Banca de QUALIFICAÇÃO: MARCIO ROBERT DE ANDRADE MOURA FILHO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARCIO ROBERT DE ANDRADE MOURA FILHO
DATA: 12/08/2026
HORA: 16:00
LOCAL: OnLine via Meet
TÍTULO: Imputação de Dados Faltantes em Sistemas de Telemetria Baseados em Smart Meters para Recursos Energéticos Distribuídos
PALAVRAS-CHAVES: Smart Meters. Imputação de Dados. Recursos Energéticos Distribuídos. Internet das Coisas. Aprendizado de Máquina. Telemetria Energética.
PÁGINAS: 84
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Telecomunicações
ESPECIALIDADE: Sistemas deTelecomunicações
RESUMO:

A expansão acelerada dos Recursos Energéticos Distribuídos (DERs), impulsionada pelo crescimento da geração fotovoltaica residencial e pela integração de Microrredes (MGs) ao sistema elétrico, tem tornado os Medidores Inteligentes, os Smart Meters (SMs), em componentes centrais da infraestrutura de medição avançada (AMI). Nesse contexto, a qualidade dos dados coletados por esses dispositivos assume papel crítico para a confiabilidade de aplicações que vão do gerenciamento energético à estimação de estado da rede. Contudo, falhas de sensores, interrupções de comunicação e instabilidades em redes de baixa largura de banda resultam frequentemente na ocorrência de dados faltantes, comprometendo o desempenho de todos os sistemas analíticos a jusante. A presente dissertação investiga a utilização de métodos de imputação de dados em sistemas de telemetria baseados em SMs aplicados a Recursos Energéticos Distribuídos (DERs), identificando lacunas na literatura e avaliando experimentalmente o desempenho de diferentes algoritmos de imputação em cenários de geração distribuída. Para tanto, realizou-se primeiramente uma revisão bibliométrica sistemática, nas bases Scopus e Web of Science, que identificou o estado da arte das aplicações de SMs em ambientes de DERs e MGs, evidenciando a escassez de estudos sobre qualidade de dados e imputação nesse contexto específico. Em seguida, conduziu-se uma avaliação experimental comparativa de dez métodos de imputação, classificados em abordagens estatísticas, de aprendizado de máquina e de aprendizado profundo: Média, Interpolação Linear (Linear interpolation), Regressão Linear, KNN, MICE, Random Forest, MissForest, SVM, Autoencoder e GAN. Os experimentos foram conduzidos em três conjuntos de dados com diferentes resoluções temporais e níveis de variabilidade, submetidos a taxas de dados faltantes de 5% a 75%. Os resultados demonstram que o desempenho da imputação é fortemente dependente das características intrínsecas dos dados, notadamente resolução temporal, variabilidade do sinal e autocorrelação. Em conjuntos de alta redundância temporal, métodos simples como LI e KNN alcançam desempenho quase perfeito; em sinais com maior variabilidade, KNN, MissForest e Random Forest superam as demais abordagens. Os modelos baseados em GAN apresentaram indícios de maior custo computacional e comportamento instável em grandes volumes de dados. As análises estatísticas por ANOVA confirmaram que a escolha do método de imputação influencia significativamente a qualidade da reconstrução. Conclui-se que a complexidade do modelo não implica necessariamente melhor desempenho, e que a seleção do método deve considerar as características do sinal telemetrado e as restrições computacionais do ambiente de implantação.

MEMBROS DA BANCA:
Presidente - 621.***.***-37 - JOEL JOSE PUGA COELHO RODRIGUES - UA
Interno - 1615907 - FABIO ROCHA BARBOSA
Interno - 289819 - OTACILIO DA MOTA ALMEIDA