REGISTRO DOI: 10.5281/zenodo.7756440
Bruno de Oliveira Schneider1
José Dorlando de Souza Junior2
Wanderley Cardoso Celeste3
Matheus Alves Lima4
Thales Rodrigues Barboza5
Resumo. O conceito de geração de energia distribuída e o aumento da geração de energia descentralizada a partir de fontes renováveis causou a necessidade do desenvolvimento de novas tecnologias na indústria de energia, como as redes inteligentes, chamadas de smart grids. Os medidores inteligentes são dispositivos com grande potencial para facilitar o monitoramento, controle e conscientização do uso racional dos recursos energéticos pelos consumidores. No entanto, esses dispositivos geram grandes quantidades de dados que precisam ser transmitidos e analisados para subsidiar a tomada de decisão do sistema de controle da smart grid. Por isso, diversos estudos têm sido realizados na área de análise de dados de medições inteligentes, visando mitigar os problemas de segurança de informação, capacidade de previsão e gestão de carga, dentre outros fatores. Nesse contexto, este trabalho busca identificar as principais pesquisas desenvolvidas recentemente nessa área de estudos por meio de uma revisão bibliométrica, utilizando a base de dados da Web of Science® e os softwares R e RStudio para processamento dos dados. Os trabalhos mais relevantes encontrados são classificados de acordo com a metodologia InOrdinatio, a fim de contribuir com a compreensão do estado da arte relativo à análise de dados de medições inteligentes. Esta pesquisa revela que o tema possui produção científica significativa na atualidade e gera como resultado a seleção de artigos que possam servir como ponto de partida para o desenvolvimento de trabalhos futuros relacionados ao tema.
Palavras-chave: Medidor inteligente, Rede inteligente, análise de dados, bibliometria.
Abstract. The concept of distributed power generation and the increase in decentralized power generation from renewable sources has caused the need for the development of new technologies in the energy industry, such as smart grids. Smart meters are devices with great potential to facilitate the monitoring, control, and awareness of the rational use of energy resources by consumers. However, these devices generate large amounts of data that need to be transmitted and analyzed to support the decision-making process of the smart grid control system. Therefore, several studies have been conducted in the area of smart metering data analysis, aiming to mitigate the problems of information security, predictive capacity and load management, among other factors. In this context, this paper seeks to identify the main research currently developed in this area of studies through a bibliometric review, using the Web of Science® database and the software R and RStudio for data processing. The most relevant works found are classified according to the InOrdinatio methodology, in order to contribute to the understanding of the state of the art concerning the analysis of smart metering data. This research reveals that the theme has significant current scientific production and generates as a result the selection of articles that can serve as a starting point for the development of future works related to the theme.
Keywords: Smart meter, Smart grid, Data analysis, Bibliometry.
1. INTRODUÇÃO
A crescente demanda de energia elétrica mundial tem levado os países a investirem em fontes alternativas de energia, visando diversificar a matriz elétrica. Aliado a isso, a geração de energia distribuída vem ganhando destaque com a construção de usinas eólicas e a geração residencial por meio dos painéis fotovoltaicos. Essa geração distribuída tem feito com que as distribuidoras de energia elétrica tenham que adaptar suas redes para poder atender às demandas de carga e também receber a energia elétrica gerada de forma descentralizada.
Essa necessidade de integração e maior capacidade de monitoramento e controle levou ao surgimento da smart grid, ou rede inteligente, que consiste em uma moderna rede elétrica, que envolve a geração, distribuição, gerenciamento, controle e coleta automática de dados de consumo de eletricidade (FAN; GONG, 2013).
De acordo com HASAN et al. (2019), o dispositivo que mede, realiza relatórios de consumo e produção de energia elétrica de forma automática, além de gerar as contas de energia, é conhecido como medidor inteligente. O dispositivo substitui os medidores analógicos por uma versão digital, que contempla processador, armazenamento não volátil e recursos de comunicação, aliado à capacidade de manter ampla geração de energia elétrica do cliente de acordo com a demanda contratada.
Com o desenvolvimento das cidades inteligentes, que adotam redes inteligentes e medidores inteligentes, esses dispositivos são responsáveis por gerar uma grande quantidade de dados de consumo e geração de energia elétrica, que podem ser utilizados para a identificação de diferentes perfis de consumidores e demandas, de modo a aumentar a eficiência de distribuição de energia elétrica. Além disso, essas informações podem ser usadas para conscientização dos consumidores no uso racional da energia elétrica, o que pode resultar em economias significativas na conta dos usuários.
Essa grande quantidade de dados em tempo real que os medidores inteligentes transmitem, requer tecnologias de análise de dados que sejam capazes de viabilizar tomadas de decisão baseadas nos comportamentos de geração e consumo, promovendo um aumento da sustentabilidade e eficiência das redes inteligentes. De acordo com Wang et al. (2019), nos últimos anos, houve um desenvolvimento considerável nas tecnologias de análise de dados na indústria de energia, aliado ao estabelecimento de mais projetos de análise de dados de medidores inteligentes.
Com o advento de novas tecnologias de métodos computacionais, equipamentos de medição mais eficazes, ferramentas de produção colaborativas, dentre outros avanços, observa-se um aumento da produção científica ao redor do mundo. Isso contribui para o avanço da ciência, mas, ao mesmo tempo, torna difícil se manter atualizado com o que há de mais novo em relação a um determinado assunto.
Dessa forma, este trabalho tem como objetivo realizar uma revisão bibliométrica sobre medições inteligentes, apresentando uma visão geral do estado da arte a partir das principais pesquisas identificadas e mostrando os desafios e soluções no desenvolvimento dessa tecnologia.
2. METODOLOGIA
Para obter uma visão geral das pesquisas recentes sobre análise de dados de medições inteligentes, realizou-se uma análise bibliométrica em julho de 2022 para os últimos 5 anos, a partir da base de dados da Web of Science® (WOS). Foram selecionadas palavras-chave relacionadas ao tema, realizando-se uma busca ampla, isto é, em todos os campos de pesquisa da base de dados. Os parâmetros de busca propostos são: ((“smart meter” OR “consumption” OR “demand” OR “load”) AND “data” AND (“household” OR “resident” OR “residential” OR “building” OR “industrial” OR “individual” OR “customer” OR “consumer”) AND (“energy theft” OR “demand response” OR “clustering” OR “forecasting” OR “profiling” OR “classification” OR “abnormal” OR “anomaly”) AND (“smart grid” OR “power system”)).
Na sequência, ainda no WOS, gera-se um arquivo no formato Bibtex (.bib) com os metadados de cada artigo da base resultante. Tais metadados, são: autores, título, fonte, resumo, referências citadas, número de publicações, palavras-chave, ano de publicação, dentre outras. Em seguida, utiliza-se os softwares R® e RStudio® para processamento do arquivo e obtenção de um relatório bibliométrico básico relativos aos dados brutos, bem como para a organização dos metadados em formato de planilha.
A partir disso, os artigos são classificados de acordo com o fator de impacto (FI) dos periódicos, no caso o JCR da WOS e o CiteScore da Scopus, além do ano em que a pesquisa foi realizada, do ano de sua publicação, do número de citações, do peso do critério do fator de impacto e do peso do critério de citações (PAGANI et al., 2015).
Os artigos são ordenados da maior classificação para a menor classificação Ordinatio, pois quanto maior a pontuação, mais relevante é a pesquisa para o tema de estudo. Posteriormente, os artigos mais relevantes são analisados em relação ao título e ao resumo, para identificar se realmente estão relacionados diretamente com o tema de interesse. Por fim, são selecionados um quantitativo de artigos (no caso em particular, são considerados 12 artigos) tidos como mais relevantes, segundo a metodologia aqui proposta, dos quais são apresentados os aspectos abordados considerados como mais importantes, visando identificar as soluções já encontradas, bem como os principais desafios referentes ao tema medições inteligentes que ainda demandam investigação.
3. RESULTADOS E DISCUSSÃO
Na Subseção 3.1, são apresentadas algumas análises realizadas a partir do levantamento bibliométrico realizado. Na Subseção 3.2, é mostrado o banco de artigos resultante da aplicação da metodologia tratada na Seção 2. Por fim, na Subseção 3.3, são descritos os principais aspectos abordados e resultados alcançados em cada uma das publicações selecionadas a partir da metodologia apresentada na Seção 2.
3.1. Análise dos dados bibliométricos
Na Figura 1, observa-se a quantidade de trabalhos por ano, conforme levantamento feito a partir da metodologia proposta. Verificou-se que um total de 197 trabalhos foram publicados sobre o tema em questão no período de janeiro de 2018 a julho de 2022, sendo que o ano de 2022 não foi representado devido ao levantamento considerar somente os primeiros 7 meses, o que prejudica a análise deste ano.Verifica-se uma evolução do quantitativo de publicações indexadas pela Web of Science entre os anos de 2018 e 2021 ao aplicar a metodologia proposta. Onde se observa um crescimento significativo de 2018 para 2019, seguido por uma estabilidade na produção científica nos dois anos seguintes. Muito provavelmente como sendo um efeito colateral da pandemia de COVID-19 ocorrida naqueles anos. Ainda assim, tal estabilidade revela o interesse recente sobre o tema, levando a concluir que ainda há questões em aberto.
Na Figura 2, observam-se os principais periódicos e congressos em que os artigos dessa área têm sido publicados, nos últimos cinco anos. Como pode ser visto, o periódico IEEE TRANSACTIONS ON SMART GRID é o que reúne a maior quantidade de trabalhos publicados sobre o tema medições inteligentes. Além disso, trata-se do periódico mais importante dentre os relacionados no gráfico quando se utiliza como métrica ocom fator de impacto, que no seu caso é de 10.275. Os outros dois periódicos mais relevantes para o tema em questão na atualidade são o Energies e IEEE Access, com fator de impacto de 3.252 e 3.476, respectivamente. Considerando o total de 197 artigos levantados nesta pesquisa, esses três periódicos contribuem com 23,3% daquele total. Esta é, portanto, uma informação valiosa para os atuais pesquisadores em medições inteligentes que queiram publicar seus resultados.
A Figura 3 mostra um gráfico do número de publicações por país de produção. Observa-se que a China tem se destacado com 56 publicações, seguida de EUA e Índia. Verifica-se que o tema está em pleno desenvolvimento nas principais economias mundiais, isto é, Estados Unidos da América e China. Porém vem apresentando produção científica bem mais modesta inclusive em países tecnologicamente desenvolvidos como, por exemplo, Reino Unido e Alemanha.
3.2. Banco de artigos
Após a realização da pesquisa na base de dados da Web of Science® e o processamento dos dados pelos softwares R® e RStudio®, os artigos foram classificados de forma decrescente pela metodologia InOrdinatio, em que os artigos mais relevantes apresentavam a pontuação mais alta. Dessa forma, foram analisados os títulos e resumos dos artigos para filtragem final, isto é, exclusão daqueles trabalhos não aderentes ao tema em estudo. Na Tabela 2, observa-se os 12 artigos mais relevantes encontrados de acordo com a metodologia empregada. É importante notar que os 12 trabalhos selecionados foram desenvolvidos em 7 países distintos, o que mostra que, em termos qualitativos, existe um maior envolvimento a nível mundial de pesquisas sobre o tema em questão do que quando se faz uma análise puramente quantitativa, quando se nota a concentração de trabalhos em apenas três países.
Tabela 2– Banco de artigos selecionados a partir do levantamento bibliométrico
| Título da publicação | Autores | Periódico/ Congresso | País |
| Review of smart meter data analytics: applications, methodologies, and challenges | Wang, Y.; Chen, Q.; Hong, T.; Kang, C. | IEEE Transactions on Smart Grid | China |
| Deep learning for household load forecasting-a novel pooling | Shi, H.; Xu, M.; Li, R. | IEEE Transactions on Smart Grid | Inglaterra |
| Electricity theft detection in smart grid systems: a CNN-LSTM | Hasan, M.N.; Toma, R.N.; Abdullah-Al Nahid A.N.D.; Islam, M.M.M.; Kim, J.M. | Energies | Coreia do Sul |
| A hierarchical framework for smart grid anomaly detection using large-scale smart meter data | Moghaddass, R.; Wang, J. | IEEE Transactions on Smart Grid | EUA |
| Shape-based approach to household electric load curve clustering and prediction | Teeraratkul, T.; O’neill ,D.; Lall, S. | IEEE Transactions on Smart Grid | EUA |
| Daily pattern prediction based classification modeling approach | Wang, F.; Li K.; Zhou, L.; Ren, H.; Contreras, J.; Shafie-Khah, M.; Catalao, J.P.S. | International Journal of Electrical Power & Energy Systems | China |
| Drift-aware methodology for anomaly detection in smart grid | Fenza, G.; Gallo, M.; Loia, V. | IEEE Access | Itália |
| Resilient control design for load frequency control system | Abbaspour, A.; Sargolzaei, A.; Forouzannezhad, K.K.; Sarwat, A. | IEEE Transactions on Industrial Electronics | EUA |
| Residential household non-intrusive load monitoring via graph-based multi-label semi-supervised learning | Li, D.; Dick, S. | IEEE Transactions on Smart Grid | Canadá |
| Online energy sharing for nanogrid clusters: a lyapunov Optimization Approach | Liu, N.; Yu, X.; Fan, W.; Hu, C.; Rui, Q.; Zhang, J. | IEEE Transactions on Smart Grid | China |
| A cloud-based on-line disaggregation algorithm for home appliance loads | Mengistu, M.A.; Girmay, A.A.; Camarda, C.; Acquaviva, A.; Patti, E. | IEEE Transactions on Smart Grid | Itália |
| Blockchain and AI amalgamation for energy cloud management: Challenges, solutions, and future directions | Kumari, A.; Gupta, R.; Tanwar, S.; Kumar, N. | Journal of Parallel and Distributed Computing | Taiwan |
3.3. Análise do banco de artigos
Na sequência, é feita uma apresentação sucinta sobre aspectos relacionados a cada um dos trabalhos destadados na Tabela/Quadro 1. É seguido a ordem decrescente de apresentação na referida tabela. A começar, portanto, por (Wang et al.,2019), que realizaram uma revisão de literatura sobre análise de dados de medidores inteligentes com base em análise descritiva, preditiva e prescritiva. Em sua pesquisa, os autores abordaram as áreas de análise de carga, previsão de carga e gerenciamento de carga. Os autores também identificaram as técnicas e metodologias adotadas para cada área, tendo discutido inclusive os assuntos relativos a big data, novas tecnologias de aprendizagem de máquina (machine learning), novos modelos de negócios, a transição de sistemas de energia e privacidade, e a segurança de dados.
Shi et al. (2018) aprofundaram-se na área de previsão de carga, especificamente em relação ao estudo das incertezas relativas aos perfis de cargas residenciais. Os autores aplicaram algoritmos de aprendizado de máquina classificados como deep learning (aprendizado profundo), por meio de uma rede neural recorrente profunda baseada em pooling, que agrupa perfis de carga de clientes em um pool de entradas. O método desenvolvido foi implementado na plataforma de aprendizado profundo Tensorflow® e testado em 920 clientes de medidores inteligentes da Irlanda. Como resultado, os autores verificaram que o método proposto superou as principais técnicas de ponta em previsão de carga domiciliar.
Hasan et al. (2019) focaram a análise na utilização da medição inteligente no combate às perdas não técnicas, ou furto de energia. Os autores reforçam que o furto de energia gera o aumento nas contas de energia dos usuários que pagam devidamente e diminui a qualidade da energia distribuída. É apresentado um método que, através de redes neurais convolucionais, um algoritmo é capaz de identificar os possíveis consumidores que estão furtando energia. Nos testes, foram identificados poucos clientes com essa característica, o que pode fazer com que o algoritmo tenha baixa eficiência. No entanto, com dados simulados, foi demonstrado que é possível identificar os usuários que praticam o furto de energia. Logo, pode-se concluir que esta metodologia precisa ser validada com dados experimentais mais robustos.
Moghaddass et al. (2018) trabalha o uso da medição inteligente com objetivo de melhorar a eficiência operacional das distribuidoras de energia. Os autores desenvolveram um método que através dos dados obtidos pelos medidores inteligentes nas instalações dos consumidores seja possível detectar anomalias no fornecimento de energia, seja no lado do cliente como no lado da distribuidora, considerando os dados de hierarquia elétrica da fonte de alimentação. No trabalho são apresentados dados que comprovam a eficácia do método com experimentos numéricos.
Teeraratkul et al. (2018) abordam a caracterização do consumo de energia dos consumidores através da medição inteligente. Nesse trabalho é apresentada uma abordagem baseada na forma que melhor classifica e prevê o comportamento do consumo de energia ao nível doméstico. O método é baseado na distorção do tempo dinâmico (DTW), em que se busca um alinhamento ideal entre os padrões de consumo de energia, refletindo o efeito de padrões ocultos de consumo regular, via curvas de carga de durante o intervalo de 24 hora. De acordo com os autores, o método resulta em uma redução de 50% no número de grupos representativos e uma melhoria na previsão medida sob a distância DTW.
Wang et al. (2018) realizaram uma análise da previsão de preços da energia com antecedência (DAEPF). Essa análise desempenha um papel muito importante na otimização da tomada de decisão dos participantes do mercado de energia elétrica, no controle de despacho de operadores de sistema independentes (ISOs) e na estratégia de formulação do comércio de energia. A ideia básica é que, primeiro, se reconheça o padrão de preços do próximo dia a partir dos resultados “brutos” da previsão do dia anterior, fornecidos pelos métodos convencionais de previsão e, em seguida, realize-se uma modelagem de classificação para melhorar ainda mais a precisão da previsão por meio da construção de um modelo de previsão específica para cada padrão.
Fenza et al. (2018) trabalharam a medição inteligente e a medição não intrusiva com objetivo de atuar no combate ao furto de energia e otimizar o consumo de energia. O trabalho foca na identificação de anomalias, considerando dados de longo prazo, com objetivo de prever de forma adequada o perfil de consumo de energia do cliente. Os autores mencionam que os resultados demonstraram ser possível apontar uma anomalia, em tempo real, após uma semana de aprendizado.
Abbaspour et al. (2020) aprofundaram-se na segurança dos dados nas redes inteligentes. Os autores propõem um novo sistema de controle contra a injeção de dados falsos de consumo (FDI – false data injection), que pode ser feito por um ataque hacker. Além da criptografia existente nos links de transferência de dados, os autores inseriram uma segunda camada de proteção utilizando uma rede neural artificial que detecta as anomalias na medição. Os resultados da simulação mostraram claramente que o sistema de controle proposto pode detectar anomalias com sucesso e compensar seus efeitos adversos.
Li et al. (2019) trabalharam o monitoramento de carga não intrusivo (NILM) em equipamentos domésticos com o objetivo de fazer o gerenciamento pelo lado da demanda. Foi realizada uma análise dos algoritmos que utilizam o aprendizado de máquina para reconhecer os equipamentos ligados. Três novos monitoramentos de carga multirrótulo semi-supervisionados baseados em gráficos algoritmos são propostos e avaliados em cinco conjuntos de dados públicos. No trabalho, foi demonstrado que o melhor algoritmo pode superar o estado da arte nos resultados desses conjuntos de dados.
Liu et al. (2018) abordaram o conceito de redes do tipo nanogrid para o aumento da eficiência do sistema de geração fotovoltaica tanto para o gerador como para a rede. Foi proposta uma estratégia de compartilhamento de energia com a classificação dos exportadores e importadores. Considerando as características estocásticas da energia fotovoltaica e a carga do usuário final, um modelo de algoritmo de otimização online foi formulado com base na otimização de Lyapunov, de modo a maximizar a autossuficiência e garantir a estabilidade do armazenamento de energia.
Mengistu et al. (2019) abordaram a medição não intrusiva de cargas (NILM) de forma que seja rápida e online. Para isso, foi proposto um algoritmo de aprendizado de máquina para o monitoramento não intrusivo de carga, combinando duas metodologias, isto é, baseado em eventos de perfilamento não supervisionados e em modelagem de carga do dispositivo por cadeia de Markov. A solução foi implementada na nuvem e testada com conjuntos de dados de referência. Os resultados de precisão são apresentados pelos autores e, comparado com as soluções da literatura, eles conseguiram mostrar que a solução alcançou o objetivo de detecção online com desempenho comparável às abordagens offline.
Kumari et al. (2020) trabalharam também na segurança dos dados nas redes inteligentes. Os autores revisaram várias abordagens baseadas em inteligência artificial (IA), juntamente com as vantagens e desafios de integrar o blockchain (BC) e a inteligência artificial (IA) no sistema de gerenciamento de energia em nuvem (ECM). Foi apresentada uma estrutura de ECM descentralizada baseada em IA para gerenciamento de energia usando BC, demonstrando como BC e IA podem ser usados para mitigar problemas de segurança e privacidade.
Logo, os artigos identificados nessa pesquisa demonstram que a medição inteligente permite a análise e melhoria de diversos aspectos do fornecimento de energia como: caracterização do consumo de energia, identificação de anomalias no fornecimento e furtos de energia, gerenciamento da demanda por meio de monitoramento dos pontos de consumo, aumento de eficiência e estabilidade do armazenamento de energia. Observa-se também a preocupação com a segurança das redes inteligentes, visando garantir a confiabilidade dos dados e das tomadas de decisões em relação ao fornecimento de energia.
4. CONCLUSÃO
Este trabalho buscou contribuir com o levantamento do estado da arte envolvendo o tema de medições inteligentes. Para isso, foi feita uma investigação sobre as publicações nos últimos 5 anos em uma das principais bases de trabalhos científicos por meio de uma metodologia aqui proposta, que permitiu a identificação das principais pesquisas relacionadas ao tema, levando em consideração aspectos considerados relevantes para a garantia de que um trabalho tem qualidade científica que são o número de citações e o fator de impacto dos periódicos em que as pesquisas foram publicadas. Concluiu-se ainda que existe uma concentração de trabalhos desenvolvidos sobre o tema medições inteligentes em apenas três países, o que não reflete a realidade quando se observa a qualidade dos trabalhos segundo critica.
5. ReferÊNCIAS
Abbaspour, A.; Sargolzaei, A.; Forouzannezhad, P.; Yen, K. K.; Sarwat, A. I. “Resilient Control Design for Load Frequency Control System Under False Data Injection Attacks,” IEEE Transactions on Industrial Electronics, v. 67, no. 9, p. 7951-7962, 2020, doi: 10.1109/TIE.2019.2944091.
Fan, X.; Gong, G. “Security challenges in smart-grid metering and control systems” vol. 3, p. 42–49, 07 2013.
Fenza, G.; Gallo, M.; Loia, V. “Drift-Aware Methodology for Anomaly Detection in Smart Grid,” IEEE Access, v. 7, p. 9645-9657, 2019, doi: 10.1109/ACCESS.2019.2891315. Disponível em: <https://ieeexplore.ieee.org/document/8604042>. Acesso em 17 jul 2022.
Hasan, M. N. et al. “Electricity Theft Detection in Smart Grid Systems: A CNN-LSTM Based Approach.” Energies, 2019.
Kumari, A.; Gupta, R.; Tanwar, S.; Kumar, N. “Blockchain and AI amalgamation for energy cloud management: Challenges, solutions, and future directions”. Journal of Parallel and Distributed Computing, v. 143, p. 148-166, 2020.
Li, D.; Dick, S. “Residential Household Non-Intrusive Load Monitoring via Graph-Based Multi-Label Semi-Supervised Learning”. IEEE Transactions on Smart Grid, v. 10, no. 4, p. 4615-4627, 2019, doi: 10.1109/TSG.2018.2865702.
Liu, N. et al. “Online Energy Sharing for Nanogrid Clusters: A Lyapunov Optimization Approach,” IEEE Transactions on Smart Grid, v. 9, no. 5, p. 4624-4636, 2018, doi: 10.1109/TSG.2017.2665634.
Mengistu, M. A.; Girmay, A. A.; Camarda, C.; Acquaviva, A.; Patti, E. “A Cloud-Based On-Line Disaggregation Algorithm for Home Appliance Loads”. IEEE Transactions on Smart Grid, v. 10, no. 3, p. 3430-3439, 2019, doi: 10.1109/TSG.2018.2826844.
Moghaddass, R.; Wang, J. “A Hierarchical Framework for Smart Grid Anomaly Detection Using Large-Scale Smart Meter Data”. IEEE Transactions on Smart Grid, v. 9, no. 6, p. 5820-5830, 2018, doi: 10.1109/TSG.2017.2697440.
Pagani, R. N.; Kovaleski, J. L.; Resende, L. M. “Methodi Ordinatio: a proposed methodology to select and rank relevant scientific papers encompassing the impact factor, number of citation, and year of publication”. Scientometrics, v. 105, n. 3, p. 2109–2135, 2015.
Shi, H.; Xu, M.; Li, R. “Deep Learning for Household Load Forecasting: A Novel Pooling Deep RNN”. IEEE Transactions on Smart Grid, v. 9, no. 5, p. 5271-5280, 2018, doi: 10.1109/TSG.2017.2686012.
Teeraratkul, T.; O’Neill, D.; Lall, S. “Shape-Based Approach to Household Electric Load Curve Clustering and Prediction”. IEEE Transactions on Smart Grid, v. 9, no. 5, p. 5196-5206, 2018, doi: 10.1109/TSG.2017.2683461.
Wang, F.; Li, K.; Zhou, L.; Ren, H.; Contreras, J.; Shafie-khah, M.; Catalão, J. “Daily pattern prediction based classification modeling approach for day-ahead electricity price forecasting”. International Journal of Electrical Power & Energy Systems, v. 105, p. 529-540, 2019.
Wang, Y.; Chen, Q.; Hong, T.; Kang, C. “Review of Smart Meter Data Analytics: Applications, Methodologies, and Challenges,”. IEEE Transactions on Smart Grid, v. 10, no. 3, p. 3125-3148, 2019, doi: 10.1109/TSG.2018.2818167.
1Universidade Federal do Espírito Santo, Rod. BR 101 Norte, km 58, Litorâneo, São Mateus, Espírito Santo, Brasil
brunoschneidernv@gmail.com
2Universidade Federal do Espírito Santo, Rod. BR 101 Norte, km 58, Litorâneo, São Mateus, Espírito Santo, Brasil
jose.souza.08@edu.ufes.br
3Universidade Federal do Espírito Santo, Rod. BR 101 Norte, km 58, Litorâneo, São Mateus, Espírito Santo, Brasil
wanderley.cardoso@ufes.br
4Instituto Federal do Espírito Santo, Avenida Vitória, 1729 – Jucutuquara, Vitória, Espírito Santo, Brasil
matheus13.limma@gmail.com
5Universidade Estadual Paulista Júlio de Mesquita Filho, UNESP, Brasil.
thales.barboza@unesp.br