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 | Lusquino Filho, Leopoldo André Dutra | - |
Autor(es): dc.creator | Marciano, Gabriel Moraes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:25:01Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:25:01Z | - |
Data de envio: dc.date.issued | 2024-05-06 | - |
Data de envio: dc.date.issued | 2024-05-06 | - |
Data de envio: dc.date.issued | 2024-03-08 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/255478 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/255478 | - |
Descrição: dc.description | O presente trabalho propõe um estudo abrangente que investiga a eficácia do uso de redes neurais especializadas em análise de séries temporais, em particular a arquitetura LSTM (Long Short-Term Memory), para a predição de consumo energético em uma região específica. A predição precisa do consumo de energia é de suma importância em diversos setores, desde o planejamento de recursos até a otimização da distribuição e alocação de energia, fatores estes que tornam-se cada vez mais importantes no cenário global de mudanças climáticas. Foram realizados diversos experimentos em cenários distintos, a fim de avaliar a robustez da LSTM em comparação com métodos autorregressivos tradicionais, em relação tanto ao erro, quanto à similaridade entre as séries temporais previstas e a série temporal. A realização deste processo buscou fornecer reflexões valiosas sobre a viabilidade e eficácia do uso de redes neurais na predição de consumo energético. Os resultados obtidos demonstram que em cenários caracterizados por comportamentos não-lineares, as redes neurais possuem notável vantagem. Essas descobertas podem contribuir tanto para o avanço da pesquisa nessa área, quanto para informar decisões práticas relacionadas ao planejamento e gestão de recursos energéticos em nível regional. | - |
Descrição: dc.description | This paper proposes a comprehensive study investigating the effectiveness of using specialized neural networks in time series analysis, particularly the LSTM (Long Short-Term Memory) architecture, for predicting energy consumption in a specific region. Accurate prediction of energy consumption is of paramount importance in various sectors, from resource planning to optimizing energy distribution and allocation, factors that are becoming increasingly crucial in the global scenario of climate change. Several experiments were conducted in different scenarios to assess the robustness of LSTM compared to traditional autoregressive methods, in terms of both error and similarity between the predicted time series and the actual time series. The purpose of this process was to provide valuable insights into the feasibility and effectiveness of using neural networks in energy consumption prediction. The results demonstrate that in scenarios characterized by nonlinear behaviors, neural networks have a notable advantage. These findings can contribute both to advancing research in this area and to informing practical decisions related to regional-level energy resource planning and management. | - |
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 | Séries temporais | - |
Palavras-chave: dc.subject | LSTM | - |
Palavras-chave: dc.subject | Consumo energético | - |
Palavras-chave: dc.subject | Modelo preditivo | - |
Palavras-chave: dc.subject | Redes neurais recorrentes | - |
Palavras-chave: dc.subject | Time series | - |
Palavras-chave: dc.subject | Energy consumption | - |
Palavras-chave: dc.subject | Predictive model | - |
Palavras-chave: dc.subject | Neural networks | - |
Título: dc.title | Uso de algoritmos de aprendizado de máquina para predição de consumo energético | - |
Título: dc.title | Use of machine learning algorithms to predict energy consumption | - |
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: