Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18420
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 |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
PAULO PIRES FERNANDES NETO - TCC ENG. ELÉTRICA 2014.pdf | Paulo Pires Fernandes Neto - TCC Eng. Elétrica 2014. | 1.3 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.