Seleção de modelos de séries temporais e redes neurais artificiais na previsão de consumo e demanda de energia elétrica

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRibeiro, Fabiano Lemes-
Autor(es): dc.contributorSáfadi, Thelma-
Autor(es): dc.contributorSilva, Joaquim Paulo da-
Autor(es): dc.contributorLacerda, Wilian Soares-
Autor(es): dc.creatorVillamagna, Maíra Rodrigues-
Data de aceite: dc.date.accessioned2026-02-09T11:31:06Z-
Data de disponibilização: dc.date.available2026-02-09T11:31:06Z-
Data de envio: dc.date.issued2013-09-23-
Data de envio: dc.date.issued2013-09-23-
Data de envio: dc.date.issued2013-
Data de envio: dc.date.issued2013-
Data de envio: dc.date.issued2013-02-27-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/1117-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1142017-
Descrição: dc.descriptionDissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Estatística e Experimentação Agropecuária, área de concentração em Estatística e Experimentação Agropecuária, para a obtenção do Titulo de Mestre.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionEstatística e Experimentação Agropecuária-
Descrição: dc.descriptionNeste trabalho foram analisadas as séries mensais de consumo e demanda de energia elétrica da Universidade Federal de Lavras (UFLA), no período de janeiro de 1995 a dezembro de 2011, com o objetivo de prever os valores futuros através dos métodos de Box e Jenkins e Redes Neurais Artificiais (RNA). Foram realizadas comparações entre as metodologias sugeridas, por meio do erro quadrático médio de previsão (EQMP) e erro percentual absoluto médio de previsão (MAPE), para verificar o desempenho das mesmas. A metodologia Box e Jenkins apresentou-se eficiente para representar a série em estudo, captando os efeitos de tendência e sazonalidade ocorridos. Os resultados mostram que as Redes Neurais Artificiais obtiveram melhores valores nos índices de desempenho testados e se apresentam como um método satisfatório para a previsão um passo à frente do consumo e da demanda de energia elétrica.-
Descrição: dc.descriptionThis study analyzed the series of consumption and electricity demand for University Federal of Lavras (UFLA), covering the period from January 1995 to December 2011, with the objective of predicting future values by the methods of Box and Jenkins and Artificial Neural Networks (ANN). Comparisons were made between the methodologies suggested to check the performance of the same, in order to generate more accurate figures for next year. The Box-Jenkins methodology presented efficient to represent the series under study, capturing the effects of seasonality and trend occurred. The results show that the artificial neural network had a better forecasting performance of the demand and consumption of electricity.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUNIVERSIDADE FEDERAL DE LAVRAS-
Publicador: dc.publisherDEX - Programa de Pós-graduação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherBRASIL-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectSérie temporal-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectBox-Jenkins-
Palavras-chave: dc.subjectPrevisão-
Palavras-chave: dc.subjectEnergia elétrica-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectTendência-
Palavras-chave: dc.subjectSazonalidade-
Palavras-chave: dc.subjectTime series-
Palavras-chave: dc.subjectArtificial neural network-
Palavras-chave: dc.subjectForecasting-
Palavras-chave: dc.subjectCNPQ_NÃO_INFORMADO-
Título: dc.titleSeleção de modelos de séries temporais e redes neurais artificiais na previsão de consumo e demanda de energia elétrica-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.