ENERG Credit Estimator / Estimador de Créditos ENERG

PT-BR | Modelo ilustrativo que mapeia kWh (+ fator regional) → créditos de energia, unidades de carbono, créditos de IA e tokens ENERG estimados.

EN | Illustrative model mapping kWh (+ region factor) → energy credits, carbon units, AI credits, and estimated ENERG tokens.

⚠️ Dados sintéticos / Synthetic data. Treinado com self-play contra um prior físico/econômico simples. Não usa medições reais de rede nem trades de mercado. Rótulos e saídas são ilustrativos até existirem dados de medidores/contratos.

Features / Entradas

Feature	Description
`kwh`	Solar (or renewable) kilowatt-hours
`region_factor`	Illustrative BR region multiplier (N/NE/CO/SE/S/GEN)
`log1p_kwh`	`log(1 + kwh)` for scale stability

Outputs / Saídas (ilustrativas)

Target	Meaning
`energy_credits`	Créditos de energia
`carbon_units`	Unidades de carbono (proxy ilustrativo)
`ai_credits`	Créditos de IA (usuários + treino)
`energ_tokens`	ENERG estimado (não é oferta pública de valores mobiliários)

Self-learning / Autoaprendizado

O estimador mantém um buffer de amostras e re-treina Ridge periodicamente:

Simulações do usuário e ciclos de self-play geram linhas em intsoft/app-energia-feedback.
Cada ciclo (self_play_cycle) gera N cenários sintéticos de kWh, prevê, compara com o prior físico/econômico, anexa ao buffer e retreina.
Relatório: MAE antes/depois + drift médio dos coeficientes.

Enquanto não houver medidores/contratos reais, o aprendizado é auto-supervisionado sintético.

Usage

import joblib
from huggingface_hub import hf_hub_download

path = hf_hub_download("intsoft/energ-credit-estimator", "model.joblib")
art = joblib.load(path)
est = art["estimator"]
print(est.predict_dict(1000, "BR-NE"))  # illustrative
report, logs = est.self_play_cycle(n=50, seed=1)
print(report["mae_before"], "->", report["mae_after"])

Or load coefficients.json for environments without sklearn.

Tokenomics context (App Energia)

Token ENERG finances the app (solar kWh → AI validation → energy + carbon + GPU energy → marketplace). Allocation sketch: Tesouro 30%, geração 25%, carbono+GPU 15%, liquidez 15%, equipe 10%, comunidade 5%.

Disclaimer: not a public securities offering; CVM/ANEEL review needed. No promised returns or airdrop urgency.

Files

model.joblib — trained EnergCreditEstimator + metadata
coefficients.json — portable weights for Static Space / JS
learning_history.json — self-play cycle reports
energ_credit_estimator/ — Python package source

Linked Space

https://huggingface.co/spaces/intsoft/app-energia

Contato / Site

🌐 Site MVP: https://app-energia.ciencia.workers.dev
✉️ Contato: contato@comenta.com.br

Loop de self-play

Cada ciclo gera N cenários sintéticos de kWh/região, compara predições com um prior físico/econômico, retreina o Ridge multi-saída com o buffer acumulado e registra MAE antes/depois e drift dos coeficientes em learning_history.json (5 ciclos registrados). Dados reais de medidores/trades substituirão o sintético quando disponíveis.

Downloads last month: -

intsoft
/

energ-credit-estimator