Modelos de predição de séries temporais aplicados à demanda de energia elétrica da Califórnia

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorOliveira, Luiz Eduardo Soares de, 1971--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data-
Autor(es): dc.creatorCastella, Leonardo Morettini e-
Data de aceite: dc.date.accessioned2025-09-01T12:26:22Z-
Data de disponibilização: dc.date.available2025-09-01T12:26:22Z-
Data de envio: dc.date.issued2024-02-07-
Data de envio: dc.date.issued2024-02-07-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/79928-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/79928-
Descrição: dc.descriptionOrientador: Pr. Dr. Luiz Eduardo S. Oliveira-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data.-
Descrição: dc.descriptionInclui referências-
Descrição: dc.descriptionResumo: O trabalho mostra duas técnicas de predição de séries temporais, o tradicional ARIMA e a de deep learning chamada LSTM, aplicadas à demanda por energia elétrica na Califórnia. As bases de dados contêm a demanda residencial por energia elétrica, baixadas do site do departamento de energia dos Estados Unidos e tratada pelo autor. Foram separadas duas bases de dados para realizar as predições, demanda hora por hora e demanda média diária. O método ARIMA se mostrou mais eficiente para a predição de demanda por hora enquanto o modelo LSTM foi mais eficiente para a predição de demanda diária. O trabalho mostra também que o modelo de deep learning é mais eficiente para predições com bases de dados de maior tamanho do que o modelo tradicional ARIMA.-
Descrição: dc.descriptionAbstract: The paper shows two time series prediction techniques, the traditional ARIMA and the deep learning one called LSTM, applied to the electricity demand in California. The databases contain residential electricity demand, downloaded from the US Department of Energy website, and handled by the author. Two databases were separated to perform the predictions, hourly demand, and daily average demand. The ARIMA method proved to be more efficient for predicting hourly demand while the LSTM model was more efficient for predicting daily demand. The work also shows that the deep learning model is more efficient for predictions with larger databases than the traditional ARIMA model.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectAnalise de series temporais - Processamento de dados-
Palavras-chave: dc.subjectPredição-
Palavras-chave: dc.subjectEnergia elétrica-
Título: dc.titleModelos de predição de séries temporais aplicados à demanda de energia elétrica da Califórnia-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.