Aplicação de aprendizagem de máquina para previsão de energia eólica gerada
A inteligência artificial (IA) tem experimentado avanços significativos nos últimos anos, impulsionando seu crescente campo de aplicação em diversas áreas, entre as quais se destaca a aplicação em sistemas preditivos. Nesses sistemas, ocorre o mapeamento e rotulagem de dados previamente coletados, s...
| Autor: | |
|---|---|
| Tipo de documento: | artigo |
| Estado: | Versão publicada |
| Data de publicação: | 2023 |
| País: | Brasil |
| Recursos: | Universidade de Caxias do Sul (UCS) |
| Repositório: | Repositório Institucional da UCS |
| Idioma: | português |
| OAI Identifier: | oai:repositorio.ucs.br:11338/12419 |
| Acesso em linha: | https://repositorio.ucs.br/11338/12419 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Engenharia Computação Aprendizado do computador Inteligência artificial Redes neurais (Computação) Energia eólica |
| Resumo: | A inteligência artificial (IA) tem experimentado avanços significativos nos últimos anos, impulsionando seu crescente campo de aplicação em diversas áreas, entre as quais se destaca a aplicação em sistemas preditivos. Nesses sistemas, ocorre o mapeamento e rotulagem de dados previamente coletados, sendo esses dados utilizados como entrada para algoritmos de IA, que visam prever possíveis valores futuros. Para o presente trabalho foi escolhida uma área, que vem se destacando no Brasil e no mundo, que trata da geração de energia através de geradores eólicos. O presente trabalho explora os conceitos e funcionamento dos modelos preditivos e propõe-se a realizar uma pesquisa de natureza exploratória, a fim de identificar os principais métodos que são utilizados, por meio de uma pesquisa bibliográfica e uma revisão sistemática. A partir desta pesquisa, propõe-se a implementação de dois modelos preditivos mais utilizados na área de problemas de regressão que se tratam dos modelos Long Short Term Memory (LSTM) e o Extreme Gradient Boosting (XGBoost). Após a implementação e treinamento dos modelos propostos, são apresentados os resultados quantificados por métricas, conhecidas e amplamente utilizadas para avaliar os valores obtidos na previsão da energia gerada por estes modelos. [resumo fornecido pelo autor] |
|---|