Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Pessoa, Patrick de Sousa |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Centro Universitário FEI, São Bernardo do Campo
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.fei.edu.br/handle/FEI/5400
|
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 |
