Este trabalho aborda o problema de modelagem de séries de vazões médias mensais visando previsão e geração de séries sintéticas. Destaca-se que a importância da previsão de valores futuros das séries mensais de vazões assim como a geração de séries sintéticas são fundamentais para o planejamento da operação de sistemas hidroelétricos brasileiros. Estas séries possuem um comportamento periódico na média, na variância e na função de autocorrelação e, portanto, considera-se para a série padronizada os modelos autorregressivos periódicos PAR(pm). Em relação a previsão clássica, a análise do erro de previsão e feita em função do horizonte de previsão. Neste estudo, os erros de previsão são calculados, na escala original da série de vazão, em função dos parâmetros dos modelos ajustados e avaliados para horizontes de previsão h variando de 1 a 12 meses. Estes erros são comparados com as estimativas das variâncias das vazões para o mês que está sendo previsto. Em relação à previsão bayesiana, adota-se os modelos Normal, Log-Normal e t-Student nos processos de estimação e, após, é realizado um estudo da perfomance destes modelos usando o erro quadrático médio, erro absoluto médio e erro percentual absoluto médio. Em relação à geração de séries sintéticas de vazões, um modelo multivariado Log-Normal com três parâmetros e um modelo Log-Normal generalizado foram desenvolvidos. As séries geradas são comparadas com as séries históricas reais utilizando o critério de Kullback-Leibler. Como resultado, tem-se uma avaliação da capacidade de previsão, em meses, dos modelos ajustados para cada mês e a escolha do modelo Log-Normal nos procedimentos de análise bayesiana. Além disso, o modelo utilizado para a geração de séries sintéticas de vazões mensais forneceu evidências que o apontam como uma alternativa ao modelo amplamente adotado no setor elétrico brasileiro para geração de séries de vazões / This work addresses the problem of forecasting and generation series monthly average streamflows. It is noteworthy that the importance of forecasting future values of the series of monthly streamflows as well as the generation of synthetic series are fundamental for planning the operation of Brazilian hydroelectric systems. These series have a periodic behavior on average, variance and autocorrelation function and therefore it is considered for standard series periodic autoregressive models PAR(pm). At the forecast classical analysis of the prediction error is made in function of the prediction horizon. In this study, the forecasting errors are calculated in the original scale of the series of streamflow, depending on the model parameters adjusted and evaluated for forecasting horizons h ranging from 1 to 12 months. These errors are compared with estimates of the variances of the streamflows for the month is provided. Regarding the bayesian prediction, we adopt the models Normal, Log-Normal and t-Student in estimation procedures and, then, is a study of the performance of these models using the mean square error, mean absolute error and mean absolute percentage error. In relation to generation, a Log-Normal multivariate model with three parameters and a Log-Normal generalized model were developed and analyzed using the Kullback-Leibler criterion. As a result there has been an assessment of the predictive power, in months, the adjusted models for each month, the choice of the Log-Normal model in the procedures for bayesian analysis and the model used to generate synthetic series of monthly streamflows provided evidence that point as an alternative model adopted in the Brazilian electric sector
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-13052013-111226 |
| Date | 08 March 2013 |
| Creators | Reis, Ricardo Luis dos |
| Contributors | Andrade Filho, Marinho Gomes de |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | Tese de Doutorado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.002 seconds