ANÁLISE COMPARATIVA DE TÉCNICAS DE REGRESSÃO PARA PREVISÃO DO CONSUMO ENERGÉTICO USANDO DADOS HISTÓRICOS

Resumo

Este trabalho compara técnicas de regressão para prever o consumo elétrico de um sistema
HVAC industrial a partir de dados históricos operacionais, visando apoiar a gestão energética com
ganhos de eficiência e redução de custos. Adotou-se um protocolo reprodutível: ordenação temporal,
atenuação de outliers por capping (P5–P95), imputação por mediana e padronização apenas para a
Regressão Linear. A avaliação foi temporal (TimeSeriesSplit, k=5) com ajuste de hiperparâmetros por
busca aleatória. Três modelos foram analisados: Regressão Linear, Random Forest e XGBoost. Os
resultados médios indicaram superioridade dos modelos de árvore: Random Forest apresentou
MAE=4,89 kWh, RMSE=7,06 kWh e R²=0,911; XGBoost obteve MAE=4,95 kWh, RMSE=7,55 kWh
e R²=0,913; a Regressão Linear ficou atrás (MAE=10,28 kWh; RMSE=12,95 kWh; R²=0,738).
Conclui-se que Random Forest e XGBoost são mais adequados para o problema, com erros médios
próximos de 5 kWh e aderência consistente, enquanto a Regressão Linear subestima picos. Os achados
sustentam o uso de modelos de árvore como ferramentas de apoio à decisão em gestão energética
industrial.