@MASTERSTHESIS{ 2021:1011328193,
 	title = {Redes neurais artificiais BIGRU_CNN aplicadas à previsão de demanda de energia elétrica de curto prazo},
 	year = {2021},
 	url = "http://tede.unioeste.br/handle/tede/5712",
 	abstract = "O presente trabalho analisou o comparativo entre redes neurais artificiais feedforwards, recorrentes, convolucionais e bidirecionais baseadas em camadas de diferentes arquiteturas como ferramenta preditiva de demanda de energia elétrica de curto prazo. Esses modelos de previsões podem servir como instrumento de apoio relacionados à tomada de decisão de empresas do setor energético, em virtude da demanda de energia ser estabelecida um dia antes de sua transmissão em boa parte do mundo. O código das redes neurais artificiais foi programado em Python fazendo uso do pacote Keras. As previsões de todas as redes foram realizadas 10 vezes até se chegar a uma amostra estatística aceitável para que valores futuros de demanda de energia sejam os mais próximos possíveis da realidade. O melhor modelo de previsão foi o da rede BiGRU_CNN, onde os erros médios atribuídos as suas previsões em um horizonte de 24 horas foram de 3,42% para o erro MAPE, 100,75 MW para a métrica de acurácia MAE e 122,2 MW
 para o erro RMSE.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Engenharia Elétrica e Computação},
 	note = {Centro de Engenharias e Ciências Exatas}
}