Aprimorando a eficiência contratual de energia: um estudo de previsão de demanda com aprendizado de máquina
Nenhuma Miniatura disponível
Citações na Scopus
Tipo de produção
Dissertação
Data
2024
Autores
Pessoa, Patrick de Sousa
Orientador
Giacomini, R. C.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
PESSOA, Patrick de Sousa. Aprimorando a eficiência contratual de energia: um estudo de previsão de demanda com aprendizado de máquina. 2024. 81 p. Dissertação (Mestrado em Engenharia Elétrica ) - Centro Universitário FEI, São Bernardo do Campo, 2024. Disponível em: Texto na íntegra.
Texto completo (DOI)
Palavras-chave
Demanda de energia,Previsão de demanda,Inteligência artificial
Resumo
Este projeto de pesquisa aborda a otimização contratual da demanda de energia como um elemento fundamental para aprimorar a eficiência energética da rede elétrica e reduzir custos para consumidores industriais, evitando multas associadas à demanda excessiva estabelecida em contrato. A diferença entre a demanda contratada e a efetiva é frequentemente subestimada, resultando em desperdício de recursos e penalidades financeiras.
Foram estudados modelos de inteligência artificial, como FA (Floresta Aleatória), SVR (Support Vector Regression) e rede LSTM (Long-short Term Memory), para prever a demanda em diferentes horizontes temporais.
A análise temporal indicou que a acurácia aumenta à medida que o horizonte de tempo é reduzido, destacando a importância da escolha do modelo e do intervalo de tempo na previsão da demanda. Um estudo de caso foi conduzido para avaliar a precisão da previsão em comparação com formas tradicionais de estabelecimento de contratos de demanda, ressaltando a importância do tamanho da base de dados disponível para o desempenho do modelo.
A fim de comparação com a rede LSTM, estudou-se o desempenho para a rede GRU (Gated Recurrent Unit Network), a qual obteve resultados comparáveis à LSTM, porém com treinamento mais rápido.
Deste modo, este projeto contribui para a otimização contratual da demanda de energia, permitindo que empresas otimizem estes modelos de contratos, minimizem multas e aliviem a carga na rede elétrica, sendo que os resultados confirmam a importância do aprendizado de máquina na otimização de contratos de demanda de energia