Previsão da demanda de energia elétrica a curto prazo para Região Sul do Brasil utilizando o Modelo ARIMA e o Modelo de Suavização Exponencial de Holt (SEH)

  • Mariane Amaral Universidade Federal do Rio Grande
  • Anderson Silveira Universidade Federal do Rio Grande
  • Viviane Mattos Universidade Federal do Rio Grande
  • Eduardo Borges Universidade Federal do Rio Grande

Resumo


Prever a demanda por energia elétrica é tarefa essencial para estratégia econômica da nação, sendo de extrema necessidade ocorrer um balanceamento adequado entre geração de distribuição. Neste contexto, este trabalho realizou a previsão da demanda de energia elétrica na Região Sul do Brasil utilizando modelagem da série temporal de dados de consumo residencial. Foram utilizados o Modelo de Suavização Exponencial de Holt e o Modelo ARIMA. Os resultados alcançados mostraram que os modelos foram capazes de se ajustar adequadamente aos dados em curto prazo, apresentando baixo erro de validação que pode ser explicado pela crise econômica global de 2008.

Palavras-chave: Demanda por energia elétrica, Modelo ARIMA, Modelo de Suavização Exponencial de Holt.

Referências

Amaro, R. S., Ceretta, P. S., Coronel, D. A., Bender Filho, R., and de Oliveira, M. G. (2017). Comparação da capacidade preditiva de modelos arima para o consumo de energia elétrica no brasil. Revista UNEMAT de Contabilidade, 6(11). de Menezes, M. L., Cassiano, K. M., de Souza, R. M., Souza, R. C., and Júnior, L. A. T. (2014). Singular spectrum analysis associada à modelagem arima e holt-winters na previsão de consumo de energia. Simpósio de Pesquisa Operacional e Logı́stica da Marinha-Publicação Online, 1(1):213–224.

Dickey, D. A. and Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: journal of the Econometric Society, pages 1057–1072. dos Santos, B. F. C. (2015). Caracterização de diagramas de consumo doméstico detricidade na perspetiva da comercialização. Master’s thesis, Faculdade de Engenharia da Universidade do Porto, Portugal.

EPE, E. D. P. E. (2020). Balanço energético nacional: Relatório sı́ntese, ano base 2019. Rio de Janeiro: Ministério de Minas e Energia. Disponı́vel em http://www.epe.gov.br/; acesso em agosto-2020.

Gaither, N. and Fraizer, G. (2001). Administração da produção e operações, 8a . Pioneira, São Paulo, 598p.

Holt, C. C. (1957). Forecasting trends and seasonal by exponentially weighted moving averages. ONR Memorandum, 52.

Hussain, A., Rahman, M., and Memon, J. A. (2016). Forecasting electricity consumption in pakistan: The way forward. Energy Policy, 90:73–80.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Hyndman, R. J., Koehler, A. B., Snyder, R. D., and Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of forecasting, 18(3):439–454.

Jarque, C. M. and Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics letters, 6(3):255–259.

Jiang, W., Wu, X., Gong, Y., Yu, W., and Zhong, X. (2020). Holt–winters smoothing enhanced by fruit fly optimization algorithm to forecast monthly electricity consumption. Energy, 193:116779.

Junior, L. M. C., Melquı́ades, T. F., da Costa Martins, K. d. L., Júnior, E. P. S., and de Freitas, G. P. (2018). Previsão do consumo de eletricidade no nordeste brasileiro. Engevista, 20(3):408–423.

Kwiatkowski, D., Phillips, P. C., Schmidt, P., Shin, Y., et al. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of econometrics, 54(1-3):159–178.

Ljung, G. M. and Box, G. E. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2):297–303.

McLeod, A. I. and Li, W. K. (1983). Diagnostic checking arma time series models using squared-residual autocorrelations. Journal of time series analysis, 4(4):269–273.

Miswan, N. H., Said, R. M., and Anuar, S. H. H. (2016). Arima with regression model in modelling electricity load demand. Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 8(12):113–116.

Phillips, P. C. and Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2):335–346.

Samohyl, R. W., Souza, G. P., and de Miranda, R. G. (2008). Métodos simplificados de previsão empresarial. Ciência Moderna.

Shapiro, S. S. and Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4):591–611.

Silveira, A. G., Amaral, M. C., and de Mattos, V. L. D. (2019). Relação de longo prazo tre a renda média domiciliar da população e a demanda residencial por energia elétrica. Revista Mundi Engenharia, Tecnologia e Gestão (ISSN: 2525-4782), 4(2).

Silveira, A. G., de Mattos, V. L. D., and Konrath, A. C. (2017). Avaliação da estacionardade e teste de cointegração em séries temporais o caso da demanda de energia elétrica residencial no brasil. RETEC-Revista de Tecnologias, 9(3).
Publicado
20/10/2020
AMARAL, Mariane; SILVEIRA, Anderson; MATTOS, Viviane; BORGES, Eduardo. Previsão da demanda de energia elétrica a curto prazo para Região Sul do Brasil utilizando o Modelo ARIMA e o Modelo de Suavização Exponencial de Holt (SEH). In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 17. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 495-506. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2020.12154.