
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Oliveira, Kleber Rocha de | - |
| Autor(es): dc.creator | Calandrin, Christian | - |
| Autor(es): dc.creator | Bianchi, Pedro Mark | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T22:58:41Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T22:58:41Z | - |
| Data de envio: dc.date.issued | 2023-12-03 | - |
| Data de envio: dc.date.issued | 2023-12-03 | - |
| Data de envio: dc.date.issued | 2023-11-12 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/251658 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/251658 | - |
| Descrição: dc.description | Por ser um grande consumidor de energia elétrica, o Brasil sempre visa a maior diversificação da matriz energética nacional, a fim de não ser dependente apenas de uma só fonte. Diante disso, desenvolver métodos cada vez mais eficazes para prever o consumo elétrico do país ou região é fundamental para ajudar as agências governamentais, geradoras e concessionárias do setor elétrico a criar um planejamento mais eficiente dos custos de geração de eletricidade para atender às demandas imediatas, além de ser de grande importância para estabelecer um horizonte de consumo mais confiável para seus consumidores. Diante deste panorama, o projeto visa a implementação de um modelo de machine learning (ML) que possa prever o consumo de energia elétrica futuro de uma determinada região, neste caso a região Nordeste. Baseando-se em bases de dados acessíveis de anos anteriores da Operador Nacional do Sistema Elétrico (ONS) e do Instituto Nacional de Meteorologia (INMET), pode-se desenvolver este modelo de aprendizagem de máquina preditiva, visando ter uma estimativa do consumo futuro na região. De acordo com os resultados, foi possível construir um modelo de gradient boosting que resultou em predições precisas, com MAPE de 2,23% no ano de 2022. | - |
| Descrição: dc.description | As a major consumer of electrical energy, Brazil always aims for greater diversification of the national energy matrix, in order not to be dependent on a single source. Therefore, developing increasingly effective methods to predict the country's or region's electrical consumption is crucial to assist governmental agencies, power generators, and electric sector concessionaires in creating a more efficient plan for electricity generation costs to meet immediate demands. Additionally, it is of great importance to establish a more reliable consumption forecast for consumers. In this context, the project aims to implement a machine learning model capable of predicting the future electricity consumption of a specific region, in this case, the Northeast region. By relying on accessible databases from previous years provided by the Operador Nacional do Sistema Elétrico (ONS) and the Instituto Nacional de Meteorologia (INMET), this predictive machine learning model can be developed to estimate future consumption in the region. According to the results, it was possible to build a gradient boosting model that yielded accurate predictions, with a MAPE of 2.23% in the year 2022. | - |
| Descrição: dc.description | Não recebi financiamento | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
| Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
| Palavras-chave: dc.subject | Análise Preditiva | - |
| Palavras-chave: dc.subject | Consumo de Energia Elétrica | - |
| Palavras-chave: dc.subject | Machine Learning | - |
| Palavras-chave: dc.subject | Electricity Consumption Forecast | - |
| Palavras-chave: dc.subject | Predictive Analysis | - |
| Título: dc.title | Implementação de um modelo de aprendizado de máquina aplicado para previsão do consumo de energia elétrica na região Nordeste do Brasil | - |
| Título: dc.title | Implementation of a learning model machine applied for forecasting the consumption of electric power in the Northeast region of Brazil | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: