1. Biblioteca Digital de Teses e Dissertações da UFCG
2. Campus Campina Grande | Centro de Engenharia Elétrica e Informática - CEEI
3. CURSOS DE GRADUAÇÃO DO CEEI
4. Curso de Bacharelado em Engenharia Elétrica
5. Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias

Title:	Aplicação de modelo híbrido ARIMA-RNMC para predição de séries temporais de cargas de energia das 5 Regiões Brasileiras.
Other Titles:	Application of the hybrid ARIMA-RNMC model to predict time series of energy loads from the 5 Brazilian Regions.
???metadata.dc.creator???:	FERNANDES NETO, Paulo Pires.
???metadata.dc.contributor.advisor1???:	MELO, Hiran de.
Keywords:	Mineração de dados;Previsão de séries temporais;Rede neural de múltiplas camadas;Modelo ARIMA;Metodologia CRISP-DM;CRISP-DM;Metodologia de Box e Jenkins;Técnicas de mineração - dados;Data mining;Time series forecast;Multilayer neural network;Model ARIMA;CRISP-DM Methodology;Box and Jenkins Methodology;Mining techniques - data
Issue Date:	2014
Publisher:	Universidade Federal de Campina Grande
Citation:	FERNANDES NETO, Paulo Pires. Aplicação de modelo híbrido ARIMA-RNMC para predição de séries temporais de cargas de energia das 5 Regiões Brasileiras. 2014. 62f. (Trabalho de Conclusão de Curso - Monografia), Curso de Bacharelado em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2014. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18420
???metadata.dc.description.resumo???:	Este trabalho propõe um método para a predição futura de médio prazo da série temporal de cargas de energia das 5 regiões brasileiras. O modelo criado tem por objetivo estimar até 5 passos (semanas) a frente, o montante total de energia requisitado pelo conjunto de instalações das regiões do Brasil. Para tanto, utiliza uma abordagem híbrida, conjugando uma técnica clássica de forecasting, o ARIMA, com as redes neurais artificiais de múltiplas camadas. Os benefícios de um modelo híbrido são os de combinar as melhores características de cada técnica, promovendo assim um modelo robusto capaz de capturar as não linearidades de séries temporais complexas, resultando assim em uma previsão mais exata. Os resultados são conclusivos em apontar a metodologia proposta como técnica efetiva na previsão de valores futuros da carga de energia, variável importante no proceso de tomada de decisão na gestão do Sistema Interligado Nacional-SIN.
Keywords:	Mineração de dados Previsão de séries temporais Rede neural de múltiplas camadas Modelo ARIMA Metodologia CRISP-DM CRISP-DM Metodologia de Box e Jenkins Técnicas de mineração - dados Data mining Time series forecast Multilayer neural network Model ARIMA CRISP-DM Methodology Box and Jenkins Methodology Mining techniques - data
???metadata.dc.subject.cnpq???:	Engenharia Elétrica.
URI:	http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18420
Appears in Collections:	Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.