@MASTERSTHESIS{ 2018:445193756,
 	title = {Abordagens inteligentes para estimar a produção de energia eólica},
 	year = {2018},
 	url = "https://bdtd.unifal-mg.edu.br:8443/handle/tede/1287",
 	abstract = "Uma das maiores preocupações do século XXI é conciliar o desenvolvimento econômico e social
 com a preservação ambiental. Assim, o setor de energia torna-se foco de estudo, visto que
 grande parte das emissões de gases poluentes são advindas da geração elétrica. Como consequência,
 fontes renováveis e limpas de energia, que não causam malefícios para a natureza,
 como a produção de energia eólica, ganharam destaque no Brasil e no mundo. Porém, como a
 produção de energia eólica é uma energia obtida a partir do vento, o homem não possui total
 controle sobre sua geração, o que torna desejável que se tenha certa confiança no que concerne
 ao seu potencial elétrico. O que justifica o desenvolvimento de métodos eficientes para previsão
 destes dados eólicos, pois obtendo confiança quanto a estes modelos de previsão, pode-se expandir,
 ainda mais, a eficiência e potencial energético da produção de energia eólica brasileira,
 além de auxiliar as empresas no que se refere a distribuição da energia. Além disso, pode-se
 ter mais segurança em diminuir a complementação térmica, visto que as turbinas termoelétricas
 são usadas no Brasil, em geral, em períodos sazonais, quando a produção hidroelétrica está em
 baixa. Todavia, a previsão dos dados eólicos não é tarefa trivial, devido às diversas variáveis
 exógenas que podem afetar na produção. Visto isso, o trabalho tem como objetivo fazer a predição
 de uma semana em escala horária da produção de energia eólica nas quatro estações do ano
 com os modelos inteligentes (XGBoost e Random Forest) e com um modelo estatístico tradicional
 (ARIMA), para posteriormente aplicar nos modelos inteligentes um algoritmo de seleção
 de variáveis, além de propor um novo modelo baseado em ensemble com os modelos individuais.
 A partir dos resultados obtidos, pode-se perceber que o Random Forest foi o modelo mais
 beneficiado pela seleção, enquanto que o XGBoost, mesmo sem a seleção, conseguiu ter um
 desempenho interessante, visto o seu método de aproximação. O ARIMA, mesmo sem ter se
 ajustado perfeitamente, obteve resultado um pouco inferior aos modelos inteligentes. Quanto
 ao ensemble proposto, percebe-se que o mesmo foi superior aos modelos desenvolvidos individualmente,
 principalmente em relação ao RMSE. Vale ressaltar que o ensemble conseguiu
 melhorar na predição, principalmente, nos dados extremos, em que todos os modelos individuais
 superestimavam.",
 	publisher = {Universidade Federal de Alfenas},
 	scholl = {Programa de Pós-Graduação em Estatística Aplicada e Biometria},
 	note = {Instituto de Ciências Exatas}
}