COMPRESSÃO DE DADOS DE MEDIDORES INTELIGENTES: UMA SOLUÇÃO PARA REDUZIR E OTIMIZAR OS RECURSOS DO MEDIDOR DE ENERGIA EM REDES NBIOT

Resumo

Este estudo propõe uma estratégia para otimizar a compressão de dados em dispositivos embarcados baseados no microcontrolador STM32WBA. O principal objetivo foi reduzir o volume de dados transmitidos em redes NB-IoT, com o objetivo de reduzir o volume desses dados sem comprometer a integridade da informação, ao mesmo tempo que respeita as restrições de memória e capacidade computacional destes sistemas. A pesquisa utilizou a biblioteca HEATSHRINK, baseada no algoritmo LZSS, ajustando parâmetros como o tamanho da janela de compressão (window_size) e o tamanho do lookahead (lookahead_sz2) integrado ao algoritmo BZ2 baseado na técnica Burrows-Wheeler Transform (BWT), para alcançar um equilíbrio entre taxa de compressão, tempo de processamento e consumo de memória. Os experimentos revelaram que configurações intermediárias, como HSWB06_HSLB04 e HSWB06_HSLB05, alcançaram taxas de compressão de até 46,93% para conjuntos de 96 amostras. Combinadas com uma redução de 21,15% no cabeçalho DLMS, essas configurações resultaram em um ganho total de compressão de 68,08%. Esses parâmetros também apresentaram tempos de processamento moderados, na faixa de 525 ms, e consumo de memória de 200 bytes, tornando-os adequados para dispositivos com recursos limitados. Por outro lado, configurações mais extremas, como HSWB10_HSLB09, apresentaram desempenho inferior, com taxas de compressão abaixo de 40% e tempos de processamento superiores a 7.900 ms, tornando-as inviáveis para sistemas que exigem baixa latência. Uma abordagem estratégica para alocar recursos de microcontroladores também foi implementada. Os dados originais foram armazenados em memória FLASH, os dados compactados na RAM e os buffers temporários foram gerenciados pelo STACK, garantindo estabilidade operacional mesmo sob condições de alta carga. A viabilidade dessas configurações foi confirmada por meio de análises de memória realizadas com a ferramenta Build Analyzer integrada ao STM32CubeIDE, que mostrou impacto mínimo nas operações do dispositivo. Os resultados obtidos destacam o potencial da biblioteca HEATSHRINK como uma solução eficiente para compressão de dados em dispositivos embarcados, desde que devidamente ajustada às especificidades da aplicação. Além disso, o estudo abre caminhos para avanços futuros, como a integração de técnicas de compressão híbrida com aprendizado de máquina, validações em ambientes reais e adaptações para sistemas de transmissão intermitente, como redes NB-IoT e LoRaWAN. Essas melhorias têm o potencial de expandir significativamente as aplicações de compressão em diversos setores, incluindo energia, saúde e transporte, promovendo maior eficiência energética, robustez e confiabilidade.

DOI: https://doi.org/10.56238/sevened2025.011-017