Logo do repositório
  • Página Inicial(current)
  • Buscar
    Por Data de PublicaçãoPor AutorPor TítuloPor Assunto
  • Tutoriais
  • Documentos
  • Sobre o RI
  • Eventos
    Repositório Institucional da UFRN: 15 anos de conexão com o conhecimento
  • Padrão
  • Amarelo
  • Azul
  • Verde
  • English
  • Português do Brasil
Entrar

SIGAA

  1. Início
  2. Pesquisar por Autor

Navegando por Autor "Siqueira, Natássia Rafaelle Medeiros"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 1 de 1
  • Resultados por página
  • Opções de Ordenação
  • Nenhuma Miniatura disponível
    Dissertação
    Utilização de aprendizado de máquina para classificação de perfis de consumo de energia elétrica nas diferentes regiões do Brasil
    (Universidade Federal do Rio Grande do Norte, 2023-02-24) Siqueira, Natássia Rafaelle Medeiros; Canuto, Anne Magaly de Paula; https://orcid.org/0000-0002-3684-3814; http://lattes.cnpq.br/1357887401899097; https://orcid.org/0000-0003-4601-7396; http://lattes.cnpq.br/1831533866865920; Carvalho, Bruno Motta de; https://orcid.org/0000-0002-9122-0257; http://lattes.cnpq.br/0330924133337698; Nascimento, Diego Silveira Costa; https://orcid.org/0000-0001-5714-6738; http://lattes.cnpq.br/0237930361350556
    A previsão precisa do consumo de energia pode contribuir significativamente para melhorar a gestão de distribuição e potencialmente contribuir para controlar e reduzir os índices de consumo de energia. O avanço nas técnicas computacionais baseadas em dados estão se tornando cada vez mais robustas e populares por alcançarem bons índices de precisão nos resultados. Este estudo propõe o desenvolvimento de um modelo capaz de classificar perfis de consumo energético no setor residencial, utilizando técnicas de aprendizado de máquina e transferência de aprendizado (do Inglês Transfer Learning). A aplicação de técnicas de Aprendizado de Máquina (AM) na produção energética pode indicar grande potencial para controle e gestão da produção e distribuição de energia elétrica, podendo trazer maior eficiência, melhorar a produção e otimizar a distribuição. Neste estudo, combinamos as técnicas de AM com a transferência de aprendizado que é capaz de utilizar o conhecimento pré estabelecido em novos contextos (bases de conhecimento), tornando o processo de previsão energética mais eficiente e robusto.
Repositório Institucional - UFRN Campus Universitário Lagoa NovaCEP 59078-970 Caixa postal 1524 Natal/RN - BrasilUniversidade Federal do Rio Grande do Norte© Copyright 2025. Todos os direitos reservados.
Contato+55 (84) 3342-2260 - R232Setor de Repositórios Digitaisrepositorio@bczm.ufrn.br
DSpaceIBICT
OasisBR
LAReferencia
Customizado pela CAT - BCZM