Controle de cargas em redes inteligentes: uma revisão de abordagens baseadas em NILM, aprendizado de máquina e reflectometria.

Autores

DOI:

https://doi.org/10.21712/lajer.2025.v12.n3.p145-153

Palavras-chave:

Aprendizado de máquina; Controle de carga; NILM; Reflectometria; Redes inteligentes

Resumo

O controle de cargas é essencial para o gerenciamento eficiente de sistemas de energia, especialmente em redes inteligentes (smart grids) com geração distribuída. Esse gerenciamento depende da coleta de dados por meio de sensores, cujas informações são posteriormente processadas por algoritmos de aprendizado de máquina (machine learning). Este trabalho tem como objetivo analisar os principais métodos de classificação de cargas, os algoritmos empregados e suas diversas aplicações em contextos reais. A metodologia adotada consiste em uma revisão comparativa de três abordagens: (i) monitoramento não intrusivo de cargas (NILM), (ii) métodos com sensores baseados em reflectometria e (iii) técnicas independentes que utilizam aprendizado de máquina e Internet das Coisas (IoT). Os resultados indicam que, embora o NILM seja amplamente empregado no monitoramento de cargas e os métodos independentes apresentem estratégias variadas para acompanhamento em tempo real, as abordagens com sensores de reflectometria demonstram maior potencial para aumentar a precisão e aprimorar o controle de carga. Além disso, este estudo destaca soluções acessíveis e sustentáveis para o setor elétrico e evidencia o potencial inexplorado da reflectometria em redes inteligentes de energia elétrica, um tema recente e promissor.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • João José de Sousa Junior, Universidade Federal do Espírito Santo

    Mestrando em Energia na Universidade Federal do Espírito Santo (2025- ). Possui graduação em Matemática Industrial pela Universidade Federal do Espírito Santo (2023). No decorrer do curso foi bolsista CNPq de iniciação científica entre 2020 e 2021, bolsista UFES de iniciação científica entre 2021 e 2022 e bolsista CNPq de iniciação científica entre 2022 e 2023. Tem interesse nas áreas de Eficiência energética,  Inteligência artificial, Matemática computacional.

  • Ana Paula Meneguelo, Universidade Federal do Espírito Santo

    Graduada em Engenharia Química pela Faculdade de Engenharia Química de Lorena (1998) campus do interior da Universidade de São Paulo. Mestrado em Engenharia Química pela Universidade Estadual de Campinas em 2001 e, doutorado em Engenharia Química pela Universidade Federal de Santa Catarina em 2007. Realizou pós-doutorado na Universidade Federal de Santa Catarina focando no desenvolvimento de processos intensificados. Atualmente é professora associada e ministra disciplinas para o curso de Engenharia de Petróleo. Realiza pesquisas relacionadas com processo de armazenamento geológico de CO2, incrustações inorgânicas em meios porosos e processamento de petróleo e gás natural. Atua como professora do Programa de Pós-graduação em Energia da Universidade Federal do Espírito Santo (UFES/ES) na linha de pesquisa de Petróleo, Gás e Energias Renováveis. Tem experiência na área de modelagem e simulação de processos intensificados. Atua no programa de formação de recursos humanos da ANP - PRH53.1 por meio da orientação de iniciação científica e trabalhos de conclusão de curso além de ser membro do comitê gestor do programa.

  • Daniel José Custódio Coura, Universidade Federal do Espírito Santo

    Atualmente é professor Adjunto da Universidade Federal do Espírito Santo no Departamento de Computação e Eletrônica (DCEL) do Centro Norte do Espírito Santo (CEUNES). Desde de 2011 atua nos cursos de graduação de Engenharia da Computação e Ciência da Computação. É membro colaborador do Programa de Pós-Graduação em Energia (PPGEN) desde de 2017. E participa de pesquisas nas áreas de telecomunicações e eficiência energética, principalmente nos seguintes temas: redes ópticas passivas, redes de acesso ópticas, smartgrids.

  • Wanderley Cardoso Celeste, Universidade Federal do Espírito Santo

    Doutor (2009), Mestre (2005) e Graduado (2002) em Engenharia Elétrica pela Universidade Federal do Espírito Santo (UFES). Desde 2009, é Professor do Magistério Superior titular, lotado no Departamento de Computação e Eletrônica (DCE) do Centro Universitário Norte do Espírito Santo (CEUNES/UFES). Atua nos cursos de graduação em Engenharia de Computação (desde 2009) e Ciência da Computação (desde 2015). É membro permanente do Programa de Pós-Graduação em Energia (PPGEN/CEUNES/UFES), onde leciona e orienta nos cursos de Mestrado (desde 2011) e Doutorado (desde 2024).

Referências

Ahammed, MT, Hasan, MM, Arefin, MS, Islam, MR, Rahman, MA, Hossain, E and Hasan, MT (2021) ‘Real-time non-intrusive electrical load classification over IoT using machine learning’. IEEE Access, v. 9, pp.115053–115067. https://doi.org/10.1109/ACCESS.2021.3104263

Awwad, E, Dorize, C, Guerrier, S and Renaudier, J (2020), ‘Detection-localization-identification of vibrations over long distance SSMF with coherent-OTDR'. Journal of Lightwave Technology, v. 38, n.12, pp.3089–3095.

Bucci, G, Ciancetta, F, Fiorucci, E, Mari, S and Fioravanti, A (2021), ‘Measurements for non-intrusive load monitoring through machine learning approaches’. Acta IMEKO, v.10, n.4, pp.90–96. https://doi.org/10.21014/acta_imeko.v10i4.1184

Cazzulani, G, Silva, A and Pennacchi, P (2021) ‘Optimization of continuous sensor placement for modal analysis: Application to an optical backscatter reflectometry strain sensor’. Mechanical Systems and Signal Processing, v.150, p.107242. https://doi.org/10.1016/j.ymssp.2020.107242

Empresa de Pesquisa Energética (EPE) (2024) ‘Balanço energético nacional 2024: Relatório síntese – ano base 2023’. EPE. https://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/balanco-energetico-nacional-ben

Ensslin, L, Ensslin, SR, Lacerda, RTO and Tasca, JE (2010) ‘ProKnow-C: Knowledge development process – constructivist’ [Unpublished Brazilian patent application]. Instituto Nacional da Propriedade Industrial.

Furse, CM, Kafal, M, Razzaghi, R and Shin, YJ (2020) 'Fault diagnosis for electrical systems and power networks: A review’. IEEE Sensors Journal, v. 21, n. 2, pp. 888–906. https://doi.org/10.1109/JSEN.2020.2987321

Ghosh, S and Chatterjee, D (2021) ‘Artificial bee colony optimization based non-intrusive appliances load monitoring technique in a smart home’. IEEE Transactions on Consumer Electronics, v. 67, n.1, pp.77–86. https://doi.org/10.1109/TCE.2021.3051164

Ghosh, S, Manna, D, Chatterjee, A and Chatterjee, D (2020) ‘Remote appliance load monitoring and identification in a modern residential system with smart meter data’. IEEE Sensors Journal, v. 21, n. 4, pp. 5082–5090. https://doi.org/10.1109/JSEN.2020.3035057

Hu, YC, Lin, YH and Lin, CH (2020) ‘Artificial intelligence, accelerated in parallel computing and applied to nonintrusive appliance load monitoring for residential demand-side management in a smart grid: A comparative study’. Applied Sciences, v. 10, n.22, p. 8114. https://doi.org/10.3390/app10228114

Li, TX, Zhang, FD, Lin, J, Bai, XY and Liu, HZ (2023a) ‘Fading noise suppression method of Φ-OTDR system based on GA-VMD algorithm’. IEEE Sensors Journal, v. 23, n.19, pp. 22608–22619. https://doi.org/10.1109/JSEN.2023.3306199

Li, X, Chen, J, Sun, L, Li, J and Zhao, X (2023b) ‘Research on sparse decomposition processing of ultrasonic signals of heat exchanger fouling’. IEEE Sensors Journal, v. 23, n.14, pp. 15795–15802. https://doi.org/10.1109/JSEN.2023.3279413

Ma, Y, Maqsood, A, Oslebo, D and Corzine, K (2021) ‘Wavelet transform data-driven machine learning-based real-time fault detection for naval DC pulsating loads’. IEEE Transactions on Transportation Electrification, v. 8, n.2, pp.1956–1965. https://doi.org/10.1109/TTE.2021.3130044

Ministério de Minas e Energia (MME) (2021) ‘Relatório Smart Grid: Grupo de Trabalho de Redes Elétricas Inteligentes’. Ministério de Minas e Energia. https://www.gov.br/mme/pt-br/assuntos/secretarias/secretaria-nacional-energia-eletrica/relatorio-smart-grid-1/documentos

Park, HP, Kwon, GY, Lee, CK and Chang, SJ (2024) ‘AI-enhanced time–frequency domain reflectometry for robust series arc fault detection in DC grids’. Measurement, v. 238, p. 115188. https://doi.org/10.1016/j.measurement.2024.115188

Peng, Z, Wen, H, Jian, J, Gribok, A, Wang, M, Huang, S and Chen, KP (2020a). ‘Identifications and classifications of human locomotion using Rayleigh-enhanced distributed fiber acoustic sensors with deep neurais networks’. Scientifc Reports, v.10, i n.1, p. 21014. https://doi.org/10.1038/s41598-020-77147-2

Peng, Z, Jian, J, Wen, H, Gribok, A, Wang, M, Liu, H, Huang, S, Mao, ZH and Chen, p (2020b) ‘Distributed fiber sensor and machine learning data analytics for pipeline protection against extrinsic intrusions and intrinsic corrosions’. Optics Express, v. 22, n. 16, p. 27277-27292. https://doi.org/10.1364/OE.397509

Rao, Y, Wang, Z, Wu, H, Ran, Z and Han, B (2021) ‘Recent advances in phase-sensitive optical time domain reflectometry (Φ-OTDR)’. Photonic Sensors, v. 11, pp. 1–30. https://doi.org/10.1007/s13320-021-0619-4

Rosa, C, Coimbra, M, Barbosa, P, Chantre, C and Rosental, R. (2022) ‘Microrredes: Benefícios e desafios para o setor elétrico brasileiro’. GESEL/UFRJ. https://www.gesel.ie.ufrj.br/app/webroot/files/publications/10_Rosa_2022_02_02.pdf

Tangudu, R. and Sahu, PK (2021) ‘Rayleigh Φ-OTDR based DIS system design using hybrid features and machine learning algorithms’. Optical Fiber Technology, v. 61, p. 102405. https://doi.org/10.1016/j.yofte.2020.102405

Yang, G, Luan, B, Sun, J, Niu, J, Lin, H. and Wang, L (2024) ‘Sparrow search mechanism-based effective feature mining algorithm for the broken wire signal detection of prestressed concrete cylinder pipe’. Mechanical Systems and Signal Processing, v. 212, p. 111270. https://doi.org/10.1016/j.ymssp.2024.111270

Yin, G, Zhu, Z, Liu, M, Wang, Y, Liu, K, Yu, K. and Zhu, T, (2023) ‘Optical frequency domain reflectometry based on multilayer perceptron’. Sensors, v. 23, n.6, p. 3165.

Zhao, L, Zhang, J, You, R. and Li, HN (2025) ‘Automatic detection of crack depth and width combining inverse finite-element and PSO-optimized SVR method with OFDR fiber-optic sensors’. Structural Health Monitoring, pp. 1–17. https://doi.org/10.1177/14759217251327728

Zhou, Z, Xiang, Y, Xu, H, Wang, Y, Shi, D and Wang, Z (2021) ‘Self-organizing probability neural network-based intelligent non-intrusive load monitoring with applications to low-cost residential measuring devices’. Transactions of the Institute of Measurement and Control, v. 43, n.3, pp. 635–645. https://doi.org/10.1177/0142331220950865

Downloads

Publicado

29-11-2025

Edição

v. 12 n. 3 (2025)

Seção

Eficiência Energética

Licença

Copyright (c) 2025 Latin American Journal of Energy Research

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

O autor, no ato da submissão do artigo, transfere o direito autoral ao periódico.

Como Citar

de Sousa Junior, J.J. (2025) “Controle de cargas em redes inteligentes: uma revisão de abordagens baseadas em NILM, aprendizado de máquina e reflectometria”., Latin American Journal of Energy Research, 12(3), p. 145–153. doi:10.21712/lajer.2025.v12.n3.p145-153.

Artigos Semelhantes

1-10 de 181

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.