Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
SILVA, Davi Guimarães da
 |
| Orientador(a): |
Não Informado pela instituição
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Oeste do Pará
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Sociedade, Natureza e Desenvolvimento
|
| Departamento: |
PRÓ-REITORIA DE PESQUISA, PÓS-GRADUAÇÃO E INOVAÇÃO TECNOLÓGICA
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufopa.edu.br/jspui/handle/123456789/1006
|
Resumo: |
Consumo de energia e eficiência energética são tópicos que têm atraído a atenção dos pesquisadores nos últimos anos, a fim de buscar soluções científicas e tecnológicas para a produção de energia e redução de custos. Uma das alternativas que têm obtido resultados satisfatórios é o uso de tecnologias baseadas em Internet das Coisas (Internet of Things, IoT) e Aprendizagem Profunda (AP). Com base nisso, propõe-se avaliar o desempenho de Redes Neurais Profundas (RNPs) Long Short-Term Memory (LSTM) e LSTM Bidirecional (BiLSTM) para predição de Séries Temporais (STs) univariadas de consumo de energia elétrica. Para este objetivo foi utilizada a validação cruzada para Séries Temporais (VC-ST). Os resultados indicaram que os modelos LSTM obtiveram uma tendência de melhor desempenho em comparação com os algoritmos Extreme Gradient Boost (XGBoost) e Random Forest (RF) e que por sua vez os modelos BiLSTM obtiveram melhor desempenho que os modelos LSTM, com diferença estatisticamente significativa de acordo com os testes de Friedman (p = 0,0455) considerando quatro datasets. Desse modo, corroboram-se os resultados experimentais comparativos e análises estatísticas que a AP pode ser utilizada para predição obtendo melhores resultados e que apesar de ter um tempo maior de treinamento, a BiLSTM foi estatisticamente superior a LSTM. Por fim, pode-se destacar que uma das principais vantagens da predição é a possibilidade de, a partir da integração da AP com IoT, traçar estratégias eficazes de curto, médio e longo prazo, para promover soluções apropriadas para cada situação |
