Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável

Detalhes bibliográficos
Autor(a) principal: ABREU, Laís Gomes Barreto
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNIFEI (RIUNIFEI)
Texto Completo: https://repositorio.unifei.edu.br/jspui/handle/123456789/4030
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.
id UFEI_7dc15b3f00db49b0458b863e89772b60
oai_identifier_str oai:repositorio.unifei.edu.br:123456789/4030
network_acronym_str UFEI
network_name_str Repositório Institucional da UNIFEI (RIUNIFEI)
repository_id_str 7044
spelling 2023-12-212024-04-012024-04-01T12:00:07Z2024-04-01T12:00:07Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/4030O 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.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.porUniversidade Federal de ItajubáPrograma de Pós-Graduação: Mestrado - Engenharia de EnergiaUNIFEIBrasilIEM - Instituto de Engenharia MecânicaCNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIASistemas energéticosEnergias renováveisPolíticas públicas energéticas brasileirasMetodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiávelinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMAYA, Diego Maurício Yepeshttp://lattes.cnpq.br/0457833115360417COBAS, Vladimir Rafael Melianhttp://lattes.cnpq.br/3077963106849610http://lattes.cnpq.br/7548820773666227ABREU, Laís Gomes BarretoABREU, 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.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/4030/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALDissertação_2024047.pdfDissertação_2024047.pdfapplication/pdf993795https://repositorio.unifei.edu.br/jspui/bitstream/123456789/4030/1/Disserta%c3%a7%c3%a3o_2024047.pdf7b90d79c66893b2339ecb88b624ae5f2MD51123456789/40302024-04-01 09:00:07.619oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442024-04-01T12:00:07Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false
dc.title.pt_BR.fl_str_mv Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
title Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
spellingShingle Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
ABREU, Laís Gomes Barreto
CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA
Sistemas energéticos
Energias renováveis
Políticas públicas energéticas brasileiras
title_short Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
title_full Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
title_fullStr Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
title_full_unstemmed Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
title_sort Metodologia de previsão na intensificação de energias renováveis no ambiente de expectativa para uma transição energética confiável
author ABREU, Laís Gomes Barreto
author_facet ABREU, Laís Gomes Barreto
author_role author
dc.contributor.advisor1.fl_str_mv MAYA, Diego Maurício Yepes
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0457833115360417
dc.contributor.advisor-co1.fl_str_mv COBAS, Vladimir Rafael Melian
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/3077963106849610
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/7548820773666227
dc.contributor.author.fl_str_mv ABREU, Laís Gomes Barreto
contributor_str_mv MAYA, Diego Maurício Yepes
COBAS, Vladimir Rafael Melian
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA
topic CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA::ENGENHARIA DE ENERGIA
Sistemas energéticos
Energias renováveis
Políticas públicas energéticas brasileiras
dc.subject.por.fl_str_mv Sistemas energéticos
Energias renováveis
Políticas públicas energéticas brasileiras
description 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.
publishDate 2023
dc.date.issued.fl_str_mv 2023-12-21
dc.date.available.fl_str_mv 2024-04-01
2024-04-01T12:00:07Z
dc.date.accessioned.fl_str_mv 2024-04-01T12:00:07Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.unifei.edu.br/jspui/handle/123456789/4030
url https://repositorio.unifei.edu.br/jspui/handle/123456789/4030
dc.language.iso.fl_str_mv por
language por
dc.relation.references.pt_BR.fl_str_mv 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.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Itajubá
dc.publisher.program.fl_str_mv Programa de Pós-Graduação: Mestrado - Engenharia de Energia
dc.publisher.initials.fl_str_mv UNIFEI
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv IEM - Instituto de Engenharia Mecânica
publisher.none.fl_str_mv Universidade Federal de Itajubá
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFEI (RIUNIFEI)
instname:Universidade Federal de Itajubá (UNIFEI)
instacron:UNIFEI
instname_str Universidade Federal de Itajubá (UNIFEI)
instacron_str UNIFEI
institution UNIFEI
reponame_str Repositório Institucional da UNIFEI (RIUNIFEI)
collection Repositório Institucional da UNIFEI (RIUNIFEI)
bitstream.url.fl_str_mv https://repositorio.unifei.edu.br/jspui/bitstream/123456789/4030/2/license.txt
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/4030/1/Disserta%c3%a7%c3%a3o_2024047.pdf
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
7b90d79c66893b2339ecb88b624ae5f2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)
repository.mail.fl_str_mv repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br
_version_ 1801863238828163072