Título: Detecção de Deriva de Modelo e Anomalias no Consumo de Energia Elétrica para Apoio à Tomada de Decisão
Autores: Rodrigo Mattos Scavassin, Leandro Augusto da Silva
Resumo: As Cidades Inteligentes demandam sistemas avançados de monitoramento e eficiência energética, especialmente no consumo de energia elétrica. Nesse contexto, a adaptação de algoritmos de Inteligência Artificial para análise contínua de dados (streaming), em que decisões rápidas são necessárias, pode evitar desperdícios e falhas operacionais. Este artigo propõe uma abordagem baseada em ciência de dados para monitoramento inteligente do consumo de energia elétrica, com foco na detecção de deriva de modelo usado para predição de consumo. O caso em que o estudo foi aplicado se trata de uma base histórica de dez anos de consumo de uma Universidade. Avaliou-se na proposta o uso de Árvore de Decisão para previsão de consumo, com o desempenho medido pelo RMSE. A detecção de anomalias e deriva foi realizada a partir do erro preditivo com o método ADWIN (Adaptative Windowing). O modelo foi retreinado automaticamente com os dados do último ano apenas quando múltiplas detecções de deriva ocorriam em curto intervalo de tempo, evitando reações excessivas a variações normais. Os resultados demonstraram que a aplicação de retreinamento após detecção de deriva melhorou em 56% em relação ao modelo sem retreinamento enquanto a estratégia de desconsiderar anomalias apresentou uma melhoria de 50% sendo que o número de retreinamentos foi 88% menor. Também foi possível verificar que não houve melhora visível ao segmentar os dados por mês e por dia da semana.
Palavras-chave: machine learning; energy consumption; concept drift; drift detectors.
Páginas: 9
Código DOI: 10.21528/CBIC2025-1175393
Artigo em PDF: CBIC_2025_paper1175393.pdf
Arquivo BibTeX:
CBIC_2025_1175393.bib