[en] NATURAL GAS DEMAND FORECAST: COMPARATIVE ANALYSIS OF TIME SERIES MODELS FOR DAILY AND WEEKLY NATURAL GAS CONSUMPTION DATA IN BRAZIL

• Autor(a) principal: REBECA DA SILVA OLIVEIRA FARIAS
• Data de Publicação: 2024
• Tipo de documento: Outros
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67730@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67730@2; http://doi.org/10.17771/PUCRio.acad.67730
• topic: [pt] SERIE TEMPORAL; [pt] DEMANDA DE GAS NATURAL; [pt] METODO DE PREVISAO; [en] TIME SERIE; [en] NATURAL GAS DEMAND; [en] FORECASTING METHOD

[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.