Você está na página 1de 37

2

Modelos de Previso Conceitos Bsicos





O modelo estatstico proposto, adotado na dissertao baseado no modelo Holt-
Winters com mltiplos ciclos proposto por Taylor em 2002 (Taylor, 2002[27]). No entanto,
antes que seja apresentado o modelo proposto, faz-se necessrio a introduo a alguns
conceitos estatsticos e de previso. Aps uma breve definio de sries temporais, sero
apresentados e conceituados os mais importantes modelos estatsticos de previso, e
tambm modelos mais recentes, oriundos da inteligncia computacional.

2.1
Sries Temporais

Podemos definir uma srie temporal como sendo um grupo de dados observados em
determinado momento, sendo esse espao de tempo entre os dados disponveis eqidistante
(horrios, dirio, semanal, mensal, trimestral, anual, e etc..). Para que uma determinada
srie seja classificada como uma srie temporal, necessrio que preencha outro pr-
requisito : os dados tambm devem apresentar uma dependncia serial entre eles. Por
exemplo : os dados de uma varivel aleatria Z (consumo de energia) no instante t, com t
variando de 1 at N, possa, de certa maneira, conter informaes necessrias para que seja
determinado o valor dessa varivel no instante t+1. Cabe mencionar, que N representa o
nmero de observaes da srie temporal em questo. As sries temporais podem ser
classificadas como discretas, contnuas, determinsticas, estocsticas, multivariadas e
multidimensionais.

Existem duas formas de se analisar uma srie temporal : a anlise no domnio do
tempo, e a anlise no domnio da freqncia. No modelo proposto (Holt-Winters
multiplicativo com dupla sazonalidade) a anlise ser feita no domnio do tempo, no
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
19
entanto, no modelo comparativo (amortecimento direto) a anlise ser feita no domnio da
freqncia. Essas duas formas de anlise no so alternativas, mas sim complementares. No
entanto, sabemos que a primeira se adequa mais a anlise de processos no determinsticos,
enquanto a segunda, a processos determinsticos.

2.1.1
Anlise no Domnio do Tempo

Na anlise no domnio do tempo considera-se a evoluo da srie temporal do
processo que est sendo estudado, tendo como objetivo a determinao da magnitude de
cada evento nos diversos instantes da srie. As ferramentas utilizadas para essa anlise so
duas funes : a funo de autocorrelao e a funo de autocorrelao parcial. A funo de
autocorrelao mede a relao entre os eventos em diferentes instantes e as suas
magnitudes. A anlise baseada, em geral, por modelos paramtricos.

2.1.2
Anlise no Domnio da Freqncia

Na anlise no domnio da freqncia, o interesse est em verificar a freqncia que
alguns eventos ocorrem em determinado perodo de tempo. A ferramenta utilizada para
essa anlise o anlise espectral, nela so estabelecidas as caractersticas de um processo
estocstico em termos de freqncias, podendo, no caso das sries temporais determinar as
periodicidades existentes na mesma. Como o espectro de um processo no conhecido, ele
precisa ser estimado. Em geral, estimado atravs do periodograma de janelas espectrais,
por possuir boas propriedades estatsticas.






P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
20
2.1.3
Comportamentos Cclicos e Sazonalidade

As sries temporais podem tambm apresentar comportamentos cclicos, variaes
peridicas. Ou seja, alguma dependncia cclica. conveniente que se faa a medio da
mesma a partir dos dados disponveis e inclua essa sazonalidade dentro do modelo de
previso.

2.1.4
Previso de Sries Temporais

A previso de sries temporais somente o estabelecimento de valores futuros para
a srie, e feita com base tanto na informao atual quanto na passada. O horizonte de
previso o comprimento do tempo, contado a partir de uma origem predeterminada
(origem da previso).

2.2
Modelos de Previso

Para que sejam estabelecidos valores futuros para a srie em estudo, necessrio
que, de alguma forma, se possa captar e formular um modelo matemtico capaz de
representar o comportamento e as caractersticas da srie temporal que se deseja prever.
Essas informaes so extradas dos dados disponveis. Existe uma grande quantidade de
modelos de previso, na literatura estatstica adequados para exercer tal tarefa, e eles so
classificados da seguinte forma :

Modelos Univariados

Os valores futuros de uma srie so explicados somente pelos valores passados
dessa mesma srie. Isso acontece, por exemplo, em geral, com os dados de consumo de
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
21
carga de energia eltrica. Os mtodos de decomposio, mtodos de amortecimento
exponencial e os modelos Box&Jenkins esto enquadrados dentro dessa classificao.

Modelos Causais ou Modelos de Funo de Transferncia

Os valores futuros de uma srie so explicados no somente pelos valores passados
da mesma, mas tambm por sries que de alguma forma possuam relao com ela. No caso
do consumo de carga de energia eltrica, o preo relativo poderia ser uma srie capaz de
ajudar a explicar o mesmo.

Modelos Multivariados

So modelos capazes de realizar vrias previses ao mesmo tempo, um modelo
nico capaz de prever o futuro de diversas sries. Mantendo o foco sob a energia eltrica,
tema de estudo, um exemplo de modelo multivariado seria um modelo que fosse capaz de
prever ao mesmo tempo, o consumo de energia em diversas concessionrias prestadoras do
servio no pais.

2.2.1
Modelo de Amortecimento Exponencial

Os mtodos de amortecimento exponencial so classificados como sendo modelos
automticos e de validade local. Nesse breve resumo, iremos somente abordar os modelos
de amortecimento exponencial, simples, duplo e triplo. As suas variantes sazonais, o
modelo de amortecimento direto e o modelo de Holt-Winters, sero estudados mais a fundo
nos captulos 3 e 4 respectivamente. Existem duas formas de se obter as equaes do
modelo de amortecimento : de forma heurstica, e por um procedimento de mnimos
quadrados com desconto, sugerido por Brown (1963). Essa tcnica foi, posteriormente,
generalizada para abranger um maior tipo de funes (exponenciais, trigonomtricas, e
etc.).

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
22
O modelo de amortecimento exponencial simples um modelo constante,
apropriado para sries que so caracterizadas localmente por seu nvel, acrescentado de
uma variao aleatria desprezvel. Ou seja, as mudanas ocorridas numa srie nesse
formato so bastante lentas. No amortecimento exponencial duplo, a srie possui uma
tendncia aditiva. Diferente daquele, no amortecimento simples, a mdia no constante
ao longo do tempo, ocorre, sim, uma mudana linear. No caso do amortecimento triplo, a
tendncia existente quadrtica, sendo seu efeito multiplicativo. Abaixo esto dispostos
exemplos de modelos srie para cada uma das formas apresentadas.
t
x

Amortecimento Exponencial Simples

t t
a b x + = (2.1)

Amortecimento Exponencial Duplo

t 2 1 t
a t b b x + + = (2.2)

Amortecimento Exponencial Triplo

t
2
3 2 1 t
a t b
2
1
t b b x + + = (2.3)

com n , . . . 1, t =

De forma geral, assume-se que o nvel mdio das observaes pode ser escrito, para
cada instante de tempo, atravs de uma funo conhecida. O objetivo desse mtodo
estimar parmetros que caracterizem a funo . Para uma dada srie
ser considerado o seguinte modelo estocstico
( ) t f
( ) ( )
t t
x E t sendo 2,... 1, t , x = =

( )
t t
t x + = (2.4)
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
23

dado que , ento ( ) ( ) t f t =

( )
t t
t f x + = (2.5)

sendo o rudo do sistema no instante t com mdia nula e varincia constante.
t

Na tcnica de amortecimento exponencial, os estimadores so obtidos via mdias
mveis de tamanho N. O tamanho das mdias mveis determinado pela quantidade de
parmetros a serem estimados. A frmula geral para a determinao dos mesmos seria a
seguinte :

1 T t T
)M (1 x M

+ = (2.6)
1 t
i 1 i
T
i
T
)M (1 M M

+ = (2.7)

A equao de previso do modelo para passos- - frente a seguinte

( ) ( ) T f x
T
+ = (2.8)

onde

( ) | |
T
T T
x x x
+
= (2.9)

Para sries no sazonais, a funo freqentemente empregada do tipo polinomial

( )
t
i
i
1 i
t a t f + =

+
(2.10)

passando a equao do modelo a ser a seguinte
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
24

=
+
+ =
n
0 i
t
i
1 i t
t a x (2.11)

e sua equao de previso
( ) ( )

=
+
+ =
n
0 i
i
1 i T
T a x (2.12)

Para sries sazonais, entenda por sries sazonais, sries que possuem repetio
peridicas, necessrio, que de alguma maneira se inclua essa informao no nvel mdio
da srie. Isso pode ser feito atravs de uma modelagem via fatores sazonais (variveis
dummy) ou via funo trigonomtrica (combinao de senos e cosenos). A modelagem via
fatores sazonais pode ser feita de forma aditiva ou multiplicativa, como visto abaixo :

Modelo aditivo :

( )
t t t
t x + + = (2.13)

Modelo multiplicativo :

( )
t t t
x x t x = (2.14)

A equao de previso do modelo multiplicativo passos--frente ser

( ) ( ) ( ) T T a x
n
0 i
i
1 i T
+ + =

=
+
(2.15)

onde so os fatores sazonais. Tanto a quanto so estimados seguindo o mesmo
procedimento seqencial, demonstrado anteriormente.
t

t




P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
25
2.2.2
Modelos Box&Jenkins

Interpreta a srie temporal como uma realizao de um vetor aleatrio multivariado,
sendo sua dimenso o tamanho da sries disponvel, seguindo o princpio da parcimnia
(representao dos modelos matemticos, com a menor quantidade de parmetros possvel)
e da construo de modelos atravs de um ciclo interativo. Os modelos Box&Jenkins
determinam o processo estocstico adequado para representar uma dada srie temporal
atravs da passagem de um rudo branco por um filtro linear. A representao do processo
utilizado por Box&Jenkins pode ser observado na Figura 2.1.

Figura 2.1 Processo Previsor de Box & Jenkins

Como na vida cotidiana nem todos os processos so estacionrios, busca-se um
operador de retardo, para que seja permitida a construo de modelos para sries com
comportamentos seriais, atravs da descrio delas por processos estacionrios ou
processos estacionrios homogneos. O processo no estacionrio transformado em
estacionrio homogneo, atravs de diferenciaes sucessivas, feitas, pelo uso do operador
de retardo mencionado anteriormente.

=

+ =
0 k
k t K t
a x (2.16)

fazendo
~
, temos que x x
t
=

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
26

=

=
0 k
k t K t
a x
~
(2.17)

onde

- nvel da srie.
t
a - rudo branco.
K
- funo de transferncia ou filtro linear definido como
( )
( ) B
B
p
q
.
B - operador retardo que representa um atraso de um perodo de tempo.

A equao 2.16 a formulao geral do modelo Box&Jenkins. Primeiramente
foram desenvolvidos os modelos ARMA, com o objetivo de se modelar somente sries
estacionrias, como pode ser observado na equao abaixo.

( ) ( )
t t
a X = (2.18)

No entanto, sabe-se que no mundo real, a maioria das sries so no estacionrias.
Ento, os modelos ARIMA foram a forma encontrada para solucionar esse problema,
podendo assim modelar tambm sries no estacionrias homogneas. Entende-se por
sries no estacionrias homogneas, aquelas que no so estacionrias na mdia ou no
nvel, sendo as mesmas transformadas em sries estacionrias atravs de sucessivas
diferenas. Se mesmo depois de terem sido feitas as sucessivas diferenas, a srie no se
tornar estacionria, convm fazer a transformao logartmica da srie em questo. Mas
preciso estar atento, pois a introduo de transformaes na previso pode causar
tendenciosidade (no caso da transformao logartmica geram estimadores tendenciosos do
anti-log), sendo necessrio a aplicao de correes para elimin-la. Com a incluso do
operador de diferena, a formula geral, a que segue.

( ) ( )
t t
d
a x = (2.19)
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
27
E finalmente, os modelos SARIMA so uma extenso dos modelos ARIMA para
que seja includa a sazonalidade dentro da modelagem. Ou seja, inclui-se na modelagem a
correlao serial dentro e entre perodos sazonais.

( ) ( ) ( ) ( )
t
S
t
d D
S
S
a x = (2.20)

onde

( ) - operador auto-regressivo no sazonal.
d
) 1 (
d
= - operador de diferena no sazonal de ordem d.
( )
S
- operador auto-regressivo sazonal.
D S
) 1 (
D
S
= - operador de diferena sazonal de ordem D.
( ) - operador de mdias mveis no sazonal.
( )
S
- operador mdias mveis sazonal.

A modelagem geral de Box&Jenkins segue na equao acima, que pode ser usada
tanto para modelos sazonais (SARIMA(p,d,q)x(P,D,Q)s) quanto para os modelos no
sazonais (ARIMA(p,d,q)).

A estimao dos parmetros do modelo feita por mxima verossimilhana. No
entanto, existem dois problemas na estimao da mxima verossimilhana : o primeiro
problema, seria o estabelecimento dos valores iniciais do modelo, e o segundo a
minimizao da soma dos quadrados dos resduos, que seria o equivalente a maximizar a
verossimilhana, pode talvez no conduzir a uma funo linear dos parmetros.






P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
28
2.2.2.1
Testes de Adequao do Modelo

Existem diversos testes para verificar se o modelo estimado adequado. Os
sugeridos por Box&Jeninks so os testes de sobrefixao e o teste dos resduos gerados,
que pode ser feito atravs do teste de Portmanteau, e o teste de periodograma acumulado.

No teste de sobrefixao, elaboram-se modelos com nmero de parmetros superior
ao do modelo escolhido, para que seja testada a significncia dos parmetros adicionais.
Caso sejam encontrados parmetros significativos, ficar claro que o modelo foi
subidentificado.
No teste dos resduos, o teste de Portmanteau estima a autocorrelao dos mesmos e
calcula-se a estatstica

( )

=
=
k
1 j
2
j
a r n Q (2.21)

A hiptese nula a de que os resduos so aleatrios, e para que isso ocorra, o valor
de Q deve ser menor que o valor da abcissa da funo Qui-Quadrado com (k-p-q) graus de
liberdade. No teste do periodograma acumulado, compara-se o periodograma acumulado
da srie dos resduos com o de um rudo branco, com o intuito de se encontrar componentes
peridicos (Montgomery, 1976[17]).

Nos estudos usando esse mtodo so, normalmente, utilizadas sries de carga
semanal ou mensal, visto que o modelo como proposto inicialmente, somente comporta a
sazonalidade, no tendo como modelarmos os ciclos. Tambm, os softwares disponveis
para a modelagem do mtodo, tais como Forescast Pro e Autobox , somente comportam
at 500 dados, no podendo, portanto, modelar fazendo uso de mltiplos ciclos. O software
Autobox est atualmente desenvolvendo uma nova verso, onde podero ser includos mais
dados, existindo, consequentemente, a possibilidade de se modelar os mltiplos ciclos
existentes numa srie de carga horria, ou de em hora. Ou seja, com essa evoluo ser
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
29
possvel utilizar os modelos Box&Jenkins para a modelagem de mltiplos ciclos. O SPSS
tambm um software capaz de modelar o mtodos Box&Jenkins, mas tambm no
capaz de tratar mltiplos ciclos. O PREVCAR tambm um sistema de previso de sries
mensais de carga, utilizado dentro do setor de energia eltrica brasileiro. Nele so
combinadas previses obtidas atravs abordagens univariadas de previso de sries
temporais. So utilizados dentro do sistema, dois modelos de natureza estocstica, o de
Box&Jenkins e o de Holt-Winters, e dois provenientes da inteligncia computacional, o de
Redes Neurais e de Lgica Nebulosa. Os resultados obtidos com essa ferramenta foram
bastante satisfatrios.(Souza, 2003[26]).

2.2.2.2
Extenso do Modelo Box&Jenkins

Taylor fez uma extenso dos modelos Box&Jenkins, com o objetivo de fornecer
uma forma de se incluir no mtodo original, ciclos, tal como feito no modelo proposto na
dissertao. O autor utilizou a extenso a fim de modelar 2 ciclos sazonais, um ciclo dirio
e um ciclo semanal, existentes numa srie de carga de em hora de energia eltrica.
Darbellay e Slama usaram tambm a mesma modelagem, s que para prever dados de carga
horria. A extenso do modelo para os dois ciclos sazonais a que est disposta na equao
2.22. A expresso desse modelo pode ser escrita da seguinte forma,
SARIMA(p,d,q)x(P
1
,D
1
,Q
1
)s
1
x(P
2
,D
2
,Q
2
)s
2.


( ) ( ) ( ) ( ) ( ) ( )
t
S S
t
d D
S
D
S
S S
a B x B
2 1 2
2
1
1
2 1
= (2.22)

onde

( ) - operador auto-regressivo no sazonal.
d
) 1 (
d
= - operador de diferena no sazonal de ordem d.
( )
1
S
- operador auto-regressivo do ciclo dirio.
( )
2
S
- operador auto-regressivo do ciclo semanal.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
30
1 1 1
1
) 1 (
D
S
D S
= - operador de diferena do ciclo dirio de ordem D
1
.
2 2 2
2
) 1 (
D
S
D S
= - operador de diferena do ciclo semanal de ordem D
2
.
( ) - operador de mdias mveis no sazonal.
( )
1
S
- operador mdias mveis do ciclo dirio.
( )
2
S
- operador mdias mveis do ciclo semanal.

O modelo pode facilmente ser estendido para 3 ou mais ciclos sazonais, para isso,
somente faz-se necessrio a incluso de funes polinomiais adicionais do operador auto-
regressivo, e operadores de diferena, equivalentes a quantidades de ciclos que se deseja
incluir no modelo. (Taylor, 2002[27]). Ento, com isso, pode-se incluir, a sazonalidade
(influncia das 4 estaes do ano) dentro do modelo, caso o investigador tenha interesse em
faz-lo. Contudo, comum assumir que essa componente no significante para intervalos
de dados inferiores a um dia. Ou seja, somente se considera interessante a incluso da
sazonalidade para sries, dirias, semanais, trimestrais, semestrais ou anuais. No caso se
sries horrias e de em hora torna-se desnecessria a incluso, pois se acredita que a
transio suave, podendo ser captada nos dados.

2.2.3
Modelo de Espao Estado e Filtro de Kalman

O filtro de Kalman um mtodo de processamento de sinais que fornece estimativas
timas do estado atual de um sistema dinmico. Consiste em um grupo de equaes para
estimar recursivamente o estado corrente do sistema e para encontrar a varincia dessas
estimativas.

2.2.3.1
Modelo de Espao Estado

Nos modelos de espao estado o sinal tido como sendo uma combinao linear de
variveis, chamada variveis de espao estado, que constituem o vetor de estado no tempo
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
31
t. Esse vetor descreve o estado de um sistema no tempo t, e tambm conhecido como
estado da natureza. Denota-se o vetor de estado (mx1) por , que pode ser calculado
seguindo a equao das observaes disposta abaixo
t


t t
T
t t
n h x + = (2.23)

onde o vetor (mx1) conhecido e n denota o erro das observaes, que so, por
conveno, assumidos como sendo descorrelacionados.
t
h
t

O vetor de no pode ser observado diretamente, ento usam-se as observaes de
para que sejam feitas inferncias a respeito de . Assumindo que muda ao longo do
tempo, denotamos a equao de transio como
t
t
x
t

t

(2.24)
t 1 - t t t
w G + =

onde uma matriz (mxm) conhecida e representa o vetor dos desvios. Os dois erros
do modelo, e , so assumidos, geralmente, como sendo independentes e
normalmente distribudos com mdia zero e varincias e , respectivamente. A razo
entre essas duas varincias conhecida como razo do rudo do sinal.
t
G
t
w
t
n
t
w
2
n
2
w

A equao 2.26 constitui a frmula geral do modelo de espao-estado univariado. O
modelo pode, facilmente ser generalizado para o caso no qual um vetor, passando o
modelo a ser multivariado, fazendo h uma matriz do tamanho apropriado e, um vetor
de comprimento apropriado. Uma das caractersticas mais importantes dos modelos
estruturais, e em especial dos modelos de espao-estado, que a equao das observaes
envolve uma funo linear das variveis de estado e obriga o modelo a ser constante ao
longo do tempo.
T
x
t t
n

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
32
A partir da equao 2.26, podemos obter alguns casos particulares do modelo. Tais
como as que sero apresentadas a seguir.

Modelo Estacionrio

Supondo a equao das observaes como sendo

t t t
n x + = (2.25)

onde o nvel corrente, uma varivel no observada, e segue um passeio aleatrio dado
por
t


t 1 - t t
w + = (2.26)

No caso apresentado atravs das equaes 2.27 e 2.28, considerada somente
uma nica varivel de estado, , enquanto e so constantes escalares unitrias. O
modelo apresentado chamado dessa forma por no conter tendncia includa. Caso,
, pode ser verificado que o modelo estacionrio se transforma em um modelo
esttico.
t
t t
G
t
h
t 0 w
t
=

Modelo de Crescimento Linear

O modelo representado atravs das seguintes 3 equaes

t t t
n x + = (2.27)
t 1, 1 - t 1 - t t
w + + = (2.28)
t 2, 1 - t t
w + = (2.29)

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
33
Nesse modelo o vetor de estado possui dois componentes, o nvel, , que varia
linearmente ao longo do tempo, e a tendncia local, , que pode evoluir no tempo. No
entanto, improvvel que a situao apresentada pelo modelo, onde a tendncia
constante no tempo, ocorra. Por isso, usa-se um modelo onde a tendncia possa variar.
t t

t

Modelo Estrutural Bsico

Nesse modelo a componente de sazonalidade incorporada ao modelo, tal como
pode ser observado nas equaes (2.32) a (2.34). Nele alm das componentes de nvel, ,
e tendncia, , includa uma componente sazonal, , que assume-se como sendo aditiva.
t
t t
i
t t t t
n i x + + = (2.30)
t 1, 1 - t 1 - t t
w + + = (2.31)
t 2, 1 - t t
w + = (2.32)

=

+ =
1 s
1 j
t 3, j t t
w i i (2.33)

2.2.3.2
Filtro de Kalman

O filtro de Kalman fornece uma forma geral de estimar o sinal com a presena de
rudo, objetivo principal da modelagem de espao-estado. O mtodo formado por um
grupo de equaes que permitem ao investigador atualizar a estimativa de quando se
torna disponvel uma nova observao. O procedimento de atualizao composto por dois
estgios, o estgio de previso e o de atualizao das estimativas do modelo.
t


Suponha que observamos uma srie temporal at o perodo , e que o
melhor estimador de com base nas informaes at o perodo mencionado. Suponha
tambm que foi avaliada a matriz varincia-covarincia de . No estgio de previso, o
1 - t
1 - t

1 - t
1 - t

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
34
interesse est concentrado na previso de para o tempo . As equaes (2.34) e (2.35)
so as equaes de previso do modelo. O estimador de dado por
t
1 - t
t

1 - t t 1 t t

(2.34)

e a matriz de varincia-covarincia dada por

t
T
t 1 - t t 1 t t
W G P G P + =

(2.35)

Quando novas observaes se encontram disponveis no tempo , o estimador de
pode ser modificado, passando assim, a levar em considerao as informaes trazidas
por essa nova observao. Esse processo compreende o segundo estgio do filtro de
Kalman, a etapa de atualizao. As equaes de previso so dadas por
t
t


t t 1 - t t t
e K

+ = (2.36)
e

1 - t t
T
t t 1 - t t t
P h K P P = (2.37)

onde

| |
2
t 1 - t t
T
t t 1 - t t t
h P h / h P K
n
+ = (2.38)

A maior vantagem prtica do filtro de Kalman so que os clculos so recursivos,
ento apesar da estimativa estar sendo baseada na srie histrica toda, no existe a
necessidade de uma memria que esteja sempre em expanso. Outra vantagem reside no
fato de convergir rapidamente quando o modelo implcito constante.

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
35
Para inicializar o filtro de Kalman, precisa-se calcular os valores iniciais de e .
Esses valores podem ser encontrados de duas formas: por suposio, baseado no fato do
filtro atualizar rapidamente esses valores fazendo que as escolhas iniciais sejam dominadas
pelos dados; e pode-se tambm estimar o vetor de no tempo por mnimos
quadrados para as primeiras m observaes.
t

t
P
(mx1)
t
m t =

O filtro de Kalman utilizado para modelos espao-estado que so lineares nos
parmetros. Para sries no lineares, pode-se aplicar um filtro, conhecido como filtro de
Kalman extendido. O filtro de Kalman estendido feito atravs de uma aproximao linear
local para o modelo em questo.

Em estudo realizado por Gordon (Gordon, 1996[7]), a autora modela dados dirios
de carga de energia eltrica atravs de uma abordagem estrutural. Sabemos que os dados
dirios apresentam dois tipos de ciclo, sendo o primeiro um ciclo semanal, e o segundo um
anual (sazonalidade). O ciclo semanal pode ser modelado por um modelo estrutural bsico.
No entanto, o ciclo anual, se fosse modelado pelos meios tradicionais, utilizaria uma grande
quantidade de parmetros, violando assim, o princpio da parcimnia. O que a autora faz
para contornar esse problema utilizar a tcnica de splines para a modelagem do ciclo
anual. Essa tcnica tem como principal vantagem a simplicidade da sua implementao e a
praticidade de permitir que um efeito no linear se transforme em uma regresso mltipla,
facilitando, assim a sua estimao. A autora tambm trata os feriados de forma
diferenciada, por causa da sua grande influncia nas variaes do consumo de energia
eltrica.

2.2.4
Modelos Bayesianos de Previso

O conhecimento se encontra disponvel de diversas maneiras, sendo uma
classificao til classific-lo como proveniente de informaes histricas ou conhecimento
profissional. Para a anlise das informaes histricas podemos derivar um modelo de
previso. No entanto, no somente esse conhecimento importante, tendo tambm muita
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
36
importncia um outro conhecimento que no pode ser explicado por esse modelo formal. O
paradigma bayesiano fornece uma ferramenta lgica, racional e coerente de se combinar
informaes. O que o paradigma faz criar uma rotina de modelos de previso capaz de ser
ajustada por interveno subjetiva, refletindo assim, a informao subjetiva mencionada
anteriormente. (West,1989[28]). A linha de pensamento bayesiana disciplinada pelo senso
comum. (Smith, 1991[22]). A disciplina do pensamento bayesiano e o mecanismo formal
de aprendizado do Teorema de Bayes evita que ocorram problemas lgicos garantindo,
assim, a validade das concluses obtidas a partir das premissas feitas.

O mtodo bayesiano de previso tem a capacidade de incorporar informaes, alm
das j existentes na srie histrica estudada. Ou seja, ocorre no modelo a incluso de
informaes subjetivas, alm de permitir a adaptabilidade dos parmetros do modelo. No
mtodo bayesiano de previso obtm resultados muito mais satisfatrios quando no
existem estatsticas suficientes para resolver e/ou modelar o problema em questo. As
outras teorias de inferncia produzem bons resultados somente quando existem hipteses
feitas sobre o problema, tais como, normalidade e independncia dos erros. Quanto no se
tem nenhuma hiptese por trs da modelagem, normalmente, eles geram resultados
insatisfatrios e confusos.

O modelo linear dinmico o que estrutura analiticamente o modelo bayesiano de
previso. Abaixo iremos apresentar o modelo linear dinmico univariado.

Equao das Observaes

t t
'
t t
F x + = (2.39) |
t t
V 0, N ~ |

onde

t
x - srie de dados no tempo t.
t
F - vetor das constantes conhecidas (vetor de regresso).
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
37
t
- vetor dos parmetros do modelo de estado.
t
- termo do erro estocstico, tendo o mesmo distribuio normal com mdia zero e
varincia V .
t

Equao do Sistema

t 1 - t t t
G + = (2.40) |
t t
W 0, N ~ |
} }
|
|
)

onde

t
G - matriz dos coeficiente conhecidos que definem a evoluo sistemtica do vetor de
estado ao longo do tempo.
t
- termo do erro estocstico tendo o mesmo distribuio normal com mdia zero e matriz
de varincia .
t
W

As duas sries estocsticas, { e { , so assumidos como sendo independentes e
mutuamente exclusivos. Ou seja, as covarincias , para todo
, e para todo t , s tem valor zero.
t

| |
s t
, Cov |
s t
, Cov
s t |
s t
, Cov

O aprendizado bayesiano acontece atravs da combinao de informaes
provenientes das observaes de uma dada srie atravs da funo de verossimilhana. O
mecanismo de combinao o Teorema de Bayes , que nada mais que um simples
teorema inverso de probabilidade.

2.2.4.1
Teorema de Bayes

Supondo que um vetor de n observaes com uma distribuio
de probabilidade
(
n 1
x ., . ,. x x =
( ) x p que depende dos valores dos parmetros . k ( )
k 1
., . ,. =
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
38
Suponha tambm que o tenha uma distribuio de probabilidade . Ento, teorema
de Bayes diz que
( ) p
) 1 +
|

( )
( ) ( )
( ) x p
p x p
x p = (2.41)

2.2.4.2
Informao a Priori

A distribuio a priori que representa o conhecimento a priori ou uma relativa
ignorncia. Supe-se que essa distribuio capaz de representar tudo o que conhecido,
naquele dado momento, sobre os parmetros, antes de estarmos em posse dos dados. A
determinao dessa distribuio tem um papel crucial na modelagem bayesiana. A
utilidade da teoria se d por causa da tentativa de ser adaptar o modelo, no caso, a
distribuio a priori, considerando se as conseqncias concordam com o senso comum ou
no, e se mostram, do uma noo de onde o senso comum falha.

A informao a priori para um vetor de estado no tempo pode ser resumido
como uma distribuio normal com mdia e covarincia ,
(t
1 1 + t
a
t
R
+

|
1 t 1 t t 1 t
R , a N ~ D
+ + +
(2.42)

onde o estado de conhecimento no tempo t.
t
D

As previses do modelo bayesiano so geradas a partir dessa informao a priori,
juntamente com a equao das observaes.




P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
39
2.2.4.3
Previso k passos a frente

Para que possa ser feita a previso k passos a frente, necessrio que a informao a
priori seja projetada para o futuro, aplicando o sistema de equaes repetidas vezes, at que
sejam obtidos todos os valores que se deseja prever. Abaixo segue a equao de previso
para k passos a frente, supondo que essa previso tem uma distribuio normal.

( ) ( ) | k R , k a N ~ D
t t t k t +
|
)
(2.43)

onde, para k , a mdia e a varincia so dadas por 2

( )
1 t
1 k
t
a G k a
+

= (2.44)

( ) ( ) (

+

+

=
k
2 j
j k
j t
j k 1 k
1 t
1 k
t
G W G G R G k R (2.45)

Cabe mencionar que a soma comea a partir de porque a evoluo estocstica da
varincia j est includa na varincia da priori . Em posse dessa previso para o
estado a previso associada para as observaes da srie em questo obtida a partir da
equao de previso como
2 j =
t
R
1 t
W
+ 1 +

( ) ( ) | k Q , k f N ~ D x
t t t k t +
| (2.46)

onde os momentos so definidos nos termos familiares

( ) ( ) k a F k f
t k t t +
= (2.47)
( ) ( )
k t k t t k t t
V F k R F k Q
+ + +
+ = (2.48)


P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
40
2.2.4.4
Componentes do Modelo Linear Dinmico

A modelagem de uma srie temporal extremamente facilitada quando se
determinam as estruturas internas do modelo. Ou seja, quando se identificam as
componentes dessa srie temporal, tais como tendncia, sazonalidade, fator de desconto. A
modelagem feita seguindo a mesma estrutura dos modelos de espao-estado. Em baixo
seguem exemplos das componentes principais do modelo linear dinmico. Ateno especial
ser dada a componente de sazonalidade.

A componente de tendncia podem ser exemplificadas pelas equaes 2.25 e 2.25,
no caso de uma modelagem simples de polinmio de primeira ordem, e pelas equaes de
2.27 a 2.29, onde o polinmio apresentado permite a incorporao de um aumento ou
reduo sistemtica do nvel dentro da modelagem. Podemos observar que as equaes
mencionadas, tratam essa componente como sendo um passeio aleatrio ao longo do tempo.
Apesar de pouco usados, polinmios de ordens superiores podem ser generalizados, se
estendendo os dois polinmios descritos (West , 1989[28]).

Quanto aos padres sazonais, sabemos que model-los em uma dada srie temporal
requer que a componente tenha uma forma que seja peridica. A forma mais comum, mais
utilizada de se representar esses padres sazonais a modelagem via fatores sazonais, no
qual so determinados diferentes parmetros para cada ponto no ciclo. No entanto, existe
uma forma alternativa de se representar esses padres sazonais. Nela se separa a tendncia
implcita do movimento que ocorre sobre essa tendncia. Durante um ciclo completo esse
efeito soma zero dado que a tendncia, que a mdia dos fatores ao longo de todo o ciclo,
contm todo o movimento da srie durante essa amplitude de tempo. Esse modelo de efeito
sazonal define parmetros para medir as partes sazonais da tendncia. Na prtica, essa
forma de modelar prefervel se comparada com a via fatores sazonais, porque ela facilita a
diviso entre o que na srie representa a tendncia, e o que representa a variao sazonal.
Por exemplo, se temos dados trimestrais, para um ciclo anual, o efeito sazonal no sistema
de espao estado do modelo linear dinmico compreende 4 parmetros, um para cada
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
41
trimestre. E a medida que o tempo vai passando, ou melhor, os trimestres vo passando, o
vetor simplesmente roda um elemento a cada perodo.

2.2.4.5
Fatores de Desconto

Os fatores de desconto so usados, em dados provenientes de sries temporais, so
utilizados como uma ferramenta para se demonstrar o grau de importncia que determinado
dado possui na explicao daquela srie. Ou seja, os dados mais recentes possuem um
contedo informativo muito mais importante do que os dados mais antigos, e isso precisa
ser, de alguma forma, modelado. Os fatores de desconto exercem essa funo. O grande
problema encontrar a taxa para esse fator, de forma que ele seja capaz de descontar a
perda de informao (perda multiplicativa) de forma correta. Ou seja, essa taxa de desconto
deve ser equivalente ao aumento de incerteza dos dados, e portanto perda de preciso. O
fator de desconto um valo definido entre zero e um. Nos modelos de previso bayesianos
a incorporao dos fatores de desconto no modelo, permite com que os mesmos sejam
utilizados para possveis intervenes no sistema. Como so parmetros livres, possuem
uma certa parcimnia. Esse um dos fatores mais importantes do seu uso, dado que muito
mais simples estabelecer o valor do fator de desconto do que determinar a matriz de
covarincia do sistema (Reinaldo, notas de aula,2001).

Atualmente, existem diversos trabalhos onde se utiliza os modelos bayesianos para
a previso de carga de energia eltrica. No entanto, tal como em todos os mtodos
estudados at o presente momento, no se encontra disponvel a modelagem de ciclos, nem
uma extenso do mtodo capaz de faz-lo, tal como apresentando nos modelos
Box&Jenkins. To pouco o software disponvel para a modelagem, o BATS, capaz de
fornecer uma alternativa a esse problema.

Dentre os trabalhos realizados utilizando a modelagem bayesiana, podemos citar um
trabalho onde o autor (Fernandes, 1985[9]) utiliza o mtodo de previso de sries temporais
que apresentam descontinuidades bruscas. Esse mtodo conhecido como Modelo de
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
42
Crescimento Linear de Estados Mltiplos (MCL-EM), tendo sido o mesmo desenvolvido
por Harrison e Stevens. No estudo, Fernandes (1985[9]) aplica esse modelo em sries da
economia brasileira, tais como, de demanda de energia eltrica, ndices de preos setoriais e
taxa de cmbio, comparando os resultados obtidos com outros mtodos disponveis. O
mtodo de MCL-EM o nico modelo existente que admite variaes bruscas nos prprios
parmetros, sendo capaz, de se adaptar com mais rapidez e facilidade as descontinudades
existentes nas sries. Essa caracterstica, em conjunto, com a praticidade do uso do filtro de
Kalman, faz com que seu uso seja bastante eficiente e eficaz em sistemas automticos
destinados a prever rapidamente um grande nmero de sries (Fernandes, 1985[9]).
Tambm na dissertao de mestrado de Mendes (2002[16]), o autor utiliza os modelos
bayesianos de previso no tratamento dos dados do perodo do racionamento de energia
eltrica.

2.2.5
Modelo de Decomposio de Gupta

Nesse item da dissertao descreveremos, brevemente, um modelo diferente dos
mtodos de previso citados anteriormente, conhecido como modelo de decomposio de
Gupta (Bunn, 1985[3]).

O procedimento de previso feito da seguinte forma : combina-se dois modelos de
previso; um modelo estocstico, que relaciona, as cargas futuras com as cargas passadas; e
um segundo o modelo, que o modelo que estabelece a relao entre tempo e carga, com o
objetivo de representar a influncia das variveis de tempo nas cargas futuras. O modelo
atualizado a medida que as previses so produzidas.

O sistema de carga horria composto por 3 componentes, que esto representadas
na equao abaixo

( ) ( ) ( ) ( j i, X j i, WC j i, T j i, Z + + = ) (2.49)

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
43
onde

( j i, Z )
)
)
)
)
)
- a medida do sistema de carga em horas (MWH) na hora j do dia i.
( j i, T - componente de nvel da carga na hora j do dia i.
( j i, WC - componente de ciclo semanal (efeito do dia da semana) na hora j do dia i.
( j i, X - componente residual contendo o efeito da variao do tempo na hora j do dia i.

necessrio ressaltar que a componente de nvel varia muito pouco de um dia para
o outro, podendo at, em certos casos, se apresentar constante. A componente de ciclo
semanal tambm apresenta mudana lenta, evidenciando o padro semanal das cargas
horrias. J a componente residual muda rapidamente, pois, a mesma, contm a variao da
carga, hora a hora, motivada por uma srie de fatores, tal como condies de tempo
experimentadas. Um modelo adequado para modelar essa componente aleatria, seria um
do tipo auto-regressivo

( ) ( ) ( ) 1 i W 1 i AX i X + = (2.50)

onde

( )
( )
( )
( )
(
(
(
(

=
i,24 X
i,2 X
i,1 X
i X
M
- (24 x 1) vetores coluna das componentes residuais para o i-simo dia
A - matriz (24 x 24) dos coeficientes
( 1 i W - vetor coluna dos erros do modelo.

Uma importante caracterstica da equao do modelo (2.50) que cada elemento de
uma funo linear de todos os elementos de X . Os erros so assumidos como
tendo mdia zero e como sendo estatisticamente independentes. Ou seja, o erro de previso
( ) i X ( 1 i
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
44
de um dado dia, no possui nenhuma relao com o erro do dia anterior a ele. A matriz
de covarincia (24 x 24) desconhecida definida de modo que :
Q

( ) ( ) ( ) Q i W i W E
T
= (2.51)

onde denota a transposta de . Uma forma equivalente da equao 4.3 pode ser
escrita para o ( -simo elemento de Q como
( )
T
i W ( ) i W
)
)
)
k j,

( ) ( ) ( ) ( k i, W j i, W E k j, Q = (2.52)

onde o erro do modelo para hora j do i-simo dia. ( j i, W

2.2.5.1
Componente de Carga-clima

O procedimento de previso, tal como mencionado anteriormente, requer um
modelo de carga-clima, onde o pico de carga dirio seja representada em termos de
variveis climticas. O modelo tem a seguinte forma

Y (2.53) ( ) ( ) ( ) ( ) ( ) i i W i S i B i + + + =

onde

( ) i Y - pico de carga no i-simo dia
( ) i B - componente de nvel de carga do pico de carga no i-simo dia.
( ) i S - componente de padro semanal do pico de carga no i-simo dia.
( ) i W - componente de tempo do pico de carga no i-simo dia.
( ) i - componente randmica do pico de carga no i-simo dia.

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
45
preciso ser dito que S devem ser definidos como elementos de T e
. No entanto, melhores estimativas podem ser esperadas quando S so
estimados independentemente dessas duas variveis. A componente de tempo, ,
assumida como sendo uma funo linear dos valores transformados das variveis
meteorolgicas, tal como temperatura e velocidade do vento. Com isso temos que a forma
geral dessa componente pode ser descrita por
( ) i B e ( ) i ( j i,
( ) i
( ) i W
)
) ( j i, WC ( ) i B e

( ) ( )

=
=
k
1 j
j j
i WV C i W (2.54)

onde

k - nmero de variveis meteorolgicas no modelo.
( ) i WV
j
- j-sima varivel meteorolgica (ou um valor transformado da varivel) no
i-simo dia.
j
C - j-simo coeficiente desconhecido do modelo.

Quanto ao padro semanal, sabemos que existiro, sete valores, cada um deles
estando relacionado a um dia da semana. Logo, conclui-se que

( ) ( )

=
=
7
1 i
i i
i P S i S (2.55)

onde

( ) i S - j-simo valor do padro semanal (j=1 correspondendo ao Domingo).
( )

=
0
1
i P
i
- se o i-simo dia corresponde ao j-simo dia da semana.

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
46
A identificao das matrizes e baseada na componente residual dos
dados histricos de carga. Dado que a componente residual no se encontra disponvel de
forma direta, convm que, primeiramente, se estime os valore de de um
dado de carga. Cada um dos elementos de obtido pela filtragem do padro semanal
e da componente residual dos dados de carga :
A Q
T
( ) X
) j ( j i, T e )
)
(i, WC
( j i,

( ) ( )
N , . . . 7, i
24 ., . . 2, 1, j
j i, Z
7
1
j i, T
i
6 i k
=
=
=

=
(2.56)

onde N o nmero de dias para qual os dados de carga se encontram disponveis.

A componente de padro semanal, , obtida por um filtro de
amortecimento exponencial :
( j i, WC )

( ) ( ) ( ) ( ) ( ) { }
N , . . . 9, 8, i
24 , . . . 2, 1, j
j 7, i WC j i, T( j i, Z j 7, i WC j i, WC
=
=
+ = (2.57)

onde uma constante de filtro. De forma geral, convm determinar essa constante de
filtro com valores compreendidos entre 0.2 e 0.5.


( ) ( ) ( ) 7. , . . . 2, 1, k j 7, T( j k, Z j k, WC = = (2.58)

Os parmetros desconhecidos do modelo tempo-carga so identificados,
minimizando a soma exponencialmente ponderada dos quadrados dos erros de previso. Ou
seja,

( ) ( ) ( ) ( )
n N

N
1 n
k
1 i
n
i
WV
i
C
7
1 i
n
i
P
i
S n B n Y
2
E

=

=

=
=
(

(2.59)

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
47
A previso de carga para o (i+1)-simo dia, , feita nas
bases de medidas de Z , e da previso de tempo
. O procedimento utilizado para a atualizao das componentes
j foi mencionada acima. A componente residual determinada da
seguinte forma :
( ) 24 , . . . 2, 1, j , j 1, i Z

= +
( ) i X
( ) 24 , . . . 2, 1, j , j i, =
( ) k , . . . 2, 1, j , 1 i V
~
W
i
= +
( ) j i, T e ( ) j i, WC

( ) ( ) ( ) ( ) 24. , . . . 2, 1, k j i, WC( - j i, T( j i, Z j i, X = = (2.60)

As matrizes A e so atualizadas pela re-estimao das matrizes de covarincia e
.
Q
0

( ) ( ) | . i X i X
i
1
1 - i
o
T 1 - i
o
i
o
+ = | (2.61)
( ) ( ) | . 1 - i X i X
1 - i
1
1 - i
o
T 1 - i
1
i
1
+ = | (2.62)

onde e so estimativas das matrizes de covarincia e obtidas pelo
processamento de dados do i-simo dia. O algoritmo acima baseado somente nas prvias
estimativas e no novo produto dos termos X e .
i
0

i
1 0

( ) ( ) i X i
T
( ) ( ) 1 - i X i X
T

Para maiores detalhes de formulao terica ver Bunn (1985[3]), onde este modelo
descrito em detalhes. Esta formulao foi usada por Sobral (1999[23]), em sua dissertao
de mestrado. Na dissertao desenvolvido um modelo de previso de carga horria de
curto prazo, fazendo uso de informaes climticas, alm das informaes de carga. O
modelo proposto por Gupta combinado com as metodologias de redes neurais e lgica
nebulosa. A autora identifica os curvas tpicas de consumo de cargas, e inclui elas no
modelo de Gupta, como uma forma alternativa de se identificar esses perfis. A forma
proposta por Gupta, a de se classificar a curva de consumo por dia da semana. Os
resultados obtidos com essa adaptao do modelo, foram bastante satisfatrios, obtendo
erros de previso relativamente baixos. Tambm na tese de doutorado de Quadrelli
(1998[20]), o modelo proposto por Gupta (1985[3]), utilizado para previses horrias e
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
48
dirias, e seu desempenho comparado com o de um modelo de amortecimento direto,
modelado por senos e cosenos (funes trigonomtricas).

2.2.6
Redes Neurais

As Redes Neurais so sistemas inspirados na estrutura de funcionamento do crebro
e dos neurnios biolgicos. Esse interesse foi principalmente motivado pela observao
da facilidade e eficcia com o que o crebro realiza tarefas difceis e complexas. As redes
neurais resolvem problemas onde difcil criar modelos adequados a realidade ou, ento,
situaes que mudam muito (problemas no lineares), sem a necessidade de se definir
regras ou modelos explcitos.

Devido a similaridade de uma rede neural com a estrutura de um crebro, elas,
tambm, acabam por exibir caractersticas semelhantes, tais como :

Aprendizado : aprende-se por experincia;
Associao : faz associaes entre padres diferentes;
Generalizao : so capazes de generalizar o conhecimento adquirido a partir
de experincias passadas.
Abstrao : extrai a essncia de um conjunto de informaes, retirando os
rudos.

Um bom exemplo da topologia de rede neural encontra-se na figura 2.2, que, por
conveno, um formato de rede bastante usado, a Rede Feedforward. Nela, podem existir
uma ou mais camadas de processamento. Na figura mencionada, a rede possui 3 camadas :
a camada de entrada, a camada escondida, e a camada de sada. As rede neural possui
tambm unidades de processamento da informao. Essas unidades so denominadas
neurnios, e so conectadas por pesos sinpticos. Vale a pena mencionar que as redes
feedforward no possuem realimentao.

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
49

Figura 2.2 Rede Feedfoward

Existe tambm um outro tipo de rede, conhecida como rede recorrente. Nesse tipo
de topologia existe uma conexo entre os processadores no s de uma mesma camada
como tambm de camadas diferentes, existindo realimentao na rede.

As redes neurais tem vrias fases at que se obtenha o resultado final. A fase de
treinamento, onde retirado o conhecimento do ambiente. A fase de generalizao, onde o
conhecimento adquirido na fase anterior, testado, para verificar se o que foi aprendido
pode ser utilizado para o fim desejado. No entanto, existem, dentre vrias, diversas formas
muito importantes de uma rede aprender. O aprendizado pode acontecer de forma
supervisionada ou de forma no supervisionada. No primeiro, trabalha-se com conjuntos de
pares de entrada e sada, ambos previamente conhecidos e representantes da realidade. J
no aprendizado no supervisionado, no se trabalha com conjuntos previamente
conhecidos. Estabelece-se uma medida que represente a qualidade da representao da
rede, e os parmetros so modificados de forma a otimiz-la.

Em uma etapa do estudo realizado por Sobral (1999[23]), a autora utiliza a
metodologia das redes neurais para identificar os grupos de cargas tpicas, agrupando, ento
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
50
as cargas de acordo com seus padres de comportamento, rompendo a rigidez da
classificao via estaes do ano. Nesse caso, as redes neurais esto sendo usadas como um
classificador de padres, agrupando os dados de acordo com padres de comportamentos
semelhantes. Essa seria uma forma, segundo Sobral, de se evitar o surgimento de
sazonalidades mltiplas. No estudo, a autora faz uso do mapa auto-organizvel de Kohonen
para efetuar tal tarefa. Somente aps a classificao das cargas tpicas, foi utilizado o
modelo de previso proposto por Gupta. Os resultados obtidos para utilizao dessa
ferramenta foram bastante satisfatrios (Sobral, 1999[23]).

Em um outro estudo, Hippert (2001[11]) testa a viabilidade do uso da metodologia
de redes neurais aplicada na previso de perfis de carga. O objetivo do estudo verificar se
o uso dessa tcnica mais vantajoso do que o uso da modelagem tradicional. Esse estudo
feito baseado na idia de que apesar da existncia de diversas vantagens, as redes neurais
ainda no conseguiram se mostraram convincentes. As vantagens das redes neurais no que
diz respeito a previso de perfis de carga, diz respeito a possibilidade da construo de um
modelo com sadas multivariadas, possibilitando a previso de vrios pontos de um perfil
de forma simultnea. Atravs do estudos de 39 artigos sobre o tema, o autor chegou a
concluso que, essa falta de credibilidade das redes neurais, ocorre devido a escolha de
modelos super-ajustados e a hiper-parmetrizao dos modelos, e pela falha dos autores no
momento da validao dos mesmos, (falta uma anlise comparativa com os modelos de
referncia) (Hippert, 2001[11]). No estudo, Hippert examina a possibilidade da ocorrncia
do super-ajuste do modelo, e tambm o processo de validao. Os resultados obtidos
mostraram que as simulaes feitas utilizando redes neurais obtiveram previses de perfis
melhores que a feita atravs do mtodos lineares usuais, e os modelos se mostraram como
no sendo super-ajustados.

No entanto, preciso ser enfatizado, em se tratando do uso de rede neurais para o
tratamento de problemas lineares, fcil ser verificado, que a maioria dos mtodos
estatsticos tradicionais, obtm resultados mais eficientes. As redes neurais, tal como a
lgica nebulosa, somente oferece resultados mais adequados, em casos onde o investigador
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
51
lida com a busca de soluo para problemas no lineares, e quando se tem como objetivo a
modelagem de relaes complicadas.

2.2.7
Lgica Nebulosa

Os modelos matemticos, estatsticos e de previso so formulados seguindo o
conhecimento objetivo. No entanto, existe tambm o conhecimento subjetivo, aquele
adquirido atravs de informaes lingsticas, e, por esta razo, muito difceis de ser
quantificado.

O sistema de lgica nebulosa tenta unir a preciso dos modelos matemticos com a
impreciso do mundo real. Essa formulao surgiu da motivao de se conhecer mais
profundamente o funcionamento do raciocnio humano.

Os sistemas de lgica nebulosa, as redes neurais, e os algoritmos genticos foram
criados a partir dessa motivao. Esse sistema tem a capacidade de capturar informaes
imprecisas, descritas em linguagem natural, e convert-las para o formato numrico. Ele
mapea vetores numricos de entrada em valores numricos de sada, como pode ser
observado no esquema abaixo.











P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
52

Figura 2.3 Sistema de Lgica Nebulosa

Mas como funciona um sistema de lgica nebulosa? Primeiramente, entra-se com os
valores precisos (dados numricos) no sistema. Esses dados passam por uma ferramenta
que tem a funo de transformar esses valores precisos em variveis lingsticas e criar
regras que so associadas a conjuntos nebulosos. Os conjuntos nebulosos so funes que
mapeam um valor escalar em um nmero entre 0 e 1, que indique o grau de pertinncia a
um determinado conjunto. Seria mais ou menos um valor que representasse o quanto esse
valor escalar pertence a um determinado conjunto. Ou seja, o grau de pertinncia o nvel
de compatibilidade de um elemento com o conceito de um conjunto.

A ferramenta utilizada para a transformao de desses valores se chama fuzificador.
Existem, na verdade, duas formas de se criar regras para um sistema nebuloso .

conhecimento extrado a partir dos dados;
conhecimento fornecido por um especialista da rea.

Depois de extradas e definidas as regras, determinado como essas regras sero
combinadas e as que sero ativadas e/ou no. Isso feito por um sistema de inferncia,
gerando conjuntos nebulosos de sada que passaro por um processo inverso ao de
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
53
fuzificao, sendo as variveis lingsticas transformadas em variveis numricas pelo
desfuzificador.

No caso da aplicao da lgica nebulosa para a previso de sries temporais, as
regras so estabelecidas pela srie histrica analisada, estabelecendo os conjuntos
nebulosos do antecedente (entradas), e do conseqente (sadas). Outra forma de estabelecer
essas regras seria especificando previamente os conjuntos e associando os dados a esses
conjuntos predefinidos. Se trabalha com janelas, no caso da previso como pode ser
observado na figura 2.5. Cada janela formada pela quantidade de dados capazes de
explicar o valor a ser previsto.

Figura 2.4 Previso de Sries Temporais na Lgica Nebulosa

Supondo que x seja uma srie temporal de tamanho k, sendo k=1,2,.... So criadas
janelas. Mas como se determina o tamanho da janela? O tamanho de uma janela
determinado, na maioria das vezes, pelo prprio especialista, ele determina quantos dados
so suficientes para explicar o dado a ser previsto. Ento, dado uma janela com n medidas,
de , variando de , determina-se o valor de x(k .
Nessa etapa so estipulados o horizonte de previso e os graus de pertinncia dos elementos
de . A cada uma das variveis atribudo o conjunto com maior grau, obtendo, por
conseguinte, uma regra para cada par de entrada e sada.
( ) k x
X
x(k) , . . . 2), n - x(k 1), n - x(k + + 1) +

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A
54
Sobral (1999[23]) utilizou a lgica nebulosa para poder fazer uso das possibilidade
de se trabalhar com a relao entre carga e temperatura. No estudo, a autora cria atributos
meteorolgicos e no meteorolgicos capazes de identificar o grau de pertinncia do dia a
ser previsto em cada um dos grupos de carga que foram encontrados utilizando as redes
neurais, como mencionado no item anterior. Ela utiliza esses atributos so utilizados ao
invs do modelo carga-clima proposto por Gupta. Os resultados obtidos aps a finalizao
de todos os procedimentos descritos nos itens 2.2.5 e 2.2.6 foram bastante interessantes,
ocorrendo uma melhora nas previses. Tambm foi feita, a parte, a mesma modelagem para
os dias onde tiveram jogos da Copa do Mundo. Essa somente, um exemplo das diversas
formas onde podemos fazer uso dos conceitos e mtodos provenientes da inteligncia
computacional dentro da rea de previso de carga de energia eltrica. No sistema
PREVCAR, a lgica nebulosa utilizada de forma combinada com outros modelos, de
Redes Neurais, Box&Jenkins e Holt-Winters, como j mencionado anteriormente, com o
objetivo de se obter, previses com o menor erro possvel. Tambm existem, no sistema 3
algoritmos, que tem a funo de combinar os dois melhores mtodos, desagregar as
previses obtidas para o primeiro ms em semanas eltricas e dias, e desagregar todas as
previses das sries de energia, em patamares de carga (leve, mdia e pesada). Existe a
inteno de se incluir ainda mais um 4 algoritmo, que tratar as possveis mudanas nos
modelos e nos seus parmetros, tambm abre a possibilidade do tratamento das
descontinuidades similares que possam vir a ocorrer.


P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N


0
1
1
6
3
6
7
/
C
A