Geração de energia elétrica: tendências e previsões de energia hidrelétrica, térmica, termonuclear e eólica para suprir a demanda nas Regiões Sudeste e Centro-Oeste

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMenezes, Moisés Lima de-
Autor(es): dc.contributorCassiano, Keila Mara-
Autor(es): dc.contributorCosta, Patricia Lusie Velozo da-
Autor(es): dc.creatorDomingos, Gabriela de Santana-
Data de aceite: dc.date.accessioned2024-07-11T18:40:09Z-
Data de disponibilização: dc.date.available2024-07-11T18:40:09Z-
Data de envio: dc.date.issued2020-06-29-
Data de envio: dc.date.issued2020-06-29-
Data de envio: dc.date.issued2017-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/14140-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/775094-
Descrição: dc.descriptionA vasta diversidade de recursos naturais no Brasil permite que a geração de energia possa ser feita a partir de várias fontes diferentes. O presente trabalho ressalta a importância do planejamento da utilização desses recursos para a geração de energia elétrica e suprimento da demanda. Foram estudados os principais tipos de geração de energia: hidrelétrica, térmica, nuclear e eólica. Análises de comportamento das tendências e previsões para as séries são fundamentais para melhor uso dos recursos responsáveis por esses tipos de geração. O trabalho aborda métodos de previsão recorrentes em séries temporais como os modelos de Box & Jenkins e os modelos de Holt-Winters, como possíveis meios de planejamento. Com intuito de melhorar a acurácia das previsões, foi utilizado o método estatístico Singular Spectrum Analysis (SSA), que consiste principalmente em filtrar as séries temporais. A finalidade principal desse trabalho é avaliar o ganho preditivo da modelagem Box & Jenkins e Holt-Winters usando filtragem SSA. A escolha dos modelos mais adequados foi feita com base nas estatísticas de aderência como a Raiz Quadrada do Erro Quadrático Médio (RMSE - Root Mean Square Error), o Erro Percentual Médio Absoluto (MAPE - Mean Absolute Percentage Error), o Desvio Médio Absoluto (MAD - Mean Absolute Deviation) e o coeficiente de determinação R2. De acordo com os resultados obtidos nos diferentes cenários abordados, concluiu-se que a abordagem SSA é mais eficiente no ganho preditivo das diferentes modelagens. Além disso, nas análises sem filtragem e com filtragem, os modelos de Box & Jenkins com componentes sazonais apresentaram melhor desempenho, que foram evidenciadas na observação das tendências das séries de geração de energia elétrica-
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.subjectSingular spectrum analysis-
Palavras-chave: dc.subjectTendência-
Palavras-chave: dc.subjectEnergia elétrica-
Palavras-chave: dc.subjectPrevisões-
Palavras-chave: dc.subjectSérie temporal-
Palavras-chave: dc.subjectDemanda de energia-
Título: dc.titleGeração de energia elétrica: tendências e previsões de energia hidrelétrica, térmica, termonuclear e eólica para suprir a demanda nas Regiões Sudeste e Centro-Oeste-
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.