GT01 - Forecasting Solar Power Output Using Deep Learning
Develop and compare models like LSTM or CNN to predict short-term (hourly) solar PV generation.

Gabriel Alves Ribeiro <gar@poli.br>,
Luan Lima da Silva <lls4@poli.br>,

PROVA-1 = Nota 10,0

PROVA-2 = Nota 8,0

Minha sugestão foi eles simplificarem e começarem a escrever.​

​

GT02 - Wind Power Generation Forecasting with Machine Learning
Apply random forests or gradient boosting to improve short-term (hourly) wind energy forecasts.

JOSE ALVES CABRAL JUNIOR <jacj@poli.br>,
GABRIEL HENRIQUE LINS RAMOS <ghlr@poli.br>,

PROVA-1 = Nota 10,0

PROVA-2 = Nota 9,0

Foram pegar dados da geração eólica na Finlandia com intervalo de 15 em 15 minutos. Já usaram o Random Forest Regression. Não apresentaram nada escrito. Minha sugestão foi eles pararem com as simulação, porque os resultados para um artigo da graduação já estão bons, e começarem a escrever.

​​

GT03 - Optimizing BESS Dispatch in Microgrids Using Reinforcement Learning
Model a grid environment where an RL agent learns to schedule charging/discharging for cost minimization.

​

GT04 - Optimization of Energy Cost for a Hybrid Generation Systems (PV + Wind + BESS) plus Consumer
Use supervised learning to predict future demand and optimize local energy generation planning.

KAYLANE GEORGINA SILVA DE ABREU <kgsda@poli.br>,

ALBERES CESAR GUEDES DE AMORIM <acga1@poli.br>, (PROVA-1 = Nota 7,0; PROVA-2 = Nota 8,5)

CARLOS GABRIEL MONTEIRO DIAS <cgmd@poli.br>, (PROVA-1 = Nota 6,0; PROVA-2 = Nota 8,5)​​

obs: a aluna Kaylane não compareceu na PROVA-1. E não comparaceu na 2a Chamada.​

Alberes e Carlos estão seguindo um caminho bom. Estão usando o Gemini+COLAB. Só tem uma armadilha nesse caminho. Eles não conseguem entender como o chatGPT está resolvendo o problema. Qual é a técnica que está sendo utilizada no código do Python que o Gemini gerou. Eles tem que partir para escrever o artigo. Mas o que eles apresentaram na Prova-2 foi muito bom. Eles entenderam o problema e estão no caminho certo.

​​

GT05 - Energy Storage Sizing for Renewable Plants Using AI-Based Optimization
Use genetic algorithms or neural nets to optimize BESS size and cost for hybrid renewable plants.

MARCOS CARNEIRO FERREIRA NETO <mcfn@poli.br>,​

PROVA-1 = Nota 5,0

PROVA-2 = Nota 7,0

Na Prova-2 o Marcos andou mais um pouco com o entendimento do Problema. Mas ainda não dominou completamente entendimento do Problema. Minha sugestão foi ele escrever o problema para uma criança de 15 anos entender.​

​

GT06 - BESS Life Cycle Cost Estimation Using Supervised Learning
Develop a model to forecast the total cost of ownership for BESS under different operational profiles.

​

GT07 - Short-Term Price Forecasting in Electricity Markets Using Machine Learning
Compare ARIMA, XGBoost, and LSTM for forecasting day-ahead market prices.

GABRIEL ROGER DE LIRA LIMA <grll@poli.br>,

PROVA-1 = Nota 6,0

PROVA-2 = FALTOU

​​​

GT08 - Electricity Arbitrage Strategy Using AI in BESS-Operated Systems
Use AI to decide when to buy/store or sell electricity for profit from a BESS-equipped asset.

ADRIEL FELIPE DE LIMA <afl2@poli.br>,

MARIA CLARA BARBOZA CAVALCANTI <mcbc@poli.br>,

PROVA-1 = Nota 10,0

PROVA-2 = Nota 10,0

Maria Clara e Adriel estão querendo, pelo que eu entendi, fazer uma análise estocástica com o PLDhorário e colocar uma regra fixa de operação do BESS para calcular um resultado financeiro de compra e venda de energia, Lembrar que eles estão simulando uma usina de fotovoltaica fictícia de 12 MWp junto com um BESS de 3 MW / 6 MWh. Gostei dessa frase aqui e dessa Referência: Observa-se na literatura uma tendência crescente em direção a metodologias orientadas por dados (data-driven), capazes de capturar dinâmicas complexas e não lineares sem depender exclusivamente de modelos físicos ou estaísticos parametrizados [3]. [3] - EPRI White Paper,  "Artificial Intelligence for Energy Storage Operation: Energy Arbitrage", 2023, https://www.epri.com/research/sectors/technology/results/3002023924.

​

GT09 - Customer Load Profile Clustering for Retail Tariff Design
Use unsupervised learning (e.g., K-means) to identify consumer types and propose tailored tariffs.

JULIANNA MARIA DOS REIS MURTA DA SILVA <jmdrms@poli.br>,

JOAO VICTOR EMANUEL DE MELO NOGUEIRA <jvemn@poli.br>,

PROVA-1 = Nota 7,0

PROVA-2 = Nota 8,0

Na Prova-2 eles estão seguindo um caminho bom. Um caminho mais simples. Lembrar que esse artigo é somente para uma Disciplina da Graduação. Não apresentaram nenhuma parte do texto do artigo escrito. Minha sugestão foi eles ficarem somente com 4 Clusters. E partir para escrever o artigo.​

​

GT10 - Reinforcement Learning for BESS Participation in Frequency Regulation Markets
Train agents to maximize revenue by providing ancillary services.

​

GT11 - Real-Time Bidding Strategy for Virtual Power Plants Using Deep RL
Simulate a VPP with multiple assets and use Deep Q-Learning to develop competitive bidding policies.

LUIS GUSTAVO GERMANO MATOS <lggm@poli.br>,

2a Chamda da PROVA-1 = 5,0

PROVA-2 = 7,0

Ele andou no entendimento do problema. Mas ainda está longe de concluir esse entendimento. Minha sugestão foi ele concluir esse entendimento e começar e escrever para deixar tudo bem claro sobre qual é o problema que ele está tentando resolver. Depois ele ainda tem que correr atrás de fazer os cálculos para resolver o problema. Ele ainda tem um longo caminho pela frente. 

​​​

GT12 - Personalized Plans to Sell Energy for Retail Clients Using AI
Train individualized consumption models using historical smart meter data.

MILLANY DA SILVA COUTINHO <msc7@poli.br>,
CAIO JOSUEL DE LIMA <cjl@poli.br>,

PROVA-1 = 6,0 Profissional Externo = SIM

PROVA-2 = 7,0 Profissional Externo = SIM​

Não precisam mais trazer o Profissional Externo para as próximas prova da Disciplina. Eles já terão direito os 25% de adicional na Nota Final.

Na Prova-2 eles estão seguindo um caminho muito complexo e elaborado com o DeepSeek. Isso não é um trabalho para o Mestrado. Sugeri eles simplificarem o trabalho. Esse artigo é somente para uma Disciplina da Graduação. Lembrar que o código deles não rodou. E, por ser muito complexo, eles não entendiam o que estava sendo calculado. Esse foi um problema da maioria dos GT's. Eles não conseguiam defender completamente e com propriedade o que a IA fez. Alguns poucos GT's conseguiram. Não apresentaram nenhuma parte do texto do artigo escrito.