A busca pela sustentabilidade vem crescendo cada vez mais no contexto atual de mudanças climáticas, com o uso de materiais poluentes e não degradáveis por grandes indústrias, o que afeta o ecossistema global. Nesse sentido, estudar sistemas renováveis, como as energias solares, hidroelétricas, entre outros, é de suma importância, visando compreender seus componentes e potencial para aplicação em larga escala, substituindo gradativamente as fontes não renováveis. [1,2]
Nesse sentido, combinar técnicas de ML com o Aprendizado Profundo (Deep Learning, ou DL) é uma estratégia interessante para estudar os sistemas de energia, sendo possível fazer previsões para os parâmetros desses sistemas e otimizá-los. Um exemplo de DL são as redes neurais, como a Multi Layer Perceptron (MLP), cuja arquitetura varia para cada parâmetro considerado. [3] Logo, o objetivo deste projeto é identificar e otimizar os hiperparâmetros de uma rede neural do tipo MLP para resolver um problema de regressão de interesse científico.
Buscamos prever dois targets, Storage_Efficiency_Percentage e GHC_Emission_Reduction_tCO2e, sendo o primeiro a eficiência de armazenamento de energia em porcentagem e o segundo a redução das emissões de gases do efeito estufa (em tCO2e).
energy_dataset_.csv: Dataset usado no trabalho.
Introdução.ipynb: Neste notebook, estão todos os códigos necessários para rodar o modelo, seu treinamento e o cálculo das métricas.
Otimização_hiperparâmetros_RN.ipynb: Neste notebook, estão todos os códigos necessários para a otimização dos hiperparâmetros pelo Optuna e o teste do melhor modelo retornado.
hiperparâmetros_RN.db: Dados da ominização do Optuna
Rede Neural Perceptron Multicamadas: É uma rede neural com uma ou mais camadas ocultas com números indeterminados de neurônios em cada camada oculta.
Optuna: É um otimizador automático de hiperparâmetros.
Você pode acessar o código pelo github ou, preferencialmente, baixá-lo.
Depois de baixar o projeto você deve abrí-lo no Jupyter Notebook/VS code
Python, Jupyter Notebook, VS Code, Math, Scikit Learn, Numpy, Pandas , Torch, Optuna
- Programa das Nações Unidas para o Desenvolvimento. (2024, 25 de abril). What is the sustainable energy transition and why is it key to tackling climate change? Climate Promise.
- Organização das Nações Unidas. (s.d.). Renewable energy – Powering a safer future.
- Alharbi, A. H., Khafaga, D. S., Zaki, A. M., M., S., Ibrahim, A., Abdelhamid, A. A., Eid, M. M., Khodadadi, N., Abualigah, L., & Saeed, M. A. (2024). Forecasting of energy efficiency in buildings using multilayer perceptron regressor with waterwheel plant algorithm hyperparameter. Frontiers in Energy Research, 12, 1393794.
Autores 
