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 | Carvalho, Marcia Marques de | - |
Autor(es): dc.creator | Correia, Eduardo Takamine | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:30:23Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:30:23Z | - |
Data de envio: dc.date.issued | 2020-06-15 | - |
Data de envio: dc.date.issued | 2020-06-15 | - |
Data de envio: dc.date.issued | 2017 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/13908 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/771853 | - |
Descrição: dc.description | O consumo de energia elétrica por pessoas, empresas e indústrias aumentam devido ao avanço tecnológico, o crescimento da população e aascensão 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, dentre outras coisas, filtrar séries temporais eliminando sua componente ruidosa podendo melhorar a acurácia da previsão. Esta pesquisa propõe a filtragem de uma série temporal de consumo de energia elétrica via SSA usando Análise de Componentes Principais e Análise Gráfica dos Autovetores. A verificação do poder preditivo das modelagens nas abordagens de Holt-Winters e de Box & Jenkins é feita através das estatísticas de aderência Mean Absolute percentage Error (MAPE), Root Mean Squared Error (RMSE), Bayesian Information Criterion (BIC) e o coeficiente de dete rminação R². Os resultados obtidos mostram que a utilização da filtragem SSA proporciona um ganho preditivo à modelagem e que ao utilizar a Análise Gráfica dos Autovetores obtém o melhor desempenho do que o uso da abordagem com a Análise de Componentes Principais. Os resultados mostram também que a modelagem de Box & Jenkins apresenta melhores resultados do que as modelagens de Amortecimento Exponencial de Holt-Winters para a 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 | Análise gráfica dos autovetores | - |
Palavras-chave: dc.subject | Modelagem | - |
Palavras-chave: dc.subject | Previsão | - |
Palavras-chave: dc.subject | Análise de componentes principais | - |
Palavras-chave: dc.subject | Série temporal | - |
Palavras-chave: dc.subject | Consumo de energia elétrica | - |
Título: dc.title | Previsão de demanda de energia elétrica usando análise de componentes principais e análise gráfica dos autovetores na abordagem singular spectrum analysis | - |
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: