Uso de algoritmos de aprendizado de máquina para predição de consumo energético

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLusquino Filho, Leopoldo André Dutra-
Autor(es): dc.creatorMarciano, Gabriel Moraes-
Data de aceite: dc.date.accessioned2025-08-21T15:25:01Z-
Data de disponibilização: dc.date.available2025-08-21T15:25:01Z-
Data de envio: dc.date.issued2024-05-06-
Data de envio: dc.date.issued2024-05-06-
Data de envio: dc.date.issued2024-03-08-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/255478-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/255478-
Descrição: dc.descriptionO 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.descriptionThis 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.descriptionNão recebi financiamento-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectSéries temporais-
Palavras-chave: dc.subjectLSTM-
Palavras-chave: dc.subjectConsumo energético-
Palavras-chave: dc.subjectModelo preditivo-
Palavras-chave: dc.subjectRedes neurais recorrentes-
Palavras-chave: dc.subjectTime series-
Palavras-chave: dc.subjectEnergy consumption-
Palavras-chave: dc.subjectPredictive model-
Palavras-chave: dc.subjectNeural networks-
Título: dc.titleUso de algoritmos de aprendizado de máquina para predição de consumo energético-
Título: dc.titleUse of machine learning algorithms to predict energy consumption-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.