Esta pesquisa propõe o desenvolvimento e a validação de um sistema de Monitoramento Não Intrusivo de Cargas (Non-Intrusive Load Monitoring – NILM) de alta precisão, capaz de desagregar o consumo energético total de uma edificação em perfis individuais de equipamentos elétricos. O sistema visa identificar, a partir de medições realizadas em um único ponto de monitoramento instalado no medidor central, quais cargas estão em operação, seus respectivos consumos de energia e os períodos de funcionamento. Essa abordagem baseia-se no conceito originalmente proposto por Hart, amplamente reconhecido como o marco inicial do monitoramento não intrusivo de cargas.

O problema central abordado está relacionado à dependência das soluções NILM convencionais de arquiteturas baseadas em computação em nuvem. Embora essas abordagens apresentem elevado poder computacional, elas introduzem limitações significativas, tais como aumento da latência na identificação de eventos em tempo real, exposição de informações sensíveis relacionadas ao comportamento dos usuários e elevada demanda por infraestrutura de comunicação para transmissão contínua de grandes volumes de dados. Além disso, sinais elétricos de alta resolução podem atuar como uma espécie de “impressão digital” dos hábitos dos ocupantes, ampliando preocupações relacionadas à privacidade e à segurança dos dados.

Como solução, propõe-se a integração de Redes Neurais Convolucionais (Convolutional Neural Networks – CNNs), amplamente reconhecidas por sua capacidade de extrair automaticamente características complexas de sinais elétricos e alcançar elevados índices de acurácia na identificação de cargas. Trabalhos recentes demonstram que modelos baseados em CNN são capazes de atingir desempenhos superiores a 90% na desagregação de cargas residenciais, tornando-se uma das principais técnicas de Deep Learning aplicadas ao NILM. Paralelamente, a evolução da Computação em Borda (Edge Computing) tem possibilitado a execução local de algoritmos avançados de Inteligência Artificial em dispositivos embarcados de alto desempenho. Nesse contexto, a plataforma NVIDIA Jetson Orin destaca-se por oferecer elevado poder computacional por meio de processamento paralelo em GPU, permitindo a execução eficiente de modelos complexos de aprendizado profundo diretamente na borda da rede.

O objetivo é realizar todo o processamento e inferência diretamente no Smart Meter ou em um gateway adjacente, eliminando a necessidade de envio contínuo de dados para servidores remotos. Dessa forma, busca-se garantir baixa latência, preservação da privacidade dos usuários e maior escalabilidade operacional. Adicionalmente, a identificação detalhada dos padrões de consumo permitirá fornecer informações estratégicas para a gestão energética da edificação, auxiliando na detecção de desperdícios, no uso mais racional da energia elétrica e na adoção de medidas voltadas à eficiência energética. A disponibilidade de dados oriundos dos Smart Meters, associada a técnicas de Inteligência Artificial, tem sido apontada como elemento fundamental para a modernização das redes elétricas inteligentes e para a otimização do consumo energético. Como resultado, espera-se contribuir para a redução do consumo de energia, dos custos operacionais e dos impactos ambientais associados ao uso da eletricidade, promovendo edificações mais inteligentes, sustentáveis e energeticamente eficientes. Além disso, o desenvolvimento de uma arquitetura NILM baseada em CNN embarcada em plataforma Edge poderá contribuir para o avanço científico das áreas de monitoramento energético inteligente, Inteligência Artificial embarcada e Smart Grids, oferecendo uma solução capaz de combinar alta precisão, privacidade por design e processamento em tempo real.

Referências bibliográficas

W. Hart, “Nonintrusive Appliance Load Monitoring,” Proceedings of the IEEE, vol. 80, no. 12, pp. 1870–1891, Dec. 1992, doi: 10.1109/5.192069.

Chen et al., “Control and Optimisation of Power Grids Using Smart Meter Data: A Review,” Sensors, vol. 23, no. 4, p. 2118, 2023, doi: 10.3390/s23042118.

Liang, S. Jin, and Y. Chen, “Review of Edge Computing Technology and Its Applications in Power Systems,” Energies, vol. 17, no. 13, p. 3230, 2024, doi: 10.3390/en17133230.

Rafiq et al., “A Survey of Traditional and Emerging Deep Learning Techniques for Non-Intrusive Load Monitoring,” Electronics, vol. 6, no. 9, p. 213, 2025, doi: 10.3390/ai6090213.

S. Ngo et al., “The Non-Intrusive Load Monitoring Using CNN: A Time-Series Data Approach,” Journal of Measurement, Control, and Automation, vol. 29, no. 4, pp. 9–17, 2025, doi: 10.64032/mca.v29i4.323.

Serna et al., “Assessing Computational Resources and Performance of NILM Algorithms on Edge Devices,” Energies, vol. 18, no. 22, p. 5991, 2025, doi: 10.3390/en18225991.