Previsão de consumo energético com redes neurais
Carregando...
Data
Autores
Orientador
Lusquino Filho, Leopoldo André Dutra 
Coorientador
Pós-graduação
Curso de graduação
Sorocaba - ICTS - Engenharia de Controle e Automação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Por meio de técnicas avançadas de Machine Learning (ML), busca-se maximizar o aproveitamento dos recursos energéticos disponíveis em cada localidade, garantindo o fornecimento de energia de forma sustentável e eficiente. Essa abordagem permite prever padrões de consumo, otimizar a geração de energia a partir de fontes renováveis e não renováveis, e reduzir desperdícios, alinhando-se às metas globais de descarbonização e à promoção de um futuro energético mais resiliente e sustentável. Tendo isso em vista, o presente trabalho propõe um estudo abrangente que investiga a eficácia do uso de redes neurais, em particular a arquitetura LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit) e LSTM-Bidirecional, GRU-Bidirecional para a predição de consumo residencial. Foram realizados experimentos em cenários distintos, utilizando-se de duas submedições, e entradas variadas a fim de avaliar a robustez e performance dos métodos, comparando-os com métricas já consolidadas, encontrando assim melhores resultados para LSTM e BiGRU.
Resumo (inglês)
Through advanced Machine Learning (ML) techniques, the goal is to maximize the utilization of available energy resources in each location, ensuring a sustainable and efficient energy supply. This approach enables the prediction of consumption patterns, the optimization of energy generation from both renewable and non-renewable sources, and the reduction of waste, aligning with global decarbonization goals and promoting a more resilient and sustainable energy future. The present work proposes a comprehensive study that investigates the effectiveness of using neural networks particularly the LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM, and Bidirectional GRU architectures for residential consumption forecasting. Experiments were conducted in different scenarios using two submetering configurations and varied input features to assess the robustness and performance of the methods. The results were compared to using established metrics, with LSTM and BiGRU showing the best performance.
Descrição
Palavras-chave
Aprendizado do computador, Redes neurais (Computação), Análise energética, Machine learning, Neural networks (Computer science), Energy analysis
Idioma
Português
Citação
CARVALHO, Camilla Rodrigues. Previsão de consumo energético com redes neurais. 2025. 60 p. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Controle e Automação) - Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2025.
