Previsão de consumo energético com redes neurais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLusquino Filho, Leopoldo André Dutra-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorCarvalho, Camilla Rodrigues-
Data de aceite: dc.date.accessioned2025-08-21T23:23:19Z-
Data de disponibilização: dc.date.available2025-08-21T23:23:19Z-
Data de envio: dc.date.issued2025-07-16-
Data de envio: dc.date.issued2025-06-17-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/312147-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/312147-
Descrição: dc.descriptionPor meio de técnicas avançadas de Machine Learning (ML), busca-se maximizar o aproveitamento dos recursos energéticos disponíveis em cada localidade, garantindo o fornecimento de energia de forma sustentável e eficiente. Essa abordagem permite prever padrões de consumo, otimizar a geração de energia a partir de fontes renováveis e não renováveis, e reduzir desperdícios, alinhando-se às metas globais de descarbonização e à promoção de um futuro energético mais resiliente e sustentável. Tendo isso em vista, o presente trabalho propõe um estudo abrangente que investiga a eficácia do uso de redes neurais, em particular a arquitetura LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit) e LSTM-Bidirecional, GRU-Bidirecional para a predição de consumo residencial. Foram realizados experimentos em cenários distintos, utilizando-se de duas submedições, e entradas variadas a fim de avaliar a robustez e performance dos métodos, comparando-os com métricas já consolidadas, encontrando assim melhores resultados para LSTM e BiGRU.-
Descrição: dc.descriptionThrough advanced Machine Learning (ML) techniques, the goal is to maximize the utilization of available energy resources in each location, ensuring a sustainable and efficient energy supply. This approach enables the prediction of consumption patterns, the optimization of energy generation from both renewable and non-renewable sources, and the reduction of waste, aligning with global decarbonization goals and promoting a more resilient and sustainable energy future. The present work proposes a comprehensive study that investigates the effectiveness of using neural networks particularly the LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM, and Bidirectional GRU architectures for residential consumption forecasting. Experiments were conducted in different scenarios using two submetering configurations and varied input features to assess the robustness and performance of the methods. The results were compared to using established metrics, with LSTM and BiGRU showing the best performance.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectAnálise energética-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectEnergy analysis-
Título: dc.titlePrevisão de consumo energético com redes neurais-
Título: dc.titleEnergy consumption forecasting with neural networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.