Estimativa do consumo de energia elétrica a curto prazo do IFMG — Campus Formiga utilizando redes neurais artificiais e a ferramenta Prophet

Resumo

Este artigo analisa e compara duas abordagens para a previsão do consumo de energia elétrica no IFMG — Campus Formiga. A previsão do consumo energético é essencial para otimizar recursos, reduzir custos e planejar o fornecimento de energia. Para isso, o estudo aplica modelos de aprendizado de máquina, visando melhorar a precisão das previsões. Inicialmente, foi realizada uma análise dos dados históricos de consumo, incluindo técnicas de pré-processamento para identificar padrões e preparar os dados para a modelagem. Em seguida, dois modelos foram selecionados: o Prophet, baseado na decomposição aditiva de séries temporais, e Redes Neurais Artificiais (RNAs), capazes de capturar padrões complexos e não lineares. Os resultados indicaram que o Prophet apresentou bom desempenho em cenários com consumo regular, captando tendências sazonais e efeitos de eventos como fins de semana e feriados. Já as RNAs se destacaram na previsão de variações abruptas e padrões não lineares, oferecendo maior precisão quando os dados são mais imprevisíveis. Conclui-se que ambos os modelos possuem vantagens, sendo a escolha dependente das características do consumo analisado. O estudo contribui para o avanço da aplicação de aprendizado de máquina na previsão de demanda energética, fornecendo insights para otimização do gerenciamento de recursos.

Palavras-chave: Previsão de Consumo Energético. Séries Temporais. Aprendizado de Máquina. Redes Neurais Artificiais (RNAs). Prophet.

ABSTRACT

ESTIMATING SHORT-TERM ELECTRICITY CONSUMPTION AT IFMG — CAMPUS FORMIGA USING ARTIFICIAL NEURAL NETWORKS AND THE PROPHET TOOL

This paper analyzes and compares two approaches for forecasting electricity consumption at IFMG — Campus Formiga. Energy consumption forecasting is essential for optimizing resources, reducing costs, and planning energy supply. To achieve this, the study applies machine learning models to improve forecast accuracy. Initially, an analysis of historical consumption data was conducted, including preprocessing techniques to identify patterns and prepare the data for modeling. Then, two models were selected: Prophet, based on additive decomposition of time series, and Artificial Neural Networks (ANNs), capable of capturing complex and nonlinear patterns. The results indicated that Prophet performed well in scenarios with regular consumption, effectively capturing seasonal trends and the effects of events such as weekends and holidays. Meanwhile, ANNs excelled in predicting abrupt variations and nonlinear patterns, providing greater accuracy when the data were more unpredictable. It is concluded that both models have advantages, and the choice depends on the specific characteristics of the analyzed consumption. This study contributes to the advancement of machine learning applications in energy demand forecasting, providing valuable insights for optimizing resource management.

Keywords: Energy Consumption Forecasting. Time Series. Machine Learning. Artificial Neural Networks (ANNs). Prophet.