Previsão de demanda de energia de curto prazo usando aprendizado de máquina com dados por telemetria : um Estudo de Caso no Brasil

• Ano de defesa: 2025
• Autor(a) principal: Souza, Marcos Ribeiro de
• Orientador(a): Silva, Danilo Paixão
• Banca de defesa: Silva, Danilo P. , Paixão, T. M. , ANDRADE, J. O. , Salles, J. L. F.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Federal do Espírito Santo; Campus Serra
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• País: Brasil
• Palavras-chave em Português: Previsão de demanda de energia; Aprendizado de máquina; Geração solar distribuída; Séries temporais; Energia solar
• Área do conhecimento CNPq: Ciências Exatas e da Terra
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/7916

Este estudo avalia o desempenho de modelos de aprendizado de máquina na previsão de demanda de energia de curto prazo em um consumidor com geração solar distribuída. Utilizando um conjunto de dados com padrões multisazonais e alta variabilidade, foram comparados modelos como Ridge, KNN, LGBM, XGB, CatBoost, Random Forest e MLP. As entradas dos modelos foram estruturadas por meio de engenharia de atributos, incluindo defasagens autorregressivas, variáveis temporais e representações cíclicas, com o objetivo de capturar padrões intradiários e semanais. Durante a fase de ajuste, aplicou-se otimização de hiperparâmetros com validação cruzada temporal. Os resultados demonstraram que o LGBM apresentou o melhor desempenho, alcançando um MAE de 7,51 kW, superando o modelo de referência em mais de 59% e apresentando o menor tempo de execução entre os algoritmos de maior desempenho. Modelos como Random Forest, CatBoost e XGB também apresentaram boa precisão, embora com tempos de processamento superiores.