Previsão do consumo de eletricidade em uma instituição de ensino superior: um estudo de caso usando o WEKA
Resumo
RESUMO
Este trabalho tem como objetivo comparar o desempenho de previsão de dois modelos de séries temporais: a Regressão Linear Múltipla (MLR) e as Redes Neurais Multilayer Perceptron (MLP). Para realizar esta comparação utilizou-se uma base de dados, do consumo de energia elétrica, disponibilizada pela UTFPR - Campus Medianeira. A base de dados apresenta uma série histórica, do consumo de energia, no período de dezembro de 2020 a maio de 2022. Modelos de previsão MLR e MLP foram implementados no software WEKA. Resultados obtidos, dos modelos de previsão, foram comparados por meio das métricas MAPE, MAE e RMSE. Verificou-se, para um horizonte de 4 dias, que, apesar dos efeitos da pandemia sobre o conjunto de dados, a Rede MLP apresentou um bom desempenho.
Texto completo:
PDFReferências
REFERÊNCIAS
Amaral, H. L. M. (2020) Desenvolvimento de uma nova metodologia para previsão de consumo de energia elétrica de curto prazo utilizando redes neurais artificiais e decomposição de séries temporais. Tese de Doutorado, Universidade de São Paulo, São Paulo.
Antoniolli, E. A. (2021) Previsão do consumo de energia elétrica em um frigorifico: um estudo de caso utilizando regressão linear, redes neurais e máquinas de vetores de suporte. Dissertação de Mestrado, Universidade Tecnológica Federal do Paraná, Medianeira, Brasil.
Becker, T. V. (2014) Otimização da demanda e consumo de energia elétrica da Universidade Tecnológica Federal do Paraná – Campus Medianeira. Trabalho de Conclusão de Curso, Universidade Tecnológica Federal do Paraná, Medianeira, 2014.
Braga, A. P., Carvalho, A. P. L. F., & Ludermir, T. B. (2000) Redes Neurais Artificiais: Teoria e Aplicações. 1. ed. Rio de Janeiro: Editora LTC.
Cankurt, S., & Subasi, A. (2015) Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering.
Centrais Elétricas Brasileiras. (2005) Gestão energética. Rio de Janeiro: Eletrobrás.
Gil, A. C. (2010) Como Elaborar Projetos de Pesquisa. São Paulo: Atlas.
Haykin, S. (2001) Redes neurais: princípios e prática. 2 ed. Porto Alegre: Bookman.
Krajewski, L., Ritzman, L., & Malhotra, M. (2009) Administração de produção e operações. 8. ed. São Paulo: Pearson Prentice Hall.
Kaytez, F. (2015) Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. International Journal of Electrical Power Energy Systems, 67(1).
Machado, n. g., Ventura,b T. M., Danelichen, V. H. M., Querino, C. A., & Biudes, M. S. (2015) Estimation of rainfall by neural network over a neotropical region. Revista Brasileira de Climatologia, 11(1).
Menotti, D. (2017) Introdução ao Weka. Monografia de Especialização. Universidade Federal do Paraná, Curitiba.
Pinheiro, T. C., Santos, J. A. A., & Pasa, L. A. (2020) Gestão da produção de frangos de corte por meio de redes neurais artificiais. Revista Holos, 2(1).
Santos, J. A. A. (2022) Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development, 11(1).
Santos, J. A. A., & Chaukoski, Y. (2020) Previsão do Consumo de Energia Elétrica na Região Sudeste: Um Estudo de Caso Usando SARIMA e LSTM. Revista Cereus, 12(4).
Witten, I. H., Frank, E., & Hall, M. A. (2016) Data mining: practical machine learning tools and techniques. New York: Morgan Kaufmann;
Apontamentos
- Não há apontamentos.