Previsão de demanda de energia de curto prazo usando aprendizado de máquina com dados por telemetria : um Estudo de Caso no Brasil

Este estudo avalia o desempenho de modelos de aprendizado de máquina na previsão de demanda de energia de curto prazo em um consumidor com geração solar distribuída. Utilizando um conjunto de dados com padrões multisazonais e alta variabilidade, foram comparados modelos como Ridge, KNN, LGBM, XGB, CatBoost, Random Forest e MLP. As entradas dos modelos foram estruturadas por meio de engenharia de atributos, incluindo defasagens autorregressivas, variáveis temporais e representações cíclicas, com o objetivo de capturar padrões intradiários e semanais. Durante a fase de ajuste, aplicou-se otimização de hiperparâmetros com validação cruzada temporal. Os resultados demonstraram que o LGBM apresentou o melhor desempenho, alcançando um MAE de 7,51 kW, superando o modelo de referência em mais de 59% e apresentando o menor tempo de execução entre os algoritmos de maior desempenho. Modelos como Random Forest, CatBoost e XGB também apresentaram boa precisão, embora com tempos de processamento superiores.

This study evaluates the performance of machine learning models for short-term energy demand forecasting in a consumer with distributed solar generation. Using a dataset characterized by multiseasonal and high variability, models such as Ridge, KNN, LGBM, XGB, CatBoost, Random Forest, and MLP were compared. The model inputs were structured through feature engineering, including autoregressive lags, temporal variables, and cyclic representations, with the aim of capturing intraday and weekly patterns. During the training phase, hyperparameter optimization was performed using temporal cross-validation. The results showed that the LGBM model achieved the best performance, reaching an MAE of 7.51 kW, surpassing the baseline model by more than 59% and presenting the lowest execution time among the high-performance algorithms. Models such as Random Forest, CatBoost, and XGB also demonstrated good accuracy, although with higher computational costs.