perfil de consumo médio.
Geladeira 130 600 -
Lâmpada 11 150 5
fluorescente
Lâmpada 15 150 5
fluorescente
Lâmpada 23 150 5
fluorescente
Lava Roupa 500 60 1
Liquidificador 300 15 3
Microondas 1200 10 5
Multiprocessador 420 30 3
Sec. de cabelo 1400 10 2
Tv 20” 90 300 5
Tv 29” 110 300 5 Fig. 10. Curva de carga para um consumidor de renda média.
Videogame 15 240 3 A Tabela 4 mostra os dados obtidos da curva da Fig. 10.

Tabela 4. Dados extraídos da curva

Observe que além do conhecimento da potência média, Potência instalada (W) 11208
duração média e número máximo de utilizações diárias é Consumo diário (kWh) 9,41
necessário ter acesso as curvas de probabilidades de
utilização de cada equipamento ao longo do dia. Pico de consumo (W) 4396
Horário do pico (h) 23:00

5
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 779
 Algoritmos para Estimar Curvas de Cargas a Partir de Padrões de Hábitos de Consumo
André N. S., Pedro C. Jr., Renato O., Maria G. Z., João P. P., Danilo S. G.

A Fig. 11 mostra o comportamento mensal da unidade uma alternativa possível quando há escassez ou mesmo
consumidora e a Tabela 5 é obtida desta curva. ausência de dados de medições realizadas diretamente nas
unidades consumidoras.
A metodologia leva em conta padrões de referência
estatísticos e a natureza aleatória de uso das cargas. Tendo
em vista as dificuldades técnicas para a obtenção destas
curvas de carga através de dados de consumo reais, foi
elaborado e implementado um algoritmo para realizar a
abordagem de consumo em uma residência com base na
relação de seus equipamentos elétricos componentes. Pode-
se concluir, pela análise dos resultados, que este tipo de
simulação permite avaliar situações diversas, respeitando a
independência de comportamento de cada unidade
consumidora, como, por exemplo, o momento do dia em que
este utiliza um determinado equipamento e o tempo que este
equipamento permanece ligado, permitindo, assim, realizar
um melhor planejamento de todo o sistema de distribuição
de energia.
Para um maior auxílio neste planejamento, após o estudo
Fig. 11. Curva de consumo mensal para um consumidor de renda das diversas formas de combate às perdas comerciais
média. presentes nos sistemas elétricos, o método desenvolvido
Tabela 5. Dados extraídos da curva de consumo mensal pode ser utilizado na análise do comportamento de unidades
Consumo mensal (kWh) 271,22 consumidoras através de suas curvas de carga e de seu
consumo mensal e averiguar a ocorrência de fraudes ou de
Pico de consumo (kW) 9,76
problemas na medição de consumo.
Dia do pico 23 Tais curvas, ao apresentarem um desvio de
comportamento em relação às outras curvas de uma mesma
Além disso, pode-se fazer uma estimativa de consumo unidade consumidora ou de um grupo de unidades
para um período pré-estipulado. A Fig. 12 mostra uma consumidoras com padrões de consumo e rotina
simulação realizada em um período de 12 meses. semelhantes, podem apresentar um indício de problemas nas
instalações deste consumidor. Estes problemas podem estar
relacionados com defeitos nos equipamentos de medição ou
com ligações ilícitas, que provocam desvio da corrente
elétrica e, conseqüentemente, uma medição errônea da
energia consumida.

AGRADECIMENTOS
Agradecemos à FAPESP pelo incentivo e apoio
financeiro para a relização deste trabalho.

REFERÊNCIAS
[1] A. G. Martins, R. Figueiredo, “Simulation-Based
Assessment of Electric Load Management
Programs,” International Journal of Energy
Research, Vol. 23, pp. 169-181, 1999.
[2] Y. Chen, J. K. Hwang, “A Reliable Energy
Fig. 12. Curva de consumo anual para um consumidor de renda Information System for Promoting Voluntary
média. Energy Conservation Benefits,” IEEE Transactions
A Tabela 6 mostra os dados extraídos da Fig. 12. on Power Delivery, Vol. 21, pp. 102-107, 2006.
[3] G. G. L. Ferreira, “Desenvolvimento de um
Tabela 6. Dados extraídos da curva de consumo anual Sistema Baseado em regras para Detecção de
Consumo anual (MWh) 3,20 Fraudes em Unidades Consumidoras Ligadas em
Pico de consumo (kW) 271,42 Baixa tensão,” Trabalho de Graduação no Curso de
Ciência da Computação, Universidade Federal de
Mês do pico 12 Santa Maria, Santa Maria, RS, 2007.
[4] E. X. Vieiralves, “Proposta de uma Metodologia
5. CONCLUSÕES para Avaliação das Perdas Comerciais dos Sistemas
elétricos. O Caso Manaus,” Dissertação de
O procedimento de obtenção de curvas de carga descrito
Mestrado, Universidade Estadual de Campinas,
neste artigo pode ser usado em programas de gerenciamento
Campinas, SP, 2005.
de cargas, permitindo um maior segurança no planejamento
[5] J. Bandim, J. E. R. Alves Jr., A. V. Pinto Jr., F.
de sistemas de distribuição de energia elétrica. Trata-se de

6
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 780
 C. Souza, M. R. B. Loureiro, C. A. Magalhaes, F.
Galvez-Durand, “Identification of Energy Theft
and Tampered Meters Using a Central Observer
Meter: A Mathematical Approach,” IEEE/ PES
Transmission & Distribution Conference and
Exposition, 2003.
[6] J. L. A. Parra, E. A. S. Calderon, “Use of the
Shunts Detecting Equipment for the Identification
of Illegal Power Outlets,” IEEE/PES Transmission
& Distribution Conference and Exposition: Latin
America - TDC '06, pp. 1-4, Caracas, 2006.
[7] M. S. Pavix, K. Trupinic, “Illegal Connection
Location on Main Power Cable,” In: Proceedings
of the 12th IEEE Mediterranean Electrotechnical
Conference - MELECON 2004, Vol. 3, pp. 983-
986, Zagreb, 2004.
[8] H. Nizar, Z. Y. Dong, M. Jalaluddin, M. J. Raffles,
“Load Profiling Method in Detecting Non-
Technical Loss Activities in a Power Utility,” IEEE
International Power and Energy Conference, pp.
82-85, Putra Jaya, 2006.
[9] Z. Zakaria, K. L. Lo, M. H. Sohod, “Application of
Fuzzy Clustering to Determine Electricity
Consumers' Load Profiles,” IEEE International
Power and Energy Conference - PECon '06, pp. 99-
103, 2006.
[10] A. M. B. Cotrim, ‘Instalações elétricas”, 4nd ed.,
São Paulo: Pearson Prentice Hall, 2003.
[11] M. E. Oliveira, A. P. Feltrin , F. J. Candian,
“Investigation of the Relationship Between Load
and Loss Factors for a Brazilian Electric Utility,”
IEEE/PES Transmission & Distribution Conference
and Exposition: Latin America - TDC ’06, pp. 1-6,
Caracas, 2006.
[12] J. A. Jardini, C. M. V. Tahan, M. R. Gouvea, S. U.
Ahn, F. M. Figueiredo, “Daily Load Profiles for
Residential, Commercial and Industrial Low
Voltage Consumers,” IEEE Transactions on Power
Delivery, Vol. 15, 2000.
[13] E. Y. Matsomoto, “MATLAB 6.5: Fundamentos de
Programação,” São Paulo: Editora Erica, 2002.
[14] M. J. Yuan, T. Heute, “Jboss SEAM – Simplicity and
Power Beyond JavaTM EE,” 1st ed. Indiana, USA:
Pearson Prentice Hall, 2007.

7
Proceedings of the 9th Brazilian Conference on Dynamics Control and their Applications
Serra Negra, SP - ISSN 2178-3667 781