Plano de análise comparativa de técnicas de regressão para otimização do consumo energético industrial

Resumo

O trabalho intitulado “Plano de Análise Comparativa de Técnicas de Regressão para Otimização do Consumo Energético Industrial” tem como motivação a crescente necessidade de reduzir custos operacionais e emissões de carbono no setor industrial, utilizando dados históricos de consumo energético e técnicas de modelagem preditiva para apoiar decisões de gestão. O objetivo principal é comparar o desempenho de modelos de regressão — Random Forest, XGBoost e Redes Neurais LSTM — na predição do consumo energético em processos industriais de grande escala, avaliando precisão (R²) e erros (RMSE, MAE) para identificar a técnica mais eficaz. Adotando uma abordagem quantitativa, a metodologia combina estudo de caso em indústrias brasileiras, pesquisa experimental controlada e survey junto a empresas que já dispõem de sistemas de monitoramento de energia. A coleta de dados será feita diretamente dos bancos de dados de medidores inteligentes, processada em Python (Pandas, Scikit-learn) e submetida a validação cruzada para garantir confiabilidade. Espera-se gerar diretrizes práticas para implementação de modelos preditivos em indústrias, criar um repositório de scripts e fomentar práticas mais sustentáveis, democratizando o uso de ferramentas analíticas, especialmente em médias e pequenas empresas. As limitações relacionadas ao acesso às bases de dados serão mitigadas por parcerias com provedores de monitoramento e uso de dados simulados quando necessário, assegurando robustez e replicabilidade ao estudo.