PREVISÃO DO CONSUMO DE ENERGIA ELÉTRICA EM UM FRIGORÍFICO: UM ESTUDO DE CASO USANDO REGRESSÃO LINEAR, REDES NEURAIS E MÁQUINAS DE VETOR DE SUPORTE

Resumo

Os avanços tecnológicos, nos últimos anos, permitiram a geração, com precisão, de um maior volume de dados. Também houve, neste período, o desenvolvimento de ferramentas, baseadas em inteligência artificial, que auxiliam na extração de informação destes dados. Neste contexto, este trabalho tem como objetivo comparar modelos, de séries temporais, para previsão do consumo de energia elétrica de um frigorífico de aves, localizado no interior do estado do Paraná. A base de dados, disponibilizada pela Câmara de Comercialização de Energia Elétrica (CCEE), apresenta uma série histórica do consumo de energia elétrica no período entre 2016 e 2021. Modelos de previsão, de regressão linear, redes neurais artificiais e máquinas de vetores de suporte, foram implementados por meio do software WEKA. Resultados obtidos, dos três modelos, foram comparados por meio das métricas MAPE (MeanAbsolutePercentageError), MAE (MeanAbsoluteError) e RMSE (Root MeanSquaredError). Verificou-se, para um horizonte de seis meses, que o modelo de máquina de vetores de suporte apresentou melhor desempenho. 

Palavras-chave: Energia. Inteligência artificial. Séries temporais. WEKA.

PREDICTING ELECTRIC CONSUMPTION IN A SLAUGHTERHOUSE: A CASE STUDY USING LINEAR REGRESSION, NEURAL NETWORKS AND SUPPORT VECTOR MACHINES

ABSTRACT

Lately, technological advances have allowed a greater and more precise data volume. There was also the development of tools based on artificial intelligence, which helps extracting information from these data. In this context, this paper aims to compare time series models to predict the consumption of electric energy in a poultry slaughterhouse in the interior of Paraná state, Brazil. Database, provided by the Electric Energy Trading Chamber (EETC), presents historical series of electricity consumption from 2016 to 2021. Predictive models, linear regression, artificial neural networks and support vector machines were implemented using WEKA software. Results from the three models were compared using MAPE (Mean Absolute Percentage Error), MAE (Mean Absolute Error) and RMSE (Root Mean Squared Error). It was observed that, for the next six months, the support vector machine model presented a better performance. 

Key Words: Energy. Artificial intelligence. Time series. WEKA.