Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Menezes, Moisés Lima de | - |
Autor(es): dc.contributor | Jacobson, Ludmilla da Silva Viana | - |
Autor(es): dc.contributor | Santos, Wilson Calmon Almeida dos | - |
Autor(es): dc.creator | Luz, Lucas Primo | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:51:00Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:51:00Z | - |
Data de envio: dc.date.issued | 2020-06-17 | - |
Data de envio: dc.date.issued | 2020-06-17 | - |
Data de envio: dc.date.issued | 2019 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/13938 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/758762 | - |
Descrição: dc.description | O consumo de energia elétrica no Brasil vem aumentando gradativamente durante os anos. Este aumento no consumo se justifica devido à urbanização, ao aumento populacional e também devido aos avanços tecnológicos nas casas, comércios e indústrias. Para atender esta demanda, se faz necessário o desenvolvimento de novas técnicas capazes de prever com uma melhor acurácia o consumo de energia elétrica. Singular Spectrum Analysis (SSA) é um método estatístico que pode, dentre outras coisas, filtrar séries temporais eliminando sua componente ruidosa e melhorando a acurácia da previsão. Este projeto propõe fazer a modelagem de Holt-Winters e Box & Jenkins na série de consumo de energia elétrica no Brasil. Além disso, fazer uma filtragem SSA nessa mesma série removendo os ruídos e utilizar os modelos de Holt-Winters e Box & Jenkins para fazer a modelagem com a série filtrada pela metodologia de Análise Gráfica dos Autovetores. Após as modelagens, foram utilizadas as estatísticas de aderência para verificar a capacidade preditiva de cada modelo. As estatísticas de aderência utilizadas foram o Coeficiente de Determinação (R2), Erro Médio Percentual Absoluto (MAPE), Erro Médio Absoluto (MAE), Raiz Quadrada do Erro Quadrático Médio (RMSE) e Critério de Informação Bayesiana (BIC). Com as análises realizadas, foi verificado que os modelos de Box & Jenkins obteve os melhores resultados quanto as estatísticas de aderência tanto na série original quanto na série filtrada. Ao aplicar a filtragem SSA tem-se um ganho preditivo em todos os casos para a previsão de consumo de energia | - |
Descrição: dc.description | Nenhum | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Séries temporais | - |
Palavras-chave: dc.subject | Singular spectrum analysis | - |
Palavras-chave: dc.subject | Holt-Winters | - |
Palavras-chave: dc.subject | Box & Jenkins | - |
Palavras-chave: dc.subject | Análise gráfica dos autovetores | - |
Palavras-chave: dc.subject | Consumo de energia elétrica | - |
Palavras-chave: dc.subject | Série temporal | - |
Palavras-chave: dc.subject | Demanda de energia | - |
Título: dc.title | Avaliação da capacidade preditiva dos modelos das classes ARIMA e de Amortecimento Exponencial sob diferentes aspectos da abordagem SSA na modelagem e previsão de consumo de energia | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: