Título:	High dimensional models for forecasting power electricity consumption
Autor(es):	Albuquerque, Pedro Caiua Campelo
Orientador(es):	Rossi, Marina Delmondes de Carvalho
Assunto:	Energia elétrica Aprendizagem de máquina Economia Energia elétrica - consumo
Data de publicação:	9-Jan-2020
Data de defesa:	17-Jun-2019
Referência:	ALBUQUERQUE, Pedro Caiua Campelo. High dimensional models for forecasting power electricity consumption. 2019. 41 f., il. Dissertação (Mestrado em Economia)—Universidade de Brasília, Brasília, 2019.
Abstract:	This work uses machine learning techniques to predict Brazilian power electricity consumption (PEC) for short and medium term. The models are compared to benchmark specifications such as Random Walk and autoregressive integrated moving average (ARIMA). Our results show that machine learning methods, especially Random Forest and Lasso Lars, have superior accuracy for all forecasts horizons by removing the overfitting present in traditional models. Random Forest and Lasso Lars managed to keep up with the trend and the seasonality in different time horizons. The gain in predicting PEC using machine learning models compared to traditional ones is much higher in very short-term. Machine learning variable selection further shows that lagged consumption values are extremely important for very short-term forecasting due to its high autocorrelation. Other variables are important for longer time horizons.
Unidade Acadêmica:	Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE) Departamento de Economia (FACE ECO)
Informações adicionais:	Dissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Ciências Econômicas, 2019.
Programa de pós-graduação:	Programa de Pós-Graduação em Economia
Licença:	A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:	Teses, dissertações e produtos pós-doutorado

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.