Aplicação de técnicas de regressão linear, regressão do processo Gaussiano e de redes neurais artificiais para previsão do consumo de energia de uma agroindústria

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, José Airton Azevedo dos-
Autor(es): dc.contributorSantos, José Airton Azevedo dos-
Autor(es): dc.contributorFernandes, Carlos Aparecido-
Autor(es): dc.contributorPasa, Leandro Antonio-
Autor(es): dc.creatorSilva, Gustavo Bezerra da-
Data de aceite: dc.date.accessioned2025-08-29T11:55:12Z-
Data de disponibilização: dc.date.available2025-08-29T11:55:12Z-
Data de envio: dc.date.issued2023-08-03-
Data de envio: dc.date.issued2023-08-03-
Data de envio: dc.date.issued2022-11-15-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/31918-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1085699-
Descrição: dc.descriptionThis work seeks to compare time series analysis techniques to predict the electricity consumption of an agroindustry, located in the southwest of the state of Goiás. The database presents a historical series of monthly energy consumption in the period between january/2016 and december/2021, totaling 72 observations. Forecast models, Linear Regression (LR), Gaussian Process Regression (GPR) and Multilayer Perception Neural Networks (MLP), provided by WEKA software, were used to predict energy consumption. Results, obtained from the three models, were compared using the Mean Absolute Percentage Error (MAPE). It was verified, for a horizon of four months, that the MLP model presented, in relation to the LR and GPR models, a better performance.-
Descrição: dc.descriptionEste trabalho busca comparar técnicas de análise, de séries temporais, para previsão do consumo de energia elétrica de uma agroindústria, localizada no Sudoeste do estado de Goiás. A base de dados apresenta uma série histórica do consumo mensal de energia no período entre janeiro/2016 e dezembro/2021, totalizando 72 observações. Modelos de previsão, de Regressão Linear (LR), Regressão do Processo Gaussiano (GPR) e Redes Neurais Multilayer Perception (MLP), fornecidos pelo software WEKA, foram utilizados na previsão do consumo de energia. Resultados, obtidos dos três modelos, foram comparados por meio do Erro Médio Absoluto Percentual (MAPE). Verificou­se, para um horizonte de quatro meses, que o modelo MLP apresentou, com relação aos modelos LR e GPR, um melhor desempenho.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectEnergia elétrica - Consumo-
Palavras-chave: dc.subjectAnálise de séries temporais-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectElectric power consumption-
Palavras-chave: dc.subjectTime-series analysis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleAplicação de técnicas de regressão linear, regressão do processo Gaussiano e de redes neurais artificiais para previsão do consumo de energia de uma agroindústria-
Título: dc.titleApplication of linear regression, Gaussian process regression and artificial neural network techniques to predict electricity consumption of na agroindustry-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.