1
Machine Learning: Aplicações em Smart Grid,
Aspectos Metodológicos, Estudos de Caso e
Discussão
Felipe C. Lucchese, Guilherme B. da Costa, Humberto Wickert, Marcelo A. Benetti, Rodinei Carraro
Abstract—O setor elétrico vem passando por um processo
contínuo de transformação, que tem ocasionado profundas
mudanças em todo os seus segmentos. Essa transformação tem um
carácter energético, cujo vetor são as fontes renováveis de geração
de energia elétrica, e também um carácter tecnológico, decorrente
de avanços em áreas como medição e comunicação. Como
consequência, novas preocupações emergiram, sendo a segurança
cibernética dos dados uma das principais. Adicionalmente, os
procedimentos de planejamento e operação dos sistemas elétricos
de potência precisaram ser revistos, e muitas tarefas antes
rotineiras têm se tornado complexas e desafiadoras. Neste cenário,
ferramentas baseadas em técnicas de Machine Learning (ML) vêm
ganhando destaque, em função de seu ecletismo e da sua
potencialidade. Portanto, o artigo detalha estas técnicas no
contexto de sistemas Smart Grid (SG), sendo empreendida uma
revisão bibliográfica acerca do tema, e abordados os seus aspectos
metodológicos e conceituais. Estudos de caso contendo aplicações
de ML em sistemas SG são apresentados. Por fim, os aspectos mais
relevantes sobre o tema são discutidos e as principais conclusões
apontadas.
Index Terms—Machine Learning, Smart Grid, big data, Internet
of Things.
I. INTRODUÇÃO
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.
Um gerenciamento dinâmico da energia é necessário para
processar a enorme quantidade de dados, a fim de que sejam
disponibilizadas aplicações, tais como: otimização do
planejamento eletro-energético, monitoramento do sistema,
operação em tempo real, e planejamento da expansão. Dados de
tal magnitude, que não podem ser manipulados através de
processos tradicionais, são denominados big data, termo que
vem ganhando grande destaque na literatura [1].
Uma parte dos dados produzidos em um SG contém
informações confidenciais de usuários individuais, que
precisam estar protegidas por regulamentações legais. Além
disso, os dados contêm informações sigilosas de organizações
privadas, de órgãos governamentais, e de sistemas interligados
que envolvem um significativo número de agentes. Portanto, a
manipulação de tais dados pode afetar a segurança operacional
de um sistema elétrico. Um SG integrado à Internet of Things
(IoT) consiste em um sistema ciber-físico, o que o torna
vulnerável a ataques cibernéticos. Portanto, sistemas de
proteção adequados são necessários para garantir a operação
segura da rede inteligente, a proteção dos dados, e impedir
qualquer possibilidade de ataque à integridade do sistema
elétrico de potência [2], [3].
Técnicas de ML, ou aprendizado de máquina, constituem-se
em uma solução atraente para o processamento de grandes
volumes de dados e para a implementação de soluções de
segurança eficazes. Um desafio natural que surge com o big
data é a elaboração de um procedimento eficiente para analisá-
los, extraindo-se informações valiosas. Pois sem a extração de
informações úteis, os dados armazenados possuem pouco, ou
nenhum valor. O termo ML se refere à aprendizagem e à
realização de previsões (ou predições), a partir dos dados
disponíveis de um sistema. Uma ML é composta por vários
algoritmos que analisam os dados, através de um conjunto de
instruções, para produzir previsões e/ou decisões, orientadas
pelos dados [1].
As MLs podem ser empregadas em vários aplicativos para a
segurança de redes inteligentes. Pode-se verificar também que
o setor de energia renovável necessitará cada vez mais destas
técnicas, em função do aumento das incertezas nos modernos
sistemas elétricos de potência, ocasionado por este tipo de
energia. Com relação à segurança cibernética, as técnicas
podem ser divididas em duas categorias principais: proteção e
detecção. As estratégias de proteção podem ser de hardware e
administrativas, juntamente com as proteções de software mais
comuns. Já as estratégias de detecção podem ser realizadas
aplicando-se técnicas de ML, que podem prever ameaças e
identificar anomalias de acordo com as características padrões
[4].
As abordagens tradicionais de simulação no domínio do
tempo, baseadas em modelos de sistemas de potência são, de
forma geral, computacionalmente intensivas e podem não
atender aos requisitos de aplicações em tempo real. Portanto, os
pesquisadores têm recorrido a técnicas de ML para a tomada de
decisões em tempo real, ou quase real. A abordagem de ML
apresenta uma capacidade de generalização, onde o modelo
baseado em dados, se treinado adequadamente, pode fazer
previsões precisas, a partir de medidas para as quais não foi

exposto anteriormente [5].
Em termos operacionais, um aspecto crítico é a
observabilidade do estado atual do sistema de potência. Ou seja,
o conhecimento dos valores complexos de tensão de todas as
barras do sistema, no menor tempo possível. Considerando-se
as grandes dimensões dos sistemas interconectados de
transmissão, as medições do sistema SCADA (Supevisory
Control and Data Acquisition) têm ocorrido a partir de locais
geograficamente cada vez mais distantes. Isto tem tornado
complexo o processo de tomada de decisões rápidas, devido à
grande quantidade de medições a serem processadas em cada
período de varredura. Neste contexto, a tecnologia de medição
fasorial sincronizada, baseada em dados de PMU (Phasor
Measurement Unit), oferece informações precisas,
sincronizadas com a mesma etiqueta de tempo
(independentemente do local geográfico), e com alta taxa de
amostragem (taxas entre 30 e 240 amostras por segundo). Tais
características têm motivado a aplicação de abordagens
baseadas em técnicas de ML para o monitoramento das
condições operacionais dos sistemas [6].
Quanto ao seu desempenho, a eficácia de uma ferramenta de
ML depende da capacidade de reprodução do comportamento
do sistema conhecido, representado pelo conjunto de dados de
treinamento. Portanto, as abordagens existentes de ML
geralmente empregam um método de força-bruta para gerar a
base de conhecimento, a partir de simulações baseadas em
modelos do sistema físico. Devido à complexidade
computacional decorrente da grande quantidade de simulações
necessárias, uma única base de conhecimento (inalterada) é
geralmente utilizada muitas aplicações. As ferramentas de ML
treinadas dessa maneira são passivas e apresentam três
desvantagens principais, quando incorporadas a aplicativos de
tempo real [7], [8]:
• O conjunto de treinamento inicial é formulado em uma
determinada condição operacional do sistema físico.
Quando as atualizações subsequentes não são
consideradas, a ferramenta de ML pode falhar, à medida
que as condições operacionais do sistema evoluem.
• Quando os modelos de ML são atualizados, sem a
redução da quantidade de simulações necessárias, o
treinamento baseado no mesmo método de simulação de
força-bruta atrasa a retomada do aplicativo de tempo
real.
• A base de conhecimento é criada exclusivamente com
base no modelo do sistema de potência. Portanto,
quando a fidelidade do modelo é questionável, a
precisão das previsões, oriundas das ferramentas de ML,
é afetada negativamente.
Neste cenário, pode-se constatar que ML é um tema ainda em
investigação e aperfeiçoamento, que tem ganho crescente
relevância em função dos desafios operacionais decorrentes das
fontes renováveis de energia, e da disponibilização de
qualificadas infraestruturas de medição e comunicação (Smart
Grid). Isto, por um lado, produz uma elevada massa de dados
(big data). Por outro, possibilita o desenvolvimento de técnicas
2
baseadas em informação (Machine Learning, por exemplo)
para a proposição de soluções tem tempo real. Neste contexto,
o trabalho aborda tais questões detalhando a aplicação de
técnicas de ML em sistemas de SG. O trabalho está dividido da
seguinte forma. Na Seção II, tem-se uma revisão bibliográfica
acerca do tema ML. A Seção III detalha os aspectos conceituais
e metodológicos do tema. Na Seção IV, casos de aplicação são
abordados, ilustrando-se o emprego de técnicas de ML para a
solução de problemas em sistemas SG. Por fim, a Seção V traz
a discussão de questões relevantes sobre o tema e as conclusões
principais do trabalho.
II. REVISÃO BIBLIOGRÁFICA
Este capítulo aborda aspectos históricos em conjunto com as
projeções do conceito de ML atualmente em diferentes áreas de
pesquisa. O conceito de aprendizado de máquinas representa
uma ferramenta recente que conquistou a imaginação diversos
grupos distintos de usuários, combinando estatística,
otimização e ciência da computação na resolução dos mais
variados problemas. O aprendizado de máquina é uma
aplicação da Inteligência Artificial (IA) na qual as máquinas
recebem acesso aos dados e, com base nesses dados,
“aprendem” sem serem explicitamente programadas.
O aprendizado de máquina nasceu como um ramo dentro do
campo principal da IA, que também inclui outros, como
Representação do Conhecimento, Percepção e Criatividade. O
termo “aprendizado de máquina” foi criado por Arthur Samuel,
em 1952, criando o primeiro algoritmo com poder de jogar e
aprender o jogo de damas. O processo de “aprendizado”
correspondia à atualização incremental de um banco de dados
com movimentos (posições do tabuleiro) e sua pontuação, de
acordo com a probabilidade de sucesso posterior em ganhar ou
perder o jogo. Quanto mais o algoritmo trabalhou, mais sua
capacidade de ganhar o jogo aumentou. Sendo está
provavelmente a versão mais antiga da aprendizagem por
reforço [9].
Durante as décadas de 1960 e 1970, muitos pesquisadores
ficaram encantados com o conceito de uma máquina puramente
lógica, mas as limitações de memória e processamento do
computador eram extremamente maiores que os dias de hoje. A
crença de que a inteligência humana poderia ser representada
através da lógica era generalizada, naturalmente levando a uma
ênfase em sistemas baseados em regras, representando
conhecimento por meio de lógica (booleanas) e processamento
de linguagem natural, sendo um ponto de vista
“computacionalista” [10].
Paralelamente, outros pesquisadores acreditavam que o foco
deveria ser dado a neurobiologia do nosso cérebro, afim de
replicá-la (um ponto de vista conexionista), ficando esse
movimento conhecido como Redes Neurais Artificiais (RNA).
O primeiro exemplo mais conhecido foi representado pelo
Perceptron, o qual aplica uma regra de limiar para uma função
linear, afim de discriminar uma saída binária. Entretanto a
lógica RNA é limitada a problemas linearmente separáveis,
enquanto que problemas reais são frequentemente
inerentemente não-lineares em sua natureza. Essa característica
levou a uma década com virtualmente nenhuma pesquisa em

redes neurais, também conhecida como o "primeiro inverno
IA".
O terceiro tópico de pesquisa relevante das décadas de 1960
e 1970 refere-se ao conceito de vizinho mais próximo (nearest
neighbor). Marcando efetivamente a criação do campo
“reconhecimento de padrões” e o nascimento do conhecido
algoritmo K-vizinho mais próximo (K-NN). Seu princípio é
simples: se tivermos um problema para resolver se procura por
situações mais semelhantes em banco de dados. Em outras
palavras, dado um vetor de entrada (X), esse é classificado em
uma classe, para a variável alvo (Y) se tornar categórica. A peça
fundamental desse paradigma consiste em definir a
similaridade, que se resume à comparação de vetores. O desafio
deste método é decidir o melhor número de exemplos
semelhantes dos dados para usar no algoritmo, que devem ser
determinados antes de seu treinamento [11].
Os anos 80 foi marcado pelo renascimento das RNAs com
poder computacional suficiente para permitir redes
multicamadas e funções não-lineares. Utilizando uma função
sigmoide logística, afim de se obter um modelo de regressão
logística, a base para o Multilayer Perceptron Algorith (MLP).
O MLP está sempre totalmente conectado, ou seja, todos os
elementos em uma camada são conectados com todos os
elementos da camada subsequente. A com dois vetores de pesos
(W1 e W2) [12]. A ideia original do Perceptron pode ser
observada na Figura 1 (A), enquanto sua evolução para
multicamadas na Figura 1 (B).
Fig. 1. Definição do Perpecptron (A) e sua evolução multicamadas (B).
A evolução do método MPL se deu a partir de 2010, com o
conceito Deep Neural Nets (DNN). Esse paradigma surgiu
devido as novas arquiteturas sofisticadas, recursos
computacionais e quantidade de dados disponíveis.
Diferentemente de um MLP, que sempre tem uma camada, um
DNN pode ter múltiplas camadas, às vezes dezenas ou centenas.
Apresentando frequentemente diferentes conjuntos de
neurônios conectados a diferentes partes da camada
3
subsequente [13].
Durante o período de 1982 e 1985 outra aproximação foi
criada afim de resolver as teorias probabilísticas, fugindo da
mecanização do conhecimento humano por códigos e regras.
Esse conceito foi criado por Judea Pearl, sendo batizado de
Bayesian Network (BN) onde o domínio do conhecimento
continua sendo importante para as estruturas de relações das
variáveis, mas com menos complexidade e rigidez. O intuito
do método é decompor o conhecimento em relações
individuais, inspiradas no conceito de casualidade e evidencia.
Essas redes obtiveram sucesso particularmente na classificação
de problemas e na geração automática de estruturas próprias
utilizando diferentes dados [14]
Entretanto outra tendência ficou entre os anos 1980 e 1990,
com a criação do paradigma Kernel, mais especificamente com
o método Support Vector Machines (SVM). O algoritmo
operado em sistema lineares e não lineares, separando as classes
usando um hiperplano utilizando a função Kernel. Essa função
mapeia e transforma as variáveis de entrada em vetores com
variadas dimensões no espaço, onde após a classificação dos
dados de entrada, ocorre o treinamento do método, afim de se
moldar as estruturas capazes de classificar novos dados que
possam surgir. Cada variável nova é classificada de acordo com
os dados originais e projetada nos vetores de espaço, e sua
distância maximizada na superfície de decisão entre as classes
[15].
O aprendizado de máquinas apresentou altos e baixos ao
longo das décadas desde que foi concebida pela primeira vez,
mas finalmente seu progresso real pode transformar nosso
mundo. As principais razões para isso são O poder
computacional maciço está agora disponível a baixo custo e
pode ser provisionado na nuvem muito rapidamente. A
explosão na quantidade de dados (big data), juntamente com
uma capacidade de armazenamento quase ilimitada, onde esses
conjuntos de dados diversos fornecem material de treinamento
melhor para os algoritmos. E o aumento dos investimentos,
expandindo rapidamente a tecnologia utilizadas em diferentes
sistemas, superando humanos em tarefas como, por exemplo,
jogar xadrez, transcrever áudios, analisar imagens e
diagnosticar doenças.
A. Aplicação em Sistemas Elétricos de Potência
Nos últimos anos, várias aplicações utilizando ML foram
desenvolvidas, como modelos para classificar novas estruturas
astronômicas, detecção de transações bancárias fraudulentas,
sistemas de filtragem de informação que aprendem as
preferências de leitura do usuário, estudos neurobiológicos,
veículos autônomos. Ao mesmo tempo, houve um progresso
importante na base do aprendizado de máquina visando
sistemas elétricos e seu diverso campo de aplicações prontas
para revolucionar a maneira como o setor de energia produz,
transmite e consome energia.
Por meio do aprendizado de máquina, as empresas de energia
podem transformar seus dados, a fim de melhorar a tomada de
decisões tanto para a operação quanto para expansão do sistema
elétrico. O grande volume de informações coletadas por

sensores inteligentes pode ser utilizado na análise e ação em
tempo real. Entretanto essas enormes quantidades de dados
exibidas pela operação de sistemas SG são impossíveis de
serem processadas pelos operadores humanos em tempo hábil.
Os avanços nos algoritmos de aprendizagem profunda se
apresentam como a solução para avaliação dos dados,
possibilitando que a análise em tempo real dos valores lidos,
identificando padrões e anomalias nos conjuntos de dados e
permitindo que as concessionárias tomem decisões no local
sobre a melhor forma de alocar os recursos de energia. Esses
algoritmos de aprendizagem profunda tem o poder de
revolucionar o lado da demanda e da oferta para a economia de
energia. Alcançando melhorias reais e mensuráveis em
comparação aos métodos tradicionais. Muitos setores podem se
beneficiar do aprendizado de máquina [16-19], como pode ser
observado:
• Previsão de carga - As previsões de curto prazo são
vitais para as concessionárias, sendo que o aprendizado
de máquina pode ser usado para prever a oferta e a
demanda em tempo real e otimizar o despacho
econômico de carga.
• Otimização de rendimento - Os provedores de energia
podem otimizar a eficiência de geração com ajustes em
tempo real em seus ativos e gerenciamento aprimorado
de recursos distribuídos, automaticamente libera energia
através da rede para fornecer energia mais confiável e
maior escolha do cliente.
• A manutenção preditiva - reforçada com drones para
inspeções de ativos, substituindo inspeções manuais
demoradas e arriscadas, identificando automaticamente
defeitos e falhas sem interromper as operações
• Gerenciamento de demanda - automatizado e tornado
mais inteligente com o aprendizado de máquina
• Roubo de energia - pode ser usado para detectar padrões
de uso, histórico de pagamento e outros dados do cliente
que podem sinalizar um comportamento irregular
• Gerenciamento de interrupção - utilizando modelos de
validação de análise para prever e identificar
interrupções, permitindo gerenciamento de recursos,
reduzindo o tempo de inatividade e melhorando a
confiabilidade.
• Percepções dos clientes - permite que as concessionárias
criem preços de eletricidade que maximizem suas
margens criando ofertas e serviços individuais,
minimizando a rotatividade de clientes
• Negociação de energia - viabiliza o comércio peer-to-
peer entre produtores e consumidores, combinando mais
rapidamente os produtores com os consumidores
• Agentes virtuais - capazes de responder às consultas dos
consumidores e fornecer assistência instantânea.
podendo segmentar automaticamente os consumidores
com base no histórico de serviços e fornecer um aviso
antecipado de dívidas incobráveis
• Seleção de fornecedores - pode ajudar os clientes a
escolherem seu revendedor de energia, utilizando suas
4
preferências como o tipo de geração de energia, quanto
estão dispostos a pagar e seus padrões de consumo.
A aplicação de ML ao setor elétrico abre uma ampla gama
de possibilidades interessantes, impactando profundamente
toda a indústria. Evidências iniciais sugerem o aprendizado
de máquinas pode oferecer grandes benefícios para os
usuários. Entretanto a adesão atual do setor de permanece
baixa, com poucas empresas implementando esses sistemas
em escala. Os EUA é um dos principais exemplos de
investimentos para atualizar e modernizar a rede, onde o
departamento de energia investiu US$ 4,5 bilhões em
infraestrutura de rede inteligente. Isso inclui a instalação de
mais de 15 milhões de medidores inteligentes para monitorar
o uso de energia.
III. ASPECTOS METODOLÓGICOS
O termo ML (Machine Learning), ou Aprendizado de
Máquina, consiste em um método de análise de dados que
automatiza o desenvolvimento de modelos analíticos, por
meio de algoritmos que aprendem interativamente a partir de
dados, permitindo assim que os computadores encontrem
insights ocultos sem serem explicitamente programados para
procurar algo específico [1], [3], [10], [11], [17].
As duas técnicas mais adotadas de ML são a aprendizagem
supervisionada e a aprendizagem não supervisionada, porém
existem outros tipos. Na sequência, estas e outras técnicas
são descritas.
Aprendizagem supervisionada: Os algoritmos são
treinados por meio de exemplos rotulados, como uma entrada
na qual a saída desejada é conhecida. Por exemplo, um
equipamento poderia ter pontos de dados rotulados como “F”
(falha) ou “E” (executa). O algoritmo de aprendizado recebe
um conjunto de entradas junto com as saídas corretas
correspondentes, e aprende ao comparar a saída real com as
saídas corretas para encontrar erros. Ele, então, modifica o
modelo de acordo. Através de métodos como classificação,
regressão e gradient boosting, o aprendizado supervisionado
utiliza padrões para prever os valores de rótulos em dados
não-rotulados adicionais. O aprendizado supervisionado é
comumente empregado em aplicações nas quais dados
históricos preveem eventos futuros prováveis. Por exemplo,
ele pode antecipar quando transações via cartão de crédito
são passíveis de fraude ou qual segurado tende a reivindicar
sua apólice.
Aprendizagem não supervisionada: basicamente é usado
contra dados que não possuem rótulos históricos. Ou seja, o
sistema não sabe a “resposta certa” nesse caso. O algoritmo
deve descobrir o que está sendo mostrado e o objetivo é
explorar os dados e assim encontrar alguma estrutura neles.
O aprendizado não supervisionado funciona bem em dados
transacionais. Por exemplo, ele pode identificar segmentos
de clientes com atributos similares que podem, então, ser
tratados de modo igualmente similar em campanhas de
marketing; ou ele pode encontrar os principais atributos que
separam segmentos distintos de clientes. Técnicas populares
incluem mapas auto-organizáveis, mapeamento por

proximidade, agrupamento k-means e decomposição em
valores singulares. Esses algoritmos também são utilizados
para segmentar tópicos de texto, recomendar itens e
identificar pontos discrepantes nos dados.
Aprendizagem semi-supervisionada: geralmente é usado
para as mesmas aplicações que o aprendizado
supervisionado, porém ele pode usar tanto dados rotulados
quanto não marcados para o treinamento – normalmente uma
pequena quantidade de dados rotulados com uma grande
quantidade de dados não rotulados (pois os dados não
rotulados são mais baratos e necessitam de menos esforço
para serem adquiridos). Esse tipo de aprendizagem pode ser
usado com métodos como a classificação, regressão e
previsão. O aprendizado semi-supervisionado é muito útil
quando o custo associado à rotulagem é muito alto para
permitir um processo de treinamento totalmente rotulado. Os
primeiros exemplos disso incluem a identificação do rosto de
uma pessoa em uma webcam.
Aprendizagem por reforço: essa opção é muitas vezes
usado para a robótica, jogos e navegação. Com o aprendizado
por reforço, o algoritmo descobre por meio de tentativa e erro
quais ações geram as melhores recompensas. Este tipo de
aprendizado possui três componentes principais: o agente (o
aprendiz ou tomador de decisão), o ambiente (tudo com que
o agente interage) e ações (o que o agente pode fazer). O
objetivo é que o agente escolha ações que maximizem a
recompensa esperada em um período de tempo determinado.
O agente atingirá o objetivo muito mais rápido se seguir uma
boa política. Então o foco do aprendizado por reforço é
descobrir a melhor política.
Fig. 2. Técnicas de Machine Learning.
5
A. Aprendizagem Supervisionada
A aprendizagem supervisionada usa técnicas de classificação
e regressão para desenvolver modelos preditivos [11]. As
técnicas de classificação predizem respostas discretas - por
exemplo, se um email é genuíno ou spam, ou se um tumor é
canceroso ou benigno. Modelos de classificação classificam os
dados de entrada em categorias. Aplicações típicas incluem
imagens médicas, reconhecimento de fala e pontuação de
crédito. A técnica de classificação deve ser utilizada se seus
dados puderem ser marcados, categorizados ou separados em
grupos ou classes específicos. Por exemplo, aplicativos para
reconhecimento de escrita manual usam classificação para
reconhecer letras e números. No processamento de imagens e
visão computacional, técnicas de reconhecimento de padrões
não supervisionadas são usadas para detecção de objetos e
segmentação de imagens.
Algoritmos comuns para a realização de classificação
incluem máquinas de vetores de suporte (SVM), árvores de
decisão reforçadas e ensacadas, k vizinhos mais próximos,
Naïve Bayes, análise discriminante, regressão logística e redes
neurais. As técnicas de regressão predizem respostas contínuas
- por exemplo, mudanças na temperatura ou flutuações na
demanda de energia. Aplicações típicas incluem previsão de
carga de eletricidade e negociação algorítmica. Tais técnicas de
regressão são utilizadas quando se trabalha com um intervalo
de dados ou se a natureza da resposta for um número real, como
a temperatura ou o tempo até a falha de um equipamento.
B. Aprendizagem Não Supervisionada
Na aprendizagem não supervisionada Clustering é a técnica
de aprendizado mais comum [11]. Ela é usada para análise
exploratória de dados para encontrar padrões ocultos ou
agrupamentos em dados. Aplicações para análise de cluster
incluem análise de sequência genética, pesquisa de mercado e
reconhecimento de objetos. Por exemplo, se uma empresa de
telefonia celular quiser otimizar os locais onde constroem torres
de telefonia celular, eles podem usar o aprendizado de máquina
para estimar o número de grupos de pessoas que dependem de
suas torres. Um telefone só pode falar com uma torre por vez,
então a equipe usa algoritmos de agrupamento para projetar a
melhor colocação de torres de celular para otimizar a recepção
de sinal para grupos ou clusters de seus clientes.
Algoritmos comuns para executar clustering incluem k-
meios e k-medoids, clustering hierárquico, modelos de mistura
gaussiana, modelos ocultos de Markov, mapas de auto-
organização, clustering f-c-means e clustering subtrativo.
IV. CASOS DE APLICAÇÃO
A. Previsão de estabilidade de tensão usando o Aprendizado
Ativo de Máquina
A operação da rede elétrica precisa de novos sistemas de
monitoramento que forneçam cada vez mais medições precisas
sobre o comportamento da rede para o operador [20].
A utilização de dados de novos equipamentos de subestações,

como as PMUs, contribui para melhorar a tomada de decisões
e a operação [21]. Como as medições são geralmente reunidas
em alta velocidade e volume, torna-se imperativo explorar
novas metodologias de análises de dados on-line com recursos
rápidos de processamento de dados. A abordagem de
aprendizado de máquina tem a capacidade de generalização em
que o modelo baseado em dados, se treinado adequadamente,
pode fazer previsões precisas a partir de medidas para as quais
não foi exposto anteriormente.
Embora os algoritmos de aprendizado de máquina sejam
excelentes em sua rápida capacidade de tomada de decisão,
duas dificuldades técnicas ainda não foram totalmente
resolvidas:
a) como atualizar os modelos de aprendizado de máquina
quando as previsões contradizem as condições reais do sistema;
b) como preparar eficientemente os dados de treinamento
para eliminar simulações redundantes de sistemas de energia
off-line.
A estabilidade de tensão em um sistema de transmissão está
entre os principais desafios para a operação de uma rede
elétrica. Para eficiência e benefícios econômicos, os operadores
de rede tendem a operar a rede perto de seus limites físicos.
A capacidade de fornecer suporte à tomada de decisões em
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.
O desempenho de uma ferramenta de aprendizado de
máquina depende da capacidade do comportamento do sistema
conhecido representado pelo conjunto de dados de treinamento.
Portanto, as abordagens existentes de aprendizado de máquina
geralmente empregam um método de força bruta para gerar a
base de conhecimento usando simulações baseadas em modelos
de sistema físico. Devido à complexidade computacional da
grande quantidade de simulações necessárias, uma única base
de conhecimento inalterada foi usada em muitas aplicações. As
ferramentas de aprendizado de máquina treinadas dessa
maneira são “passivas” e sofrem de três principais
desvantagens quando incorporadas em aplicativos on-line:
• O conjunto de treinamento inicial é formulado em uma
determinada condição de operação do sistema físico.
Quando as atualizações subsequentes não são
contabilizadas, a ferramenta de aprendizado de máquina
pode falhar à medida que as condições operacionais do
sistema evoluem;
• Quando os modelos de aprendizado de máquina são
atualizados, sem reduzir a quantidade de simulações
necessárias, o treinamento baseado no mesmo método
de simulação de força bruta atrasa muito a retomada do
aplicativo on-line.
6
• A base de conhecimento é criada exclusivamente com
base no modelo do sistema de energia. Quando a
fidelidade do modelo do sistema é questionável, a
precisão da previsão das ferramentas de aprendizado de
máquina é afetada negativamente.
O aprendizado ativo é empregado neste trabalho para lidar
com as desvantagens mencionadas. A Figura 3 mostra a
diferença entre a abordagem proposta e os algoritmos existentes
de aprendizado de máquina. A técnica de aprendizagem ativa
está construindo iterativamente as bases de conhecimento, que
são otimizadas para tamanho e precisão. Em vez de usar o
método de simulação exaustivo, ele seleciona interativamente
os POs mais representativos ao criar o conjunto de dados de
treinamento. Em vez de confiar em simulações inclusivas
baseadas em um modelo de sistema de energia, a abordagem
proposta procura ativamente os POs onde ocorrem previsões
imprecisas de aprendizado de máquina. Em seguida, ele executa
simulações especiais para criar novos mapeamentos em torno
dos POs identificados e os adiciona ao conjunto existente de
conjunto de dados de treinamento. Isso ajuda a capturar o
comportamento do sistema oculto não representado no processo
de treinamento anteriormente.
Fig. 3. Abordargem proposta versus abordagens existentes.
Na maioria dos casos, as simulações baseadas na modelagem
do sistema de potência são usadas para verificar a precisão da
previsão e identificar quaisquer contradições entre a previsão
da aprendizagem da máquina e o comportamento real do
sistema. Em alguns casos mais raros, tal contradição pode ser
observada sem verificação de simulação. Quando o sistema de
energia monitorado perdeu sua estabilidade de tensão, mas o
indicador de estabilidade de tensão ainda relata uma condição
estável é um bom exemplo de uma contradição óbvia.
A abordagem proposta também inclui essas contradições
observadas diretamente no conjunto de treinamento. O objetivo
é minimizar a influência negativa de modelos imprecisos de
componentes do sistema de potência.
Nossa abordagem é geral o suficiente para acomodar os
modelos mais comuns de aprendizado de máquina, que podem
funcionar como um classificador probabilístico. A incerteza de
um classificador probabilístico é examinada para orientar a
criação da base de conhecimento.
Em nosso trabalho, a abordagem proposta aplicada ao
problema de estabilidade de tensão ilustra o potencial de
melhoria quantificando o desempenho de vários modelos
comuns de aprendizado de máquina em termos de tempo de
treinamento, tempo de previsão e precisão. A margem de

estabilidade de tensão é computada para rotular cada PO como
estável ou instável, dado um estado do sistema de transmissão.
Com o aprendizado ativo baseado em sistema de
agrupamento, um conjunto de dados rotulados é criado a partir
de um grande agrupamento de dados não rotulados usando
“Simulação Baseada em Modelagem Detalhada do Sistema”
que, com grande custo, produz um rótulo preciso. O termo
“Simulação Baseada em Modelagem Detalhada do Sistema”
refere-se à simulação de estado estacionário ou dinâmica
baseada em um modelo detalhado do sistema de potência. O
conjunto de dados refere-se aos POs gerados pela simulação
baseada no modelo do sistema físico em várias condições
operacionais do sistema. No trabalho apresentado, o PO
rotulado também pode ser o mapeamento conhecido entre
medições em fluxo e comportamento real do sistema. O modelo
de aprendizado de máquina é então treinado para aproximar o
oráculo de uma maneira que minimize o número de consultas
ao oráculo. O aprendizado ativo baseado em agrupamentos de
dados tem sido investigado com frequência em casos
semelhantes em que especialistas humanos fornecem rótulos
para dados [22]. Essas abordagens são úteis devido à grande
diferença entre a velocidade com que o operador do sistema
pode fornecer rótulos e a duração da fase de treinamento e
previsão do modelo de aprendizado de máquina.
Estabilidade de tensão refere-se à capacidade de um sistema
de potência de manter tensões constantes em todos os
barramentos no sistema após ter sido sujeito a um distúrbio de
uma dada condição inicial de operação [23]. Neste trabalho,
estudou-se a estabilidade de tensão a longo prazo de um sistema
de transmissão de energia em resposta a condições de carga de
variação lenta. Como mencionado anteriormente, os operadores
da rede tendem a operar a rede perto de seus limites físicos.
Quando esses limites são violados, o sistema pode experimentar
várias formas de falhas em todo o sistema, incluindo o colapso
de tensão.
Fig. 4. Magnitude da tensão x demanda de carga.
A estabilidade de tensão pode ser aproximada calculando a
distância do atual PO. Conforme indicado na Fig. 4, as
condições de instabilidade de tensão surgem quando a demanda
de carga tenta ir além da potência máxima de entrega. Os
sistemas normais POs estão acima do VCP, ao longo da linha
definida pela relação entre demanda e magnitude de tensão
7
correspondente no barramento de carga. Quando o PO se move
para um ponto abaixo da VCP, consequências catastróficas
podem ocorrer.
Para a aplicação da estabilidade de tensão em sistemas de
transmissão foi considerado um problema de três classes, onde
yi = 1 representa POs com margens de estabilidade maiores que
o valor médio da margem de estabilidade de todos os POs,
yi = 2 para POs com uma margem de estabilidade no segundo
quartil, e yi = 3 se a margem de estabilidade estiver no menor
quartil. O intervalo de VSM foi de 0,1% a 6%, e mais detalhes
podem ser encontrados em [6].
Usando o conjunto de dados rotulados, é possível treinar um
modelo de aprendizado de máquina f, que pode então, para um
PO xj invisível, fornecer uma aproximação da estabilidade de
tensão.
A tarefa é construir uma base de conhecimento que leve ao
aprendizado ideal por PO rotulado. Dado o DU, o objetivo é
encontrar subconjuntos DL incrementalmente maiores em
tamanho, o que otimamente aumenta a precisão de previsão de
um modelo de aprendizado de máquina treinado na DL atual.
Esse problema imita a situação comum em um sistema de
energia no qual a geração de POs em DL é computacionalmente
cara, enquanto a obtenção de POs para DU é barata.
Redes Neurais Artificiais
A RNA foi treinada para prever um rótulo como uma saída
contínua. Uma propriedade específica das RNAs usada para
classificação binária é que elas generalizam todo o espaço de
entrada, mesmo que apenas poucos POs sejam usados para
treinamento. Uma boa abordagem heurística para resolver esse
problema envolve incluir pelo menos um PO de cada classe no
conjunto de treinamento. As experiências foram realizadas
usando o MATLAB Neural Network Toolbox.
Máquinas de Vetores de Suporte
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
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
fornecer vários OPs de cada estado de estabilidade para
inicializar o DL, mas esses OPs não podem ser confiáveis para
previsões precisas.
Adicionar rótulos aos OPs no DU usando o “Simulação
Baseada em Modelagem Detalhada do Sistema” aumenta o
tamanho do DL. Esse conjunto pode ser usado para quantificar

o aumento na precisão, após cada OP rotulado, tanto para
amostragem aleatória quanto para aprendizado ativo.
Aprendizado Ativo Baseado em Sistema de Agrupamento
Um agrupamento maior de dados não rotulados que
representam as condições de operação do sistema de energia é
rotulado iterativamente com um “Simulação Baseada em
Modelagem Detalhada do Sistema” para criar um conjunto de
dados rotulados O modelo de aprendizado de máquina pode ser
treinado. A incerteza do modelo de aprendizado de máquina é
usada para selecionar pontos de dados para rotulagem pelo
oráculo. Em cada iteração, um classificador parcialmente
treinado escolhe um exemplo x* do conjunto de dados sem
rótulo sobre o qual o classificador é mais incerto.
Quando incorporado em aplicativos do sistema de energia
on-line, o conjunto de dados sem rótulo se refere às medições
de séries temporais transmitidas para uma instalação central
onde reside o modelo de aprendizado de máquina. A técnica
proposta compara continuamente a previsão do modelo de
aprendizado de máquina com o comportamento real do sistema.
Uma vez que uma contradição é identificada, o PO
correspondente é registrado. O “Simulação Baseada em
Modelagem Detalhada do Sistema” é usado para gerar um
rótulo preciso para o OP através da simulação baseada em
modelo. No trabalho apresentado, o status de estabilidade de
tensão é determinado como um rótulo y * e atribuído ao OP. O
novo OP rotulado agora pode ser incluído no pool de DL, para
que possa ser usado na próxima iteração de aprendizado.
Aprendizado Ativo em Sistemas de Potência
Como discutido anteriormente, no estudo da estabilidade de
tensão do sistema de transmissão, o VSM é usado como
indicador ou rótulo. Para uma grande rede de energia, pode
levar horas para criar POs rotulados usando o cálculo de fluxo
de potência no modelo de sistema detalhado construído no
programa de estabilidade PSSE [6].
A integração da abordagem de aprendizagem ativa proposta
nas aplicações do sistema de potência. As medições dos
Fasoriais Sincronizadas são transmitidas das PMU para o
agrupamento não rotulado. Neste exemplo, a atividade não
ocorre simultaneamente. A Simulação Baseada em Modelo é
calibrado off-line, os dados no Conjunto sem rótulo podem ser
históricos DT, RF ou SVM. A “Simulação Baseada no Modelo”
é usado para rotular POs, que são então incluídos no Labelled
Label para o aprendizado.
Ao fazer previsões sobre o agrupamento sem rótulo, os POs
mais incertos são identificados. Os POs recebem então rótulos
precisos pela “Simulação Baseada no Modelo” e são
armazenados no conjunto rotulado para que possam ser usados
para aprendizado posterior. Medições de campo podem ser
usadas para verificar e calibrar ferramentas de simulação
durante a configuração inicial do sistema.
A abordagem proposta é avaliada em experimentos
utilizando dados sintéticos obtidos a partir de simulações no
modelo detalhado do sistema de potência. Seu desempenho é
quantificado em termos de previsão e tempo de treinamento e
precisão de previsão.
8
O experimento se concentra em prever as margens de
estabilidade de tensão em uma rede de transmissão. A rede de
teste é o sistema WECC simplificado, que consiste em 29
geradores, 179 ônibus, 263 linhas de transmissão, 42 derivações
e 104 cargas. A base de conhecimento preparada pela
“Simulação” inclui 5078 “estáveis”, 2540 “alertas” e 2529
“críticos” POs rotulados. Um total de 256 canais de dados
fasoriais simulados foram coletados, abrangendo 1.0147 OP
selecionados.
As seguintes conclusões foram alcançadas:
• Foi identificada que os conjuntos de dados de treinamento
pode ser um ponto fraco, que muitas vezes são
negligenciado na aplicação de problemas de aprendizado
de máquina aos sistemas de energia não conseguindo ser
sempre eficientes.
• A abordagem de aprendizagem ativa proposta baseada em
agrupamento pode construir conjuntos de dados para um
modelo de aprendizado de máquina para treinar de forma
mais eficiente.
• A abordagem descrita aprimora os modelos existentes de
aprendizado de máquina, identificando os pontos
operacionais nos quais as previsões do modelo
contradizem a realidade e adicionando conjuntos de dados
rotulados em torno desses pontos à base de conhecimento.
• A abordagem também acelera o processo de treinamento
off-line, reduzindo a quantidade de simulações baseadas
em modelos em torno de outros pontos operacionais, onde
previsões corretas foram feitas.
• A abordagem foi empregada para lidar com a estabilidade
de tensão nos sistemas de transmissão. Desempenho
promissor foi alcançado.
B. Detecção de Injeção de Dados Falsos Usando Aprendizado
de Máquina em SG
De acordo com [22], o crescimento populacional trouxe
grandes desafios para o setor elétrico. Enfrentar esses desafios
requer mudanças profundas nos sistemas de energia
tradicionais.
O estimador de estado é uma maneira eficiente de
monitoramento on-line dos estados da rede de energia. Para
estimar os estados de uma rede, os valores medidos de potência
ativa devem ser distribuídos coletivamente para um estimador
de estado central através de links de comunicação. Geralmente,
essas medições são coletadas por sensores instalados na
subestação. Os estados estimados são a base de referência usada
pelos centros de operação para manter a operação da rede
elétrica em um modo seguro.
A infraestrutura de comunicação conecta as subestações aos
centros de operação, porém aumenta os desafios referente a
segurança cibernética, pois os estimadores de estado são
potencialmente alvos de ataques cibernéticos.
O trabalho em [23] analisa ataques maliciosos em três
categorias diferentes com base nos objetivos de segurança da
rede inteligente:

1. Disponibilidade: Os ataques tentam atrasar, bloquear
ou corromper a comunicação na rede inteligente
(também chamada de ataque de negação de serviço).
2. Integridade: Um invasor tenta interromper ilegalmente
a troca de dados.
3. Confidencialidade: Um invasor tenta obter
informações não autorizadas de recursos da rede.
Conforme [22], os custos gerais de monitoramento das redes
inteligente serão reduzidos, mas, ao mesmo tempo, o risco de
ataques cibernéticos serão aumentados. Recentemente, um
novo tipo de ataque, chamado ataque furtivo, foi introduzido.
Este ataque não pode ser detectado pela detecção tradicional de
dados incorretos usando estimadores de estado.
Para detectar tais ataques, os autores propõem o uso de dois
métodos de Machine Learning. O primeiro método utiliza o
aprendizado supervisionado sobre os dados rotulados e treina
uma máquina de vetores de suporte, em inglês support vector
machine (SVM). O SVM é um conceito utilizado na ciência da
computação para um conjunto de métodos do aprendizado
supervisionado que analisam os dados e reconhecem padrões,
sendo também usado para classificação e análise de regressão.
Uma grande vantagem no uso de SVM é sua capacidade de
generalização. A capacidade de generalização de um
classificador é medida por sua eficiência na classificação de
dados que não pertençam ao conjunto utilizado em seu
treinamento.
O segundo método usa o método não supervisionado, ou seja,
não existem dados rotulados. O algoritmo baseado em
estatística foi utilizado pelo método. O algoritmo aprende a
representar as entradas submetidas segundo uma medida de
qualidade. Desta forma, o algoritmo detecta o desvio nas
medições. Em ambos os métodos, a análise dos componentes
principais, em inglês principal component analysis (PCA), é
usada para reduzir a dimensionalidade dos dados a serem
processados, o que leva a menores esforços computacionais.
Segundo os autores de [22], os resultados obtidos mostram a
eficácia dos algoritmos propostos para a detecção da injeção
furtiva de dados falsos.
V. DISCUSSÃO
A partir de todo conteúdo abordado, podem ser empreendidas
algumas constatações sobre os pontos mais relevantes ao
escopo do trabalho. Na sequência, tais constatações são
apresentadas e discutidas, sendo subdivididas em duas
categorias:
• Smart Grid e Machine Learning: estado atual e;
• Perspectivas futuras.
A. Smart Grid e Machine Learning: Estado Atual
Enquanto os algoritmos de ML se destacam pela capacidade
de tomarem rápidas decisões, pode-se verificar que duas
dificuldades técnicas não foram ainda totalmente resolvidas:
• Como atualizar os modelos de ML quando as previsões
não correspondem às condições atuais do sistema de
9
potência;
• Como preparar eficientemente os dados de treinamento
para eliminar simulações off-line redundantes.
Para a detecção de dados falsos injetados em sistemas SG
complexos e com grande volume de medições, os métodos
tradicionais são pouco eficientes. Já as técnicas de ML possuem
recursos de análise não-linear que se mostram efetivos na
detecção. Esta efetividade é particularmente importante em
sistemas SG, devido à sua sensibilidade a atrasos, já que o
sistema fica exposto a maiores riscos enquanto as ameaças
permanecem não detectadas.
Pode-se constatar também que as técnicas de ML se mostram
eficazes na seleção de grandes volumes de dados de SG. Desta
forma, informações úteis podem ser extraídas e empregadas em
diferentes tarefas de planejamento e operação de sistemas
elétricos de potência, tais como: identificação de padrões de
geração e demanda, previsão da demanda a curto prazo, ajuste
dos parâmetros de controle, análise da segurança dinâmica de
grandes áreas, e planejamento da expansão do sistema.
Em sistemas SG, cada vez mais interconectados e integrados
tecnologicamente, todos os segmentos (geração, transmissão,
distribuição e comercialização) estão expostos a significativos
riscos de ataques cibernéticos. Muitos ataques desta natureza
foram inclusive já realizados. Portanto, a segurança dos dados
é uma grande preocupação das redes inteligentes, sendo as
técnicas de ML bastante contributivas, devido à capacidade de
manipularem grande volume de dados não-lineares.
B. Perspectivas Futuras
Além das questões já apontadas na seção anterior, que devem
ser aperfeiçoadas ao longo do tempo, tais como a não
correspondência entre as previsões e as condições atuais dos
sistemas, e a eliminação de simulações off-line redundantes,
outras questões emergem. Um ponto que deverá ser
aperfeiçoado são as garantias teóricas sobre a melhoria de
desempenho dos algoritmos de ML, em termos de precisão e do
número de pontos de operação que precisam ser simulados.
Outro ponto que certamente será melhorado são as estimativas
de incerteza dos modelos de ML, que invariavelmente são
afetas por dados intencionalmente falsos, o que prejudica a
precisão das previsões obtidas.
Pode-se verificar uma tendência de crescimento no uso de
aplicações baseadas em técnicas de ML, já que elas possibilitam
soluções promissoras no campo da defesa a vulnerabilidades
cibernéticas, questão que ganha importância com os sistemas
SG. Esta tendência se deve ao ecletismo das técnicas de ML que
podem ser aplicadas à maioria das tarefas de manipulação de
dados, tais como: classificação, detecção, identificação,
regressão e previsão.
Especificamente uma tarefa que deve ter ganhos de
desempenho com o emprego das técnicas de ML é a previsão
de carga nas redes elétricas inteligentes. O reconhecimento do
uso irregular de padrões de energia em edifícios, por exemplo,
pode ser obtido pela detecção de outliers (valores anormais) e
por uma análise de agrupamento. Uma análise de correlação

pode também ser realizada para verificar-se o grau de aderência
entre variáveis climáticas e o consumo de energia.
VI. CONCLUSÃO
Os sistemas elétricos de potência têm passado por um
processo de transição energética e tecnológica irrevogável, que
o levará a um outro paradigma em termos de planejamento e
operação. Energeticamente, a mudança ocorre em função do
aumento da participação de fontes renováveis nas matrizes
energéticas dos países. Devido à sua característica intermitente
e distribuída, tais fontes aumentam o grau de incerteza em todos
os segmentos do setor elétrico. Tecnologicamente, a
possibilidade de medições remotas, sincronizadas e com alta
taxa de amostragem, aliada à comunicação bidirecional em
tempo real, ou quase real, tem impulsionado o desenvolvimento
de novas aplicações no contexto dos sistemas SG.
Neste cenário, toda esta transição tem despertado
preocupações com a segurança cibernética dos dados, que
ganham volume e importância em redes elétricas inteligentes.
Por outro lado, estas mudanças também têm aberto a
possibilidade de emprego de novas técnicas matemáticas e
computacionais, efetivas não somente no combate de ameaças
cibernéticas, mas também no planejamento e na operação dos
sistemas de potência. As técnicas de ML se enquadram neste
contexto, sendo bastante promissoras como ferramentas
efetivas para a solução dos diversos problemas detalhados ao
longo deste trabalho.
REFERÊNCIAS BIBLIOGRÁFICAS
[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
Associated Security Concerns : A Review,” IEEE Access, vol. 7, pp.
13960–13988, 2019.
[2] F. Pallonetto, M. De Rosa, F. Milano, and D. P. Finn, “Demand
response algorithms for smart-grid ready residential buildings using
machine learning models,” Appl. Energy, vol. 239, no. January, pp.
1265–1282, 2019.
[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-
based intrusion detection approaches,” Comput. Networks, vol. 151,
pp. 147–157, 2019.
[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
Techniques,” IEEE Sens. J., vol. 17, no. 23, pp. 7775–7783, 2017.
[5] T. Ahmad and H. Chen, “Potential of three variant machine-learning
models for forecasting district level medium-term and long-term
energy demand in smart grid environment,” Energy, vol. 160, pp.
1008–1020, 2018.
[6] V. Malbasa, C. Zheng, P. C. Chen, T. Popovic, and M. Kezunovic,
“Voltage Stability Prediction Using Active Machine Learning,” IEEE
Trans. Smart Grid, vol. 8, no. 6, pp. 3117–3124, 2017.
[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
10
Transport Analytics,” C. Antoniou, L. Dimitriou, F. Pereira, Elsevier,
2019, pp.9-29. https://doi.org/10.1016/B978-0-12-812970-8.00002-
6.
[10] R. Boutaba et al. “A comprehensive survey on machine learning for
networking: evolution, applications and research opportunities,”,
Journal of Internet Services and Applications, 2018, pp.9-16.
https://doi.org/10.1186/s13174-018-0087-2.
[11] G, Shobha, S. Rangaswamy. “Handbook of Statistics – Machine
Learning,” V. Gudivada, C.R. Rao, Elsevier, 2018, pp.197-228.
https://doi.org/10.1016/bs.host.2018.07.004.
[12] P. Iona et al. (2011). Making Smart Grids Smarter by Using Machine
Learning. Proceedings of the Universities Power Engineering
Conference. 2011. 1-5
https://www.researchgate.net/publication/258977475
[13] H. Xu, H. Huang, R. S. Khalid and H. Yu, "Distributed machine
learning based smart-grid energy management with occupant
cognition," 2016 IEEE International Conference on Smart Grid
Communications (SmartGridComm), Sydney, NSW, 2016, pp. 491-
496 10.1109/SmartGridComm.2016.7778809
[14] J. Carbonell, R. Michalski, T. Mitchell, " Machine Learning:A
Historical and Methodological Analysis," AI Magazine, V.4 1983.
doi: NO0014-79-C-0661
[15] R. Nawaz, M. A. Shahid, I. M. Qureshi and M. H. Mehmood,
"Machine learning based false data injection in smart grid," 2018 1st
International Conference on Power, Energy and Smart Grid
(ICPESG), Mirpur Azad Kashmir, 2018, pp. 1-6. doi:
10.1109/ICPESG.2018.8384510
[16] A. Bagheri, M. H. J. Bollen and I. Y. H. Gu, "Big data from smart
grids," 2017 IEEE PES Innovative Smart Grid Technologies
Conference Europe (ISGT-Europe), Torino, 2017, pp. 1-5. doi:
10.1109/ISGTEurope.2017.8260155
[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
[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
Communications; IEEE 16th International Conference on Smart City;
IEEE 4th International Conference on Data Science and Systems
(HPCC/SmartCity/DSS), Exeter, United Kingdom, 2018, pp. 1293-
1298. doi: 10.1109/HPCC/SmartCity/DSS.2018.00216
[19] H. Yang, P. Li, A. Masood, Y. Xiao, B. Sheng and Q. Yu, "Smart
grid data analysis and prediction modeling," 2016 International
Conference on Progress in Informatics and Computing (PIC),
Shanghai, 2016, pp. 541-544. doi: 10.1109/PIC.2016.7949559
[20] T. Hong et al., “Guest editorial big data analytics for grid
modernization,” IEEE Trans. Smart Grid, vol. 7, no. 5, pp. 2395–
2396, Sep. 2016.
[21] B. Wang, B. Fang, Y. Wang, H. Liu, and Y. Liu, “Power system
transient stability assessment based on big data and the core vector
machine,” IEEE Trans. Smart Grid, vol. 7, no. 5, pp. 2561–2570, Sep.
2016.
[22] M. Esmalifalak, L. Liu, N. Nguyen, R. Zheng, Z. Han, Detecting
Stealthy False Data Injection Using Machine Learning in Smart Grid,
IEEE Syst. J. 11 (2017) 1644–1652.
doi:10.1109/JSYST.2014.2341597.
[23] W. Wang, Z. Lu, Cyber security in the Smart Grid: Survey and
challenges, Comput. Networks. 57 (2013) 1344–1371.
doi:10.1016/j.comnet.2012.12.017.