[pt] Processos decisórios envolvendo um número diverso de critérios são comumente problemas complexos. Em geral, tais problemas procuram atender interesses conflitantes, logo, soluções únicas tendem a não contemplar as preferências de todos os agentes envolvidos no processo. Esse é o caso do problema de seleção de modelos de geração de cenários estocásticos de Energia Natural Afluente (ENA), os quais são insumo ao cálculo do despacho hidrotérmico de médio prazo no planejamento da operação do Sistema Elétrico Brasileiro (SEB). Neste trabalho é proposta uma extensão de um consagrado método de apoio à decisão multicritério, para que este se torne apto a revelar a preferência de comitês de especialistas, e a partir destas preferências reveladas derivar soluções mais adequadas para cada comitê. A aplicação dessa metodologia proposta no contexto do SEB é feita de forma a auxiliar diferentes segmentos do setor (academia, indústria e órgão regulador) a identificarem qual modelo de geração de cenários melhor se adequa às preferências destes segmentos. Para tal, os especialistas destes três setores foram agrupados e a partir da revelação das preferências de cada comitê foi proposta uma nova ordenação dos modelos geradores de cenários. As preferências reveladas para os comitês da academia e da indústria corroboraram as conjecturas sobre as predileções destes setores, fidelidade na representação dos momentos para a academia e capacidade de replicação da variância para a indústria, já a hipótese por predileção à replicação de déficit não pode ser verificada para o comitê do órgão regulador. Dentre as novas soluções obtidas, o modelo melhor classificado para a academia e indústria foi o PAR(p) Multiplicativo e para o órgão regulador o PAR(p) Boot-MC. / [en] Decision-making processes involving a large number of criteria are often complex problems. In general, such problems seek to meet conflicting interests, so single solutions tend not to address the preferences of all agents involved in the process. This is the case of the problem of selection models for generation of stochastic scenarios of Natural Inflow Energy (NIE), which are input to the calculation of the medium term hydrothermal dispatch in the planning of the operation of the Brazilian Electric System (BES). This paper proposes an extension of a well-established multicriteria decision support method, so that it becomes able to reveal the preference of expert committees, and from these revealed preferences to derive more adequate solutions for each committee. The application of this methodology proposed in the context of BES is done to help different segments of the industry (academia, industry and regulator) to identify which model of scenario generation best suits the preferences of these segments. To this end, the specialists of these three sectors were grouped and from the revelation of the preferences of each committee a new ordering of the scenario generating models was proposed. The preferences revealed for the academy and industry committees corroborated the conjectures about the predilections of these sectors, fidelity in the representation of the moments for the academy and capacity of replication of the variance for the industry, however the hypothesis for predilection for the replication of deficit was not able to be verified to the regulatory committee. Among the new solutions obtained, the best classified model for the academy and industry was the PAR (p) Multiplicative and for the regulatory committee the PAR (p) Boot-MC.

[pt] Em função da dependência dos regimes hidrológicos, a incerteza associada ao planejamento energético no Brasil exige a modelagem estocástica das Séries Temporais associadas de maneira adequada e coerente. Percebe-se, portanto, a importância dos modelos de geração de cenários hidrológicos com vistas à otimização, via Programação Dinâmica Dual Estocástica (PDDE), do desempenho das operações do sistema elétrico, com consequente aumento de benefícios e confiabilidade e, sobretudo, redução de custos. Esta modelagem estocástica tem sido realizada por um modelo Autorregressivo Peridódico, PAR(p), que ajusta um modelo autorregressivo de ordem p para cada um dos estágios das séries históricas que compõem as configurações do sistema. Este trabalho mostra que a estrutura utilizada no processo de simulação de séries sintéticas do modelo vigente no Setor Elétrico Brasileiro, via distribuição Lognormal, gera uma não linearidade na equação do modelo, o que pode ocasionar inconvenientes de não convexidade que inviabilizam o correto cálculo das Funções de Custo Futuro, poliedros convexos aproximados por funções lineares por partes. Haja vista o exposto e as características do modelo estocástico gerador da árvore de cenários e sua utilização em modelos de otimização, este trabalho apresenta uma nova metodologia alternativa para a construção dos cenários, de forma que os inconvenientes supracitados sejam eliminados. Isto posto, será apresentado uma nova abordagem geral para a construção das árvores, considerando os passos Forward e Backward, fundamentais no processo de otimização empregado pela técnica de PDDE. A estrutura de simulação estocástica desenvolvida conjugou a técnica de computação intensiva de Bootstrap e o método de simulação de Monte Carlo. Foram geradas árvores de cenários com horizonte temporal condizente com o planejamento de médio prazo do despacho hidrotérmico. As séries sintéticas foram comparadas às históricas por meio de uma bateria de testes estatísticos e a aderência das séries geradas foi atestada, provando a adequabilidade do modelo desenvolvido no que tange à parte estocástica do problema. Por fim, a árvore de cenários gerada foi aplicada na PDDE e várias variáveis de resposta foram analisadas, permitindo concluir que o modelo desenvolvido é perfeitamente capaz de reproduzir estruturas compatíveis com o modelo vigente, contudo sem causar a referida não linearidade na equação do PAR(p) e a possível não convexidade do problema de otimização associado ao planejamento de operação de médio/longo prazo. / [en] Due to the highly dependence on the hydrological regimes, the uncertainty associated with energy planning in Brazil requires stochastic modeling of associated time series appropriately and consistently. It is clear, therefore, the importance of models to generate hydrologic scenarios to be used in the optimization via Stochastic Dual Dynamic Programming (SDDP), which improves the performance of system operations, with consequent increase in benefits and reliability and, above all, cost reduction. This stochastic modeling is performed by the PAR(p), which sets an autoregressive model of order p for each of the stages of the historical series that make up the system settings. It was shown in this work that the structure used in the simulation process of synthetic series of the model prevailing in SEB via lognormal distribution generates a nonlinearity relationship in the model equation, which causes the inconvenience of nonconvexity in the calculation of Expected Cost-to-go Functions, convex polyhedral approximated by piecewise linear functions. Considering the above and the characteristics of the stochastic model that generates the scenarios tree and its use in the optimization algorithms, this study aims the development of an alternative methodology for the construction of scenarios, so that the aforementioned drawbacks were eliminated. It is proposed a new general approach for the construction of trees, considering the steps Forward and Backward, fundamental in the process of optimization technique employed by SDDP. The structure of stochastic simulation technique developed conjugates computationally intensive Bootstrap method and Monte Carlo simulation. Scenarios trees were generated consistent with the medium-term planning of hydrothermal dispatch. The synthetic series were compared to the historical data through a battery of statistical tests and the goodness fiting of the series generated was tested that confirmed the suitability of the developed model with respect to the stochastic problem. Finally, the paths of the trees were applied to the SDDP and response variables were analyzed, leading to the conclusion that the model was able to perfectly reproduce structures compatible with the current model, but without causing the aforementioned non-linearity of the PAR(p) equation and possible non convexity in the Expected Cost-to-go Functions.

[pt] A previsão de produção é uma das etapas mais críticas do planejamento de curto prazo das empresas de exploração e produção de petróleo. O volume de petróleo que será produzido, denominado meta de produção, influencia diretamente todas as ações das empresas e tem crítico impacto em relação ao mercado. Percebe-se, portanto, a importância da aplicação de modelos que permitam considerar incertezas e avaliar o risco destas previsões. Esta modelagem estocástica tem sido realizada através de um modelo de simulação que considera quatro dimensões de variáveis: Potencial Produtivo Instalado, Entrada de Novos Poços, Parada Programada para Manutenção e Eficiência Operacional. Dentre as dimensões do modelo, a Entrada de Novos Poços é uma das mais sensíveis ao resultado final da previsão por apresentar grande incerteza. Desse modo, este trabalho tem por objetivo desenvolver um sistema de inferência fuzzy para prever a data de entrada em produção de poços de petróleo. O sistema é concebido integrado ao modelo de simulação visando aumentar a sua precisão. Os resultados mostram que o sistema de inferência fuzzy é aplicável à previsão da entrada de novos poços e que o seu uso eleva a acurácia das previsões de produção. / [en] Production forecasting is one of the most critical stages in short-term planning in upstream oil companies. The oil volume that will be produced, called production target, directly influences all companies actions and impact critically their market image. Therefore, it is noticed the importance of using models to consider uncertainties to evaluate production forecasting risks. This stochastic approach has been done through a simulation model which consider four dimensions of variables: installed production potential, new wells entry, scheduled maintenance program, and operational efficiency. Among those dimensions, the new wells entry is one of the most sensitive to the simulation results, because of its high degree of uncertainty. Thus, this work aims to develop a fuzzy inference system to forecast the new wells production start date. The system is designed integrated to the simulation model in order to increase its accuracy. The results show that the fuzzy inference system can be used to forecast wells production start date and its use increases oil production forecasting accuracy.