COMPARAÇÃO DA CAPACIDADE PREDITIVA DE MODELOS ARIMA PARA O CONSUMO DE ENERGIA ELÉTRICA NO BRASIL
DOI:
https://doi.org/10.30681/ruc.v6i11.1848Resumo
Devido ao fato de que a energia elétrica, em grandes quantidades, não pode ser armazenada de forma viável e eficiente, torna-se extremamente importante mensurar de forma precisa e confiável a sua demanda futura. Deste modo, o objetivo desta pesquisa é comparar a capacidade preditiva de modelos Autoregressive Integrated Moving Average para a série de demanda de energia elétrica de médio prazo do Brasil. Para que tal objetivo seja alcançado, realizam-se previsões da demanda de energia elétrica mensal para 50 passos à frente, em cada modelo concorrente, com reajuste dos parâmetros a cada passo. Como resultado, as evidências empíricas encontradas demonstraram que o melhor modelo para realizar previsões eficientes e confiáveis para a série é um processo com dois vetores autorregressivos, um vetor de média móvel e ordem de integração unitária.Downloads
Referências
ANDREWS, D. W. K., Tests for parameter instability and structural change with unknown change point. Econometrica, v. 61, n. 4, p. 821-856, July 1993.
ANDREWS, D. W. K.; PLOBERGER, W., Optimal tests when a nuisance parameter is present only under the alternative. Econometrica, v. 62, n. 6, p. 1383-1414, Nov. 1994.
BAUER, P.; HACKL, P., The use of Mosums for quality control. Technometrics, v. 20, n. 4, p. 431-436, Nov. 1978.
BROCKWELL, P. J.; DAVIS, R. A., Introduction to Time Series and Forecasting. 2. ed., Springer-Verlang, 2002.
CHAVEZ, S. G.; BERNAT, J. X.; COALLA, H. L., Forecasting of energy production and consumption in Asturias (northern Spain). Energy, v. 24, n. 3, p. 183-198, Mar. 1999.
DICKEY, D. A.; W.A. FULLER., Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, v. 74, p. 427-431, 1979.
EDIGER, V. ?.; AKAR, S., ARIMA forecasting of primary energy demand by fuel in Turkey. Energy Policy, v. 35, n. 3, p. 1701-1708, Mar. 2007.
GODINHO, T. S.; MILANI, L. L.; PEREIRA, G. A., Análise e previsão do consumo de energia elétrica da região sudeste usando a metodologia de Box e Jenkins. Anais do XII Encontro Mineiro de Estatística - MGEST 2013. Uberlândia - 05 e 06 de Setembro de 2013.
Ipea - Instituto de Pesquisa Econômica Aplicada, 2015. Disponível em: < http://www.ipea.gov.br/>. Acesso em: Mai. 2015.
KANDANANOND, K., Forecasting electricity demand in thailand with an artificial neural network approach. Energies, v. 8, n. 4, p. 1246-1257, Aug. 2011.
KAVASSERI, R. G.; SEETHARAMAN, K., Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, v. 34, n. 5, p. 1388-1393, May. 2009.
KHEIRKHAH, A.; AZADEH, A.; SABERI, M.; AZARON, A.; SHAKOURI, H., Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering, v. 64, n. 1, p. 425-441, Jan. 2013.
KWIATKOWSKI, D.; P. C. B. PHILLIPS; P. SCHMIDT; Y. SHIN. Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root. Journal of Econometrics, v. 54, n. 1-3, p. 159-178, Dec. 1992.
PAGE, E. S., Continuous Inspection Schemes. Biometrika, v. 41, n. 1-2, p. 100-115, 1954.
PASSOS, F. F., Análise temporal da série de consumo residencial de energia elétrica no Brasil no período de 1963 a 2012. Monografia (Bacharel em Ciências Econômicas) - Instituto de Ciências Sociais Aplicadas. Universidade Federal de Alfenas, Minas Gerais, Brasil, 2015.
ROMERA, E. G.; MORÁN, M. A. J.; FERNÁNDEZ, D. C., Monthly electric energy demand forecasting with neural networks and Fourier series. Energy Conversion and Management, v. 49, n. 11, p. 3135-3142, Nov. 2008.
SOUZA, D. L. O.; RODRIGUES, M.; REIS, D. R., Crise energética 2001: providencial e reflexiva. Revista Educação e Tecnologia, v. 5, n. 8, p. 27-40, Set. 2004.
TAYLOR, J. W.; MENEZES, L. M.; MCSHARRY, P. E., A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, v. 22, n. 1, p. 1-16, Jan.–Mar. 2006.
UNSIHUAY, V. C.; ZAMBRONI, A. C.; MARANGON, L. J. W.; BALESTRASSI, P. P., Electricity demand and spot price forecasting using evolutionary computation combined with chaotic nonlinear dynamic model. International Journal of Electrical Power & Energy Systems, v. 32, n. 2, p. 108-116, Feb. 2010.
VILAR, J. M.; CAO, R.; ANEIROS, G., Forecasting next-day electricity demand and price using nonparametric functional methods. International Journal of Electrical Power & Energy Systems, v. 39, n. 1, p. 48-55, July 2012.
WENNSTRO?M, A. Volatility Forecasting Performance: Evaluation of GARCH type volatility models on Nordic equity índices. 2014. 61 p. Dissertação (Master of Science) - Department of Mathematics. Royal Institute of Technology (KTH), Stockholm, Sweden, 2014.
