Predição inteligente e análise de dados de consumo energético derivado da mineração de moedas virtuais

• Processo: 20/10083-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2020
• Data de Término da vigência: 30 de setembro de 2021
• Área de conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: Wallace Correa de Oliveira Casaca
• Beneficiário: Pedro Mark Bianchi
• Instituição Sede: Universidade Estadual Paulista (UNESP). Campus de Rosana. Rosana , SP, Brasil
• Assunto(s): Aprendizado computacional Energia elétrica Planejamento energético Predição Tomada de decisão Análise de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Energia Elétrica | Mineração de Moedas Virtuais | Planejamento energético | Predição de Energia | Planejamento energético e predição de energia

Resumo

Aprendizado de Máquina (AM) tem sido uma ferramenta efetiva na elaboração de planos de eficiência energética e em tomadas de decisões de empresas, investidores e autarquias públicas do setor elétrico. Nesse contexto, um tema de interesse da indústria mundial de energia tem sido o consumo (indireto) da eletricidade resultado da mineração de moedas virtuais, isto é, as chamadas criptomoedas. Tal problemática tem alertado governos e demais agentes do setor, sobretudo, em países com baixa demanda energética, mas cuja tecnologia de mineração vem sendo explorada em larga escala. Assim, considerando a perspectiva futura da expansão dessa atividade, criar modelos de predição que propiciem uma visão macrométrica e, ao mesmo tempo, mais acurada da demanda futura de energia se faz necessário. Deste modo, este projeto tem como proposta investigar o problema de predição do consumo de energia proveniente da mineração massiva de criptomoedas, cujo processo de validação dos pagamentos virtuais resulta em um alto gasto de energia em razão do uso de hardware especializado para esse fim. Técnicas de Análise de Dados serão empregadas a fim de explorar o comportamento e as relações das variáveis presentes no problema, bem como algoritmos de Aprendizado de Máquina para estimar o consumo de energia derivado da mineração de criptomoedas a partir de bases de dados já consolidadas na área, a saber: a data sets da Universidade de Cambridge e da plataforma internacional Digiconomist. Para essa tarefa, serão estudados e implementados três algoritmos de AM: Máquina de Vetores de Suporte, Aumento do Gradiente e Florestas Randômicas. O aparato computacional a ser adquirido na pesquisa será validado a partir das bases mencionadas, viabilizando assim estudos de alicerce na linha de mineração x consumo energético, bem como o uso de novas tecnologias voltadas à elaboração de planos de eficiência energética no setor de energia.