Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract—O setor elétrico vem passando por um processo (IoT) consiste em um sistema ciber-físico, o que o torna
contínuo de transformação, que tem ocasionado profundas vulnerável a ataques cibernéticos. Portanto, sistemas de
mudanças em todo os seus segmentos. Essa transformação tem um proteção adequados são necessários para garantir a operação
carácter energético, cujo vetor são as fontes renováveis de geração
de energia elétrica, e também um carácter tecnológico, decorrente
segura da rede inteligente, a proteção dos dados, e impedir
de avanços em áreas como medição e comunicação. Como qualquer possibilidade de ataque à integridade do sistema
consequência, novas preocupações emergiram, sendo a segurança elétrico de potência [2], [3].
cibernética dos dados uma das principais. Adicionalmente, os Técnicas de ML, ou aprendizado de máquina, constituem-se
procedimentos de planejamento e operação dos sistemas elétricos em uma solução atraente para o processamento de grandes
de potência precisaram ser revistos, e muitas tarefas antes volumes de dados e para a implementação de soluções de
rotineiras têm se tornado complexas e desafiadoras. Neste cenário,
ferramentas baseadas em técnicas de Machine Learning (ML) vêm
segurança eficazes. Um desafio natural que surge com o big
ganhando destaque, em função de seu ecletismo e da sua data é a elaboração de um procedimento eficiente para analisá-
potencialidade. Portanto, o artigo detalha estas técnicas no los, extraindo-se informações valiosas. Pois sem a extração de
contexto de sistemas Smart Grid (SG), sendo empreendida uma informações úteis, os dados armazenados possuem pouco, ou
revisão bibliográfica acerca do tema, e abordados os seus aspectos nenhum valor. O termo ML se refere à aprendizagem e à
metodológicos e conceituais. Estudos de caso contendo aplicações realização de previsões (ou predições), a partir dos dados
de ML em sistemas SG são apresentados. Por fim, os aspectos mais
relevantes sobre o tema são discutidos e as principais conclusões
disponíveis de um sistema. Uma ML é composta por vários
apontadas. algoritmos que analisam os dados, através de um conjunto de
instruções, para produzir previsões e/ou decisões, orientadas
Index Terms—Machine Learning, Smart Grid, big data, Internet pelos dados [1].
of Things. As MLs podem ser empregadas em vários aplicativos para a
segurança de redes inteligentes. Pode-se verificar também que
I. INTRODUÇÃO o setor de energia renovável necessitará cada vez mais destas
técnicas, em função do aumento das incertezas nos modernos
O alto volume de dados de medições oriundas dos
modernos sistemas elétricos de potência, sintetizados com
o termo SG, torna bastante complexa a análise de tais dados.
sistemas elétricos de potência, ocasionado por este tipo de
energia. Com relação à segurança cibernética, as técnicas
Um gerenciamento dinâmico da energia é necessário para podem ser divididas em duas categorias principais: proteção e
processar a enorme quantidade de dados, a fim de que sejam detecção. As estratégias de proteção podem ser de hardware e
disponibilizadas aplicações, tais como: otimização do administrativas, juntamente com as proteções de software mais
planejamento eletro-energético, monitoramento do sistema, comuns. Já as estratégias de detecção podem ser realizadas
operação em tempo real, e planejamento da expansão. Dados de aplicando-se técnicas de ML, que podem prever ameaças e
tal magnitude, que não podem ser manipulados através de identificar anomalias de acordo com as características padrões
processos tradicionais, são denominados big data, termo que [4].
vem ganhando grande destaque na literatura [1]. As abordagens tradicionais de simulação no domínio do
Uma parte dos dados produzidos em um SG contém tempo, baseadas em modelos de sistemas de potência são, de
informações confidenciais de usuários individuais, que forma geral, computacionalmente intensivas e podem não
precisam estar protegidas por regulamentações legais. Além atender aos requisitos de aplicações em tempo real. Portanto, os
disso, os dados contêm informações sigilosas de organizações pesquisadores têm recorrido a técnicas de ML para a tomada de
privadas, de órgãos governamentais, e de sistemas interligados decisões em tempo real, ou quase real. A abordagem de ML
que envolvem um significativo número de agentes. Portanto, a apresenta uma capacidade de generalização, onde o modelo
manipulação de tais dados pode afetar a segurança operacional baseado em dados, se treinado adequadamente, pode fazer
de um sistema elétrico. Um SG integrado à Internet of Things previsões precisas, a partir de medidas para as quais não foi
2
sensores inteligentes pode ser utilizado na análise e ação em preferências como o tipo de geração de energia, quanto
tempo real. Entretanto essas enormes quantidades de dados estão dispostos a pagar e seus padrões de consumo.
exibidas pela operação de sistemas SG são impossíveis de
serem processadas pelos operadores humanos em tempo hábil. A aplicação de ML ao setor elétrico abre uma ampla gama
Os avanços nos algoritmos de aprendizagem profunda se de possibilidades interessantes, impactando profundamente
apresentam como a solução para avaliação dos dados, toda a indústria. Evidências iniciais sugerem o aprendizado
possibilitando que a análise em tempo real dos valores lidos, de máquinas pode oferecer grandes benefícios para os
identificando padrões e anomalias nos conjuntos de dados e usuários. Entretanto a adesão atual do setor de permanece
permitindo que as concessionárias tomem decisões no local baixa, com poucas empresas implementando esses sistemas
sobre a melhor forma de alocar os recursos de energia. Esses em escala. Os EUA é um dos principais exemplos de
algoritmos de aprendizagem profunda tem o poder de investimentos para atualizar e modernizar a rede, onde o
revolucionar o lado da demanda e da oferta para a economia de departamento de energia investiu US$ 4,5 bilhões em
energia. Alcançando melhorias reais e mensuráveis em infraestrutura de rede inteligente. Isso inclui a instalação de
comparação aos métodos tradicionais. Muitos setores podem se mais de 15 milhões de medidores inteligentes para monitorar
beneficiar do aprendizado de máquina [16-19], como pode ser o uso de energia.
observado:
III. ASPECTOS METODOLÓGICOS
• Previsão de carga - As previsões de curto prazo são O termo ML (Machine Learning), ou Aprendizado de
vitais para as concessionárias, sendo que o aprendizado Máquina, consiste em um método de análise de dados que
de máquina pode ser usado para prever a oferta e a automatiza o desenvolvimento de modelos analíticos, por
demanda em tempo real e otimizar o despacho meio de algoritmos que aprendem interativamente a partir de
econômico de carga. dados, permitindo assim que os computadores encontrem
• Otimização de rendimento - Os provedores de energia insights ocultos sem serem explicitamente programados para
podem otimizar a eficiência de geração com ajustes em procurar algo específico [1], [3], [10], [11], [17].
tempo real em seus ativos e gerenciamento aprimorado As duas técnicas mais adotadas de ML são a aprendizagem
de recursos distribuídos, automaticamente libera energia supervisionada e a aprendizagem não supervisionada, porém
através da rede para fornecer energia mais confiável e existem outros tipos. Na sequência, estas e outras técnicas
maior escolha do cliente. são descritas.
• A manutenção preditiva - reforçada com drones para Aprendizagem supervisionada: Os algoritmos são
inspeções de ativos, substituindo inspeções manuais treinados por meio de exemplos rotulados, como uma entrada
demoradas e arriscadas, identificando automaticamente na qual a saída desejada é conhecida. Por exemplo, um
defeitos e falhas sem interromper as operações equipamento poderia ter pontos de dados rotulados como “F”
• Gerenciamento de demanda - automatizado e tornado (falha) ou “E” (executa). O algoritmo de aprendizado recebe
mais inteligente com o aprendizado de máquina um conjunto de entradas junto com as saídas corretas
• Roubo de energia - pode ser usado para detectar padrões correspondentes, e aprende ao comparar a saída real com as
de uso, histórico de pagamento e outros dados do cliente saídas corretas para encontrar erros. Ele, então, modifica o
que podem sinalizar um comportamento irregular modelo de acordo. Através de métodos como classificação,
• Gerenciamento de interrupção - utilizando modelos de regressão e gradient boosting, o aprendizado supervisionado
validação de análise para prever e identificar utiliza padrões para prever os valores de rótulos em dados
interrupções, permitindo gerenciamento de recursos, não-rotulados adicionais. O aprendizado supervisionado é
reduzindo o tempo de inatividade e melhorando a comumente empregado em aplicações nas quais dados
confiabilidade. históricos preveem eventos futuros prováveis. Por exemplo,
• Percepções dos clientes - permite que as concessionárias ele pode antecipar quando transações via cartão de crédito
criem preços de eletricidade que maximizem suas são passíveis de fraude ou qual segurado tende a reivindicar
margens criando ofertas e serviços individuais, sua apólice.
minimizando a rotatividade de clientes Aprendizagem não supervisionada: basicamente é usado
• Negociação de energia - viabiliza o comércio peer-to- contra dados que não possuem rótulos históricos. Ou seja, o
peer entre produtores e consumidores, combinando mais sistema não sabe a “resposta certa” nesse caso. O algoritmo
rapidamente os produtores com os consumidores deve descobrir o que está sendo mostrado e o objetivo é
• Agentes virtuais - capazes de responder às consultas dos explorar os dados e assim encontrar alguma estrutura neles.
consumidores e fornecer assistência instantânea. O aprendizado não supervisionado funciona bem em dados
podendo segmentar automaticamente os consumidores transacionais. Por exemplo, ele pode identificar segmentos
com base no histórico de serviços e fornecer um aviso de clientes com atributos similares que podem, então, ser
antecipado de dívidas incobráveis tratados de modo igualmente similar em campanhas de
• Seleção de fornecedores - pode ajudar os clientes a marketing; ou ele pode encontrar os principais atributos que
escolherem seu revendedor de energia, utilizando suas separam segmentos distintos de clientes. Técnicas populares
incluem mapas auto-organizáveis, mapeamento por
5
como as PMUs, contribui para melhorar a tomada de decisões • A base de conhecimento é criada exclusivamente com
e a operação [21]. Como as medições são geralmente reunidas base no modelo do sistema de energia. Quando a
em alta velocidade e volume, torna-se imperativo explorar fidelidade do modelo do sistema é questionável, a
novas metodologias de análises de dados on-line com recursos precisão da previsão das ferramentas de aprendizado de
rápidos de processamento de dados. A abordagem de máquina é afetada negativamente.
aprendizado de máquina tem a capacidade de generalização em
que o modelo baseado em dados, se treinado adequadamente, O aprendizado ativo é empregado neste trabalho para lidar
pode fazer previsões precisas a partir de medidas para as quais com as desvantagens mencionadas. A Figura 3 mostra a
não foi exposto anteriormente. diferença entre a abordagem proposta e os algoritmos existentes
Embora os algoritmos de aprendizado de máquina sejam de aprendizado de máquina. A técnica de aprendizagem ativa
excelentes em sua rápida capacidade de tomada de decisão, está construindo iterativamente as bases de conhecimento, que
duas dificuldades técnicas ainda não foram totalmente são otimizadas para tamanho e precisão. Em vez de usar o
resolvidas: método de simulação exaustivo, ele seleciona interativamente
a) como atualizar os modelos de aprendizado de máquina os POs mais representativos ao criar o conjunto de dados de
quando as previsões contradizem as condições reais do sistema; treinamento. Em vez de confiar em simulações inclusivas
b) como preparar eficientemente os dados de treinamento baseadas em um modelo de sistema de energia, a abordagem
para eliminar simulações redundantes de sistemas de energia proposta procura ativamente os POs onde ocorrem previsões
off-line. imprecisas de aprendizado de máquina. Em seguida, ele executa
A estabilidade de tensão em um sistema de transmissão está simulações especiais para criar novos mapeamentos em torno
entre os principais desafios para a operação de uma rede dos POs identificados e os adiciona ao conjunto existente de
elétrica. Para eficiência e benefícios econômicos, os operadores conjunto de dados de treinamento. Isso ajuda a capturar o
de rede tendem a operar a rede perto de seus limites físicos. comportamento do sistema oculto não representado no processo
A capacidade de fornecer suporte à tomada de decisões em de treinamento anteriormente.
tempo real é desejada e pode melhorar muito a estabilidade,
segurança e confiabilidade de um sistema de energia.
A principal contribuição deste trabalho é a adaptação da
metodologia de aprendizagem ativa baseada em coleta de
medições do sistema de potência, como exemplo as
informações da Medição Fasorial Sincronizada dos dados PMU
usados para avaliar a estabilidade de tensão. Avaliando a
incerteza dos modelos de aprendizado de máquina e a carga
computacional de treinamento para previsão de instabilidade de
tensão. Fig. 3. Abordargem proposta versus abordagens existentes.
O desempenho de uma ferramenta de aprendizado de
máquina depende da capacidade do comportamento do sistema Na maioria dos casos, as simulações baseadas na modelagem
conhecido representado pelo conjunto de dados de treinamento. do sistema de potência são usadas para verificar a precisão da
Portanto, as abordagens existentes de aprendizado de máquina previsão e identificar quaisquer contradições entre a previsão
geralmente empregam um método de força bruta para gerar a da aprendizagem da máquina e o comportamento real do
base de conhecimento usando simulações baseadas em modelos sistema. Em alguns casos mais raros, tal contradição pode ser
de sistema físico. Devido à complexidade computacional da observada sem verificação de simulação. Quando o sistema de
grande quantidade de simulações necessárias, uma única base energia monitorado perdeu sua estabilidade de tensão, mas o
de conhecimento inalterada foi usada em muitas aplicações. As indicador de estabilidade de tensão ainda relata uma condição
ferramentas de aprendizado de máquina treinadas dessa estável é um bom exemplo de uma contradição óbvia.
maneira são “passivas” e sofrem de três principais A abordagem proposta também inclui essas contradições
desvantagens quando incorporadas em aplicativos on-line: observadas diretamente no conjunto de treinamento. O objetivo
é minimizar a influência negativa de modelos imprecisos de
• O conjunto de treinamento inicial é formulado em uma componentes do sistema de potência.
determinada condição de operação do sistema físico. Nossa abordagem é geral o suficiente para acomodar os
Quando as atualizações subsequentes não são modelos mais comuns de aprendizado de máquina, que podem
contabilizadas, a ferramenta de aprendizado de máquina funcionar como um classificador probabilístico. A incerteza de
pode falhar à medida que as condições operacionais do um classificador probabilístico é examinada para orientar a
sistema evoluem; criação da base de conhecimento.
• Quando os modelos de aprendizado de máquina são Em nosso trabalho, a abordagem proposta aplicada ao
atualizados, sem reduzir a quantidade de simulações problema de estabilidade de tensão ilustra o potencial de
necessárias, o treinamento baseado no mesmo método melhoria quantificando o desempenho de vários modelos
de simulação de força bruta atrasa muito a retomada do comuns de aprendizado de máquina em termos de tempo de
aplicativo on-line. treinamento, tempo de previsão e precisão. A margem de
7
estabilidade de tensão é computada para rotular cada PO como correspondente no barramento de carga. Quando o PO se move
estável ou instável, dado um estado do sistema de transmissão. para um ponto abaixo da VCP, consequências catastróficas
Com o aprendizado ativo baseado em sistema de podem ocorrer.
agrupamento, um conjunto de dados rotulados é criado a partir Para a aplicação da estabilidade de tensão em sistemas de
de um grande agrupamento de dados não rotulados usando transmissão foi considerado um problema de três classes, onde
“Simulação Baseada em Modelagem Detalhada do Sistema” yi = 1 representa POs com margens de estabilidade maiores que
que, com grande custo, produz um rótulo preciso. O termo o valor médio da margem de estabilidade de todos os POs,
“Simulação Baseada em Modelagem Detalhada do Sistema” yi = 2 para POs com uma margem de estabilidade no segundo
refere-se à simulação de estado estacionário ou dinâmica quartil, e yi = 3 se a margem de estabilidade estiver no menor
baseada em um modelo detalhado do sistema de potência. O quartil. O intervalo de VSM foi de 0,1% a 6%, e mais detalhes
conjunto de dados refere-se aos POs gerados pela simulação podem ser encontrados em [6].
baseada no modelo do sistema físico em várias condições Usando o conjunto de dados rotulados, é possível treinar um
operacionais do sistema. No trabalho apresentado, o PO modelo de aprendizado de máquina f, que pode então, para um
rotulado também pode ser o mapeamento conhecido entre PO xj invisível, fornecer uma aproximação da estabilidade de
medições em fluxo e comportamento real do sistema. O modelo tensão.
de aprendizado de máquina é então treinado para aproximar o A tarefa é construir uma base de conhecimento que leve ao
oráculo de uma maneira que minimize o número de consultas aprendizado ideal por PO rotulado. Dado o DU, o objetivo é
ao oráculo. O aprendizado ativo baseado em agrupamentos de encontrar subconjuntos DL incrementalmente maiores em
dados tem sido investigado com frequência em casos tamanho, o que otimamente aumenta a precisão de previsão de
semelhantes em que especialistas humanos fornecem rótulos um modelo de aprendizado de máquina treinado na DL atual.
para dados [22]. Essas abordagens são úteis devido à grande Esse problema imita a situação comum em um sistema de
diferença entre a velocidade com que o operador do sistema energia no qual a geração de POs em DL é computacionalmente
pode fornecer rótulos e a duração da fase de treinamento e cara, enquanto a obtenção de POs para DU é barata.
previsão do modelo de aprendizado de máquina.
Redes Neurais Artificiais
Estabilidade de tensão refere-se à capacidade de um sistema
de potência de manter tensões constantes em todos os A RNA foi treinada para prever um rótulo como uma saída
barramentos no sistema após ter sido sujeito a um distúrbio de contínua. Uma propriedade específica das RNAs usada para
uma dada condição inicial de operação [23]. Neste trabalho, classificação binária é que elas generalizam todo o espaço de
estudou-se a estabilidade de tensão a longo prazo de um sistema entrada, mesmo que apenas poucos POs sejam usados para
de transmissão de energia em resposta a condições de carga de treinamento. Uma boa abordagem heurística para resolver esse
variação lenta. Como mencionado anteriormente, os operadores problema envolve incluir pelo menos um PO de cada classe no
da rede tendem a operar a rede perto de seus limites físicos. conjunto de treinamento. As experiências foram realizadas
Quando esses limites são violados, o sistema pode experimentar usando o MATLAB Neural Network Toolbox.
várias formas de falhas em todo o sistema, incluindo o colapso Máquinas de Vetores de Suporte
de tensão. Durante a implantação de aplicativos que são baseados no
SVM para classificação, novos POs são classificados por este
modelo de acordo com sua similaridade com um conjunto de
POs escolhidos para representar um limite de decisão.
Árvores de Decisão
Em um conjunto como o RF, o número de árvores usadas dita
o número potencial de valores que podem ser obtidos como a
estimativa de probabilidade e é, portanto, mais adequado para
aprendizado ativo do que árvores de decisão pura. Uma porta
do pacote R randomForest foi usada para experimentos.
Aprendizagem Ativa
Ao invés de assumir que para todos os POs xi possuem o yi
Fig. 4. Magnitude da tensão x demanda de carga. apropriado, o conjunto de dados DL é inicialmente assumido
como vazio, ou apenas inicializado com um OP de cada classe.
O conhecimento de domínio pode normalmente ser usados para
A estabilidade de tensão pode ser aproximada calculando a fornecer vários OPs de cada estado de estabilidade para
distância do atual PO. Conforme indicado na Fig. 4, as inicializar o DL, mas esses OPs não podem ser confiáveis para
condições de instabilidade de tensão surgem quando a demanda previsões precisas.
de carga tenta ir além da potência máxima de entrega. Os Adicionar rótulos aos OPs no DU usando o “Simulação
sistemas normais POs estão acima do VCP, ao longo da linha Baseada em Modelagem Detalhada do Sistema” aumenta o
definida pela relação entre demanda e magnitude de tensão tamanho do DL. Esse conjunto pode ser usado para quantificar
8
o aumento na precisão, após cada OP rotulado, tanto para O experimento se concentra em prever as margens de
amostragem aleatória quanto para aprendizado ativo. estabilidade de tensão em uma rede de transmissão. A rede de
teste é o sistema WECC simplificado, que consiste em 29
Aprendizado Ativo Baseado em Sistema de Agrupamento
geradores, 179 ônibus, 263 linhas de transmissão, 42 derivações
Um agrupamento maior de dados não rotulados que e 104 cargas. A base de conhecimento preparada pela
representam as condições de operação do sistema de energia é “Simulação” inclui 5078 “estáveis”, 2540 “alertas” e 2529
rotulado iterativamente com um “Simulação Baseada em “críticos” POs rotulados. Um total de 256 canais de dados
Modelagem Detalhada do Sistema” para criar um conjunto de fasoriais simulados foram coletados, abrangendo 1.0147 OP
dados rotulados O modelo de aprendizado de máquina pode ser selecionados.
treinado. A incerteza do modelo de aprendizado de máquina é As seguintes conclusões foram alcançadas:
usada para selecionar pontos de dados para rotulagem pelo
oráculo. Em cada iteração, um classificador parcialmente • Foi identificada que os conjuntos de dados de treinamento
treinado escolhe um exemplo x* do conjunto de dados sem pode ser um ponto fraco, que muitas vezes são
rótulo sobre o qual o classificador é mais incerto. negligenciado na aplicação de problemas de aprendizado
Quando incorporado em aplicativos do sistema de energia de máquina aos sistemas de energia não conseguindo ser
on-line, o conjunto de dados sem rótulo se refere às medições sempre eficientes.
de séries temporais transmitidas para uma instalação central
• A abordagem de aprendizagem ativa proposta baseada em
onde reside o modelo de aprendizado de máquina. A técnica
agrupamento pode construir conjuntos de dados para um
proposta compara continuamente a previsão do modelo de
modelo de aprendizado de máquina para treinar de forma
aprendizado de máquina com o comportamento real do sistema.
mais eficiente.
Uma vez que uma contradição é identificada, o PO
• A abordagem descrita aprimora os modelos existentes de
correspondente é registrado. O “Simulação Baseada em
aprendizado de máquina, identificando os pontos
Modelagem Detalhada do Sistema” é usado para gerar um
operacionais nos quais as previsões do modelo
rótulo preciso para o OP através da simulação baseada em
contradizem a realidade e adicionando conjuntos de dados
modelo. No trabalho apresentado, o status de estabilidade de
rotulados em torno desses pontos à base de conhecimento.
tensão é determinado como um rótulo y * e atribuído ao OP. O
• A abordagem também acelera o processo de treinamento
novo OP rotulado agora pode ser incluído no pool de DL, para
off-line, reduzindo a quantidade de simulações baseadas
que possa ser usado na próxima iteração de aprendizado.
em modelos em torno de outros pontos operacionais, onde
Aprendizado Ativo em Sistemas de Potência previsões corretas foram feitas.
Como discutido anteriormente, no estudo da estabilidade de • A abordagem foi empregada para lidar com a estabilidade
tensão do sistema de transmissão, o VSM é usado como de tensão nos sistemas de transmissão. Desempenho
indicador ou rótulo. Para uma grande rede de energia, pode promissor foi alcançado.
levar horas para criar POs rotulados usando o cálculo de fluxo
de potência no modelo de sistema detalhado construído no B. Detecção de Injeção de Dados Falsos Usando Aprendizado
programa de estabilidade PSSE [6]. de Máquina em SG
A integração da abordagem de aprendizagem ativa proposta
De acordo com [22], o crescimento populacional trouxe
nas aplicações do sistema de potência. As medições dos
grandes desafios para o setor elétrico. Enfrentar esses desafios
Fasoriais Sincronizadas são transmitidas das PMU para o
requer mudanças profundas nos sistemas de energia
agrupamento não rotulado. Neste exemplo, a atividade não tradicionais.
ocorre simultaneamente. A Simulação Baseada em Modelo é O estimador de estado é uma maneira eficiente de
calibrado off-line, os dados no Conjunto sem rótulo podem ser monitoramento on-line dos estados da rede de energia. Para
históricos DT, RF ou SVM. A “Simulação Baseada no Modelo” estimar os estados de uma rede, os valores medidos de potência
é usado para rotular POs, que são então incluídos no Labelled ativa devem ser distribuídos coletivamente para um estimador
Label para o aprendizado. de estado central através de links de comunicação. Geralmente,
Ao fazer previsões sobre o agrupamento sem rótulo, os POs essas medições são coletadas por sensores instalados na
mais incertos são identificados. Os POs recebem então rótulos subestação. Os estados estimados são a base de referência usada
precisos pela “Simulação Baseada no Modelo” e são pelos centros de operação para manter a operação da rede
armazenados no conjunto rotulado para que possam ser usados elétrica em um modo seguro.
para aprendizado posterior. Medições de campo podem ser A infraestrutura de comunicação conecta as subestações aos
usadas para verificar e calibrar ferramentas de simulação centros de operação, porém aumenta os desafios referente a
durante a configuração inicial do sistema. segurança cibernética, pois os estimadores de estado são
A abordagem proposta é avaliada em experimentos potencialmente alvos de ataques cibernéticos.
utilizando dados sintéticos obtidos a partir de simulações no O trabalho em [23] analisa ataques maliciosos em três
modelo detalhado do sistema de potência. Seu desempenho é categorias diferentes com base nos objetivos de segurança da
quantificado em termos de previsão e tempo de treinamento e rede inteligente:
precisão de previsão.
9
pode também ser realizada para verificar-se o grau de aderência Transport Analytics,” C. Antoniou, L. Dimitriou, F. Pereira, Elsevier,
2019, pp.9-29. https://doi.org/10.1016/B978-0-12-812970-8.00002-
entre variáveis climáticas e o consumo de energia. 6.
[10] R. Boutaba et al. “A comprehensive survey on machine learning for
VI. CONCLUSÃO networking: evolution, applications and research opportunities,”,
Os sistemas elétricos de potência têm passado por um Journal of Internet Services and Applications, 2018, pp.9-16.
https://doi.org/10.1186/s13174-018-0087-2.
processo de transição energética e tecnológica irrevogável, que
[11] G, Shobha, S. Rangaswamy. “Handbook of Statistics – Machine
o levará a um outro paradigma em termos de planejamento e Learning,” V. Gudivada, C.R. Rao, Elsevier, 2018, pp.197-228.
operação. Energeticamente, a mudança ocorre em função do https://doi.org/10.1016/bs.host.2018.07.004.
aumento da participação de fontes renováveis nas matrizes [12] P. Iona et al. (2011). Making Smart Grids Smarter by Using Machine
energéticas dos países. Devido à sua característica intermitente Learning. Proceedings of the Universities Power Engineering
e distribuída, tais fontes aumentam o grau de incerteza em todos Conference. 2011. 1-5
https://www.researchgate.net/publication/258977475
os segmentos do setor elétrico. Tecnologicamente, a
[13] H. Xu, H. Huang, R. S. Khalid and H. Yu, "Distributed machine
possibilidade de medições remotas, sincronizadas e com alta learning based smart-grid energy management with occupant
taxa de amostragem, aliada à comunicação bidirecional em cognition," 2016 IEEE International Conference on Smart Grid
tempo real, ou quase real, tem impulsionado o desenvolvimento Communications (SmartGridComm), Sydney, NSW, 2016, pp. 491-
496 10.1109/SmartGridComm.2016.7778809
de novas aplicações no contexto dos sistemas SG.
Neste cenário, toda esta transição tem despertado [14] J. Carbonell, R. Michalski, T. Mitchell, " Machine Learning:A
Historical and Methodological Analysis," AI Magazine, V.4 1983.
preocupações com a segurança cibernética dos dados, que doi: NO0014-79-C-0661
ganham volume e importância em redes elétricas inteligentes. [15] R. Nawaz, M. A. Shahid, I. M. Qureshi and M. H. Mehmood,
Por outro lado, estas mudanças também têm aberto a "Machine learning based false data injection in smart grid," 2018 1st
possibilidade de emprego de novas técnicas matemáticas e International Conference on Power, Energy and Smart Grid
(ICPESG), Mirpur Azad Kashmir, 2018, pp. 1-6. doi:
computacionais, efetivas não somente no combate de ameaças 10.1109/ICPESG.2018.8384510
cibernéticas, mas também no planejamento e na operação dos
[16] A. Bagheri, M. H. J. Bollen and I. Y. H. Gu, "Big data from smart
sistemas de potência. As técnicas de ML se enquadram neste grids," 2017 IEEE PES Innovative Smart Grid Technologies
contexto, sendo bastante promissoras como ferramentas Conference Europe (ISGT-Europe), Torino, 2017, pp. 1-5. doi:
efetivas para a solução dos diversos problemas detalhados ao 10.1109/ISGTEurope.2017.8260155
longo deste trabalho. [17] A. Almalaq and G. Edwards, "A Review of Deep Learning Methods
Applied on Load Forecasting," 2017 16th IEEE International
Conference on Machine Learning and Applications (ICMLA),
Cancun, 2017, pp. 511-516. doi: 10.1109/ICMLA.2017.0-110
REFERÊNCIAS BIBLIOGRÁFICAS [18] C. Dong et al., "Forecasting Smart Meter Energy Usage Using
Distributed Systems and Machine Learning," 2018 IEEE 20th
International Conference on High Performance Computing and
[1] E. Hossain, I. Khan, F. Un-noor, S. S. Sikander, and S. H. Sunny,
“Application of Big Data and Machine Learning in Smart Grid , and Communications; IEEE 16th International Conference on Smart City;
IEEE 4th International Conference on Data Science and Systems
Associated Security Concerns : A Review,” IEEE Access, vol. 7, pp.
(HPCC/SmartCity/DSS), Exeter, United Kingdom, 2018, pp. 1293-
13960–13988, 2019.
1298. doi: 10.1109/HPCC/SmartCity/DSS.2018.00216
[2] F. Pallonetto, M. De Rosa, F. Milano, and D. P. Finn, “Demand
response algorithms for smart-grid ready residential buildings using [19] H. Yang, P. Li, A. Masood, Y. Xiao, B. Sheng and Q. Yu, "Smart
grid data analysis and prediction modeling," 2016 International
machine learning models,” Appl. Energy, vol. 239, no. January, pp.
Conference on Progress in Informatics and Computing (PIC),
1265–1282, 2019.
Shanghai, 2016, pp. 541-544. doi: 10.1109/PIC.2016.7949559
[3] K. A. P. da Costa, J. P. Papa, C. O. Lisboa, R. Munoz, and V. H. C.
de Albuquerque, “Internet of Things: A survey on machine learning- [20] T. Hong et al., “Guest editorial big data analytics for grid
modernization,” IEEE Trans. Smart Grid, vol. 7, no. 5, pp. 2395–
based intrusion detection approaches,” Comput. Networks, vol. 151,
2396, Sep. 2016.
pp. 147–157, 2019.
[21] B. Wang, B. Fang, Y. Wang, H. Liu, and Y. Liu, “Power system
[4] Y. T. Quek, W. L. Woo, and T. Logenthiran, “Smart Sensing of Loads
in an Extra Low Voltage DC Pico-Grid Using Machine Learning transient stability assessment based on big data and the core vector
machine,” IEEE Trans. Smart Grid, vol. 7, no. 5, pp. 2561–2570, Sep.
Techniques,” IEEE Sens. J., vol. 17, no. 23, pp. 7775–7783, 2017.
2016.
[5] T. Ahmad and H. Chen, “Potential of three variant machine-learning
[22] M. Esmalifalak, L. Liu, N. Nguyen, R. Zheng, Z. Han, Detecting
models for forecasting district level medium-term and long-term
energy demand in smart grid environment,” Energy, vol. 160, pp. Stealthy False Data Injection Using Machine Learning in Smart Grid,
IEEE Syst. J. 11 (2017) 1644–1652.
1008–1020, 2018.
doi:10.1109/JSYST.2014.2341597.
[6] V. Malbasa, C. Zheng, P. C. Chen, T. Popovic, and M. Kezunovic,
[23] W. Wang, Z. Lu, Cyber security in the Smart Grid: Survey and
“Voltage Stability Prediction Using Active Machine Learning,” IEEE
challenges, Comput. Networks. 57 (2013) 1344–1371.
Trans. Smart Grid, vol. 8, no. 6, pp. 3117–3124, 2017.
doi:10.1016/j.comnet.2012.12.017.
[7] S. Breker, J. Rentmeister, B. Sick, and M. Braun, “Hosting capacity
of low-voltage grids for distributed generation: Classification by
means of machine learning techniques,” Appl. Soft Comput. J., vol.
70, pp. 195–207, 2018.
[8] M. Esmalifalak, S. Member, L. Liu, and S. Member, “Detecting
Stealthy False Data Injection Using Machine Learning in Smart
Grid,” vol. 11, no. 3, pp. 1644–1652, 2017.
[9] F.C. Pereira, S.S. Borysov. “Mobility Patterns, Big Data and