Análise do erro de previsão de vazões mensais com diferentes horizontes de previsão

• Autor(a) principal: Andrade,Marinho G.
• Data de Publicação: 2012
• Outros Autores: Reis,Ricardo Luis dos, Soares,Secundino, Silva Filho,Donato da
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Sba: Controle & Automação Sociedade Brasileira de Automatica
• Texto Completo: http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592012000300004
• topic: Modelo PAR; previsão de vazão; erro de previsão; sistemas hidrelétricos

Este trabalho aborda o problema de previsão para séries de vazões médias mensais, no qual denomina-se de horizonte de previsão (h), o intervalo de tempo que separa a última observação usada no ajuste do modelo de previsão e o valor futuro a ser previsto. A análise do erro de previsão é feita em função deste horizonte de previsão. Estas séries possuem um comportamento periódico na média, na variância e na função de autocorrelação. Portanto, considera-se a abordagem amplamente usada para a modelagem destas séries que consiste inicialmente em remover a periodicidade na média e na variância das séries de vazões e em seguida calcular uma série padronizada para a qual são ajustados modelos estocásticos. Neste estudo considera-se para a série padronizada os modelos autorregressivos periódicos PAR (p m). As ordens p m dos modelos ajustados para cada mês são determinadas usando os seguintes critérios: a análise clássica da função de autocorrelação parcial periódica (FACPPe); usando-se o Bayesian Information Criterion (BIC) proposto em (MecLeod, 1994); e com a análise da FACPPe proposta em (Stedinger, 2001). 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. Como resultado tem-se uma avaliação da capacidade de previsão, em meses, dos modelos ajustados para cada mês.