Previsão do consumo de energia em Moçambique: Uma análise comparativa de modelos avançados de aprendizagem de máquina de 2025 a 2045
DOI:
https://doi.org/10.33448/rsd-v13i9.46830Palavras-chave:
Consumo de energia; Previsão; Modelos de aprendizado de máquina; Desenvolvimento sustentável.Resumo
Esta pesquisa visa fornecer uma base robusta para o desenvolvimento da infraestrutura energética futura e os esforços de sustentabilidade em Moçambique. Prever com precisão o consumo de energia é crucial para o planejamento estratégico e o desenvolvimento sustentável da infraestrutura energética, particularmente em economias emergentes como Moçambique. Este estudo emprega modelos avançados de aprendizado de máquina—XGBoost, Redes Neurais, Regressão de Gradiente Boosting, Elastic Net e Random Forest—para prever o consumo de energia de Moçambique de 2025 a 2045. Comparando a precisão preditiva desses modelos usando métricas de erro como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE), a pesquisa identifica as ferramentas mais eficazes para o planejamento energético futuro. Os resultados destacam a superioridade do modelo Random Forest, que consistentemente alcançou as menores taxas de erro, sugerindo-o como o modelo mais confiável para capturar as complexidades da demanda de energia em Moçambique. Em contraste, modelos como o XGBoost demonstraram taxas de erro mais altas, indicando possíveis limitações em sua aplicação a este conjunto de dados. As descobertas deste estudo fornecem insights valiosos para formuladores de políticas e partes interessadas da indústria, contribuindo para o desenvolvimento de previsões de energia mais precisas e confiáveis, essenciais para garantir o crescimento sustentável do setor energético de Moçambique.
Referências
African Development Bank. (2010). Mozambique Economic Outlook. African Development Bank Group.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
Chichango, F., & Cristóvão, L. (2021). Mozambique solar thermal energy technologies: Current status and future trends. Journal of Energy Technologies and Policy, 11(5), 1-15. https://doi.org/10.7176/JETP/11-5-02.
Desislavov, R., Martínez-Plumed, F., & Hernández-Orallo, J. (2023). Trends in AI inference energy consumption: Beyond the performance-vs-parameter laws of deep learning. Sustainable Computing: Informatics and Systems, 38, 100857. https://doi.org/10.1016/j.suscom.2023.100857.
Draper, N. R., & Smith, H. (1998). Applied Regression Analysis (3rd ed.). Wiley-Interscience.
Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support Vector Regression Machines. Advances in Neural Information Processing Systems, 9, 155-161.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of Statistics, 29(5), 1189-1232.
Geeksforgeeks (2024). Difference Between an Embedding Layer and a Dense Layer. Retrieved from https://www.geeksforgeeks.org/difference-between-an-embedding-layer-and-a-dense-layer/.
Goodfellow, I., Bengio, Y., & Courville, A. (2016) Deep Learning. MIT Press.
Hanlon, J. (2016). The Mozambique Debt Scandal: How it Happened and Why It Matters. LSE Blogs. Retrieved from LSE Blogs.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer Series in Statistics.
International Energy Agency. (2022). World Energy Outlook 2022. Retrieved from https://www.iea.org/reports/world-energy-outlook-2022.
International Energy Agency. (2023). Mozambique Energy Outlook: Post-Pandemic Recovery. IEA.
International Monetary Fund. (2015). Mozambique: Selected Issues. IMF Country Report 15/275.
International Monetary Fund. (2022). Mozambique: Article IV Consultation-Press Release and Staff Report. IMF.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer.
Koche, J. C. (2011). Fundamentos de metodologia científica. Petrópolis: Vozes
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Liu, D. C., & Nocedal, J. (1989). On the limited memory BFGS method for large scale optimization. Mathematical Programming, 45(1-3), 503-528.
MacKay, D. J. C. (1992). Bayesian interpolation. Neural Computation, 4(3), 415-447.
Mhlanga, D. (2023). Artificial Intelligence and Machine Learning for Energy Consumption and Production in Emerging Markets. Retrieved from https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4319461.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.
Nhambiu, J., & Chichango, F. (2024). Prognóstico do impacto ambiental das emissões veiculares em Moçambique: Uma análise quantitativa do uso de combustíveis fósseis e a crescente importação de veículos já usados. Research, Society and Development, 13(7), e8013746368. https://doi.org/10.33448/rsd-v13i7.46368
Nhambiu, J., & Chichango, F. (2024a). Comprehensive Analysis of the Energy Transition in Mozambique: Opportunities and Challenges for Achieving the Established Global Goals. Journal of Energy Technologies and Policy.14(2) 45-65. https://doi.org/10.7176/JETP/14-2-04.
Pereira A. S. et al. (2018). Metodologia da pesquisa científica. [free e-book]. Santa Maria/RS. Ed. UAB/NTE/UFSM.
Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31.
Schölkopf, B., & Smola, A. J. (2002). Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.
Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199-222.
Transparency International. (2017). The Cost of Corruption in Mozambique. Transparency International.
United Nations Development Programme. (2015). Human Development Report 2015: Mozambique. UNDP.
United Nations Development Programme. (2022). Inequality and Poverty in Mozambique: A Human Development Perspective. UNDP.
Vapnik, V. N. (1995). The Nature of Statistical Learning Theory. Springer-Verlag.
Vapnik, V. N. (1998). Statistical Learning Theory. Wiley.
World Bank. (2010). Mozambique Economic Update: Sustaining Growth and Reducing Poverty. World Bank Group.
World Bank. (2019). Mozambique Economic Update: Recovery and Resilience. World Bank Group.
World Bank. (2020). The Impact of COVID-19 on Mozambique’s Economy. World Bank Group.
Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320. https://doi.org/10.1111/j.1467-9868.2005.00503.x.
Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Jorge Nhambiu; Fernando Chichango
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
