Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39522| Título: | Previsão de geração de energia elétrica térmica convencional: um estudo de caso usando regressão linear e redes neurais artificiais |
| Título(s) alternativo(s): | Convention thermal power generation forecasting: a case study using linear regression artificial neural network |
| Autor(es): | Santos, Vitor Eduardo dos |
| Orientador(es): | Santos, José Airton Azevedo dos |
| Palavras-chave: | Previsão Análise de séries temporais Energia elétrica Forecasting Time-series analysis Electric power |
| Data do documento: | 24-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | SANTOS, Vitor Eduardo dos. Previsão de geração de energia elétrica térmica convencional: um estudo de caso usando regressão linear e redes neurais artificiais. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Medianeira, 2025. |
| Resumo: | Este estudo busca analisar o desempenho, de dois modelos de previsão de séries temporais, na estimativa da geração de energia elétrica térmica convencional. Os modelos analisados, fornecidos pelo software WEKA, incluem a Regressão Linear (LR) e as Redes Neurais Artificiais (RNAs). A análise foi realizada utilizando um conjunto de dados, sobre a geração de energia elétrica térmica no período de janeiro de 1996 a junho de 2023, fornecido pelo Instituto de Pesquisa Econômica Aplicada (IPEA). Empregamos, para medir o desempenho dos modelos, as métricas Erro Médio Absoluto Percentual (MAPE), Raiz Quadrada do Erro Médio Quadrático (RMSE) e Erro Médio Absoluto (MAE). Estas métricas permitiram uma comparação detalhada do desempenho de cada abordagem. Nossos resultados indicaram que a Rede Neural MLP obteve o melhor desempenho, destacando-se como a abordagem mais eficiente para esse conjunto de dados. |
| Abstract: | This study aims to analyze the performance of two time series forecasting models in estimating conventional thermal electricity generation. The models analyzed, provided by the WEKA software, include Linear Regression (LR) and Artificial Neural Networks (ANNs). The analysis was performed using a dataset on thermal electricity generation from January 1996 to June 2023, provided by the Institute of Applied Economic Research (IPEA). We used the Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) metrics to measure the performance of the models. These metrics allowed a detailed comparison of the performance of each approach. Our results indicated that the MLP Neural Network obtained the best performance, standing out as the most efficient approach for this dataset. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39522 |
| Aparece nas coleções: | MD - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaogeracaoenergiaeletrica.pdf | 1,62 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
