Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39525| Título: | Previsão do preço de tarifas de energia elétrica via regressão linear e redes neurais artificiais |
| Título(s) alternativo(s): | Prediction of electricity tariffs via linear regression and artificial neural networks |
| Autor(es): | Cunha, Marina Lima Magalhães da |
| Orientador(es): | Santos, José Airton Azevedo dos |
| Palavras-chave: | Serviços de eletricidade - Tarifas Banco de dados Teoria da previsão Electric utilities - Rates Data bases Prediction theory |
| Data do documento: | 25-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | 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. |
| 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. |
| 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. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39525 |
| Aparece nas coleções: | MD - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaotarifasenergiaeletrica.pdf | 1,46 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
