Implementação de um modelo de aprendizado de máquina aplicado para previsão do consumo de energia elétrica na região Nordeste do Brasil

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorOliveira, Kleber Rocha de-
Autor(es): dc.creatorCalandrin, Christian-
Autor(es): dc.creatorBianchi, Pedro Mark-
Data de aceite: dc.date.accessioned2025-08-21T22:58:41Z-
Data de disponibilização: dc.date.available2025-08-21T22:58:41Z-
Data de envio: dc.date.issued2023-12-03-
Data de envio: dc.date.issued2023-12-03-
Data de envio: dc.date.issued2023-11-12-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/251658-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/251658-
Descrição: dc.descriptionPor ser um grande consumidor de energia elétrica, o Brasil sempre visa a maior diversificação da matriz energética nacional, a fim de não ser dependente apenas de uma só fonte. Diante disso, desenvolver métodos cada vez mais eficazes para prever o consumo elétrico do país ou região é fundamental para ajudar as agências governamentais, geradoras e concessionárias do setor elétrico a criar um planejamento mais eficiente dos custos de geração de eletricidade para atender às demandas imediatas, além de ser de grande importância para estabelecer um horizonte de consumo mais confiável para seus consumidores. Diante deste panorama, o projeto visa a implementação de um modelo de machine learning (ML) que possa prever o consumo de energia elétrica futuro de uma determinada região, neste caso a região Nordeste. Baseando-se em bases de dados acessíveis de anos anteriores da Operador Nacional do Sistema Elétrico (ONS) e do Instituto Nacional de Meteorologia (INMET), pode-se desenvolver este modelo de aprendizagem de máquina preditiva, visando ter uma estimativa do consumo futuro na região. De acordo com os resultados, foi possível construir um modelo de gradient boosting que resultou em predições precisas, com MAPE de 2,23% no ano de 2022.-
Descrição: dc.descriptionAs a major consumer of electrical energy, Brazil always aims for greater diversification of the national energy matrix, in order not to be dependent on a single source. Therefore, developing increasingly effective methods to predict the country's or region's electrical consumption is crucial to assist governmental agencies, power generators, and electric sector concessionaires in creating a more efficient plan for electricity generation costs to meet immediate demands. Additionally, it is of great importance to establish a more reliable consumption forecast for consumers. In this context, the project aims to implement a machine learning model capable of predicting the future electricity consumption of a specific region, in this case, the Northeast region. By relying on accessible databases from previous years provided by the Operador Nacional do Sistema Elétrico (ONS) and the Instituto Nacional de Meteorologia (INMET), this predictive machine learning model can be developed to estimate future consumption in the region. According to the results, it was possible to build a gradient boosting model that yielded accurate predictions, with a MAPE of 2.23% in the year 2022.-
Descrição: dc.descriptionNão recebi financiamento-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectAnálise Preditiva-
Palavras-chave: dc.subjectConsumo de Energia Elétrica-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectElectricity Consumption Forecast-
Palavras-chave: dc.subjectPredictive Analysis-
Título: dc.titleImplementação de um modelo de aprendizado de máquina aplicado para previsão do consumo de energia elétrica na região Nordeste do Brasil-
Título: dc.titleImplementation of a learning model machine applied for forecasting the consumption of electric power in the Northeast region of Brazil-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.