[pt] A presente dissertação tem por objetivo o estudo quantitativo da previsão da demanda de carga elétrica semanal para a região sudeste e em particular, para os Estados do Rio de Janeiro e São Paulo. Foram estudadas para tanto as séries reais dos últimos 7(sete) anos, ou seja, de janeiro de 1991 a novembro de 1997 das concessionárias LIGHT, CERJ, CESP, CPFL e ELETROPAULO. Para o estudo de previsão foi utilizado o conceito in sample, ou seja, parte real dos dados foram separados e mais tarde comparados com os valores previstos experimentalmente para aquela mesma época dos dados reais separados. Desta forma, permitiu-se averiguar qual seria a precisão da previsão, verificando-se os erros entre os valores experimentais e reais. Para os cálculos das previsões, também foi utilizado o conceito de bayesiano de combinação de previsões (outperformance) das duas técnicas a saber: redes neurais artificiais (software Neunet) e o modelo clássico Box & Jenkins (software Autobox). Para se obter o valor combinado das previsões, foi utilizado software matlab que se comportou de maneira adequada para o estudo em questão. Além disso vale acrescentar que o software Neunet foi utilizado, pois possui em seu ambiente a técnica de eliminação de sinapses enquadra-se dentro do conceito de redes neurais multicamadas com retropropagação dos erros. / [en] The goal of this dissertation is to present a quantitative study in time series of weekly electrical charge demand at the southeast region, particulary at Rio de Janeiro and São Paulo. In this work will be analysed the last 7 years, from january 1991 to november of 1997. The next time series were study: LIGHT, CERJ, CESP, CPFL and ELETROPAULO. Aimming to test the model against real data the concept of sample data was utilized in this dissertation. Another concept used in this work was outperformance. Outperformance is a Bayesian concept that involves the combination of two or more techniques in order to enchance the forecasting results. Artificial neural network and Box and Jenkins method are combined in this work. It is also interesting to notice that weight elimination, which is a new ANN technique, proved to be faster then classical back- propagation and yielded better results.

[pt] Apesar do reconhecimento amplo da qualidade das previsões obtidas na aplicação de um modelo ARIMA à previsão de séries temporais univariadas, seu uso tem permanecido restrito pela falta de procedimentos automáticos, computadorizados. Neste trabalho este problema é discutido e um algoritmo é proposto. / [en] Inspite of general recognition of the good forecasting ability of ARIMA models in predicting time series, this approach is not widely used because of the lack of automatic, computerized procedures. In this study this problem is discussed, and an algorithm is proposed.

[pt] Observando a dificuldade de batimento (match) dos padrões de comportamento das funções de autocorrelação e de autocorrelação parcial teóricas com as respectivas funções e as autocorrelação e de autocorrelação parcial estimadas de uma séries temporal, aliada ao fato da dificuldade em definir um número em específico como delimitador inequívoco do que seja um lag significativo, tornam clara a dose de julgamento subjetivo a ser realizado por um especialista de análise de séries temporais na tomada de decisão sobre a estrutura de Box & Jenkins adequada a ser escolhida para modelar o processo estocástico sendo estudado. A matemática nebulosa permite a criação de sistemas de inferências nebulosas (inferência dedutiva) e representa o conhecimento de forma explícita, através de regras nebulosas, possibilitando, facilmente, o entendimento do sistema em estudo. Por outro lado, um modelo de redes neurais representa o conhecimento de forma implícita, adquirido através de exemplos (dados), possuindo excelente capacidade de generalização (inferência indutiva). Esta tese apresenta um sistema especialista composto de cinco redes neurais nebulosas do tipo retropropagação para o auxílio na análise de séries temporais não sazonais. O sistema indica ao usuário a estrutura mais adequada, dentre as estruturas AR(1), MA (1), AR(2), MA(2) e ARMA(1,1), tomando como base a menor distância Euclidiana entre os valores esperados e as saídas das redes neurais nebulosas. / [en] It is well known the difficulties associated with the tradicional procedure for model identification of the Box & Jenkins model through the pattern matching of the theoretical and estimated ACF and PACF. The decision on the acceptance of the null hypothesis of zero ACF (or PACF) for a given lag is based on a strong asymptotic result, particularly for the PACF, leading, sometimes, to wrong decisions on the identified order of the models. The fuzzy logic allows one to infer system governed by incomplete or fuzzy knowledge (deductive inference) using a staighforward formulation of the problem via fuzzy mathematics. On the other hand, the neural network represent the knowledge in a implicit manner and has a great generalization capacity (inductive inference). In this thesis we built a specialist system composed of 5 fuzzy neural networks to help on the automatic identificationof the following Box & Jenkins ARMA structure AR(1), MA(1), AR(2), MA(2) and ARMA (1,1), through the Euclidian distance between the estimated output of the net and the corresponding patterns of each one of the five structures.

[pt] A metodologia Box & Jenkins tem sido mais utilizada para fazer previsões do que outros métodos até então. Alguns analistas têm relutado, entretanto, em usar esta metodologia, em parte porque a identificação da estrutura adequada é uma tarefa complexa. O reconhecimento tanto dos padrões de comportamento das funções de autocorrelação quanto da autocorrelação parcial (teórica/estimada) dependem da série temporal através da qual é possível extraí-las. Uma vez obtidos os resultados, pode-se inferir qual o tipo de estrutura Box & Jenkins adequada para a série. A proposta do trabalho é desenvolver três novas metodologias de identificação automática das estruturas Box & Jenkins ARMA simples e/ou sazonais, identificar os filtros sazonal e linear da série de uma forma menos complexa. A primeira metodologia utiliza árvores de decisão, a segunda, redes neurais e a terceira, K-Nearest Neighbor (KNN). A estas metodologias serão utilizadas as estruturas Box & Jenkins sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os resultados são aplicados a séries simuladas, bem como a séries reais. Como comparação, utilizou-se o método automático de identificação proposto no software FPW-XE. / [en] The Box & Jenkins is the most popular forecasting technique. However, some researchers have not embraced it because the identification of its structure is highly complex. The process of proper characterizing the properties of both autocorrelation functions and partial correlation (theoretical or estimated) depends on the time series from which they are being obtained. Given the results in question, it is possible to infer the proper Box & Jenkins structure for the time series being studied. For the reasons above, the goal of this dissertation is to develop three new methodologies to identifying, in an automatic fashion, the Box & Jenkins structure of an ARMA series. The methodologies identify, in a simpler manner, both the seasonal and linear filters of the series. The first methodology applies the decision tree. The second applies the neural networks. The third applies the K-Nearest Neighbor (KNN). In each of them the Box & Jenkins seasonal structures of 3, 4, 6 and 12 periods were used, as well as the nonseasonal structure. The results are applied to simulated and actual series. For comparison purposes, the automatic identification procedure of the software FPW-XE is also used.