High dimensional models for forecasting power electricity consumption

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRossi, Marina Delmondes de Carvalho-
Autor(es): dc.creatorAlbuquerque, Pedro Caiua Campelo-
Data de aceite: dc.date.accessioned2024-10-23T14:58:26Z-
Data de disponibilização: dc.date.available2024-10-23T14:58:26Z-
Data de envio: dc.date.issued2020-01-08-
Data de envio: dc.date.issued2020-01-08-
Data de envio: dc.date.issued2020-01-08-
Data de envio: dc.date.issued2019-06-17-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/36107-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/871144-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Ciências Econômicas, 2019.-
Descrição: dc.descriptionEste trabalho usa técnicas de aprendizado de máquina para prever o consumo de energia elétrica (CEE) do Brasil no curto e médio prazo. Os modelos são comparados com modelos referenciais, como o Random Walk e ARIMA. Nossos resultados mostram que os métodos de aprendizado de máquina, especialmente Random Forest e Lasso Lars, têm precisão superior para todos os horizontes de previsão, removendo o sobreajuste presente nos modelos tradicionais. Random Forest e Lasso Lars conseguiram acompanhar a tendência e a sazonalidade nos diferentes horizontes temporais. Ainda, o ganho em prever CEE utilizando modelos de aprendizado de máquina em relação aos tradicionais é muito maior no curtíssimo prazo. A seleção de variáveis dos modelos de aprendizado de máquina mostra ainda que os valores defasados de CEE são extremamente importantes para a previsão de curtíssimo prazo, devido à sua alta autocorrelação. As demais variáveis são importantes para horizontes temporais mais longos.-
Descrição: dc.descriptionThis work uses machine learning techniques to predict Brazilian power electricity consumption (PEC) for short and medium term. The models are compared to benchmark specifications such as Random Walk and autoregressive integrated moving average (ARIMA). Our results show that machine learning methods, especially Random Forest and Lasso Lars, have superior accuracy for all forecasts horizons by removing the overfitting present in traditional models. Random Forest and Lasso Lars managed to keep up with the trend and the seasonality in different time horizons. The gain in predicting PEC using machine learning models compared to traditional ones is much higher in very short-term. Machine learning variable selection further shows that lagged consumption values are extremely important for very short-term forecasting due to its high autocorrelation. Other variables are important for longer time horizons.-
Descrição: dc.descriptionFaculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)-
Descrição: dc.descriptionDepartamento de Economia (FACE ECO)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Economia-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectEnergia elétrica-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectEconomia-
Palavras-chave: dc.subjectEnergia elétrica - consumo-
Título: dc.titleHigh dimensional models for forecasting power electricity consumption-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.