dc.creator |
ABREU, Laís Gomes Barreto |
|
dc.date.issued |
2023-12-21 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/4030 |
|
dc.description.abstract |
This study focuses on the Brazilian energy scenario and highlights the progressive increase
in the use of renewable sources in the country's electrical energy matrix. The main objective of
this study is to contribute to the search for solutions and encourage debates and reflections on the
future actions necessary for energy planning. To achieve this, the research employs computational
tools based on machine learning and data mining, using government and energy market data
sources. The research methodology begins with the analysis of historical data related to the
electricity market in Brazil, including policies, national guidelines and regulatory mechanisms.
The research then uses machine learning and data mining tools to forecast the electricity market
in the country. These forecasts are then compared with the horizon predicted by the Ten-Year
Energy Expansion Plan 2030. The methodology used includes the execution of forecast models,
highlighting the behavior of the energy market over time, using three different methods:
Multilayer Neural Networks Perceptron (MLP), Gaussian Process Regression (GPR) and Linear
Regression to project electrical generation by source in Brazil. The results indicate considerable
growth in renewable sources in the national energy market until 2030, approaching the objective
of the Ten-Year Energy Expansion Plan of reaching 90% renewability, covering sources such as
hydroelectric, biomass, wind and solar. The Linear Regression method achieves 86%
renewability, while the Gaussian Process Regression method achieves 90%, and the Multilayer
Perceptron Neural Networks method reaches 88%. Likewise, the scenarios proposed for the
Brazilian energy market intended to gradually increase the use of renewable sources in the
electrical energy matrix and its growth potential. The projection of the electricity market forecast
made it possible to identify market behavior patterns, allowing trends and changes in the market
to be anticipated. These forecasts are intended to provide information to support the development
of actions in the energy planning process, contributing to the transition to more sustainable and
renewable sources of energy in Brazil. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Sistemas energéticos |
pt_BR |
dc.subject |
Energias renováveis |
pt_BR |
dc.subject |
Políticas públicas energéticas brasileiras |
pt_BR |
dc.title |
Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2024-04-01 |
|
dc.date.available |
2024-04-01T12:00:07Z |
|
dc.date.accessioned |
2024-04-01T12:00:07Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/7548820773666227 |
pt_BR |
dc.contributor.advisor1 |
MAYA, Diego Maurício Yepes |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/0457833115360417 |
pt_BR |
dc.contributor.advisor-co1 |
COBAS, Vladimir Rafael Melian |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/3077963106849610 |
pt_BR |
dc.description.resumo |
O presente estudo concentra-se no cenário energético brasileiro e destaca o aumento
progressivo do uso de fontes renováveis na matriz de energia elétrica do país. O principal objetivo
deste estudo é contribuir para a busca de soluções e impulsionar debates e reflexões sobre as ações
futuras necessárias para o planejamento energético. Para isso, a pesquisa emprega ferramentas
computacionais baseadas em machine learning e mineração de dados, utilizando fontes de dados
governamentais e de mercado de energia. A metodologia da pesquisa começa com a análise de dados
históricos relacionados ao mercado de energia elétrica no Brasil, incluindo políticas, diretrizes
nacionais e mecanismos de regulação. Em seguida, a pesquisa utiliza ferramentas computacionais
para projetar a previsão do mercado de energia elétrica no país. Essas previsões são então comparadas
com o horizonte previsto pelo Plano Decenal de Expansão de Energia 2030. A metodologia
empregada inclui a execução de modelos de previsão, destacando o comportamento do mercado
energético ao longo do tempo, a partir de três métodos diferentes: Redes Neurais Multilayer
Perceptron (MLP), Regressão do Processo Gaussiano (GPR) e Regressão Linear para projetar a
geração elétrica por fonte no Brasil. Os resultados indicam um crescimento considerável das fontes
renováveis no mercado energético nacional até o ano de 2030, aproximando-se do objetivo do Plano
Decenal de Expansão de Energia de atingir 90% de renovabilidade, abrangendo fontes como
hidrelétrica, biomassa, eólica e solar. O método de Regressão Linear alcança 86% de renovabilidade,
enquanto o método de Regressão do Processo Gaussiano atinge 90%, e o método das Redes Neurais
Multilayer Perceptron chega a 88%. Assim como, os cenários propostos intencionaram no
crescimento gradual do uso de fontes renováveis na matriz de energia elétrica e no seu potencial de
crescimento. A projeção da previsão do mercado de energia elétrica, possibilitou a identificação dos
padrões de comportamento mercadológico, permitindo antecipar as tendências e mudanças no
mercado. Essas previsões têm o propósito de fornecer informações para apoiar o desenvolvimento de
ações no processo de planejamento energético, contribuindo para a transição para fontes mais
sustentáveis e renováveis de energia no Brasil. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEM - Instituto de Engenharia Mecânica |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Engenharia de Energia |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA |
pt_BR |
dc.relation.references |
ABREU, Laís Gomes Barreto. Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável. 2023. 105 f. Dissertação (Mestrado em Engenharia de Energia) – Universidade Federal de Itajubá, Itajubá, 2023. |
pt_BR |