Methodologies to forecast energy demand with limited data points

Prever com precisão a procura elétrica agregada é crucial para minimizar desvios no sistema elétrico, especialmente em mercados onde a integração de fontes renováveis e a variabilidade na procura introduzem desafios adicionais. Esta tese pretende investigar metodologias avançadas para a previsão da procura elétrica agregada, combinando técnicas de Machine Learning, modelação estatística e análise de séries temporais. Serão explorados modelos que integram variáveis tais como condições climáticas, padrões socioeconómicos e comportamentais, com foco na capacidade de antecipar flutuações e adaptar previsões em tempo real. O estudo deverá abordar a aplicação prática de tais previsões para mitigar desvios, otimizando processos de bidding e alocação de recursos. A tese visa desenvolver soluções robustas que auxiliem agentes de mercado, reduzindo custos associados a penalizações.