Please use this identifier to cite or link to this item:
http://riu.ufam.edu.br/handle/prefix/7384
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Trindade, Alessandro Bezerra | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4511445991061477 | pt_BR |
dc.contributor.referee1 | Januário, Francisco de Assis Pereira | - |
dc.contributor.referee2 | Dias, Ozenir Farah da Rocha | - |
dc.creator | Simões, Luís Henrique Raheem | - |
dc.date.accessioned | 2024-02-07T23:03:54Z | - |
dc.date.available | 2024-02-07T23:03:54Z | - |
dc.identifier.uri | http://riu.ufam.edu.br/handle/prefix/7384 | - |
dc.description.abstract | This work proposes the use of data science as an energy planning tool and can assist in the design of electrical systems in isolated communities in the Amazon region. Although it is a huge region, the Amazon basin still presents a very big challenge in providing electricity, mainly due to the lack of detailed data on communities and their energy needs. And, without correct sizing, the costs involved, whether for installation or operation of the electrification systems, can cause losses for the energy concessionaire or even dissatisfaction among users due to failure to meet their needs. The method proposed here is based on supervised machine learning, using several classifiers to predict the installed power and energy consumed of houses in a riverside community. The data used to train the method was collected from 14 non-electrified communities in the lower Rio Negro, in Amazonas. The questionnaires collected information on the socioeconomic characteristics of families, such as family structure, level of education, productive activities and energy consumption habits. The results of the method showed that it is possible to predict the installed power and energy consumed with good accuracy. The installed power was predicted with an accuracy of 79.2% and the energy consumed was predicted with an accuracy of 68,5%. This method can be used to support decision-making in the electrification of isolated communities. It can help estimate electrification costs as well as identify communities that have the greatest energetic need. | pt_BR |
dc.description.resumo | Este trabalho propõe a utilização da ciência de dados como ferramenta de planejamento energético e poder auxiliar no dimensionamento de sistemas elétricos de comunidades isoladas na região amazônica. Embora seja uma região imensa, a bacia amazônica ainda apresenta um desafio muito grande para se levar energia elétrica, principalmente pela falta de dados detalhados das comunidades e das suas necessidades energéticas. E, sem um dimensionamento correto, os custos envolvidos, sejam de instalação quanto de operação dos sistemas de eletrificação, podem causar prejuízo para a concessionária de energia ou ainda insatisfação dos usuários pelo não atendimento às suas necessidades. O método aqui proposto é baseado em aprendizagem de máquina supervisionado, utilizando vários classificadores para prever a potência instalada e a energia consumida de casas de uma comunidade ribeirinha. Os dados utilizados para o treinamento do método foram coletados de 14 comunidades não eletrificadas no baixo Rio Negro, no Amazonas. Os questionários coletaram informações sobre as características socioeconômicas das famílias, como estrutura familiar, nível de educação, atividades produtivas e hábitos de consumo de energia. Os resultados do método mostraram que é possível prever a potência instalada e a energia consumida com boa precisão. A potência instalada foi prevista com uma acurácia de 79,2% e a energia consumida foi prevista com uma acurácia de 68,5%. Este método pode ser utilizado para apoiar a tomada de decisão na eletrificação de comunidades isoladas. Pode ajudar a estimar os custos de um sistema de eletrificação, bem como a identificar as comunidades que têm maior necessidade energética. | pt_BR |
dc.language | por | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | FT - Faculdade de Tecnologia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | por |
dc.subject | Aprendizagem de máquina supervisionado | pt_BR |
dc.subject | Planejamento enegético | pt_BR |
dc.subject | Mineração de dados | pt_BR |
dc.subject | Comunidades ribeirinhas | pt_BR |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Aprendizagem de máquina como ferramenta de planejamento energético: estudo de caso aplicado a comunidades não eletrificadas do baixo Rio Negro no Amazonas | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.creator.affiliation | Universidade Federal do Amazonas | pt_BR |
dc.date.event | 2023-11-08 | - |
dc.publisher.localpub | Manaus (AM) | pt_BR |
dc.subject.controlado | Mineração de dados (Computação) | pt_BR |
dc.creator.affiliation-init | UFAM | pt_BR |
dc.publisher.course | Engenharia da Computação - Bacharelado - Manaus | pt_BR |
Appears in Collections: | Trabalho de Conclusão de Curso - Graduação - Engenharias |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TCC_LuisSimoes.pdf | 1,71 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.