
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 | Leite, Jonatas Boas | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Ferreira, Andréia Brasil Alves | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T23:03:41Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T23:03:41Z | - |
| Data de envio: dc.date.issued | 2024-10-02 | - |
| Data de envio: dc.date.issued | 2024-10-02 | - |
| Data de envio: dc.date.issued | 2024-09-04 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/257623 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/257623 | - |
| Descrição: dc.description | A previsão da demanda energética é essencial para a eficiência e estabilidade dos sistemas elétricos de potência. Tradicionalmente, as metodologias de previsão analisam as séries temporais de forma isolada, sem considerar o contexto global do sistema e as possíveis interações entre séries semelhantes. Este estudo examina a complexidade da demanda elétrica, sublinhando a importância das interdependências dinâmicas e das correlações presentes nas séries temporais do setor energético. Utilizando o Temporal Fusion Transformer (TFT), uma técnica avançada de aprendizado de máquina desenvolvida para lidar com dados periódicos complexos, a metodologia proposta investiga como a integração de diferentes sequências temporais de consumo influencia a precisão das previsões. Experimentos realizados com dados históricos de duas bases de dados distintas visaram obter projeções de demanda com um horizonte preditivo de 24 horas. Os resultados indicam que a abordagem múltipla resulta em uma melhoria significativa na precisão das previsões, evidenciando que, no contexto dos sistemas elétricos, a amplitude e a variedade das séries temporais utilizadas são fundamentais para alcançar previsões mais precisas e confiáveis. | - |
| Descrição: dc.description | Energy demand forecasting is essential for the efficiency and stability of electrical power systems. Traditionally, forecasting methodologies analyze time series in isolation, without considering the overall context of the system and the possible interactions between similar series. This study examines the complexity of electricity demand, highlighting the importance of the dynamic interdependencies and correlations present in the energy sector's time series. Using the Temporal Fusion Transformer (TFT), an advanced machine learning technique developed to deal with complex periodic data, the proposed methodology investigates how the integration of different consumption time sequences influences forecast accuracy. Experiments carried out with historical data from two different databases aimed to obtain demand projections with a predictive horizon of 24 hours. The results indicate that the multiple approach results in a significant improvement in forecast accuracy, showing that, in the context of electricity systems, the breadth and variety of the time series used are fundamental to achieving more accurate and reliable forecasts. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
| Direitos: dc.rights | info:eu-repo/semantics/restrictedAccess | - |
| Palavras-chave: dc.subject | Inteligência Artificial | - |
| Palavras-chave: dc.subject | Aprendizado Profundo | - |
| Palavras-chave: dc.subject | Mecanismos de Atenção | - |
| Palavras-chave: dc.subject | Análise de Séries Temporais | - |
| Palavras-chave: dc.subject | Previsão de Demanda | - |
| Palavras-chave: dc.subject | Transformers | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | Deep learning | - |
| Palavras-chave: dc.subject | Attention mechanisms | - |
| Palavras-chave: dc.subject | Time series analysis | - |
| Palavras-chave: dc.subject | Demand forecasting | - |
| Título: dc.title | Previsão múltipla em séries temporais de energia elétrica com Temporal Fusion Transformer | - |
| Título: dc.title | Multiple forecasting in electric energy time series with Temporal Fusion Transformer | - |
| 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: