Busca avançada
Ano de início
Entree

Predição de demanda de carga elétrica e aprendizado de máquina: modelagem, análises e aplicações

Processo: 18/05341-4
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de junho de 2018
Vigência (Término): 31 de maio de 2021
Área do conhecimento:Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
Pesquisador responsável:Wallace Correa de Oliveira Casaca
Beneficiário:Matheus Pussaignolli de Paula
Instituição-sede: Universidade Estadual Paulista (UNESP). Campus de Rosana. Rosana , SP, Brasil
Assunto(s):Planejamento energético   Consumo de energia elétrica   Energia elétrica   Carga elétrica   Plataforma (computação)   Inteligência artificial   Predição   Aprendizado computacional   Análise de dados

Resumo

A previsão do consumo de energia elétrica é um tema de grande relevância para a indústria de energia, uma vez que equívocos na relação geração x demanda podem levar a enormes prejuízos financeiros, sendo também crucial para que se tenha um horizonte mais seguro da utilização da energia elétrica por parte de seus centros consumidores. De fato, a discussão sobre a importância dessa previsão aumentou demasiadamente nos últimos 20 anos, sobretudo após o racionamento de 2001, situação que fez com que empresas do ramo de energia enfrentassem o desafio de realizar uma previsão mais realista da demanda energética. Nesse contexto, o uso de soluções computacionais tem se tornado um importante aliado, viabilizando planos estratégicos de eficiência na geração de energia e políticas públicas de segurança a partir de ferramentas de análise de dados e modelos de predição de demanda. Assim, este projeto visa investigar o problema de predição de carga elétrica a partir do estudo de modelos de Aprendizado de Máquina (AM), possibilitando assim o auxílio a tomadas de decisões por parte de empresas e entidades governamentais do setor de energia. Para o desenvolvimento desta pesquisa, serão analisadas três metodologias da área de AM: Modelos Clássicos de Regressão, Redes Neurais, e Árvores de Decisão + Bagging. Os modelos serão implementados e validados a partir de bases de dados públicas de demanda energética, as quais dispõem de dados tanto para testes como para treinamento.

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DE PAULA, M.; COLNAGO, M.; FIDALGO, J.; CASACA, W. Predicting Long-Term Wind Speed in Wind Farms of Northeast Brazil: A Comparative Analysis Through Machine Learning Models. IEEE Latin America Transactions, v. 18, n. 11, p. 2011-2018, NOV 2020. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.