[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.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:67730 |
| Date | 26 August 2024 |
| Creators | REBECA DA SILVA OLIVEIRA FARIAS |
| Contributors | FERNANDO LUIZ CYRINO OLIVEIRA, FERNANDO LUIZ CYRINO OLIVEIRA, FERNANDO LUIZ CYRINO OLIVEIRA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0028 seconds