ࡱ> /1.bjbjUU > ??  0 'suuuuuu`u///u////s//s///gj1//_0////0////////uu///////////////// :Resumo A populao mundial vem se elevando em grande escala e isso reflete diretamente no consumo de energia eltrica. Diante deste cenrio, tcnicas para a previso do consumo de energia de forma acurada se apresentam com grande utilidade, pois estes dados podem ser aplicados em tomadas de decises e um bom planejamento direcionados ao provimento ininterrupto e confivel de energia. Existem diversas tcnicas que so usualmente empregadas para a previso do consumo de energia, dentre estas, a tcnica de regresso vem se destacando como uma das mais utilizadas na previso do consumo de eletricidade. Diferentes abordagens de regresso, com objetivos especficos de resolver problemas de determinados pases ou regies, so encontradas nos trabalhos apresentados na literatura. So usualmente empregadas tcnicas clssicas como regresso linear, redes neurais perceptron multicamadas e mquina de vetores de suporte para regresso, mas tambm tcnicas emergentes de otimizao e lgica nebulosa. Prever o consumo de energia com o valor mais preciso possvel no uma tarefa trivial e depende de uma srie de fatores. Os modelos mais populares para estimar a demanda de energia so definidos baseando-se no histrico de consumo e alguns fatores socioeconmicos. Segundo estudos empricos, um dos fatores mais importantes para a previso do consumo de energia o Produto Interno Bruto (PIB). Baseando-se nisso alguns modelos gerados se restringem a tratar somente o consumo de energia e o PIB. Um dos trabalhos mais recentes a tratar o assunto no escopo nacional apresentou um modelo de previso baseado em lgica fuzzy utilizando o consumo juntamente com o PIB e a populao e obteve bons resultados. Esse trabalho tem por objetivo avaliar, a partir de um estudo experimental, o desempenho de tcnicas de regresso clssicas - regresso linear, redes neurais perceptron multicamadas e mquina de vetores de suporte para regresso - na previso do consumo de energia no cenrio nacional. Alm disso, verificamos se a incluso de dados socioeconmicos adicionais, como salrio mnimo, taxa de cmbio, tarifa mdia do consumo de energia e preo do barril de petrleo, contribuiriam para a obteno de um modelo mais eficiente. Quando comparada aos resultados disponveis na literatura para o cenrio nacional, nossa abordagem demonstrou uma performance superior em algumas situaes. Palavras-chave: consumo de energia; regresso; regresso linear; redes neurais perceptron multicamadas; mquina de vetores de suporte para regresso. Abstract The world population has been rising on a large scale and this directly reflects on the electricity consumption. Given this scenario, techniques for accurately forecasting energy consumption are very useful, since these data can be applied in decision-making and good planning aimed at providing uninterrupted and reliable energy. There are several techniques that are usually used to forecast energy consumption, among them, regression techniques have been highlighted as the most used in forecasting electricity consumption. Different regression approaches, with specific purposes to solve problems of certain countries or regions, are found in the works presented in the literature. Classical techniques such as linear regression, multilayer perceptron neural network and support vector regression, but also emerging techniques of optimization and fuzzy logic, are usually employed. Forecasting energy consumption with the most accurate value possible is not a trivial task and depends on a number of factors. The most popular models for estimating energy demand are defined based on consumption history and some socioeconomic factors. According to empirical studies, one of the most important factors for forecasting energy consumption is Gross Domestic Product (GDP). Based on this, some models are restricted to treating only energy consumption and GDP. One of the more recent works dealing with the subject at the national level presented a fuzzy logic-based prediction model using consumption, GDP and population and obtained good results. This work aims to evaluate, through an experimental study, the performance of classical regression techniques - linear regression, multilayer perceptron neural network and support vector regression - in energy consumption forecast in the Brazilian scenario. In addition, we verified whether the inclusion of additional socioeconomic data, such as minimum wage, dollar exchange rate, average energy consumption and oil price, would contribute to obtaining a more efficient model. When compared to the results available in the literature for the national scenario, our approach demonstrated superior performance in some situations. Keywords: energy consumption; regression; linear regression; multilayer perceptron neural network; support vector regression. ()SUdevw}ñyhw hNmH sH #hw hN5B*\mH phsH hNB*mH phsH hw hNB*mH phsH "hw hN5CJ\aJmH sH hGhN5CJ\aJhw hN5B*\phhNB*phhw hNB*phhw hN5CJ\aJTU~gdw $a$gdw <P1h:p3\$. A!"#$% Dpj  666666666666666666666666666666666666666666 6666666666 666666666666 6666666666666666666666666666666666666666666666666666666666666666662 0@P`p2( 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p8XV~ OJPJQJ_HmHnHsHtHN`N 3\$Normal dCJ^J_HaJmHsHtH DA D 0Default Paragraph FontRiR 0 Table Normal4 l4a (k ( 0No List PK![Content_Types].xmlj0Eжr(΢Iw},-j4 wP-t#bΙ{UTU^hd}㨫)*1P' ^W0)T9<l#$yi};~@(Hu* Dנz/0ǰ $ X3aZ,D0j~3߶b~i>3\`?/[G\!-Rk.sԻ..a濭?PK!֧6 _rels/.relsj0 }Q%v/C/}(h"O = C?hv=Ʌ%[xp{۵_Pѣ<1H0ORBdJE4b$q_6LR7`0̞O,En7Lib/SeеPK!kytheme/theme/themeManager.xml M @}w7c(EbˮCAǠҟ7՛K Y, e.|,H,lxɴIsQ}#Ր ֵ+!,^$j=GW)E+& 8PK!Ptheme/theme/theme1.xmlYOo6w toc'vuر-MniP@I}úama[إ4:lЯGRX^6؊>$ !)O^rC$y@/yH*񄴽)޵߻UDb`}"qۋJחX^)I`nEp)liV[]1M<OP6r=zgbIguSebORD۫qu gZo~ٺlAplxpT0+[}`jzAV2Fi@qv֬5\|ʜ̭NleXdsjcs7f W+Ն7`g ȘJj|h(KD- dXiJ؇(x$( :;˹! I_TS 1?E??ZBΪmU/?~xY'y5g&΋/ɋ>GMGeD3Vq%'#q$8K)fw9:ĵ x}rxwr:\TZaG*y8IjbRc|XŻǿI u3KGnD1NIBs RuK>V.EL+M2#'fi ~V vl{u8zH *:(W☕ ~JTe\O*tHGHY}KNP*ݾ˦TѼ9/#A7qZ$*c?qUnwN%Oi4 =3ڗP 1Pm \\9Mؓ2aD];Yt\[x]}Wr|]g- eW )6-rCSj id DЇAΜIqbJ#x꺃 6k#ASh&ʌt(Q%p%m&]caSl=X\P1Mh9MVdDAaVB[݈fJíP|8 քAV^f Hn- "d>znNJ ة>b&2vKyϼD:,AGm\nziÙ.uχYC6OMf3or$5NHT[XF64T,ќM0E)`#5XY`פ;%1U٥m;R>QD DcpU'&LE/pm%]8firS4d 7y\`JnίI R3U~7+׸#m qBiDi*L69mY&iHE=(K&N!V.KeLDĕ{D vEꦚdeNƟe(MN9ߜR6&3(a/DUz<{ˊYȳV)9Z[4^n5!J?Q3eBoCM m<.vpIYfZY_p[=al-Y}Nc͙ŋ4vfavl'SA8|*u{-ߟ0%M07%<ҍPK! ѐ'theme/theme/_rels/themeManager.xml.relsM 0wooӺ&݈Э5 6?$Q ,.aic21h:qm@RN;d`o7gK(M&$R(.1r'JЊT8V"AȻHu}|$b{P8g/]QAsم(#L[PK-![Content_Types].xmlPK-!֧6 +_rels/.relsPK-!kytheme/theme/themeManager.xmlPK-!Ptheme/theme/theme1.xmlPK-! ѐ' theme/theme/_rels/themeManager.xml.relsPK]  _GoBackN3\$w $ G@@@UnknownG*Ax Times New Roman5Symbol3" Arial7.@CalibriACambria Math"YGYG!0$Pw !xxResumoStark IndustriesHelioOh+'0  @ L Xdlt|ResumoStark IndustriesNormal_WordconvHelio2Microsoft Office Outlook@F#@ii1@ii1՜.+,0 hp|   Resumo Title  !"#$%'()*+,-0Root Entry Fj121TableWordDocument> SummaryInformation(DocumentSummaryInformation8&CompObjy  F'Microsoft Office Word 97-2003 Document MSWordDocWord.Document.89q  F#Documento do Microsoft Office Word MSWordDocWord.Document.89q