[pt] Esta tese apresenta uma modelagem para séries temporais que possuem uma estrutura de autocorrelação que depende não somente do intervalo de tempo entre as observações, mas também do período observado. Esta modelagem consiste na combinação entre as metodologias de encolhimento wavelets e modelos auto-regressivos periódicos – PAR(p). As wavelets vêm sendo utilizadas na literatura de séries temporais como um procedimento auxiliar de préprocessamento da série em análise; e o modelo PAR(p) tem sua importância reconhecida devido ao seu emprego em séries hidrológicas mensais. Especificamente, no setor elétrico brasileiro, pode-se observar a predominância da energia de origem hidrelétrica. Uma das principais características das matrizes de energia com esta composição é a forte dependência do padrão de precipitação e das condições hidrológicas futuras, o que torna a série de vazão muito irregular e difícil de ser modelada. Portanto, a geração hidrelétrica pode ser considerada uma variável estocástica e pequenos avanços na modelagem estocástica de vazões permitem um melhor planejamento da operação do sistema. Assim, esta tese teve como objetivos obter melhores previsões e geração de cenários a partir do modelo PAR(p) e avançar na modelagem estocástica de vazões. Os principais resultados obtidos indicaram que a combinação das metodologias obteve melhor desempenho do que apenas a modelagem PAR (p), tanto em casos simulados, quanto no emprego a séries reais. / [en] This thesis presents an approach to modeling time series that have an autocorrelation structure that depends not only on the time interval between the observations, but the observed period. This approach consists of a combination between wavelet shrinkage and periodic autoregressive models – PAR(p). Wavelets have been used in the literature of time series as an auxiliary procedure for preprocessing the series under analysis, and the PAR(p) model has its importance recognized due to its use in hydrological series monthly. Specifically, in the Brazilian electricity sector, it is possible to observe the predominance of hydroelectric energy. One of the main characteristics of energy matrices with this composition is the strong dependence on rainfall patterns and future hydrological conditions, which turn the streamflow series very irregular and difficult to be modeled. Therefore, hydroelectric generation can be considered a stochastic variable and small advances in stochastic modeling of streamflows allow for better planning of the system´s operation. Thus, this thesis aimed to improve forecasting and scenario generation with the PAR(p) model and to contribute to stochastic modeling of flow. The main results indicated that the combination of methodologies achieves better results than only the PAR(p) modeling, both in simulated cases and in real time series.

[pt] Os modelos autorregressivos são comumente encontrados dentro do contexto de séries hidrológicas, especificamente em séries de vazões e/ou ENA (Energia Natural Afluente). Muitos destes modelos são de ordem 1, possuem parâmetros constantes ou periódicos e necessitam do requisito de normalidade. Segundo a literatura, séries de vazões anuais podem ser aproximadas para distribuições normais, porém em períodos de tempo curtos como diário, semanal e mensal esta característica não é observada, especialmente pelo problema de assimetria. Devido a isto, uma nova classe de modelo de ordem 1 foi estudada na tentativa de suprir tal problema. O novo modelo mantém estrutura autorregressiva, pode ser aditivo, multiplicativo ou híbrido, onde incorpora propriedades aditivas e multiplicativas conjunta- mente, porém suas marginais assumirão distribuição gama. Além disso, a modelagem parte do pressuposto que os Métodos de Momentos são eficientes para estimação de seus parâmetros. Recentemente esta abordagem, sob a forma híbrida, não demonstrou sucesso para o contexto do despacho hidrotérmico brasileiro. O presente trabalho foca na análise completa do modelo híbrido para as séries do Setor Elétrico Brasileiro, trazendo como novidade a estimação via máxima verossimilhança além dos estudos isolados de modelos aditivos e multiplicativos. Os resultados revelaram uma linha de pesquisa promissora, abrindo um campo de possibilidades para que novas ordens superiores a primeira ou distribuições assimétricas possam ser estudadas partindo deste princípio. / [en] Autoregressive models are commonly found in the context of hydrological series, specifically in streamflow and/or ANE series (Affluent Natural Energy). Most of them are models of order 1, which have constant or periodic parameters and need the requirement of normality. According to the literature, annual streamflow series can be approximated for normal distributions, however, in short periods of time, like daily, weekly and monthly, this feature is not observed, especially because of the asymmetry issue. Due to this reason, a new class of model of order 1 was studied for attempting to solve such problem. The new model keeps autoregressive structure and can be additive, multiplicative or hybrid, in which embodies additive and multiplicative properties together, but its marginals will assume gamma distribution. Moreover, this modeling departs from the presupposition that Methods of Moments are efficient to the estimation of its parameters. Recently, this approach, under the hybrid way, has not proved to be successful to the context of Brazilian hydrothermal dispatch. This work focuses on the complete analysis of hybrid model to the series of the Brazilian Electric Sector, bringing, as novelty, Maximum Likelihood Estimation, besides isolated studies of additive and multiplicative models. The results revealed a prosperous line of research, opening a field of possibilities for new orders or asymmetric distributions to be studied starting from this point.