A demanda energética crescente aguça a busca por modernizações tecnoló- gicas capazes de suprir as necessidades iminentes, assim como aumentam a preocupação em mitigar os impactos ambientais advindos com essa escalada. O estado da arte em Smart Grids remete a evidências do uso de técnicas de Inteligência Artificial (IA) em casos de uso IoSGT, visando revolucionar a maneira como a energia é produzida, transmitida e consumida. De fato, a IA tem o pressuposto de oferecer níveis de disrupção sem precedentes no setor elétrico, a partir de métodos de controle inteligentes que podem desbloquear novos fluxos de valor para os consumidores, ao mesmo tempo que permitem o suporte a um sistema altamente assertivo, confiável e resiliente. Entretanto, muita pesquisa ainda é necessária nessa área, como por exemplo o posicionamento de instâncias baseadas na IA ao longo do contínuo edge-cloud, tipos de técnicas e algoritmos para cada caso de uso, uso eficiente de análises preditivas capazes de prever demandas futuras, detecção de falhas e anomalias na rede elétrica que permitam a adoção de medidas proativas para aprimorar a confiabilidade da rede, entre muitas outras.

Esta proposta de pesquisa tem como objetivo abordar os desafios mencio- nados anteriormente, que envolvem a necessidade de encontrar soluções para lidar com o aumento da demanda por energia e reduzir os impactos ambientais associados. Para isso, propõe-se utilizar a previsão do consumo energético como uma ferramenta para otimizar o uso dos recursos, evitando o desperdício e, ao mesmo tempo, contribuindo para a preservação do meio ambiente. Essa abordagem será realizada por meio da implementação de uma arquitetura holística denominada IAIoSGT (Inteligência Artificial nativa em IoSGT). A IAIoSGT é projetada partindo do pressuposto de acelerar a adoção de técnicas de Inteligência Artificial (IA) e Machine Learning (ML) em uma abordagem que integra de forma eficiente o processamento de dados desde o nível de borda (edge) até a nuvem (cloud). A avaliação da arquitetura IAIoSGT, incluindo sua conformidade, desempenho e viabilidade de implementação, foi conduzida em duas bancadas de testes distintas, abordando tanto dispositivos físicos quanto algoritmos de Aprendizado de Máquina. Destaca-se que foram realizados dois testes distintos: o primeiro concentrou-se na classificação e identificação de dispositivos eletroeletrônicos conectados em uma mesma rede elétrica, explorando algoritmos de ML como KNN, SVM, MLP, NB e DT; o segundo teste abordou a predição de consumo energético utilizando o algoritmo LSTM. Esses testes são essenciais para validar a eficácia e a robustez da abordagem proposta, contribuindo assim para o avanço do estado da arte em IA aplicada a sistemas de energia inteligentes.