Comparação de Modelos Computacionais Diversos para Predição de Consumo Energético Industrial em Cenários Restritivos

A previsão acurada do consumo energético industrial é determinante em ambientes sujeitos a restrições tarifárias severas no horário de ponta. Este trabalho compara quatro famílias de métodos preditivos — Regressão Linear, SARIMAX, XGBoost e Filtro de Kalman — aplicadas a uma série temporal de demanda do sistema elétrico peruano (COES, intervalos de 15 minutos), conduzidos em infraestrutura de nuvem com rastreabilidade segundo os princípios de MLOps. No intervalo crítico de 17h às 23h, o Filtro de Kalman com variáveis exógenas em modo online obteve o melhor desempenho (MAPE = 0,55%; Theil U₂ = 0,806), sendo o único modelo a superar a previsão ingênua de persistência. O XGBoost com exógenas destacou-se no planejamento antecipado (MAPE = 1,00%). Os resultados evidenciam que a distinção entre os modos online e em lote é metodologicamente relevante e impacta diretamente as conclusões sobre o desempenho de cada abordagem.