RNA para previsão de consumo energético ralacionado com meteorologia em uma instituição pública

• Ano de defesa: 2025
• Autor(a) principal: Brito, Marcio Greick Pereira
• Orientador(a): Camargo, Renner Sartório
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Previsão; Energia; Redes Neurais Recorrentes; LSTM; XGBoost; Random Forest; Meteorologia; instituição pública
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/7101

RESUMO: O presente estudo aborda a previsão do consumo de energia elétrica em edificações de uma instituição pública localizada no Estado do Espírito Santo, com base em dados históricos de 2018 a 2024. O conjunto de dados incluiu informações mensais de consumo de energia (kWh), valores de fatura e variáveis meteorológicas (temperatura média, velocidade do vento e umidade relativa do ar). Para a solução do problema foram aplicados cinco modelos de inteligência artificial: LSTM, BiLSTM, GRU, Random Forest e XGBoost. A avaliação de desempenho foi realizada utilizando métricas amplamente aceitas na literatura científica: Erro Percentual Absoluto Médio (MAPE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE), Coeficiente de Determinação (R²) e a diferença percentual entre consumo real e previsto. Além disso, foi registrado o tempo médio de execução de cada modelo, permitindo não apenas analisar a acurácia, mas também a eficiência computacional de cada abordagem. Os resultados demonstraram que os modelos baseados em Redes Neurais Recorrentes (LSTM, BiLSTM e GRU) apresentaram maior capacidade de capturar padrões temporais complexos, enquanto os modelos baseados em árvores de decisão (Random Forest e XGBoost) destacaram-se pela robustez e rapidez de processamento. A análise conjunta das métricas e do tempo de execução fornece subsídios práticos para a escolha do modelo mais adequado às necessidades da instituição, contribuindo para o planejamento orçamentário, a gestão energética e a sustentabilidade das operações.