Engenharia Elétrica (UACSA)

URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2922

Siglas das Coleções:

APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso

Navegar

Filtrar resultados informando o último nome do autor
Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Previsão de consumo de energia elétrica no brasil: uma comparação entre métodos
    (2023-09-22) Fortes, Bruna Lavínia Santos; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; https://lattes.cnpq.br/9302922458814221
    A previsão do consumo de energia elétrica desempenha um papel importante no gerenciamento eficaz dos recursos energéticos. Este estudo investiga métodos de previsão de consumo de energia elétrica aplicados no contexto brasileiro. Quatro técnicas de previsão amplamente reconhecidas foram exploradas: Suavização Exponencial, ARIMA (do inglês, Autoregressive Integrated Moving Average), Máquinas de vetores de suporte (MVS) e Redes Neurais Artificiais (RNA). A análise teve início com a decomposição da série temporal, permitindo a identificação de tendências, sazonalidades e variações aleatórias nos dados. A Suavização Exponencial de Holt-Winters e o modelo ARIMA foram utilizados para modelar os aspectos temporais subjacentes. A técnica das Máquinas de Vetores de Suporte (MVS) foi aprimorada por meio da otimização de parâmetros, resultando em previsões de alta precisão e confiabilidade. Embora exigisse esforços computacionais significativos, o MVS demonstrou notável capacidade na captura de relações complexas. As RNA foram investigadas e emergiram como a abordagem mais eficaz, fornecendo previsões excepcionalmente precisas e robustas. O método se destacou na captura de padrões complexos e sequenciais, sendo a escolha preferencial para prever o consumo de energia elétrica no Brasil. No entanto, a escolha final do modelo deve considerar não apenas métricas de avaliação, como MSE (do inglês, Mean Squared Error), MAE (do inglês, Mean Absolute Error), e RMSE (do inglês, Root Mean- Squared Error), mas também a adaptação aos dados específicos e as demandas computacionais.