[pt] Com este trabalho, objetivou-se quantificar as relações entre a demanda de energia elétrica e alguns de seus determinantes na classe Residencial do Brasil. Inicialmente, é feita uma breve discussão sobre o consumo residencial de energia no País ao longo das quatro últimas décadas, a fim de se conhecer o mesmo dentro de um contexto mais amplo. Posteriormente, adotou-se uma modelagem econométrica objetivando estimar as elasticidades-preço, renda e preço de eletrodomésticos. Após identificar que as séries temporais das variáveis estudadas são não estacionárias, optou-se pela utilização do conceito de Cointegração. Em seguida, foram estimados os Modelos de Correção de Erros Vetoriais (VECM) os quais foram utilizados para projetar o consumo de energia elétrica para o período 2011-2020. Num terceiro momento, entendendo o crescimento populacional e o número de domicílios como fatores importantes na determinação do número de unidades consumidoras residenciais e, consequentemente, na demanda de energia elétrica, foi adotado o método Taxa de Chefia baseado no modelo idade-período-coorte (IPC) objetivando projetar a Taxa de Chefia e o número de domicílios que deverão ser atendidos pelas concessionárias de distribuição durante o período 2011-2020. Por fim, diante das informações obtidas junto às referidas projeções, aplicou-se o método de decomposição do índice de Divisia de média logarítmica I (LMDI I) a fim de explicar a variação da demanda de energia sob a ótica de três variáveis, aqui denominadas Consumo Médio, Taxa de Atendimento e Domicílio. / [en] This work aims to quantify the relations between the electricity demand and some of its determinants in the Residential sector of Brazil. To begin with a short discussion is carried out on the Residential energy consumption in the country throughout the last four decades so as to get to know the residential consumption within a wider context. After, we adopted an econometric modeling aiming to estimate price elasticities, income and price of home appliances. As the series of the variables studied were proved non-stationary, the Cointegration approach was adopted. Vector Error Correction Models (VECM) were estimated and used to project the consumption of electric energy during the 2011-2020 period. The third point concerns, understanding the population growth and the number of households as important factors in determining the number of residential consumer units and, consequently, the demand for electricity, has been adopted the method leadership rate based on age-period-cohort model (APC) aiming to projecting the rate at the leadership rate and the number of homes that should be attended by energy concession during the period 2010-2020. Finally, in face of information obtained from these forcasts, we applied the logarithmic mean Divisia index decomposition method I (LMDI I) in order to explain the variation in energy demand on the optics of the three variables, called Average Consumption, Attendance rate and Household.

[pt] Neste trabalho apresenta-se uma análise dos principais procedimentos desenvolvidos para calcular a tenacidade à fratura sob condições elastoplásticas. São avaliadas as principais medidas de tenacidade, bem como as diferenças, características, fontes de conservadorismo e as principais referências bibliográficas que relatam diferenças nas metodologias de cálculo para prever as cargas de falha em estruturas com defeito. Também são analisados os principais procedimentos de avaliação da Integridade Estrutural de estruturas com defeito (Fitness For Service, FFS). Testes de tenacidade são feitos variando as condições de restrição em torno da trinca (geometria do CP, tamanho inicial de trinca, entalhe lateral). Foram levantadas as curvas JR para todos os CPs testados, e previsões de carga de fratura são feitas segundo os principais procedimentos FFS, e testes são realizados em placas trincadas centralmente com o objetivo de registrar as cargas de falha do defeito, para compará-las com as previsões dos procedimentos FFS e avaliar o conservadorismo de cada um deles. Como outra contribuição ao trabalho, simulações numéricas dos ensaios de tenacidade são desenvolvidas com o objetivos de reproduzir os testes feitos e calibrar os parâmetros de simulação de rasgamento dúctil em estruturas com defeito. / [en] This work presents an analysis of the main procedures developed to calculate fracture toughness under elastoplastic conditions. The main measures of toughness, differences, characteristics, and sources of conservatism are evaluated. Also, the main bibliographies reporting differences in calculation methods to predict failure loads in flawed structures are examined. Lastly, the main assessment procedures of Structural Integrity of structures with flaws (fitness for service, FFS) are also analyzed.Toughness tests are performed varying the constraint conditions near the crack tip (geometry, initial crack size, side grooves). JR curves and fracture load predictions were made according to the principal FFS procedures. Also, experimental tests are performed on centrally cracked plates in order to record the failure loads of the structure, to compare them with the predictions of FFS procedures and to evaluate their conservatism. Other contributions of this work are numerical simulations of toughness tests, developed in order to reproduce the tests and calibrate the simulation parameters of ductile tearing in structures with flaws.

[pt] Diversos resultados empíricos na área de séries temporais indicam que combinar previsores (experts) é, em média, melhor que tentar selecionar um único modelo de previsão. Na medida em que se decide por um esquema de combinação linear, há vários métodos disponíveis para determinar o quanto cada previsor deve contribuir para a resposta consensual, ou em outras palavras, quais devem ser os pesos dos previsores envolvidos. Em um primeiro momento, este trabalho explora o uso prático de diversos métodos tradicionais de ponderação para combinação linear de previsores. Em seguida, propõe um novo sistema para geração de pesos, especialmente projetado para a melhoria do desempenho nas previsões múltiplos passos a frente. O sistema, batizado de Ponderação Neural de Experts (NEW – Neural Expert Weighting), gera modelos de ponderação dinâmica baseados em redes neurais. As redes neurais oferecem a robustez necessária para a simulação de funções de ponderação de alto desempenho, derivadas de um ou mais métodos tradicionais de geração de pesos. O sistema NEW foi avaliado em diversos experimentos comparativos, contemplando 13 séries temporais divididas em dois estudos de casos – derivados do petróleo e competição NN3, uma competição entre metodologias de previsão baseadas em inteligência computacional. Os resultados obtidos foram considerados promissores. / [en] Several empirical results on the time series field indicate that combining forecasting models (experts) is, on average, better than selecting a single forecasting model. Once the linear combination framework is chosen, there are many ways to define the amount of contribution of each combining model to the consensual response; in other words, there are many possible weighting methods. At first, the present work explores the usage of traditional weight generation schemes for the linear combination of forecasters. Afterwards, it proposes a new weight generation framework, specially designed to improve multistep ahead forecasting. The framework, called Neural Experts Weighting (NEW), generates dynamic weighting models based on neural networks. The neural networks provide the desired robustness for the simulation of high performance weighting functions, derived from one or more traditional weighting methods. The NEW framework was assessed with several comparative experiments, encompassing 13 time series divided into two case studies – downstream and NN3 competition, a forecasting competition for computational intelligence methodologies. Results were considered to be promising.

[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] Esta dissertação investiga os efeitos do racionamento de energia elétrica ocorrido no período entre junho de 2001 a fevereiro de 2002, nas previsões de energia das principais concessionárias brasileiras. Para tal, estudamos o desempenho de modelos lineares e não-lineares. Dentre os modelos lineares, analisamos os modelos ARIMA (p,d,q) de Box & Jenkins e os modelos de amortecimento exponencial de Holt & Winters. Dentre os modelos não-lineares, são abordadas técnicas de inteligência artificial tais como Redes Neurais e Lógica Fuzzy. Visto que o racionamento levou a previsões ineficientes, propomos alternativas para reduzir seu impacto. Por último, investigamos os impactos causados pela crise energética nas previsões doze passos à frente de carga elétrica provenientes de vinte e oito concessionárias. A base de dados é composta pelos valores observados e as previsões fornecidas pelo PREVCAR, um dos sistemas de previsão da cadeia oficial de programas do setor elétrico brasileiro. Por meio de um procedimento de Análise de Agrupamento utilizando Redes Neurais Artificiais do tipo SOM (Self Organizing Map) de Kohonen são estabelecidos os grupos de concessionárias que possuem os mesmos comportamentos diante do racionamento. Como resultado final, foram estimados fatores de redução das previsões causados pelo racionamento, que servem como base de cálculo para reduções nas previsões futuras em períodos de crise de abastecimento. / [en] This dissertation aims at an exploratory study of impacts caused by the 2001 energy crisis on the current forecasts produced on a monthly basis for main distributing utilities. For that we show an accuracy study of the performance of the linear and non-linear models. It has been used, within the linear models class, the modeling approach of Box-Jenkins and exponential smoothing of Holt- Winters. Within the non-linear ones, it was chosen those based on artificial intelligence techniques, such as Fuzzy Logic and Artificial Neural Network. Due to the lack of accuracy of the models to cope with the discontinuities provoked by the crisis on the forecasts, some alternative tools to reduce the impact on the forecast errors are proposed. Finally, the impacts caused by the crisis on multiple steps ahead forecasts have also been investigated. It was taken the monthly forecasts produced by PREVCAR (one of official Brazilian load forecasting system), as well as the observed values covering the same period, to create the crisis response indices series for each one of the twenty and eight utilities included in the analysis. It was also used the well-known neural network based algorithm SOM (Self Organizing Maps) to classify the utilities into homogeneous groups, according to their response to the energy crisis. As a final result, for each group, it was estimated the reduction factors that can be used as a prior information in future energy supply crisis.

[pt] Na previsão de séries temporais, alguns autores supõem que um método de previsão individual (por exemplo, um modelo ARIMA) produz resíduos (ou erros de previsão) semelhantes a um processo de ruído branco (imprevisível). No entanto, principalmente devido às estruturas de autodependência não mapeadas por um método preditivo individual, tal suposição pode ser facilmente violada na prática. Esta tese propõe um Previsor Híbrido Wavelet (PHW) que integra as seguintes técnicas: decomposição wavelet; modelos ARIMA; redes neurais artificiais (RNAs); combinação de previsões; programação matemática não linear e amostrador Bootstrap. Em termos gerais, o PHW proposto aqui é capaz de capturar, ao mesmo tempo, estruturas com autodependência linear por meio de uma combinação linear wavelet (CLW) de modelos ARIMA, (cujo ajuste numérico ótimo ocorre por programação matemática não linear) e não linear (usando uma RNA wavelet automática) exibidas pela série de tempo a ser predita. Diferentemente de outras abordagens híbridas existentes na literatura, as previsões híbridas produzidas pela PHW proposto levam em conta implicitamente, através da abordagem de decomposição wavelet, as informações oriundas da frequência espectral presentes na série temporal subjacente. Os resultados estatísticos mostram que a metodologia híbrida supracitada alcançou ganhos de precisão relevantes no processo preditivo de quatro séries de tempo diferentes bem conhecidas, quando se compara com outras meteorologistas competitivas. / [en] In time series analysis some authors presume that a single model (an ARIMA for instance) may yield white noise errors. However that assumption can be easily violated, especially in scenarios where unmapped auto dependency structures are present inside the series. With that being said, this thesis proposes a new approach called Hybrid Wavelet Predictor (HWP) which integrates the following techniques: Wavelet Decomposition, ARIMA models, Neural Networks (NN), Combined Prediction, Non-linear mathematical programming and Bootstrap Sampling. In a broad sense, the proposed HWP is able to capture not only the linear auto-dependent structures from ARIMA using linear wavelet combination (where its optimal numerical adjustment is made through non-linear mathematical programming), but also the non-linear structures by using Neural Network. Differently from others hybrid approaches known to date, the hybrid predictions given by HWP model take into account. Statistical tests show that the hybrid approach stated above increased the prediction s effectiveness by a significant amount when compared with four well known processes.

[pt] Esta tese consiste em três ensaios sobre previsão de inflação, com foco na inflação brasileira. No primeiro ensaio, examinamos a eficácia de vários métodos de previsão para prever a inflação, com foco na agregação de previsões desagregadas. Consideramos diferentes níveis de desagregação para a inflação e empregamos uma variedade de técnicas tradicionais de séries temporais, bem como modelos lineares e não lineares de aprendizado de máquina que lidam com um número grande de preditores. Para muitos horizontes de previsão, a agregação de previsões desagregadas performa tão bem quanto expectativas baseadas em coleta e modelos que geram previsões a partir do agregado. No geral, os métodos de aprendizado de máquina superam os modelos de séries temporais tradicionais em precisão preditiva, com excelente desempenho para os desagregados da inflação. Em nosso segundo ensaio, investigamos os potenciais benefícios de combinar previsões de inflação individuais ao propor uma correção para viés variável no tempo da média de previsões. Nossa análise inclui estimações empregando janelas rolantes e modelos em espaço de estados que usam a recursividade do filtro de Kalman. Obtivemos um bom desempenho de previsão para modelos baseados em janelas rolantes pequenas em horizontes de previsão curtos e intermediários, enquanto um modelo em espaço de estados obtem um desempenho um pouco pior do que os procedimentos baseados em janelas rolantes. No terceiro ensaio, usamos aprendizado supervisionado para gerar índices prospectivos baseados em tweets e notícias para inflação acumulada e investigamos se esses índices podem melhorar o desempenho da previsão de inflação. Nossos resultados indicam que os índices baseados em notícias fornecem ganhos preditivos significativos, principalmente para os horizontes de 3 e 12 meses à frente. Esses achados sugerem que a incorporação de mais fontes de informação do que apenas expectativas baseadas em opiniões de especialistas pode levar a previsões mais precisas. / [en] This dissertation consists of three essays concerning inflation forecasting, taking the Brazilian case as an application. In the first essay, we examine the effectiveness of several forecasting methods for predicting inflation, focusing on aggregating disaggregated forecasts. We consider different disaggregation levels for inflation and employ a range of traditional time series techniques, as well as linear and nonlinear machine learning (ML) models that deal with a larger number of predictors. For many forecast horizons, aggregation of disaggregated forecasts performs just as well as survey-based expectations and models generating forecasts directly from the aggregate. Overall, ML methods outperform traditional time series models in predictive accuracy, with outstanding performance in forecasting disaggregates. In our second essay, we investigate the potential benefits of combining individual inflation forecasts by proposing a time-varying bias correction for the average forecast. Our analysis includes estimations using both rolling windows and state-space models that use the recursiveness of the Kalman filter. We achieve good forecast performance for models based on small rolling windows for shorter and intermediate forecast horizons, while a state-space model performs slightly worse than procedures based on rolling windows. In the third essay, we use supervised learning to generate forward-looking indexes based on tweets and news articles for accumulated inflation and investigate whether these indexes can improve inflation forecasting performance. Our results indicate that news-based indexes provide significant predictive gains, particularly for 3- and 12-month-ahead horizons. These findings suggest that incorporating more information sources than just expectations based on experts opinions can lead to more accurate forecasts.

[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.

[pt] Estudos empíricos na área de séries temporais indicam que combinar modelos preditivos, originados a partir de diferentes técnicas de modelagem, levam a previsões consensuais superiores, em termos de acurácia, às previsões individuais dos modelos envolvidos na combinação. No presente trabalho é apresentada uma metodologia de combinação convexa de modelos estatísticos de previsão, cujo sucesso depende da forma como os pesos de combinação de cada modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada (Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição individual de cada previsor observada nos dados históricos da série. O ajuste dos parâmetros da rede MLP é efetuado através de um algoritmo de treinamento híbrido, que integra técnicas de busca global, baseadas em computação evolucionária, junto com o algoritmo de busca local backpropagation, de modo a otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando, assim, a gerar de forma automática um modelo de ponderação dinâmica de previsores de alto desempenho. O modelo proposto, batizado de Neural Expert Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos experimentos comparativos com outros modelos de ponderação de previsores, assim como também com os modelos individuais envolvidos na combinação, contemplando 15 séries temporais divididas em dois estudos de casos: séries de derivados de petróleo e séries da versão reduzida da competição NN3, uma competição entre metodologias de previsão, com maior ênfase nos modelos baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting models, generated from different modeling techniques, leads to higher consen+sus forecasts, in terms of accuracy, than the forecasts of individual models involved in the combination scheme. In this work, we present a methodology for convex combination of statistical forecasting models, whose success depends on how the combination weights of each model are estimated. An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate dynamically weighting vectors over the forecast horizon, being dependent on the individual contribution of each forecaster observed over historical data series. The MLP network parameters are adjusted via a hybrid training algorithm that integrates global search techniques, based on evolutionary computation, along with the local search algorithm backpropagation, in order to optimize simultaneously both weights and network architecture. This approach aims to automatically generate a dynamic weighted forecast aggregation model with high performance. The proposed model, called Neural Expert Weighting - Genetic Algorithm (NEW-GA), was com- pared with other forecaster combination models, as well as with the individual models involved in the combination scheme, comprising 15 time series divided into two case studies: Petroleum Products and the reduced set of NN3 forecasting competition, a competition between forecasting methodologies, with greater emphasis on models based on neural networks. The results obtained demonstrated the potential of NEW-GA in providing accurate models for time series forecasting.