Implementação de Técnicas de Inteligência Artificial na Detecção e Diagnóstico de Distúrbios em Redes Elétricas com o Uso de Sistemas Embarcados

Resumo

Instabilidades e interrupções na rede elétrica são problemas recorrentes que impactam diretamente setores críticos, como hospitais, data centers e indústrias, que dependem de soluções reativas, como nobreaks e geradores, para mitigar os efeitos dessas falhas. No entanto, essas soluções apenas reagem aos eventos após sua ocorrência, deixando os sistemas vulneráveis a prejuízos e paralisações. Nesse contexto, este trabalho apresenta uma pesquisa aplicada[1] e exploratória sobre o desenvolvimento e a implementação de técnicas de Inteligência Artificial (IA) em sistemas embarcados (ESP32), conhecidos como TinyML. O objetivo é desenvolver uma solução eficiente e de baixo custo para detecção e diagnóstico de distúrbios em redes elétricas em tempo real, sem necessidade de conexão com a nuvem. Nesta primeira etapa do projeto, foi realizado um estudo de viabilidade por meio do monitoramento de um ventilador doméstico operando em diferentes níveis de velocidade. Os dados foram coletados com o uso de um sensor ZHT103 e um divisor de tensão com offset, permitindo medições estáveis via conversor analógico-digital do ESP32. As amostras foram processadas na plataforma Edge Impulse e utilizadas para o treinamento de um modelo de rede neural simples, que obteve uma acurácia de 92% nos dados de treino e 86% nos de teste. Esses resultados parciais validam a aplicação do TinyML, em condições reais de operação, para ambientes com recursos computacionais limitados, além de indicar uma abordagem promissora para antecipar e diagnosticar distúrbios reais em redes elétricas, contribuindo para a transformação dos sistemas de energia em smart grids eficientes.

[1] Projeto de Iniciação Científica (IC).