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 | Menezes, Moisés Lima de | - |
Autor(es): dc.contributor | Cassiano, Keila Mara | - |
Autor(es): dc.contributor | Santos, Wilson Calmon Almeida dos | - |
Autor(es): dc.creator | Cavalcante, Igor Pinto | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:03:48Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:03:48Z | - |
Data de envio: dc.date.issued | 2020-08-31 | - |
Data de envio: dc.date.issued | 2020-08-31 | - |
Data de envio: dc.date.issued | 2016 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/14817 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/762783 | - |
Descrição: dc.description | O consumo de energia elétrica entre as pessoas, empresas e indústrias tende a se tornar cada vez maior devido ao avanço tecnológico, o crescimento da população e a ascensão dos países emergentes. Para atender esta demanda, o desenvolvimento de novas técnicas capazes de prever com uma melhor acurácia o consumo de energia elétrica se faz necessário. Singular Spectrum Analysis (SSA) é um método em estatística que pode, entre outras coisas, filtrar séries temporais eliminando sua componente ruidosa melhorando a acurácia da previsão. Este projeto propõe a filtragem de uma série temporal de consumo de energia elétrica usando a Clusterização Hierárquica na fase de agrupamento na abordagem SSA. Na ocasião, o software R é utilizado na escolha do número de clusters e filtragem SSA. O poder preditivo das modelagens nas abordagens de Holt-Winters e de Box & Jenkins é medido através das estatísticas de aderência Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), Bayesian Information Criterion (BIC) e R2. Os resultados obtidos mostram que a utilização da filtragem SSA proporciona um ganho preditivo à modelagem e que ao utilizar a clusterização hierárquica, a utilização de três clusters obtém o melhor desempenho e que, neste contexto, a escolha do modelo de Box & Jenkins detém o melhor desempenho na modelagem e previsão de consumo de energia elétrica. Tais resultados corroboram para a utilização destes modelos no auxílio do planejamento energético do país. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Consumo de Energia Elétrica | - |
Palavras-chave: dc.subject | SSA | - |
Palavras-chave: dc.subject | Clusterização Hierárquica | - |
Palavras-chave: dc.subject | Modelagem | - |
Palavras-chave: dc.subject | Previsão | - |
Palavras-chave: dc.subject | Análise de agrupamento | - |
Palavras-chave: dc.subject | Série temporal | - |
Palavras-chave: dc.subject | Consumo de energia elétrica | - |
Título: dc.title | Uso de clusterização hierárquica na abordagem singular spectrum analysis para modelagem e previsão de séries temporais de consumo de energia elétrica | - |
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: