Analisando autovetores na abordagem singular spectrum analysis para a previsão de vazão de afluentes

• Autor(a) principal: Silva, Douglas de Castro
• Data de Publicação: 2017
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/13903
• topic: Previsão; Séries temporais; Singular spectrum analysis; Autovetores; Vazão de afluentes; Filtragem; Modelagem; Box & Jenkins; Holt-Winters; ARIMA; Série temporal; Usina hidrelétrica

Diante da atual situação energética brasileira, a previsão de vazão de afluentes surge como uma ferramenta essencial no planejamento de longo prazo. Com mais de 70% da energia gerada no Brasil, as usinas hidrelétricas têm uma função importante neste cenário e, dentre elas, a Usina Hidrelétrica de Itaipú é responsável por boa parte desta energia gerada. Como o pricipal afluente à UHE de Itaipú, o Rio Paraná apresenta momentos de baixo e de alto fluxo de correnteza, aumentando e diminuindo sua vazão em épocas distintas. Para se ter um controle sobre a energia que poderá ser gerada na usina é preciso ter um conhecimento prévio da vazão que o afluente poderá servir. A análise de séries temporais tem se mostrado como uma ferramenta adequada para este tipo de previsão e a literatura tem mostrado que filtragens de séries temporais melhoram a qualidade destas previsões. Este trabalho objetiva avaliar o ganho preditivo da modelagem de séries temporais quando se aplica à séerie uma filtragem por Singular Spectrum Analysis (SSA), uma ferramenta em estatistica que permite, dentre outras coisas, remover a componente de ruído após uma decomposição adequada e com isso, retornar uma série filtrada menos ruidosa. Na ocasião, uma série de médias mensais de vazão de afluentes do Rio Paraná na Usina Hidrelétrica de Itaipú foi modelada via modelos de amortecimento exponencial de Holt-Winters sem e com a filtragem SSA e modelos de Box & Jenkins da classe ARIMA também sem e com a filtragem SSA. A filtragem SSA foi feita a partir da análise gráfica dos autovetores e confirmada pela correlação ponderada. Todos os modelos foram comparados entre si de acordo com as estatísticas de aderência Mean Absolute Percentage Error (MAPE) e Root Mean Square Error (RMSE), o critério de seleção do melhor modelo (BIC) Bayesian Information Criterion e o coeficiente de determinação R2. Os resultados obtidos mostram que os modelos de Box & Jenkins têm um poder preditivo maior que os modelos de Holt-Winters e que, ao aplicar a filtragem SSA, a acurácia dos modelos é melhorada em todos os casos