Projeto: Aprendizado de máquinas e séries temporais para prever o consumo de energia elétrica nas próximas horas ou dias.

Descrição Projeto

Este projeto tem como objetivo prever o consumo de energia elétrica nas horas e dias seguintes, utilizando modelos de apredizado de máquina aplicados a séries temporais.

O conjunto de dados utilizados foi o Hourly Energy Consumption (AEP) disponibilizado no Kaggle, contendo leituras horárias de consumo de energia elétrica de uma região dos Estados Unidos por megawatts (MW). Utilizando o arquivo AEP_hourly.csv.

O AEP (American Eletric Power) é uma companhia elétrica dos Estados Unidos, sendo a maior companhia do país atuando em 11 estados.

O foco principal é explorar e comparar diferentes abordagens de regressão, analisando a performace dos modelos e avaliando a qualidade das previsões para uso em cenários reais, como planejamento de demanda energética e otimização de recursos.

---

Metodologia

O projeto foi dividido em etapas:

• Coleta e Entendimento dos Dados
  • Utilizando do dataset AEP_hourly.csv (consumo energético horários).
  • Análise emploratória dos padrões temporais (tendências diárias, sazionais, etc.).
• Pre Provcessamento dos Atributos

  • A partir da coluna Datetime, foram criadas novas variáveis para capturar padrẽos temporais:

    • yeas, month, day, hour
    • dayofweek (dia da semana)
    • is_weekend (indicados de fim de semana)

    Essas estruturas permitem ao modelo aprender como o consumo varia ao longo do tempo.

• Treinamento dos Modelo
  • Foram testados dois algoritmos de regressão:
    • Regressão Linear
    • Random Forest Regressor
  • O Processo de validação foi feito utilizando K-fold Cross Validation
• Avaliação das Métricas
  • As ericas utilizadas foram:
    • R² (Coeficiente de Determinação) - mede a qualidade do ajuste do modelo, mais perto de 1 melhor o ajuste.
    • MAE (Erro Absoluto Médio) - média das diferenças absolutas entre valores reais e previstos.
    • MSE (Erro Quadrático Médio) - penaliza grandes erros, tornando mais sensíveis aos outliers.
    • RMSE (Raiz do Erro Quadrático Médio) - sensível a grandes erros como o MSE, mas esta na mesma unidade que os dados.

---

Resultados Obtidos

Modelo	R²	MAE	MSE	RMSE
Regressão LInear	0.2984	1754	4.71e6	2170
Random Forest	0.9950	111.1	33110	181.96

O modelo Random Forest apresentou desempenho significativamente superior, capturando de forma eficiente os padrões não lineares do consumo energético.

---

Estrutura do Projeto

Os modelos gŕaficos gerados durante o experimento são automaticamente salvos em diretórios:

EnergyForecast/
|
|-- data/
|   |-- raw/                       # Dados brutos originais (sem alteração)
|   |   |-- AEP_hourly.csv
|   |
|   |-- processed/                 # Dados intermediários, entre pré-processamento e features, e dados tratados e prontos para modelagem
|   |   |-- AEP_20XX.csv
|   |   |-- AEP_ready.csv
|   |   |-- AEP_hourly_update.csv
|
|-- notebooks/			   
|   |-- 01_exploracao.ipynb
|   |-- 02_preprocessamento.ipynb
|   |-- 03_modelagem.ipynb
|
|-- reports/
|   |-- figures/                   # Gráficos e visualizações geradas
|   |-- metrics/                   # Métricas e resultados de avaliação
|   |-- final/                     # Resultados finais (gráficos + previsões + relatórios)
|   |-- models/			   # Modelos salbos (.joblib, .pkl)
|   |   |-- best_model.joblib
|
|-- src/                           # Código-fonte principal do projeto
|   |-- data.py
|   |-- features.py
|   |-- model.py
|   |-- utils.py
|
|-- main.py                        # Script principal para rodar o pipeline completo
|-- requirements.txt
|-- README.md
|-- LICENSE
|-- .gitignore

---

Executando o Projeto

Clone o repositório:

git clone https://github.com/Joao-gui/EnergyForecast.git

em seguida entre na pasta do do projeto e crie um ambiente virtual (conda/venv).

Após a criação do ambiente virtual para o projeto, instale os requerimentos necessários para a execução e exploração do projeto.

pip install -r requirements.txt

Após estas etapas o proejto estará pronto para executar ou caso queira explorar e fazer alterações.

Para executar:

python main.py

O script fará o carregamento dos dados, executará as etapas de pré-processamento, modelagem e salvará os resultados em reports/final/.

---

Licença

Este projeto está disponível sob a MIT License - veja o arquivo LICENSE para mais detalhes.

---

Agradecimentos

Este é um projeto de estudo e exploração, foi feito para por em prática alguns conhecimentos adquiridos no curso de Inteligência Artificial, pela UTFPR, livros e artigos sobre o tema. Projeto simples porém com bastante conhecimento agregado, desde no processo de exploração, pré-processamento e modelagem.

---

Autor

João Guilherme Pellacani - Engenheiro Elétrico com foco em Inteligência Artificial.

LinkedIn | GitHub

“A inteligência é o resultado de milhões de anos de evolução, que não podem ser computados em código binário” – Miguel Nicolelis