Banca de DEFESA: JONES MARCIO NAMBUNDO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : JONES MARCIO NAMBUNDO
DATA : 18/07/2025
HORA: 14:00
LOCAL: via sala virtual RNP: https://conferenciaweb.rnp.br/sala/otavio-unifei
TÍTULO:

Sistema de Análise Preditiva em Tempo Real para Smart Meters usando Machine Learning embarcado (TinyML)

PALAVRAS-CHAVES:

TinyML, Smart Meters, Análise Preditiva em Tempo Real, Eficiência Energética, Machine Learning, Big Data

PÁGINAS: 101
RESUMO:

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 Autoencoder alcançou maior precisão na detecção de anomalias (96,5%), enquanto o SVM apresentou menor tempo de inferência (5 ms) e menor uso de memória, tornando-o uma solução eficiente para dispositivos embarcados. 

O XGBoost demonstrou bom desempenho na previsão do consumo, com uma redução de 15% no erro de previsão. 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.

MEMBROS DA BANCA:
Presidente - 1931964 - OTÁVIO DE SOUZA MARTINS GOMES
Interno - 2195171 - ROBSON LUIZ MORENO
Externo ao Programa - 1374755 - DECIO RENNO DE MENDONCA FARIA - UNIFEIExterno à Instituição - RAFAEL VINICIUS TAYETTE DA NOBREGA - IFMG