Spelling suggestions: "subject:"serie temporal"" "subject:"eerie temporal""
11 |
[en] ADVANCEMENTS IN TIME SERIES MODELING: USING MODERN OPTIMIZATION AND ROBUSTNESS TECHNIQUES WITH SCORE-DRIVEN MODELS / [pt] AVANÇOS NA MODELAGEM DE SÉRIES TEMPORAIS: UTILIZANDO OTIMIZAÇÃO MODERNA DE TÉCNICAS DE ROBUSTEZ COM MODELOS SCORE-DRIVENMATHEUS ALVES PEREIRA DOS SANTOS 13 June 2024 (has links)
[pt] O estudo de séries temporais desempenha um papel fundamental no
processo de tomada de decisão, dando origem a inúmeras metodologias ao longo
do tempo. Dentro desse contexto, os modelos score-driven surgem como uma
abordagem flexível e interpretável. No entanto, devido ao número significativo
de parâmetros envolvidos, o processo de estimação desses modelos tende
a ser complexo. Para lidar com essa complexidade, este estudo tem como
objetivo avaliar como a adoção de técnicas modernas de otimização impacta
o desempenho final do modelo. Além de simplificar o processo de estimação
de parâmetros, essa mudança de paradigma permite a integração de novas
técnicas, como a otimização robusta, na formulação do modelo, potencialmente
aprimorando seu desempenho. O pacote SDUC.jl, que facilita o ajuste e a
previsão de modelos impulsionados por escores com base em componentes
não observáveis usando técnicas modernas de otimização, representa uma das
principais contribuições deste estudo. Ao utilizar séries temporais conhecidas
para ilustrar sua funcionalidade e dados mensais de carga elétrica do sistema
brasileiro, o estudo foi capaz de demonstrar a flexibilidade do pacote e seu
desempenho robusto, mesmo durante períodos de mudança de regime nos
dados, graças à aplicação de técnicas de robustez. / [en] The study of time series plays a pivotal role in the decision-making
process, giving rise to numerous methodologies over time. Within this context,
score-driven models emerge as a flexible and interpretable approach. However,
due to the significant number of parameters involved, the estimation process
for these models tends to be complex. To address this complexity, this
study aims to evaluate how the adoption of modern optimization techniques
impacts the final performance of the model. Beyond simplifying the parameter
estimation process, this shift in paradigm allows for the integration of new
techniques, such as robust optimization, into the model formulation, thereby
potentially enhancing its performance. The SDUC.jl package, which facilitates
the adjustment and prediction of score-driven models based on unobservable
components using modern optimization techniques, represents one of the main
contributions of this study. By utilizing well-known time series to illustrate its
functionality and monthly electrical load data from the Brazilian system, the
study was able to demonstrate the flexibility of the package and its robust
performance, even during periods of regime change in the data, thanks to the
application of robustness techniques.
|
12 |
[en] NATURAL GAS DEMAND FORECAST: COMPARATIVE ANALYSIS OF TIME SERIES MODELS FOR DAILY AND WEEKLY NATURAL GAS CONSUMPTION DATA IN BRAZIL / [pt] PREVISÃO DE DEMANDA DE GÁS NATURAL: ANÁLISE COMPARATIVA DE MODELOS DE SÉRIES TEMPORAIS PARA DADOS DIÁRIOS E SEMANAIS DE CONSUMO DE GÁS NATURAL NO BRASILREBECA DA SILVA OLIVEIRA FARIAS 26 August 2024 (has links)
[pt] O setor energético brasileiro passou por transformações significativas,
destacando o papel crucial do gás natural para garantir a segurança energética diante
da transição para fontes menos dependentes de combustíveis fósseis. A previsão da
demanda de gás natural é essencial para a gestão eficiente do setor. Enquanto a
literatura tem se concentrado na previsão de demanda de eletricidade, há uma
lacuna em estudos sobre modelagem e previsão da demanda de gás natural,
especialmente em contextos industriais e de médio/longo prazo. A necessidade de
modelos mais precisos e abrangentes para prever a demanda de gás natural é
evidente a partir da análise dos estudos existentes. Dessa forma, o objetivo deste
trabalho é abordar uma análise comparativa da previsão de demanda de gás natural,
por meio de modelos sugeridos na literatura recente de séries temporais, com
aplicação no software R, para dados diários e semanais de consumo de gás natural,
obtidos dos Relatórios de Movimentação de Gás Natural em Gasodutos de
Transporte, divulgados mensalmente pela Agência Nacional do Petróleo, Gás
Natural e Biocombustíveis, no período de 2021 a 2023. Os modelos fornecem as
previsões para uma amostra teste de trinta dias futuros para dados diários e de quatro
semanas para dados semanais e é realizada uma análise comparativa fora da amostra
com base em métricas de desempenho, para identificar o modelo mais adequado
para a série de dados. Ao final do estudo, os modelos de previsão utilizando redes
neurais e tbats (transformação Box-Cox, erros ARMA, tendência e componentes
sazonais trigonométricas) foram aqueles que demonstraram melhor desempenho
para dados diários, enquanto o método de decomposição com modelagem
autorregressiva e ajuste sazonal (stlar) e o seasonal naive method (método ingênuo
sazonal) foram os que apresentaram melhor desempenho para as séries temporais
em base semanal. / [en] The Brazilian energy sector has undergone significant transformations,
highlighting the crucial role of natural gas in ensuring energy security in the face of
the transition to sources less dependent on fossil fuels. Forecasting natural gas
demand is essential for efficient management of the sector. While the literature has
focused on forecasting electricity demand, there is a gap in studies on modeling and
forecasting natural gas demand, especially in industrial and medium/long-term
contexts. The need for more accurate and comprehensive models to forecast natural
gas demand is evident from the analysis of existing studies. Therefore, the objective
of this work is to address a comparative analysis of natural gas demand forecasting,
using models suggested in recent time series literature, with application in the R
software, for daily and weekly natural gas consumption data, obtained of the
Natural Gas Movement Reports in Transport Gas Pipelines, released monthly by
the National Agency for Petroleum, Natural Gas and Biofuels, in the period from
2021 to 2023. The models provide forecasts for a test sample of thirty days in the
future for daily and four weeks for weekly data and an out-of-sample comparative
analysis is performed based on performance metrics to identify the most suitable
model for the data series. At the end of the study, the forecast models using neural
networks and tbats (Box-Cox transformation, ARMA errors, trend and
trigonometric seasonal components) were those that demonstrated the best
performance for daily data, while the decomposition method with autoregressive
modeling and seasonal adjustment (stlar) and the seasonal naive method were the
ones which showed better performance for time series on a weekly basis.
|
13 |
[en] THE USE OF DECISION TREES, NEURAL NETWORKS AND KNN SYSTEMS TO AUTOMATICALLY IDENTIFY BOX & JENKINS NON-SEASONAL AND SEASONAL STRUCTURES / [pt] UMA APLICAÇÃO DE ÁRVORES DE DECISÃO, REDES NEURAIS E KNN PARA A IDENTIFICAÇÃO DE MODELOS ARMA NÃO-SAZONAIS E SAZONAISLUIZA MARIA OLIVEIRA DA SILVA 19 December 2005 (has links)
[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.
|
14 |
[pt] CLASSIFICAÇÃO DE RESERVATÓRIO UTILIZANDO DADOS DA DERIVADA DE PRESSÃO DE TESTE DE POÇOS / [en] RESERVOIR CLASSIFICATION USING WELL-TESTING PRESSURE DERIVATIVE DATAANDRE RICARDO DUCCA FERNANDES 29 June 2021 (has links)
[pt] Identificar o modelo de um reservatório é o primeiro passo para interpretar corretamente os dados gerados em um teste de poços e desta forma estimar os parâmetros relacionados a esse modelo. O objetivo deste trabalho é de forma inversa, utilizar as curvas de pressão obtidas em um teste de poços, para identificar o modelo de um reservatório. Como os dados obtidos em um teste de poços podem ser ordenados ao longo do tempo, nossa abordagem será reduzir essa tarefa a um problema de classificação de séries
temporais, onde cada modelo de reservatório representa uma classe. Para tanto, foi utilizada uma técnica chamada shapelet, que são subsequências de uma série temporal que representam uma classe. A partir disso, foi construído um novo feature space, onde foi medida a distância entre cada série
temporal e as shapelets de cada classe. Então foi criado um comitê de votação utilizando os modelos k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi layer perceptron e adaboost. Foram testados os pré-processamentos standard scaler, normalizer, robust
scaler, power transformer and quantile transformer. Então a classificação foi feita no novo feature space pré-processado. Geramos 10 modelos de reservatório multiclass analíticos para validação. Os resultados revelam que o uso de modelos clássicos de aprendizado de máquina com shapelets, usando
os pré-processamentos normalizer e quantile trasformer alcança resultados sólidos na identificação dos modelos de reservatório. / [en] Identifying a reservoir model is the first step to correctly interpret the data generated in a well-test and hence to estimate the related parameters to this model. The goal of this work is inversely to use the pressure curves, obtained in a well-test, to identify a reservoir model. Since the data obtained in a well-test can be ordered over time, we reduce this task to a problem of time series classification, where every reservoir model represents a class. For that purpose, we used a technique called shapelets, which are
times series subsequences that represent a class. From that, a new feature space was built, where we measured the distance between every time series and the shapelets of every class. Then we created an ensemble using the models k-nearest neighbors, decision tree, random forest, support vector machines, perceptron, multi-layer perceptron, and adaboost. The preprocessings standard scaler, normalizer, robust scaler, power transformer, and quantile transformer were tested. Then the classification was performed on
the new preprocessed feature space. We generated 10 analytical multiclass reservoir models for validation. The results reveal that the use of classical machine learning models with shapelets, using the normalizer and quantile transformer preprocessing, reaches solid results on the identification of reservoir models.
|
15 |
[pt] MODELOS COM MÚLTIPLOS REGIMES PARA SÉRIES TEMPORAIS: LIMIARES, TRANSIÇÕES SUAVES E REDES NEURAIS / [en] REGIME-SWITCHING MODELS: THRESHOLDS, SMOOTH TRANSITIONS, AND NEURAL NETWORKSMARCELO CUNHA MEDEIROS 30 November 2005 (has links)
[pt] O objetivo desta tese é apresentar modelos mais flexíveis
com troca de regimes, combinando as idéias provenientes
dos modelos com limiar, com transição suave e redes
neurais. Os modelos aqui discutidos possuem múltiplos
regimes e a transição entre eles é controlada por uma
combinação linear de variáveis conhecidas. Um procedimento
de modelagem, baseada no trabalho de Teräsvirta e Lin
(1993), Eiterheim e Teräsvirta (1996), e Rech, Teräsvirta
e Tschernig (1999), consistindo das etapas de
especificação, estimação e avaliação, foi desenvolvido,
desta forma possibilitando ao analista de séries temporais
escolher entre diferentes alternativas durante o processo
de modelagem. / [en] The goal of this thesis is to propose more flexible
regime-switching models combining
the ideas from the SETAR, STAR, and ANN specifications.
The models discussed in this
thesis are models with multi-regimes and with the
transition between regimes controlled by
a linear combination of known variables. A modelling
cycle procedure, based on the work
of Teräsvirta and Lin (1993), Eitrheim and Teräsvirta
(1996), and Rech, Teräsvirta and
Tschernig (1999), consisting of the stages of model
specification, parameter estimation,
and model evaluation, is developed allowing the
practitioner to choose among different
alternatives during the modelling cycle. Monte-Carlo
simulations and real applications
are used to evaluate the performance of the techniques
developed here and they suggested
that the theory is useful and the proposed models thus
seems to be an effective tool for
the practicing time series analysts.
|
16 |
[en] GETTING THE MOST OUT OF THE WISDOM OF THE CROWDS: IMPROVING FORECASTING PERFORMANCE THROUGH ENSEMBLE METHODS AND VARIABLE SELECTION TECHNIQUES / [pt] TIRANDO O MÁXIMO PROVEITO DA SABEDORIA DAS MASSAS: APRIMORANDO PREVISÕES POR MEIO DE MÉTODOS DE ENSEMBLE E TÉCNICAS DE SELEÇÃO DE VARIÁVEISERICK MEIRA DE OLIVEIRA 03 June 2020 (has links)
[pt] A presente pesquisa tem como foco o desenvolvimento de abordagens híbridas que combinam algoritmos de aprendizado de máquina baseados em conjuntos (ensembles) e técnicas de modelagem e previsão de séries temporais. A pesquisa também inclui o desenvolvimento de heurísticas inteligentes de seleção, isto é, procedimentos capazes de selecionar, dentre o pool de preditores originados por meio dos métodos de conjunto, aqueles com os maiores potenciais de originar previsões agregadas mais acuradas. A agregação de funcionalidades de diferentes métodos visa à obtenção de previsões mais acuradas sobre o comportamento de uma vasta gama de eventos/séries temporais.
A tese está dividida em uma sequência de ensaios. Como primeiro esforço, propôsse um método alternativo de geração de conjunto de previsões, o que resultou em previsões satisfatórias para certos tipos de séries temporais de consumo de energia elétrica. A segunda iniciativa consistiu na proposição de uma nova abordagem de previsão combinando algoritmos de Bootstrap Aggregation (Bagging) e técnicas de regularização para se obter previsões acuradas de consumo de gás natural e de abastecimento de energia
em diferentes países. Uma nova variante de Bagging, na qual a construção do conjunto de classificadores é feita por meio de uma reamostragem de máxima entropia, também foi proposta. A terceira contribuição trouxe uma série de inovações na maneira pela qual são conduzidas as rotinas de seleção e combinação de modelos de previsão. Os ganhos em acurácia oriundos dos procedimentos propostos são demonstrados por meio de um experimento extensivo utilizando séries das Competições M1, M3 e M4. / [en] This research focuses on the development of hybrid approaches that combine ensemble-based supervised machine learning techniques and time series methods to obtain accurate forecasts for a wide range of variables and processes. It also includes the development of smart selection heuristics, i.e., procedures that can select, among the pool of forecasts originated via ensemble methods, those with the greatest potential of delivering accurate forecasts after aggregation. Such combinatorial approaches allow the
forecasting practitioner to deal with different stylized facts that may be present in time series, such as nonlinearities, stochastic components, heteroscedasticity, structural breaks, among others, and deliver satisfactory forecasting results, outperforming benchmarks on many occasions.
The thesis is divided into a series of essays. The first endeavor proposed an alternative method to generate ensemble forecasts which delivered satisfactory forecasting results for certain types of electricity consumption time series. In a second effort, a novel forecasting approach combining Bootstrap aggregating (Bagging) algorithms, time series methods and regularization techniques was introduced to obtain accurate forecasts of natural gas consumption and energy supplied series across different countries. A new
variant of Bagging, in which the set of classifiers is built by means of a Maximum Entropy Bootstrap routine, was also put forth. The third contribution brought a series of innovations to model selection and model combination in forecasting routines. Gains in accuracy for both point forecasts and prediction intervals were demonstrated by means of an extensive empirical experiment conducted on a wide range of series from the M- Competitions.
|
17 |
[pt] INVESTIGANDO REGIMES ÓTIMOS PARA PREVISÃO NO MERCADO DE AÇÕES / [en] INVESTIGATING OPTIMAL REGIMES FOR PREDICTION IN THE STOCK MARKETRODRIGO CANTO CORBELLI 11 May 2020 (has links)
[pt] A previsão de movimentos futuros para o mercado de ações é conhecidamente uma tarefa difícil de ser satisfatoriamente realizada. Além disso, a
própria possibilidade desta previsão é constantemente questionada na literatura. O estudo presente investiga se essa dificuldade poderia ser amenizada
escolhendo janelas específicas de tempo, onde uma dinâmica mais evidente
prevaleça, e se a identificação desses períodos pode ser aprendida através de
dados passados. Um framework é proposto para tratar desses problemas.
Esse framework é nomeado de Predictability Crawler (P-Craw). A proposta
usa rotinas de otimização como o Particle Swarm Optimization (PSO) e
Algorítimos Genéticos (GA) para selecionar sub-conjuntos de dados históricos
onde modelos de aprendizado estatístico possam ser treinados de forma mais
eficiente.
Para validar a acurácia do método, este é testado em dois diferentes conjuntos
de dados. Primeiro, simulações com diferentes níveis de ruído são geradas.
Nelas, o P-Craw é capaz de identificar os subconjuntos ótimos em cenários
com 20 por cento a 100 por cento de amostras previsíveis. Por fim, dados de transações intradiárias da bolsa de valores brasileira (BOVESPA) são agregados e processados
uma matrix de variáveis de entrada e um vetor de previsões. Quando o
P-Craw é testado contra o método usual de treinar os modelos em todo
conjunto histórico disponível nos dados da BOVESPA, o framework é capaz de
aumentar significativamente o número de vezes que o modelo acerta a direção
do movimento do preço das ações, enquanto consegue chegar a reduzir em até
19 por cento o erro médio absoluto da tarefa. / [en] Predicting stock movements in the market its known to be an extremely
difficult task. More than that, the predictability of the series itself is a
controversial matter. The present study investigates if this difficulty could
be alleviated by choosing specific windows of time where a more structured
dynamic prevails, and whether the identification of those moments could be
learned from past data. In order to do that, a novel framework is proposed.
This framework is called the Predictability Crawler (P-Craw). It uses optimizations routines such as the Particle Swarm Optimization (PSO) or Genetic
Algorithms (GA) to select subsets of historical data where statistical learning
algorithms can be more efficiently trained.
To access the accuracy of the method, it is tested against two different datasets.
First, simulated data with varying percentage of noise is generated and used. In
the simulations, The P-Craw is able to reliably identify the optimal subsets in
scenarios ranging from 20 percent to 100 percent of predictable samples in the data. Second,
intraday data from the Brazilian stocks exchange (BOVESPA) is collected
and aggregated into feature and target matrices. When benchmarked against
training with the whole samples in the BOVESPA data, the framework is able
to significantly raise the correct directional changes of the trained models while
reducing the Mean Absolute Error in up to 19 percent.
|
18 |
[en] TECHNIQUES FOR DETECTION OF BIAS IN DEMAND FORECASTING: PERFORMANCE COMPARISON / [pt] TÉCNICAS PARA DETECÇÃO DE VIÉS EM PREVISÃO DE DEMANDA: COMPARAÇÃO DE DESEMPENHOSFELIPE SCHOEMER JARDIM 09 November 2021 (has links)
[pt] Em um mundo globalizado, em contínua transformação, são cada vez mais freqüentes mudanças no perfil da demanda. Se não detectadas rapidamente, elas podem gerar impactos negativos no progresso de um negócio devido à baixa qualidade nas previsões de venda, que começam a gerar valores sistematicamente acima ou abaixo da demanda real indicando a presença de viés. Para evitar esse cenário, técnicas formais para detecção de viés podem ser incorporadas ao processo de previsão de demanda. Diante desse quadro, a presente dissertação compara os desempenhos, via simulação, das principais técnicas formais de detecção de viés em previsão de demanda presentes na literatura. Nesse sentido, seis técnicas são identificadas e analisadas. Quatro são baseadas em estatísticas Tracking Signal e duas são adaptadas de técnicas de Controle Estatístico de Processos. Os modelos de previsão de demanda monitorados pelas técnicas em questão são os de séries temporais estruturadas, associados ao método de amortecimento exponencial simples e ao método de Holt, respectivamente, para séries com nível médio constante e séries com tendência. Três tipos de alterações no perfil da demanda – que acarretam em viés na previsão – são examinados. O primeiro consiste em mudanças no nível médio em séries temporais de nível médio constante. O segundo tipo também considera séries temporais de nível médio constante, porém com o foco em surgimentos de tendências. O terceiro viés consiste em mudanças na tendência em series temporais com tendência pré-incorporada. Entre os resultados obtidos, destaca-se a conclusão de que, para a maioria das situações estudadas, as técnicas baseadas nas estatísticas Tracking Signal possuem desempenho superior às demais técnicas com relação à eficiência na detecção de viés. / [en] In a globalized world, in continuous transformation, changes in the demand pattern are increasingly frequent. If not rapidly detected, they can have a negative and persistent impact in the wellbeing of a business due to continuously poor quality sales forecasts, which begin to generate values systematically above or below the actual demand indicating the presence of bias. To avoid this happening, statistical techniques can be incorporated in a prediction process with the objective known as bias detection in demand forecasting. Considering this situation, the present dissertation compares, through simulation, the efficiency performance of the main existing formal techniques of monitoring demand forecasting models, with the view of bias detection. Six of such techniques are identified and analyzed in this work. Four are based on Tracking Signal Statistics and two are adapted from the Statistical Process Control approach. The demand forecasting models monitored by the techniques in question can be classified as structured time series, for a constant level or trend pattern, and using both the simple exponential smoothing and the Holt s methods. Three types of changes in the demand pattern - which result in biased prediction - are examined. The first one focus on simulated changes on the average level of various constant times series. The second type also considered various constant times series, but now simulating the appearance of different trends. And the third refers to simulate changes in trends in various times series with pre-established trends. Among the results attained, one stands out: the techniques based on Tracking Signal Statistics - when compares to other methods - showed superior performance insofar as efficient bias detection in demand forecasting.
|
19 |
[pt] ENSAIOS EM PREVISÃO DE CARGA A CURTO PRAZO / [en] ESSAYS ON SHORT-TERM LOAD FORECASTINGLACIR JORGE SOARES 26 January 2004 (has links)
[pt] A previsão de carga é considerada uma poderosa ferramenta
no controle e planejamento de sistemas elétricos. Um grande
número de pesquisadores têm sugerido, recentemente,
diversas técnicas para previsão de carga a curto prazo.
Este trabalho estuda a aplicabilidade de modelos lineares.
O trabalho pretende ser uma base para uma aplicação real de
previsão. Os modelos foram desenvolvidos e testados com
dados reais de carga de uma empresa de eletricidade situada
no sudeste de Brasil. Todos os modelos são propostos para
dados secionais, isto é, a série de carga de cada hora é
estudada separadamte como uma série única. Esta abordagem
evita a modelagem de padrões intra-dia (perfil da carga)
complexos apresentados pela série de carga, que variam
durante os dias da semana e nas estações. Três modelos são
estudados, primeiro um modelo um modelo SARIMA ajustado por
variáveis binárias DASARIMA, adotado como modelo de
referência, o segundo um modelo em duas etapas que
considera a existência de componentes determinísticos para
modelar a tendência, a sazonalidade e os efeitos do
calendário, denominado modelo autorregressivo sazonal em
dois níveis - TLSAR; e o último um modelo de de memória
longa generalizada ajustado por variáveis binárias - DAGLM.
Os resultados dos ensaios mostraram que os modelos horários
são bem apropriados para uma aplicação de previsão. Os
erros de previsão, das duas últimas abordagens, são menores
que os do modelo de referência, DASARIMA. O trabalho sugere
que este tipo de modelos horários devem ser testados mais
completamente a fim de fornecer uma opinião final sobre sua
aplicabilidade. / [en] Load forecasting has been considered a powerful tool in
managing and planning power systems. Several tecniques have
been recently suggested for short-term load forecasting by
a large number of researchers. This work studies the
applicability of linear models in the area is intended to
be a basis for a real forecasting application. The models
were developed and tested on the real load data of a
utility company located in the southeast of Brazil. All
models are proposed for sectional data, that is, each
hour's load is studied separately as a single series. This
approach avoids modeling the intricate intra-day pattern
(load profile) displayed by the load, wich varies
throughout days of the week and seasons. Three models are
studied, the first one a Dummy-Adjusted Seasonal Integrated
Autoregressive Moving Average model - DASARIMA, acting as a
benchmark, the second a two-step modeling that makes use of
deterministic components to model trend, seasonality and
calendar effects, called Two-Level Seasonal Autoregressive
model - TLSAR; and the last one a Dummy-Adjusted
Generalized Long Memory model - DAGLM. The test results
showed that the hourly models are well suitable for
forecasting application. The forecasting errors of the last
two approaches were smaller than those of the DASARIMA
benchmark. The work suggests that this kind of hourly
models should be implemented in a through on-line testing
in order to provide a final opinion on its applicability.
|
20 |
[pt] DESENVOLVIMENTO DE MODELOS DE PREVISÃO DE GERAÇÃO DE ENERGIA ELÉTRICA APLICADOS ÀS PEQUENAS CENTRAIS HIDRELÉTRICAS / [en] DEVELOPMENT OF ELECTRIC POWER GENERATION FORECASTING MODELS APPLIED TO SMALL HYDROPOWER PLANTSMARGARETE AFONSO DE SOUSA 24 March 2020 (has links)
[pt] Uma das principais preocupações mundiais atualmente está relacionada às questões ambientais. Essa preocupação é considerada na seleção de projetos de energia e, como resultado, a geração de energia elétrica a partir de fontes renováveis tem experimentado um forte crescimento em todo o mundo, incluindo o Brasil. Em relação às fontes de energia hidrelétrica, as Pequenas Centrais Hidrelétricas (PCHs)
são uma alternativa para reduzir o impacto ambiental. Esses projetos produzem entre 5 e 30 megawatts (MW) e sua instalação tem um baixo custo e respeito ao meio ambiente, principalmente por não existir necessidade de reservatórios de regulação, o que não é o caso de grandes usinas hidrelétricas. Nos últimos anos, o número de PCHs tem aumentado bastante, como consequência dos incentivos para geração de eletricidade a partir de fontes renováveis. Como a geração de energia hidrelétrica é fortemente influenciada por regimes hidrológicos, especialmente no caso de usinas a fio d água como as PCHs, melhorar a assertividade das previsões de geração de energia elétrica de maneira estocástica torna-se altamente importante para as distribuidoras. Esta dissertação tem como principal objetivo apresentar o
desempenho de um grupo de modelos de previsão aplicados para PCHs de uma distribuidora real de energia elétrica. Para isso foram utilizadas diferentes abordagens, incluindo dados de vazão de usinas hidrelétricas vizinhas como variável explicativa em modelos causais, assim como também modelos univariados. / [en] One of the main world concerns nowadays is related to the environment issues. Such concern is considered in the selection of energy projects and, as a result of that, the generation of electricity from renewable sources has experienced a sharp growth all over the world, Brazil included. Concerning hydropower sources, Small Hydropower Plants (SHPs) are an alternative to reduce environmental impact.
These projects produce between 5 and 30 megawatts (MW) and its installation has a low cost and respect to the environment, mainly because there is no need of regulation reservoirs, which is not the case in bigger hydroelectric plants. In recent years the number of SHPs is increasing in a great deal, as a consequence of the incentives to generate electricity from renewable sources. Since hydro power
generation is heavily influenced by hydrological regimes, especially in the case of run-of-river plants, as SHPs, improving the assertiveness of electric power generation forecasts in a stochastic way becomes highly important for distributing utilities. This master dissertation has as main objective to present the performance of an arrange of forecasting models applied to SHPs of a real distributing utility. It
was used different approaches, including inflow data from neighboring hydro plants as exogenous variable, in causal models and also univariate models.
|
Page generated in 0.0674 seconds