PREVISÃO DE CONSUMO DE ENERGIA UTILIZANDO REDE NEURAL COM RETARDO DE TEMPO (TDNN)

Autores

  • Bruno Parpinelli Bonfim Universidade do Oeste Paulista
  • Rafael Bratifich Universidade do Oeste Paulista - UNOESTE
  • Marcelo Marques da Silva Universidade do Oeste Paulista - UNOESTE
  • Hugo Gomes Silva Universidade do Oeste Paulista - UNOESTE

Palavras-chave:

Redes neurais artificiais, modelos computacionais, classificação de dados

Resumo

As redes neurais artificiais (RNA), são modelos computacionais inspiradas na forma de trabalho do sistema nervoso dos seres vivos, esses modelos podem ser utilizados para processamento e classificação de dados e aplicações, tais como previsão de séries e funções. Dessa forma, neste trabalho utilizou-se uma rede neural com retardo de tempo (TDNN) para prever a demanda de energia ativa no barramento P4 na cidade de Presidente Prudente.

Downloads

Não há dados estatísticos.

Referências

BERCI, C. D. Observadores Inteligentes de Estado: Propostas. 2008. Dissertação (Mestrado) – Universidade Estadual de Campinas, Campinas. Disponível em: <http://repositorio.unicamp.br/jspui/handle/REPOSIP/258837>. Acesso: 13 agosto 2020.

SILVA, I. N; SPATTI, D. H; FLAUZINO, R. A. Redes Neurais Artificiais Para Engenharia e Ciências Aplicadas – Curso Prático. 1.ed. São Paulo: Artliber, 2010. p. 11.

BEAR, Mark F.; CONNORS, Barry W.; PARADISO, Michael A. Neurociências: desvendando o sistema nervoso. Artmed Editora, 2008.

FERNANDES, J. O famoso potencial de ação. 2019. Artigo publicado em Jaleko. Disponível em: < https://blog.jaleko.com.br/o-famoso-potencial-de-acao/>. Acesso: 13 agosto 2020.

FURTADO, H. & CAMPOS V. H. & MACAU E. (2011). Assimilação de dados com redes neurais artificiais em equações diferenciais. Disponível em: < https://www.researchgate.net/publication/264735169_ASSIMILACAO_DE_DADOS_COM_REDES_NEURAIS_ARTIFICIAIS_EM_EQUACOES_DIFERENCIAIS>. Acesso: 13 agosto 2020. https://doi.org/10.5540/DINCON.2011.001.1.0152

BARBOSA, Anderson Henrique; FREITAS, Marcílio Sousa da Rocha; NEVES, Francisco de Assis das. Confiabilidade estrutural utilizando o método de Monte Carlo e redes neurais. Rem: Rev. Esc. Minas, Ouro Preto, v. 58, n. 3, p. 247-255, Sept. 2005. Available from <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0370-44672005000300011&lng=en&nrm=iso>. access on 16 Aug. 2020. https://doi.org/10.1590/S0370-44672005000300011.

SIQUEIRA-BATISTA, Rodrigo et al . As redes neurais artificiais e o ensino da medicina. Rev. bras. educ. med., Rio de Janeiro, v. 38, n. 4, p. 548-556, Dec. 2014. Available from <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-55022014000400017&lng=en&nrm=iso>. access on 20 Aug. 2020. https://doi.org/10.1590/S0100-55022014000400017.

ARANTES MONTEIRO, Raul Vitor et al. Avaliação de algoritmos de treinamento de redes neurais artificiais para predição temporal de geração fotovoltaica. Energética, La Habana, v. 37, n. 3, pág. 218-228, dezembro de 2016. Disponível em <http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59012016000300007&lng=en&nrm=iso>. acesso em 20 de agosto de 2020.

MACHADO, Wagner Carrupt; FONSECA JUNIOR, Edvaldo Simões da. Redes neurais artificiais aplicadas na previsão do VTEC no Brasil. Bol. Ciênc. Geod., Curitiba, v. 19, n. 2, p. 227-246, June 2013. Available from <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1982-21702013000200005&lng=en&nrm=iso>. access on 20 Aug. 2020. https://doi.org/10.1590/S1982-21702013000200005.

Downloads

Publicado

2021-02-23

Como Citar

Bonfim, B. P., Bratifich, R., Silva, M. M. da, & Silva, H. G. (2021). PREVISÃO DE CONSUMO DE ENERGIA UTILIZANDO REDE NEURAL COM RETARDO DE TEMPO (TDNN). Colloquium Exactarum. ISSN: 2178-8332, 12(4), 63–70. Recuperado de http://revistas.unoeste.br/index.php/ce/article/view/3829

Artigos mais lidos pelo mesmo(s) autor(es)