Previsão do preço de tarifas de energia elétrica via regressão linear e redes neurais artificiais

Cunha, Marina Lima Magalhães da

Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/39525

Registro completo de metadados

Campo DC	Valor	Idioma
dc.creator	Cunha, Marina Lima Magalhães da	-
dc.date.accessioned	2026-03-02T15:50:45Z	-
dc.date.available	2026-03-02T15:50:45Z	-
dc.date.issued	2025-06-25	-
dc.identifier.citation	CUNHA, Marina Lima Magalhães da. Previsão do preço de tarifas de energia elétrica via regressão linear e redes neurais artificiais. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Medianeira, 2025.	pt_BR
dc.identifier.uri	http://repositorio.utfpr.edu.br/jspui/handle/1/39525	-
dc.description.abstract	This work aims to compare the performance of two models for predicting average electricity tariffs by consumption class (residential, commercial and industrial): Linear Regression (LR) and the Multilayer Perceptron (MLP) Artificial Neural Network. Both models were implemented in the WEKA software. To carry out this comparison, a database provided by Eletrobrás (Centrais Elétricas Brasileiras) with information on average electricity tariffs from January 2000 to April 2024 was used. The performance of the models was evaluated using the Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The results obtained from the LR and MLP models demonstrate that the predictive performance varies significantly between the different consumption classes, reflecting the complexity and volatility of the tariff values.	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Tecnológica Federal do Paraná	pt_BR
dc.rights	openAccess	pt_BR
dc.rights.uri	https://creativecommons.org/licenses/by-sa/4.0/	pt_BR
dc.subject	Serviços de eletricidade - Tarifas	pt_BR
dc.subject	Banco de dados	pt_BR
dc.subject	Teoria da previsão	pt_BR
dc.subject	Electric utilities - Rates	pt_BR
dc.subject	Data bases	pt_BR
dc.subject	Prediction theory	pt_BR
dc.title	Previsão do preço de tarifas de energia elétrica via regressão linear e redes neurais artificiais	pt_BR
dc.title.alternative	Prediction of electricity tariffs via linear regression and artificial neural networks	pt_BR
dc.type	bachelorThesis	pt_BR
dc.description.resumo	Este trabalho tem como objetivo comparar o desempenho de dois modelos, de previsão de tarifas médias de energia elétrica, por classe de consumo (residencial, comercial e industrial): a Regressão Linear (LR) e a Rede Neural Artificial do tipo Multilayer Perceptron (MLP). Ambos os modelos foram implementados no software WEKA. Utilizou-se, para realizar esta comparação, uma base de dados, disponibilizada pela Eletrobrás (Centrais Elétricas Brasileiras), com informações sobre tarifas médias de energia elétrica, nos períodos de janeiro de 2000 à abril de 2024. O desempenho dos modelos foi avaliado por meio do Erro Médio Absoluto Percentual (MAPE), Raiz Quadrada do Erro Médio Quadrático (RMSE) e Erro Médio Absoluto (MAE). Resultados obtidos, dos modelos LR e MLP, demonstram que o desempenho preditivo varia significativamente entre as diferentes classes de consumo, refletindo a complexidade e a volatilidade do valor das tarifas.	pt_BR
dc.degree.local	Medianeira	pt_BR
dc.publisher.local	Medianeira	pt_BR
dc.contributor.advisor1	Santos, José Airton Azevedo dos	-
dc.contributor.referee1	Santos, José Airton Azevedo dos	-
dc.contributor.referee2	Pasa, Leandro Antonio	-
dc.contributor.referee3	Santelo, Thiago Naufal	-
dc.publisher.country	Brasil	pt_BR
dc.publisher.program	Engenharia Elétrica	pt_BR
dc.publisher.initials	UTFPR	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA	pt_BR
Aparece nas coleções:	MD - Engenharia Elétrica

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
previsaotarifasenergiaeletrica.pdf		1,46 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Recomendar este item Visualizar estatísticas

Este item está licenciada sob uma Licença Creative Commons