Sistema de análise preditiva em tempo real para Smart Meters usando Machine Learning embarcado (TinyML)

• Ano de defesa: 2025
• Autor(a) principal: NAMBUNDO, Jones Marcio
• Orientador(a): GOMES, Otávio de Souza Martins
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: TinyML; Smart meters; Análise preditiva em tempo real; Eficiência energética; Machine learning; Big Data
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/4274

O crescente foco global na eficiência energética impulsiona a necessidade de soluções inovadoras que combinem sustentabilidade, economia e tecnologia. Nesse contexto, os medidores inteligentes (smart meters) desempenham um papel essencial ao permitir o monitoramento em tempo real do consumo de energia, promovendo transparência para provedores e consumidores. Este trabalho apresenta o desenvolvimento de um sistema de análise preditiva em tempo real para smart meters, utilizando Machine Learning embarcado (TinyML) no microcontrolador ESP32. O sistema é projetado para operar em ambientes com conectividade limitada, realizando processamento local dos dados e reduzindo a dependência de infraestrutura em nuvem. O protótipo utiliza dados reais coletados de uma geladeira durante 31 dias, com medições contínuas 24 horas por dia. Três modelos foram testados e dois implementados: XGBoost regressor para previsão de consumo, e One-Class SVM e Autoencoder para detecção de anomalias. Os modelos foram otimizados para execução embarcada: o One-Class SVM e o XGBoost foram convertidos para C++ usando a biblioteca micromlgen, enquanto o Autoencoder foi adaptado para TensorFlow Lite (TFLite) com técnicas de pruning para reduzir seu tamanho e consumo computacional. Os resultados mostraram que o One-class SVM alcançou maior precisão na detecção de anomalias, enquanto o Autoenconder apresentou menor tempo de inferência e menor uso de memória, tornando-o uma solução eficiente para dispositivos embarcados. O XGBoost demonstrou um MAE de 0.27 na previsão do consumo, indicando um bom desempenho na acurácia das suas previsões. Esses resultados destacam a viabilidade da aplicação de TinyML em sistemas de monitoramento de energia, contribuindo para a gestão eficiente das redes de distribuição, detecção de fraudes e promoção de comportamentos mais sustentáveis entre os usuários.