AVANÇOS NA MODELAGEM PREDITIVA PARA GERENCIAMENTO DE ENERGIA USANDO MACHINE LEARNING

Resumo

A integração de técnicas de aprendizado de máquina no gerenciamento de energia tornou-se fundamental para otimizar o consumo de energia e reduzir os custos operacionais. À medida que a demanda por eficiência energética cresce, vários estudos demonstraram a eficácia da modelagem preditiva orientada por algoritmos avançados. Mawson e Hughes (2020) exploraram o uso de redes neurais profundas para prever o consumo de energia e as condições ambientais em instalações de fabricação, destacando o desempenho superior de redes neurais feedforward e recorrentes na previsão das necessidades de energia do edifício e das condições da oficina. Da mesma forma, Walker et al. (2020) examinaram algoritmos de aprendizado de máquina para prever a demanda de eletricidade nos níveis de edifícios individuais e clusters, descobrindo que métodos como árvore impulsionada, floresta aleatória e redes neurais artificiais (RNAs) forneciam previsões horárias precisas, cruciais para entender a dinâmica de energia de curto prazo. Por outro lado, Deng, Fannon e Eckelman (2018) compararam métodos de aprendizado de máquina com modelos SARIMA para prever a intensidade do uso de energia (EUI) em edifícios comerciais dos EUA. Seu estudo revelou que, embora os algoritmos de aprendizado de máquina oferecessem melhorias modestas na precisão, os modelos SARIMA eram eficazes com dados limitados. El Alaoui et al. (2023) destacaram ainda mais os pontos fortes do aprendizado de máquina sobre o SARIMA na previsão do consumo de energia de aquecimento, embora o SARIMA também tenha se mostrado útil em cenários com dados mínimos de treinamento. Jana, Ghosh e Sanyal (2020) propuseram uma abordagem híbrida de aprendizado profundo combinando transformação wavelet discreta de sobreposição máxima (MODWT) com redes de memória de longo prazo (LSTM), mostrando sua eficácia na previsão do consumo de energia em vários setores. No geral, esses estudos ressaltam o potencial do aprendizado de máquina e dos modelos híbridos no aprimoramento das estratégias de gerenciamento de energia, melhorando a precisão e otimizando o uso de energia em diferentes contextos. Os avanços contínuos nessas tecnologias serão essenciais para o desenvolvimento de soluções energéticas eficazes e para atingir as metas de sustentabilidade.