$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Estatísticas | Formato DC |



Título: ENERGY DEMAND FORECASTING BY ARTIFICIAL INTELLIGENCE TECHNIQUE
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Autor(es): RAFAEL CARDOSO DE ASSUMPCAO

Colaborador(es):  DELBERIS ARAUJO LIMA - Orientador
Número do Conteúdo: 41552
Catalogação:  15/07/2019 Idioma(s):  PORTUGUESE - BRAZIL

Tipo:  TEXT Subtipo:  MONOGRAPH
Natureza:  SCHOLARLY PUBLICATION
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=41552@1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=41552@2
Referência DOI:  https://doi.org/10.17771/PUCRio.acad.41552

Resumo:
This Electrical Engineering Undergraduate Project consists in the time series forecasting of the load of a special consumer, by Artificial Intelligence techniques. Several methods are available for predicting of the consumption of electrical energy. However, recurrent neural networks, especially Long Short-Term Memory networks, have been standing out in time series forecasting due to their long term memory capacity. The objective of this work is the development of a computational program that applies Long Short-Term Memory networks to predict demand, with the use of distance metrics for result evaluation.

Descrição Arquivo
COMPLETE  PDF
Logo maxwell Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui