[pt] Esse estudo tem como objetivo efetuar previsões não condicionadas de demanda de energia elétrica no Brasil para a classe industrial entre os meses de Janeiro e Dezembro de 2010. Para tanto, verificou-se a causalidade entre as variáveis em estudo, em seguida se as mesmas eram estacionárias ou processos integrados. Posteriormente procedeu-se ao teste de co-integração, cujo intuito era determinar se as séries apresentavam alguma tendência comum ao longo do tempo. As previsões foram estimadas através do Modelo de Correção de Erros na abordagem Clássica (VAR/VEC) e Bayesiana (BVAR/BVEC) e, ao fim, efetuou-se uma análise comparativa através da média dos erros. Os resultados obtidos mostraram que a metodologia Bayesiana se fez mais acurada do que a metodologia Clássica. / [en] This thesis describes two multivariate statistical based approaches to generate unconditional monthly forecasts for the brazilian industrial electricity demand covering the lead time spanning from Jan/2010 to Dec/2010. For that, it was first checked the causality among the series involved followed by stationarity tests. It was also carried out cointegration tests to check the existence of long range trend among the series. The two approaches adopted were, respectivelly, the Classical Error Correction Vector Model (VAR/VEC) and the Bayesian counterpart (BVAR/BVEC); both modelling simultaneously the series involved in the study as a vector of time series that follow a kind of vector autoregressive structure. The results obtained with both, were compared, and, a main conclusion of the thesis, the Bayesian model produced better results, in terms of accuracy, them the Classical counterpart.

[pt] O ONS (operador nacional do sistema elétrico brasileiro) vem utilizando o software ANNSTLF produzido pelo EPRI/EUA (Eletrical Power Research Institute) para realizar a previsão do consumo de carga horária. Entretanto, as estimativas fornecidas pelo programa estão fundamentadas na metodologia de uma rede neural que, de certo modo, impede ao usuário de extrair uma maior interpretação dos resultados que são fornecidos pela rede. Assim sendo, este trabalho pesquisou os métodos univariados convencionais: Holt-Winters e Box e Jenkins, considerando suas formulações aperfeiçoadas e adaptadas às características próprias do tipo de série em questão. Isto é, assumindo a existência de dois ciclos sazonais: um diário e outro semanal. A vantagem destas técnicas univariadas, em comparação ao ANNSTLF, é principalmente a interpretabilidade das informações obtidas. Dessa forma, esta pesquisa permite também avaliar melhor o desempenho do ANNSTLF. / [en] The ONS (National Operator of the Brazilian electrical system) has been using the software ANNSTLF produced by EPRI/USA (Eletrical Power Research Institute) to carry out the forecast of the hourly load consumption. However, the estimates supplied by the program are based on the methodology of a neural net that, in a way, does not allow the user to extract a better interpretation of the results produced by the net. Therefore, investigates the conventional univaried methods: Holt-Winters and Box & Jenkins, considering its formulations perfected and adapted to the characteristics of the series understudy. That is, its assumed the existence of two seasonal cicles: daily and weekly. The advantage of these univariate techniques, in comparison to the ANNSTLF, is mainly the ability to interpret the model estimates. Also, this research also allows a better evaluation the performance of the ANNSTLF.

[pt] O presente estudo, apresenta um conjunto de propostas metodológicas relacionadas a reconciliação de previsões em Séries Temporais Hierárquicas. O principal objetivo é apresentar soluções originais ao tema, buscando obter previsões mais acuradas do que as obtidas por modelos independentes para os diferentes níveis da hierarquia. Os estudos foram realizados considerando dados reais, mostrando a potencialidade de aplicação dos métodos desenvolvidos em diferentes cenários, onde as series temporais são estruturadas de forma hierárquica. Esta tese é composta por um conjunto de ensaios que exploram a reconciliação de previsão sob a ótica de um modelo de regressão, que dá origem a reconciliação ótima. A primeira contribuição trata do problema da reconciliação de previsões na perspectiva de estimadores robustos. A proposta apresenta uma contribuição original aplicada a dados dos de pesquisas de força de trabalho no Brasil, apresentando um conjunto de soluções que podem direcionar políticas públicas eficientes. Neste caso, as previsões reconciliadas obtidas através de estimadores robustos possibilitaram um maior ganho em termos acurácia e uma performance equivalente aos métodos que representam o estado da arte sobre reconciliação de previsões em séries temporais hierárquicas. A segunda contribuição trata do problema da reconciliação ótima em séries de consumo de energia no Brasil, apresentado uma proposta alternativa, menos sensível a valores estremos. Os resultados obtidos neste segundo trabalho apresentam melhoramentos consideráveis em métricas de avaliação padrão no que diz respeito as novas previsões. Uma terceira proposta busca oferecer uma estrutura alternativa de covariância dos erros de previsão, que irá ampliar o conjunto de propostas apresentadas na literatura para o método de reconciliação denominado por MinT (do inglês, Minimum Trace) , que minimiza os erros de reconciliação, oferecendo um estimador de variância mínima. / [en] This study presents a set of methodological proposals aimed at improving forecast reconciliation in the context of Hierarchical Time Series. The main objective is to present original solutions to the theme, seeking to obtain more accurate forecasts than those obtained by independent models for the different levels of the hierarchy. The studies were conducted using real data, showing the potentiality of application of the methods developed in different scenarios, in which the time series are structured in a hierarchical fashion. This thesis is composed of a set of essays that explore forecast reconciliation from the perspective of a regression model, which gives foundations to optimal reconciliation. The first contribution addresses the problem of forecast reconciliation from the perspective of robust estimators. The proposal presents an original contribution applied to data from labor force surveys in Brazil, presenting a set of solutions that can drive efficient public policies. In this case, the reconciled forecasts obtained through robust estimators provided consistent gains in terms of accuracy when compared to methods that represent the state-of-the-art on forecast reconciliation in hierarchical time series. The second contribution deals with the problem of optimal reconciliation applied to energy consumption time series in Brazil. We present an alternative proposal, less sensitive to outlying forecasts at the reconciliation stage. The results obtained in this second study show considerable improvements in standard evaluation metrics with regard to the new forecasts. The third proposal seeks to offer robust covariance structures for forecasting errors, which expands the set of strategies presented in the literature. The main contribution is to incorporate robust covariance estimates into the MinT (Minimum Trace) reconciliation approach, which minimizes reconciliation errors, offering an estimator with minimum variance.