[pt] O presente trabalho desenvolve um método híbrido com a finalidade de criar um índice de qualidade para distribuidoras de energia elétrica. Esse método é construído através da fusão do Método de Análise Hierárquica (AHP) e Técnicas de Amortecimento Exponencial. Com isso, é possível avaliar uma distribuidora levando em conta múltiplos critérios e seus diversos índices passados. / [en] This work develops a hybrid method in order to create a quality index for electric power distribution companies. This method is built through the merger of the Analytical Hierarchy Process (AHP) and exponential smoothing techniques. Thus, it is possible to evaluate a distribution company taking into account multiple criteria and its several indexes in the past.

[pt] Esta dissertação teve como objetivo o desenvolvimento e a implantação de uma metodologia de previsão de vendas e dimensionamento de lotes de encomenda num distribuidor atacadista de produtos químicos. Para tanto, abordou técnicas quantitativas de previsão de demanda de curto prazo e medidas de variância dos erros de previsão a fim de suportar decisões empresariais na aplicação da metodologia, capazes de projetar padrões passados num cenário futuro. A aplicação da metodologia possibilitará à empresa a formalização de um processo atualmente subjetivo, outorgando maior precisão na previsão de vendas, redução de custos com estoque e uma base mais concreta para alocação de recursos financeiros. / [en] This thesis has as objective the developing and implantation of a methodology for forecasting sales and design of batch ordering in a wholesale distributor of chemical products. For this purpose, it approached short term quantitative techniques of demand forecast and measures of variance of forecast errors in order to support business decisions on the application of the methodology, able to design past patterns on a future scenario. The application of the methodology will enable the company the formalization of a process currently subjective, granting a greater accuracy in forecasting sales, reduction in the inventory costs and a more concrete basis for resource allocation.

[pt] Esta dissertação tem como objetivo principal a proposição de modelos para previsão, em um curto prazo, do número de processos que são ajuizados em desfavor de uma empresa do setor elétrico. A metodologia utilizada consiste em, a partir de uma análise exploratória dos dados, construir modelos usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adeque à realidade. Partiu-se então de um modelo auto projetivo indo até uma formulação de um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se utilizar modelos de regressão dinâmica para este tipo de previsão tendo em vista a presença de correlação serial dos resíduos, comumente presentes nas séries econômicas. Propõe-se, ao final, uma ferramenta para, a partir dos valores estimados, analisar a viabilidade econômica de estimular ou desestimular as medidas responsáveis pela geração de processos contra a empresa. / [en] The aim of this dissertation is to develop short term models to forecast the number of judicial process in electric sector companies. From the methodology point of view, data is analyzed and models using bottom-up strategy is developed. In other words, a simple model is improved step by step until a proper model that fits well the reality is found. From a univariate model it ends up in a dynamic regression model. The models obtained in this study are compared according to some criterion, mainly forecast accuracy. In the end the conclusion is about the efficiency of dynamic regression models for this kind of forecast, which one presents data with serial correlation of residues, commonly present in economic series. In the end, from the estimated values, it´s proposed a mechanism to analyze the economic viability, to encourage or not, actions which are responsible for instigating judicial processes against the company.

[pt] A presente dissertação se insere no contexto da energia eólica, que é a fonte de energia que mais cresce na matriz elétrica brasileira, segundo dados da Empresa de Pesquisa de Energia (EPE), com projeções para que esse crescimento se mantenha. Com isso, a principal motivação do presente trabalho é o fato de que desenvolver e aplicar métodos de previsão cada vez mais precisos para as variáveis determinantes na produção de energia eólica em um aerogerador, como a velocidade do vento, é de crucial importância para o planejamento da operação do sistema elétrico nacional. Logo, o objetivo principal do trabalho é adaptar e aplicar uma metodologia de previsão de séries temporais em um banco de dados formado por medições de velocidade de vento. A metodologia se constrói a partir da análise exploratória dos dados, onde pode se observar características importantes, como estacionariedade na média e uma estrutura sazonal complexa, que envolve um ciclo diário e uma sazonalidade mensal. Com isso, foi adaptado um modelo de amortecimento exponencial com múltiplos ciclos que incorpora simulação de Monte Carlo e decomposição da série através do método TBATS, para realizar as previsões. Como resultados e conclusões, é possível observar que modelo adaptado se mostrou adequado para tratar o problema proposto, quando comparado com os modelos de previsão estabelecidos pela literatura, resultando em um aumento na precisão das previsões realizadas. / [en] This work is in the context of wind energy, which is the energy source that grows more in the Brazilian energy matrix, according to the Energy Research Company (EPE), with projections that this growth will continue. Thus, the main motivation of this work is the fact that developing and implementing increasingly precise forecasting methods for the key variables in the production of wind energy in a wind turbine, such as wind speed, is of crucial importance for planning of the national electric system operation. Therefore, the main objective of this work is to adapt and apply a time series forecasting methodology in a database formed by wind speed measurements. The methodology is built from the exploratory analysis of data, which can be observed important features such as stationary mean and a complex seasonal structure, which involves a daily cycle and monthly seasonality. Thus, it was adapted an exponential smoothing model that incorporates multiple cycles, Monte Carlo simulation and decomposition of the series through the TBATS method, to make forecasts. As results and conclusions, it is possible to observe that model adapted was adequate to address the proposed issue, compared with the forecast models established in the literature, resulting in an increase in the accuracy of forecasts made.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-02T13:24:53Z No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:39:48Z (GMT) No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) / Made available in DSpace on 2017-03-06T19:39:48Z (GMT). No. of bitstreams: 1 guilhermeguilherminoneto.pdf: 1186805 bytes, checksum: c3c46b18aeea88b1e1d4b4fa3d1a36e5 (MD5) Previous issue date: 2014-08-20 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Previsões de demanda em curto prazo são fundamentais para o planejamento e o controle da produção em sistemas de energia elétrica. Como não é viável manter estoques de segurança para compensar demandas inesperadas, a programação da geração é baseada em previsões feitas com antecedência de algumas horas. Ao longo dos anos, muitos métodos foram testados para a resolução do problema. Dentre os mais populares estão os univariados, em que a demanda é escrita como uma função linear de seu comportamento histórico e prevista por técnicas estatísticas. Também é frequente o uso de métodos multivariados, que levam em conta o efeito não- linear de variáveis climáticas, como a temperatura do ar, sobre o comportamento do consumidor. Para este caso, a literatura recente sugere o uso de previsores de inteligência computacional, como as redes neurais artificiais. Embora alguns autores afirmem que deve-se considerar métodos multivariados, outros defendem que, para previsões de curto prazo (horizonte de poucas horas), a inclusão de variáveis climáticas traz poucos benefícios, posto que seus efeitos levam mais tempo para serem percebidos. Neste trabalho, experimentamos diversos métodos univariados e multivariados a fim de comparar seu desempenho sobre uma base de dados da cidade do Rio de Janeiro. Para estes dados, mostramos que é possível obter, por meio de um simples previsor linear univariado (um modelo de curva de carga cuja componente-padrão é prevista pelo amortecimento de Holt-Winters-Taylor), resultados próximos aos de técnicas mais complexas, porém, com as vantagens de maior robustez, parcimônia e economia de recursos computacionais. / Short-term demand forecasts a are vital part of the production plan and control on electrical power systems. As it is not possible to keep large inventories to meet sudden demand increases, the generation scheduling is based on forecasts made for some hours ahead. Throughout the years, many methods have been proposed in order to solve the problem. Among the most popular are the univariate ones, on which the demand is written as a linear function of its historical behavior and forecast by statistical techniques. It is also common to use multivariate methods, which take into account also the nonlinear effects produced on the demand by weather-related variables, such as the air temperature. For this case, recent papers suggest the use of computational intelligence devices, such as artificial neural networks. Although some authors claim that multivariate methods must be considered, some others state that, on a short-run (lead-times up to a few hours), adding weather-related variables brings little benefits, because its effects might take a longer time to affect the demand. On this work, we experiment a large amount of univariate and multivariate methods aiming to compare its performance over a dataset from the city of Rio de Janeiro. For these data, we show that is possible to obtain, via a simple linear univariate method (a load curve model where the standard load is forecast by the Holt-Winters-Taylor smoothing), results that are close enough to those achieved by more complex techniques, but bringing the advantages of more robustness, parsimony and computational economy.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-10-24T12:50:06Z No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-11-23T12:17:19Z (GMT) No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) / Made available in DSpace on 2018-11-23T12:17:19Z (GMT). No. of bitstreams: 1 taisdemedeirospedreira.pdf: 1862768 bytes, checksum: 0c6ee31fd9be772b5b609051a207f61f (MD5) Previous issue date: 2018-09-05 / As previsões a curto prazo da carga elétrica (de algumas horas até alguns dias à frente) são essenciais para o planejamento, controle e operação dos sistemas de energia, tanto por por razões técnicas quanto financeiras. Como não é possível estocar grandes quantidades, torna-se indispensável um maneira eficaz de programar a produção da energia para que ela atenda a demanda. Por conta disso, uma grande literatura desenvolveu-se sobre o assunto. Devido à complexidade das séries de carga e à dependência não-linear destas carga em relação a diversas variáveis exógenas, os sistemas de previsão mais frequentemente propostos em trabalhos recentes são aqueles baseados em algoritmos complexos de inteligência computacional. No entanto, métodos lineares simples ainda são muito comumente usados, por si sós ou em combinação com técnicas não-lineares. Um desses métodos é o de Holt-Winters-Taylor, que é uma adaptação do conhecido método de amortecimento exponencial de Holt-Winters para que múltiplas sazonalidades possam ser modelados concomitantemente. Este trabalho implementa três variantes deste método HWT e analisa seus desempenhos em duas séries de dados reais de carga. Verificou-se que uma combinação linear dessas variantes nitidamente supera o método HWT original e fornece previsões precisas, com um baixo custo computacional. / Short-term load forecasts (forecasts for horizons ranging from a few hours to a few days ahead) are essential for the planning, controling and operation of energy systems, both for technical and financial reasons. Since it is not feasible to store energy in large quantities, an efficient way to forecast energy demand becomes indispensable. Because of this, a large literature has developed on the subject. Due to the complexity of load series and the nonlinear relationship of the load with exogenous variables, the most frequently proposed forecasting systems in recent papers are those based on complex algorithms of computational intelligence. However, simple linear methods are still very frequently used, either alone or in combination with non-linear techniques. One of these methods is Holt-Winters-Taylor (HWT), which is an adaptation of the well-known Holt-Winters exponential smoothing method, modified so that multiple seasonalities can be modeled at the same time. In this paper, we implement three variants of this HWT method and analyze their performances over two sets of actual load data. We found that a linear combination of these variants clearly outperforms the original HWT method, and provides accurate forecasts at a low computational cost.

[pt] A presente tese se insere no contexto de previsão de séries temporais. Nesse sentido, embora muitas abordagens tenham sido desenvolvidas, métodos simples como o de amortecimento exponencial costumam gerar resultados extremamente competitivos muitas vezes superando abordagens com maior nível de complexidade. No contexto previsão, papers seminais na área mostraram que a combinação de previsões tem potencial para reduzir de maneira acentuada o erro de previsão. Especificamente, a combinação de previsões geradas por amortecimento exponencial tem sido explorada em papers recentes. Apesar da combinação de previsões utilizando Amortecimento Exponencial poder ser feita de diversas formas, um método proposto recentemente e chamado de Bagged.BLD.MBB.ETS utiliza uma técnica chamada Bootstrap Aggregating (Bagging) em combinação com métodos de amortecimento exponencial para gerar previsões mostrando que a abordagem é capaz de gerar previsões mensais mais precisas que todos os benchmarks analisados. A abordagem era considerada o estado da arte na utilização de Bagging e Amortecimento Exponencial até o desenvolvimento dos resultados obtidos nesta tese. A tese em questão se ocupa de, inicialmente, validar o método Bagged.BLD.MBB.ETS em um conjunto de dados relevante do ponto de vista de uma aplicação real, expandindo assim os campos de aplicação da metodologia. Posteriormente, são identificados motivos relevantes para redução do erro de e é proposta uma nova metodologia que utiliza Bagging, Amortecimento Exponencial e Clusters para tratar o efeito covariância, até então não identificado anteriormente na literatura do método. A abordagem proposta foi testada utilizando diferentes tipo de séries temporais da competição M3, CIF 2016 e M4, bem como utilizando dados simulados. Os resultados empíricos apontam para uma redução substancial na variância e no erro de previsão. / [en] This thesis is inserted in the context of time series forecasting. In this sense, although many approaches have been developed, simple methods such as exponential smoothing usually produce extremely competitive results, often surpassing approaches with a higher level of complexity. Seminal papers in time series forecasting showed that the combination of forecasts has the potential to dramatically reduce the forecast error. Specifically, the combination of forecasts generated by Exponential Smoothing has been explored in recent papers. Although this can be done in many ways, a specific method called Bagged.BLD.MBB.ETS uses a technique called Bootstrap Aggregating (Bagging) in combination with Exponential Smoothing methods to generate forecasts, showing that the approach can generate more accurate monthly forecasts than all the analyzed benchmarks. The approach was considered the state of the art in the use of Bagging and Exponential Smoothing until the development of the results obtained in this thesis. This thesis initially deals with validating Bagged.BLD.MBB.ETS in a data set relevant from the point of view of a real application, thus expanding the fields of application of the methodology. Subsequently, relevant motifs for error reduction are identified and a new methodology using Bagging, Exponential Smoothing and Clusters is proposed to treat the covariance effect, not previously identified in the method s literature. The proposed approach was tested using data from three time series competitions (M3, CIF 2016 and M4), as well as using simulated data. The empirical results point to a substantial reduction in variance and forecast error.

[pt] A presente dissertação tem como principal objetivo a conceituação e apresentação das metodologias básicas de previsão de demanda e, a partir de um estudo de caso, a seleção da metodologia mais adequada e sua respectiva implantação. No primeiro capítulo é apresentada, além da importância do referido tema, a empresa selecionada para aplicação dos conceitos levantados, com a descrição de seus principais processos internos. No segundo capítulo foram abordados os conceitos de previsão de demanda e uma revisão dos principais modelos existentes. No capítulo seguinte, o problema que deverá ser tratado com a metodologia proposta é apresentado. Neste momento a metodologia conceituada é aplicada, através da seleção do método de previsão mais adequado ao caso estudado e respectiva modelagem, buscando melhorias em relação aos métodos de previsão existentes na empresa. Neste processo de modelagem utilizou-se o software Forecast Pro, um dos mais conceituados aplicativos de previsão de demanda no mercado. Por fim, na conclusão, avalia-se o impacto das mudanças propostas nos resultados da empresa, principalmente o aumento da precisão da previsão da demanda e, conseqüentemente, redução dos custos de importação e dos índices de stockout. / [en] The main objective of this dissertation is the presentation of basic forecasting methods and their implementation in a case study in supply chain. The first chapter points out the importance of forecasting in this context and describes the company selected for the case study and some of its internal processes that will be under scrutiny in the case study presented in this dissertation. The second chapter discusses the concepts and models of forecasting and reviews some of the major techniques in the field. In chapter three, standard forecasting techniques are apllied to real data (ten time series) from the company and select the most appropriate model in each case. Model adjustment is performed through the Forecast Pro software, one of the best-known products in the market. Chapter four contains the conclusions and the evaluation of the impacts of the proposed methodology on the company s results, especially the increased accuracy of forecasting and, consequently, the reduction in the import costs and stock out index.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-07T14:25:21Z No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-07T15:06:57Z (GMT) No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Made available in DSpace on 2017-03-07T15:06:57Z (GMT). No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) Previous issue date: 2016-08-31 / FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais / O armazenamento de energia elétrica em larga escala ainda não é viável devido a restrições técnicas e econômicas. Portanto, toda energia consumida deve ser produzida instantaneamente; não é possível armazenar o excesso de produção, ou tampouco cobrir eventuais faltas de oferta com estoques de segurança, mesmo que por um curto período de tempo. Consequentemente, um dos principais desafios do planejamento energético consiste em realizar previsões acuradas para as demandas futuras. Neste trabalho, apresentamos um modelo de previsão para o consumo de energia elétrica a curto prazo. A metodologia utilizada compreende a construção de um comitê de previsão, por meio da aplicação do algoritmo Gradient Boosting em combinação com modelos de árvores de decisão e a técnica de amortecimento exponencial. Esta estratégia compreende um método de aprendizado supervisionado que ajusta o modelo de previsão com base em dados históricos do consumo de energia, das temperaturas registradas e de variáveis de calendário. Os modelos propostos foram testados em duas bases de dados distintas e demonstraram um ótimo desempenho quando comparados com resultados publicados em outros trabalhos recentes. / The storage of electrical energy is still not feasible on a large scale due to technical and economic issues. Therefore, all energy to be consumed must be produced instantly; it is not possible to store the production leftover, or either to cover any supply shortages with safety stocks, even for a short period of time. Thus, one of the main challenges of energy planning consists in computing accurate forecasts for the future demand. In this paper, we present a model for short-term load forecasting. The methodology consists in composing a prediction comitee by applying the Gradient Boosting algorithm in combination with decision tree models and the exponential smoothing technique. This strategy comprises a supervised learning method that adjusts the forecasting model based on historical energy consumption data, the recorded temperatures and calendar variables. The proposed models were tested in two di erent datasets and showed a good performance when compared with results published in recent papers.