| Summary: | Foi proposta para esta dissertação, realizar uma abordagem, utilizando o Machine Learning, de forma a prever a energia consumida de cada uma das fases de uma instalação trifásica e poder alterar para a fase mais favorável, tendo em conta o seu consumo. Para isso, as amostras de dados são retiradas diretamente dos equipamentos de medição de consumo energético. Estas amostras contêm os valores históricos das fases da instalação trifásica, com intervalos de 15 minutos. Para prever a curto prazo, fundamental na operação dos equipamentos, foram implementados e avaliados diversos algoritmos de Machine Learning em Python 3, como, por exemplo, Artificial Neural Networks, Linear Regression, Facebook Prophet, Support Vector Machines, Random Forest e Decision Trees. Após a previsão de cada um dos modelos, compararam-se, então, as previsões entre si com medidas de erro como RMSE, R2 e MAPE, para determinar qual dos algoritmos é que apresenta melhor resultado. Foi criado um outro programa em Python 3 para a escolha da melhor fase, utilizando os algoritmos que apresentaram as melhores previsões.
|
|---|