Tratamento de dados meteorológicos urbanos com inteligência artificial para suporte a comunidades energéticas

• Processo: 25/25597-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2025
• Data de Término da vigência: 30 de novembro de 2026
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Joel David Melo Trujillo
• Beneficiário: Pedro Vieira Colombo
• Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil
• Vinculado ao auxílio: 25/13023-6 - Visualização e Análise de Dados Energéticos e Climáticos para Comunidades Energéticas Utilizando Técnicas de Inteligência Artificial, AP.R
• Assunto(s): Ciência de dados Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Ciência de dados | Comunidades energéticas em zonas urbanas | Inteligência Artificial | Planejamento Sustentável

Resumo

Diversos governos municipais têm instalado estações meteorológicas em áreas urbanas para o monitoramento de microclimas e mitigação dos efeitos de ilhas de calor. No entanto, falhas na comunicação, perdas temporárias de dados e limitações dos sensores comprometem a integridade das séries temporais coletadas, especialmente nas variáveis de temperatura, irradiância solar, velocidade do vento e volume de chuva. Esses dados são diretamente relacionados à operação de comunidades energéticas com sistemas fotovoltaicos, armazenamento e gestão da demanda. Este projeto de Iniciação Científica propõe a aplicação de técnicas de inteligência artificial (IA) para o preenchimento de dados faltantes e verificação da consistência física dessas variáveis meteorológicas, por meio do tratamento e análise de registros provenientes de 25 estações públicas da cidade de Santo André, disponíveis no Open Energy Data Lake. O bolsista será responsável pela organização, validação e aprimoramento das séries temporais, com o apoio de pesquisadores especialistas do projeto principal, utilizando abordagens baseadas em dados históricos de estações vizinhas e algoritmos de aprendizado supervisionado e não supervisionado. Espera-se que o aprimoramento desses dados possibilite sua utilização em tempo real, ampliando sua aplicabilidade em ações locais de adaptação às mudanças climáticas e no apoio à tomada de decisão por comunidades energéticas urbanas. (AU)