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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMenezes, Moisés Lima de-
Autor(es): dc.contributorJacobson, Ludmilla da Silva Viana-
Autor(es): dc.contributorSantos, Wilson Calmon Almeida dos-
Autor(es): dc.creatorLuz, Lucas Primo-
Data de aceite: dc.date.accessioned2024-07-11T17:51:00Z-
Data de disponibilização: dc.date.available2024-07-11T17:51:00Z-
Data de envio: dc.date.issued2020-06-17-
Data de envio: dc.date.issued2020-06-17-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/13938-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/758762-
Descrição: dc.descriptionO 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.descriptionNenhum-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectSéries temporais-
Palavras-chave: dc.subjectSingular spectrum analysis-
Palavras-chave: dc.subjectHolt-Winters-
Palavras-chave: dc.subjectBox & Jenkins-
Palavras-chave: dc.subjectAnálise gráfica dos autovetores-
Palavras-chave: dc.subjectConsumo de energia elétrica-
Palavras-chave: dc.subjectSérie temporal-
Palavras-chave: dc.subjectDemanda de energia-
Título: dc.titleAvaliação 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.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.