Comparação de desempenho entre modelos lineares e redes neurais artificiais para previsão da demanda de energia elétrica

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSchmidt, Carla Adriana Pizarro-
Autor(es): dc.contributorDeina, Carolina-
Autor(es): dc.contributorSchmidt, Carla Adriana Pizarro-
Autor(es): dc.contributorBerghauser, Neron Alipio Cortes-
Autor(es): dc.contributorSantos, José Airton Azevedo dos-
Autor(es): dc.creatorMarzochi, Alexandre-
Data de aceite: dc.date.accessioned2025-08-29T13:34:23Z-
Data de disponibilização: dc.date.available2025-08-29T13:34:23Z-
Data de envio: dc.date.issued2024-09-24-
Data de envio: dc.date.issued2024-09-24-
Data de envio: dc.date.issued2022-06-21-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/34872-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1115592-
Descrição: dc.descriptionThe socioeconomic development of countries like Brazil, is directly related to the amount of electricity consumed by them. In order for these countries to continue developing, plans and strategies about the energy sector must be developed, thus, imbalances between the supply and demand of electricity can be avoided. With the objective of providing information to assist in the decision-making process of the electric power sector in Brazil, this work will propose as a methodology the comparison between performance of demand forecasting models, namely: Exponential Smoothing (SE); Auto Regressive (AR); Integrated Auto-regression of Moving Averages (ARIMA); and Multilayer Perceptron Neural Network (MLP). For validation of predictive models, a time series of electricity consumption in Brazil will be collected. As a result, the MLP neural network outperformed traditional statistical models, confirming its power of universal approximation of functions.-
Descrição: dc.descriptionO desenvolvimento socioeconômico de países como Brasil, está relacionado diretamente com o montante de energia elétrica por eles consumido. Para que esses países continuem em desenvolvimento, devem ser elaborados planejamentos e estratégias acerca do setor energético, assim, desequilíbrios entre a oferta e demanda de energia elétrica podem ser evitados. Tendo como objetivo fornecer informações que auxiliem no processo de tomada de decisão do setor de energia elétrica no Brasil, nesse trabalho foi proposto como metodologia a comparação entre desempenhos dos modelos de previsão de demanda, a saber: Suavização Exponencial (SE); Autoregressivo (AR); Autoregressivo Integrado de Médias Móveis (ARIMA); e Rede Neural Perceptron de Múltiplas Camadas (MLP). Para validação dos modelos preditivos, uma série temporal do consumo de energia elétrica do Brasil foi coletada. Como resultados, a rede neural MLP superou os modelos estatísticos tradicionais, confirmando o seu poder de aproximação universal de funções.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia de Produção-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAnálise de séries temporais-
Palavras-chave: dc.subjectEnergia elétrica - Consumo-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectTime-series analysis-
Palavras-chave: dc.subjectElectric power consumption-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Título: dc.titleComparação de desempenho entre modelos lineares e redes neurais artificiais para previsão da demanda de energia elétrica-
Título: dc.titleComparison of performance between linear models and artificial neural networks for forecast of electric energy demand-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.