Classificação Socioeconômica e o Consumo de Energia Residencial

Neste trabalho foi feito uma análise comparativa de métodos de classificação no consumo de energia elétrica do setor residencial brasileiro. Setor que é de suma importância para o planejamento energético nacional, porém para atingir um planejamento mais equitativo devemos levar em consideração não apenas o consumo de energia mas também as condições socioeconômicas da região. Por isso, para atingir este objetivo, foram análisados dados quantitativos sobre a utilização de eletrodomésticos, pois possuem caracteristicas tanto do consumo de energia quanto de condição socioeconomica da residencia. Neste trabalho, foram utilizados três métodos de aprendizado de máquina supervisionado para classificar as residências nas seis classes sociais disponibilizadas pelos dados da PPH-2019 (Pesquisa de Posse e Hábitos de Uso de Equipamentos Elétricos na Classe Residencial 2019) do PROCEL (Programa Nacional de Conservação de Energia Elétrica) a partir de informações sobre a quantidade de eletrodomésticos nas residências do Estado do Rio de Janeiro. Foram utilizados os modelos de classificação por Redes Neurais, por Máquinas de Vetor de Suporte e por Árvore de Decisão. Em um primeiro momento, os três métodos foram aplicados aos dados que a própria pesquisa (PPH-2019) utiliza para classificar as classes sociais, sendo uma base de dados com 16 variáveis que incluem além de quantidades de alguns eletrodomésticos, informações sociais como pavimentação da rua da residência e grau de instrução do responsável pela mesma. Em um segundo momento, os métodos foram aplicados nos dados referentes apenas à quantidade de eletrodomésticos em cada residência do estudo, a base de dados nesse caso possui 62 variáveis. Os resultados mostraram que na primeira etapa o método de redes neurais forneceu um melhor desempenho na classificação, chegando a 87% de precisão, seguido da Máquina de Vetor de Suporte com 84% de precisão e 66% de precisão com a Árvore de decisão. Na segunda etapa, os três métodos não atingiram resultados satisfatórios para classificar as seis classes sociais apresentadas pela pesquisa, chegando a cerca de 50% de precisão nos três métodos.  Mas ao dividir as classes em três categorias, obtivemos resultados mais relevantes com a arvore de decisão chegando a 80% de precisão enquanto que os métodos de redes neurais e máquinas de vetor de suporte atingiram em torno de 70% de precisão. Portanto,  podemos concluir que os métodos utilizados neste trabalho apresentaram resultados satisfatórios para classificação das classes sociais das residências com base na quantidade de eletrodomésticos e informações sociais, com o método de redes neurais apresentando melhor resultado quando incluídos informações sociais e o modelo de árvores apresentando melhor resultado quando classificado apenas com informações sobre a quantidade de eletrodomésticos.