
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 | Santos, José Airton Azevedo dos | - |
| Autor(es): dc.contributor | Santos, José Airton Azevedo dos | - |
| Autor(es): dc.contributor | Marangoni, Filipe | - |
| Autor(es): dc.contributor | Pasa, Leandro Antonio | - |
| Autor(es): dc.creator | Jorge, Abel Gustavo | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T12:58:46Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T12:58:46Z | - |
| Data de envio: dc.date.issued | 2025-01-02 | - |
| Data de envio: dc.date.issued | 2025-01-02 | - |
| Data de envio: dc.date.issued | 2024-06-17 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35711 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1105291 | - |
| Descrição: dc.description | Electrical energy, an indicator of a population's quality of life, plays a relevant and prominent role in the world economy. Brazil, in this scenario, stands out for being among the largest global economies and the southeast region for being the population and industrial center of the country. In this context, this work compared time series models from the WEKA software to predict residential and industrial electrical energy consumption in the southeast region of Brazil. The databases, made available by the Energy Research Company – EPE, present historical series of energy consumption, residential and industrial, in the period between January/2004 and December/2022, totaling 228 instances. Time series forecast models, based on MLP and Linear Regression neural networks, were built in the WEKA software. The MAPE, MAE and RMSE metrics were used to compare the results of the prediction models. Experimental results demonstrated, for a 4-month horizon, that the MLP Neural Network presented the best performance. | - |
| Descrição: dc.description | A energia elétrica, indicador do nível de qualidade de vida de uma população, possui um papel de relevância e destaque na economia mundial. O Brasil, nesse cenário, se destaca por estar entre as maiores economias globais e a região sudeste por ser o centro populacional e industrial do país. Neste contexto, este trabalho comparou modelos, de séries temporais do software WEKA, para previsão do consumo de energia elétrica, residencial e industrial, da região sudeste do Brasil. As bases de dados, disponibilizadas pela Empresa de Pesquisa Energética – EPE, apresentam séries históricas do consumo de energia, residencial e industrial, no período entre janeiro/2004 e dezembro/2022, totalizando 228 instâncias. Modelos de previsão de séries temporais, baseados em redes neurais MLP e Regressão Linear, foram construidos no software WEKA. As métricas MAPE, MAE e RMSE foram utilizadas para comparar os resultados dos modelos de previsão. Resultados experimentais demonstraram, para um horizonte de 4 meses, que a Rede Neural MLP apresentou o melhor desempenho. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Medianeira | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Engenharia Elétrica | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by-sa/4.0/ | - |
| Palavras-chave: dc.subject | Energia – Consumo | - |
| Palavras-chave: dc.subject | Análise de séries temporais | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Energy consumption | - |
| Palavras-chave: dc.subject | Time-series analysis | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
| Título: dc.title | Previsão de consumo residencial e industrial de energia elétrica na região sudeste: um estudo de caso usando redes neurais e regressão linear | - |
| Título: dc.title | Forecasting residential and industrial electricity consumption in the southeast region: a case study using neural networks and linear regression | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: