Este projeto propõe a criação e implementação de um modelo preditivo robusto para prever o consumo de energia na fábrica da FCA Fiat Chrysler Automóveis em Betim, Brasil, utilizando práticas de MLOps (Machine Learning Operations) para garantir a eficiência, escalabilidade e manutenção contínua do modelo.
O modelo, alimentado por algoritmos de aprendizado de máquina, prevê o consumo de energia para as próximas 24 horas, permitindo ajustes operacionais proativos para reduzir custos com energia.
- Colunas: Data, Consumo em MWh, Temperatura média
Exemplo do dataset final:
data | hora | consumo | temp |
---|---|---|---|
2023-07-01 | 0 | 0.158728 | 17.1 |
2023-07-01 | 1 | 0.000000 | 15.1 |
2023-07-01 | 2 | 0.041606 | 14.3 |
2023-07-01 | 3 | 0.099226 | 16.5 |
2023-07-01 | 4 | 0.404816 | 17.7 |
A Câmara de Comercialização de Energia Elétrica (CCEE) que fornece um relatório mensal com os dados de consumo em base horária para milhares de empresas de todos Brasil. A frequência de atualização da base horária de consumo tem um delay de até 4 meses. Para uma aplicação real é necessário que a empresa utilize medidores de energia inteligentes para a coleta de dados.
- Fonte: CCEE
- Período: 2021/03 - 2023/08
- Frequência: Horária
- Formato: CSVs Diário (~7GB cada)
- Processamento: Local, usando Python e SQL
O arquivo é disponibilizado no formato .csv para cada mês, com um tamanho de em torno de 7GB. Vamos utilizar python para extrair os arquivos e SQL para extrair as tabelas de interesse.
Coletamos dados de temperatura do Banco de Dados Meteorológicos do INMET baseado na estação mais próxima da região em que a empresa se localiza. Para uma aplicação em tempo real o ideal é utilizar uma API que forneça dados correntes e históricos de temperatura prevista, pois os valores correntes não estarão disponíveis no momento de treino do modelo.
- Fonte: INMET
- Faça um fork do repositório.
- Faça suas alterações.
- Envie um PR.