Mostrar el registro sencillo del ítem
Predição de carga de energia elétrica no Brasil utilizando técnicas de Deep Learning
dc.contributor.author | Cunha, Leticia Amaral da | |
dc.date.accessioned | 2022-09-29T12:03:35Z | |
dc.date.available | 2022-09-29T12:03:35Z | |
dc.date.issued | 2022-10-22 | |
dc.identifier.citation | CUNHA, Leticia Amaral da. Predição de carga de energia elétrica no Brasil utilizando técnicas de Deep Learning. 2022. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16726. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16726 | |
dc.description.abstract | The open electricity market has stood out for being a competitive and dynamic way of trading an asset that was previously restricted to passive consumption. The freedom of negotiation provided to the participants of this market makes the prediction of its price, as well as the factors that affect it, extremely important. The purpose of this study is to develop three models based on different techniques of recurrent artificial neural networks and their comparative analysis. For this, the LSTM Feed Forward, LSTM bidirectional and GRU architectures must be applied to each of the time series explored. Average electric energy load data from the Brazilian free energy market between the years 2011 to 2021 are applied as an input for training, validation and testing processes. For the evaluation of the results, metrics of wide application were used, such as mean square error and mean absolute percentage error. The analysis of the models verifies the performance of the applied techniques, as well as possible causes for the performance of the established metrics. The results showed the bidirectional LSTM and GRU types as viable modeling results | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Mercado livre de energia | por |
dc.subject | Carga de energia elétrica | por |
dc.subject | Sistema integrado nacional | por |
dc.subject | Séries temporais | por |
dc.subject | Redes neurais | por |
dc.subject | Redes neurais recorrentes | por |
dc.subject | LSTM | por |
dc.subject | GRU | por |
dc.title | Predição de carga de energia elétrica no Brasil utilizando técnicas de Deep Learning | por |
dc.title.alternative | Energy load prediction in Brazil utilizing Deep Learning techniques | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Inoue, Roberto Santos | |
dc.contributor.advisor1Lattes | https://lattes.cnpq.br/6221209121565990 | por |
dc.contributor.advisor-co1 | Suetake, Marcelo | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/8630323559353535 | por |
dc.description.resumo | O mercado livre de energia tem se destacado por ser um forma competitiva e dinâmica de negociação de um ativo antes restrito a um consumo passivo. A liberdade de negociação proporcionada aos integrantes desse mercado tornam a predição de seu preço, assim como os fatores que o afetam de suma importância. Este estudo tem como propósito o desenvolvimento de três modelagens apoiadas em técnicas distintas de redes neurais artificiais recorrentes e a sua análise comparativa. Para tal, devem ser utilizadas as arquiteturas do tipo LSTM Feed Forward, LSTM bidirecional e GRU para cada uma das séries temporais exploradas. Dados de carga de energia elétrica média do mercado livre de energia brasileiro entre os anos de 2011 a 2021 são aplicados como base de dados para treinamento, validação e teste. Para a avaliação dos resultados foram utilizadas métricas de ampla aplicação como erro médio quadrático e erro percentual absoluto médio. A análise dos modelos verifica o desempenho das técnicas aplicadas, bem como possíveis causas para a performance das métricas estabelecidas. Os resultados apontaram os tipos LSTM bidirecional e GRU como resultados viáveis da modelagem. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.identifier.url | https://github.com/ladbc/CargaEnergia-TCC/tree/maste | por |
dc.publisher.course | Engenharia de Computação - EC | por |