Machine learning

Statistics is an evolving field. The past 20 years have shown how this discipline changed. While new statistical models have appeared, computers became faster and cheaper, allowing professionals to apply these new methods with little trouble. Moreover, more data are generated, collected, and made accessible. Therefore, everyone with Internet access can download new data and analyze it independently. While traditional concepts such as inference, aggregation, likelihood, and experimental design are still valid, there are real-world problems that cannot be addressed in the same fashion as before.

Neste trabalho, propõe-se um modelo baseado em XGBoost para a previsão da geração de energia elétrica em parques eólicos. O desenvolvimento e a validação do modelo proposto foram realizados através da participação de um dos autores numa competição internacional de Ciência de Dados, que é promovida pela Compagnie Nationale du Rhône, uma empresa francesa que atua no segmento de produção de energia elétrica. A partir de comparações de desempenho realizadas no final da competição com outros métodos concorrentes, foi possível verificar que o modelo proposto previu com boa precisão a dinâmica da produção de energia elétrica gerada em seis parques eólicos, de localização anônima, durante um período de aproximadamente oito meses. Além disso, o modelo proposto tem baixa complexidade. Portanto, possui uma boa relação de custo-benefício, o que favorece seu emprego em condições reais, geralmente menos desafiadoras do que aquelas enfrentadas na competição de Ciência de Dados.