Comparação de diferentes modelos para previsão do percentual de energia armazenada no Sul do Brasil
DOI:
https://doi.org/10.5902/2236117015866Palabras clave:
Comparação de modelos de previsão, Distribuição beta, Energia armazenada, Modelo ARM, Modelo βARMAResumen
O presente trabalho visa verificar a adequação de modelos de séries temporais para modelar o percentual de energia armazenada na Região Sul do Brasil. Foram considerados o modelo autorregressivo de médias móveis (ARMA) e o modelo beta autorregressivo de médias móveis (βARMA). O modelo ARMA é um modelo tradicional e amplamente utilizado, enquanto que o modelo βARMA é um modelo recentemente proposto na literatura para modelar variáveis contínuas restritas ao intervalo (0,1), como o percentual de energia armazenada. Previsões acuradas para o percentual deenergiaasseguramofornecimentoeadistribuiçãodeenergiadeformasegura, comqualidadeedemaneiraeconômica. Os resultados evidenciam superioridade do modelo βARMA, uma vez que apresenta valores ajustados e previstos mais próximos aos valores reais observados.Descargas
Citas
ABDEL-AAL, R. E., 2008. Univariate modeling and forecasting of monthly energy demand time series using abductive and neural networks. Computers & Industrial Engineering 54, 903–917.
AKAIKE, H., 1974. A new look at the statistical model identification. IEEE Transactions on Automatic Control 19, 716–723.
ANEEL, 2013. Relatório aneel 2012. Tech. rep., Agência Nacional de Energia Elétrica, Brasília - DF, 92 p.
ANSLEY, C. F., NEWBOLD, P., 1980. Finite sample properties of estimators for autorregressive moving average models. Journal of Econometrics 13, 159–183.
Bayer, F., Souza, A. M., 2010. Wavelets e modelos tradicionais de previsão: um estudo comparativo. Revista Brasileira de Biometria 28 (2), 40–61.
BENJAMIN, M. A., RIGBY, R. A., STASINOPOULOS, D. M., 2003. Generalized autoregressive moving average models. Journal of the American Statistical Association 98, 214–223.
BOX, G., JENKINS, G. M., REINSEL, G., June 2008. Time series analysis: forecasting and control, 4th Edition. Hardcover, John Wiley & Sons.
BRASIL, 2008. Balanço energético nacional: ano base 2007. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 246 p.
BRASIL, 2009. Balanço energético nacional: ano base 2008. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 276 p.
BRASIL, 2010. Balanço energético nacional: ano base 2009. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 276 p.
BRASIL, 2011. Balanço energético nacional: ano base 2010. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 267 p.
BRASIL, 2012. Balanço energético nacional: ano base 2011. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 282 p.
BRASIL, 2013. Balanço energético nacional: ano base 2012. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 284 p.
BRASIL, 2014. Balanço energético nacional: relatório síntese ano base 2013. Tech. rep., Ministério de Minas e Energia (MME), Empresa de Pesquisa Energética (EPE), Brasília - DF, 284 p.
CAMPOS, R. J., 2008. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. Dissertação de Mestrado, Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Minas Gerais.
CRIBARI-NETO, F., ZEILEIS, A., 2010. Beta regression in R. Journal of Statistical Software 34 (2).
FERRARI, S. L. P., CRIBARI-NETO, F., 2004. Beta regression for modelling rates and proportions. Journal of Applied Statistics 31 (7), 799–815.
FERRARI, S. L. P., PINHEIRO, E. C., 2011. Improved likelihood inference in beta regression. Journal of Statistical Computation and Simulation 81
(4), 431–443.
GOOIJER, J. D.AND HYNDMAN, R. J., 2006. 25 years of time series forecasting. International Journal of Forecasting 22, 443 – 473.
KUMAR, U., JAIN, V. K., 2010. Arima forecasting of ambient air pollutants (o3 , no, no2 and co). Stochastic Environmental Research and Risk Assessment 24, 751–760.
Morettin, P. A., Toloi, C. M. C., 2006. Análise de Séries Temporais. Associação Brasileira de Estatística.
ONS, 2014a. Acompanhamento diário da operação hidroenergética do sistema interligado nacional. URL http://www.ons.org.br/
ONS, 2014b. Acompanhamento diário da operação hidroenergética do sistema interligado nacional. Tech. rep., Operado Nacional do Sistema Elétrico, 11 p.
ONS, 2014c. Diagrama esquemático das usinas hidroelétricas do sin. horizonte: 2014-2018. Tech. rep., Operador Nacional do Sistema Elétrico, Brasília - DF, 92 p.
ONS, 2014d. O que é o sin - sistema interligado nacional. URL http://www.ons.org.br/conheca_sistema/o_que_e_sin.aspx
Prass, T. P., Bravo, J. M., Clarke, R. T., Walter Collischonn, W.and
Lopes, S. R. C., 2012. Comparison of forecasts of mean monthly water level in the paraguay river, brazil, from two fractionally differenced models. Water Resources Research 48.
R Development Core Team, 2012. R: A Language and Environment for Statistical Computing.
R Foundation for Statistical Computing, Vienna, Austria, ISBN 3-900051-07-0.
Rocha, A. V., Cribari-Neto, F., 2009. Beta autoregressive moving average models. Test 18 (3), 529–545.
Said, S. E., Dickey, D. A., 1984. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika 71, 599–607.
Serrão, F., 2003. Modelo de previsão de carga de curto prazo utilizando redes neurais e lógica fuzzy. Dissertação de Mestrado, Programa de Pós-graduação em Engenharia Elétrica pela Pontifícia Universidade Católica, Rio de Janeiro, Brasil.
Suganthi, L., Samuel, A. A., 2012. Energy models for demand forecasting—a review. Renewable and Sustainable Energy Reviews 16, 1223–1240.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
DECLARATION
