Artificial Intelligence Applied to Energy Systems
[Brevemente]
Descrição da Oportunidade
A crescente penetração de fontes de energia renovável e a descentralização dos sistemas energéticos tornam a previsão de variáveis energéticas um elemento crítico para a operação eficiente de redes elétricas e mercados locais. A variabilidade e incerteza associadas à produção renovável (e.g., solar e eólica), bem como à procura e aos preços de eletricidade, exigem o desenvolvimento de modelos preditivos robustos capazes de suportar decisões operacionais e estratégicas. Neste contexto, o presente plano de trabalhos visa o desenvolvimento e a validação de modelos avançados de previsão, explorando abordagens baseadas em inteligência artificial, incluindo modelos generativos e técnicas de explainable AI, alinhadas com os objetivos do projeto. O bolseiro participará na integração destas previsões em ferramentas de apoio à decisão para mercados locais de eletricidade e sistemas energéticos distribuídos. As principais atividades incluem: - Revisão do estado da arte em previsão energética, incluindo métodos estatísticos, machine learning e deep learning. - Desenvolvimento de modelos de previsão para produção renovável, consumo e preços de eletricidade. - Implementação de modelos avançados (e.g., LSTM, Transformers, modelos generativos) para previsão de séries temporais. - Avaliação do desempenho dos modelos e análise de incerteza nas previsões. - Integração dos modelos de previsão em frameworks de otimização e gestão energética para mercados locais (LEM). - Aplicação de técnicas de Explainable AI (XAI) para interpretação dos modelos preditivos. - Elaboração de relatórios técnicos, artigos científicos e materiais de disseminação em colaboração com a equipa de investigação.
Habilitações Académicas
Mestrado em Engenharia Electrotécnica ou áreas afins;
Requisitos Mínimos
- Conhecimentos básicos de séries temporais e análise de dados;- Competências de programação em Python;- Noções fundamentais de machine learning;- Fluência em inglês (escrito e falado);
Fatores de Preferência
- Experiência em forecasting de séries temporais energéticas (produção renovável, consumo, preços); - Conhecimentos em machine learning e deep learning aplicados a problemas energéticos; - Experiência em programação em Python e utilização de bibliotecas como Pandas, Scikit-learn, TensorFlow ou PyTorch; - Familiaridade com modelos de previsão avançados (e.g., LSTM, Transformers, modelos probabilísticos); - Conhecimentos em mercados de eletricidade e sistemas de energia; - Experiência em análise de dados e visualização de resultados; - Capacidade de desenvolvimento de modelos integrados com otimização e gestão energética;
Período de candidatura
Desde 01 May 2026 a 15 May 2026
[Brevemente]
Centro
Sistemas de Energia