@MASTERSTHESIS{ 2022:1107417931,
 	title = {Predição de demanda de energia elétrica para o dia seguinte aplicando redes neurais convolutivas e redes recorrentes},
 	year = {2022},
 	url = "https://tede.ufam.edu.br/handle/tede/9279",
 	abstract = "A predição da demanda de energia em cenários adversos, como a pandemia da COVID-19, é fundamental para assegurar o fornecimento de eletricidade e o funcionamento de serviços básicos de uma região metropolitana. Um outro fator importante é a autossustentabilidade do sistema energético, frente a índices históricos de emissão de CO2 ocasionado pelo alto consumo de energia. Na literatura, é possível observar uma tendência na utilização de inteligência artificial para predizer demanda de energia e mitigar esses efeitos. Contudo, foram desenvolvidos poucos trabalhos envolvendo cenários anômalos. Nessa dissertação, é proposto um modelo de aprendizado profundo para predizer a demanda para o próximo dia, utilizando a base de dados da competição “IEEE DataPort Competition Day-Ahead Electricity Demand Forecasting: Post-COVID Paradigm”. Três arquiteturas de redes neurais profundas são propostas, sendo uma rede convolucional, uma rede recorrente e uma rede híbrida (convolucional-recorrente). O melhor modelo apresentado é caracterizado pela extração de características espaço-temporais dos dados de entrada, por meio da rede híbrida. É realizado uma análise preliminar dos dados de entrada, com a exclusão de variáveis anômalas e a aplicação de uma janela deslizante, com intervalo de 24 horas, que define a quantidade de horas necessárias para predizer a demanda da próxima hora. Também foi implementada a normalização dos dados de entrada, com uma ponderação com fator de 10 para a variável demanda. O desempenho dos modelos propostos foi comparado com os modelos desenvolvidos na competição, por meio de uma análise benchmark. A arquitetura híbrida proposta neste trabalho apresentou um erro absoluto médio de 2361,84 kW (78,22% inferior ao modelo de melhor desempenho da competição) e uma similaridade da curva de demanda real e a curva de demanda predita também superior aos referidos modelos. Tais fatos evidenciam a eficiência da aplicação de redes profundas, frente aos métodos clássicos aplicados por outros autores.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}