Universidade Federal de Paraná

Setor de Tecnologia
Departamento de Engenharia Elétrica

Estudo e Previsão da Demanda de

Energia Elétrica

Parte II

Prof: Clodomiro Unsihuay-Vila

Etapas de um Modelo de Previsão

Objetivo do modelo

Coleta e análise dos dados

Seleção da técnica de previsão

Obtenção das previsões

Monitoração do modelo
 Objetivo do Modelo

A primeira etapa consiste em definir a razão

pela qual necessitamos de previsões. Que
produto, com que grau de acuracidade e
detalhe a previsão trabalhará, e que
recursos estarão disponíveis para esta
previsão.
 Coleta e Análise dos Dados
Visa identificar e desenvolver a técnica de previsão
que melhor se adapte:

Quanto mais dados históricos forem coletados

e analisados, mais confiável a técnica de
previsão será;
Variações extraordinárias da devem ser
analisadas e substituídas por valores médios,
compatíveis com o comportamento normal da
demanda;
 Seleção da Técnica de Previsão
Existem Técnicas Qualitativas e Quantitativas. Cada uma
tendo o seu campo de ação e sua aplicabilidade. Alguns
fatores merecem destaque na escolha da Técnica de
Previsão:
Decidir entre “custo-acuracidade”;
A disponibilidade de dados históricos;
A disponibilidade de recursos computacionais;
A experiência passada com a aplicação de determinada
técnica;
A disponibilidade de tempo para coletar, analisar e
preparar os dados e a previsão;
 Técnicas de Previsão
Existem uma série de técnicas disponíveis, com diferenças
substanciais entre elas. Porém, cabe descrever as
características gerais que normalmente estão presentes em
todas as técnicas de previsão, que são:
Supõem-se que as causas que influenciaram a demanda
passada continuarão a agir no futuro;
As previsões não são perfeitas, pois não somos capazes
de prever todas as variações aleatórias que ocorrerão;
A acuracidade das previsões diminui com o aumento do
período de tempo auscultado;
 Técnicas de Previsão
As técnicas de previsão podem ser subdivididas em dois grandes
grupos:
As técnicas qualitativas privilegiam principalmente dados
subjetivos, os quais são difíceis de representar
numericamente. Estão baseadas na opinião e no julgamento
de pessoas chaves, especialistas nos produtos ou nos
mercados onde atuam estes produtos;
As técnicas quantitativas envolvem a análise numérica dos
dados passados, isentando-se de opiniões pessoais ou
palpites. Empregam-se modelos matemáticos para projetar a
demanda futura. Podem ser subdivididas em dois grandes
grupos: as técnicas baseadas em séries temporais, e as
técnicas causais (Mais conhecidos: Regressão Simples e
Múltipla)
7
 Técnicas de Previsão
Técnicas Qualitativas
– Pouco tempo para coleta de dados, introdução de
novos produtos, cenário político/econômico instável
– Questões estratégicas – em conjunto com modelos
matemáticos e técnicas quantitativas
Técnicas Quantitativas
Séries Temporais – modelo matemático da demanda
futura relacionando dados históricos da demanda com
o tempo
Causais – associar dados históricos de demanda com
uma ou mais variáveis relacionas.

8
Métodos Qualitativos mais comuns

• Análise de Cenários

• Júri executivo de opiniões

• Composição de forças de vendas

• Pesquisas de mercado

9
 Técnicas Quantitativos
• São aqueles que utilizam modelos matemáticos e
estatísticos ( Baseados em dados históricos : i) Modelos
causais e ii) series temporais )para que se cheguem aos
valores previstos
– Os métodos causais admitem que a demanda esteja relacionada
com algum fator fundamental ou fatores no meio ambiente, e
que ocorrem relacionamentos de causa e efeito.
– Séries temporais: São métodos estatísticos que utilizam dados
históricos para “prever” o futuro, ou seja, utilizam a premissa
que os padrões de demanda existentes continuem no futuro.
• Permitem controle do erro, mas exigem informações
quantitativas preliminares.
Modelos Quantitativos de Previsão

Segundo o tipo de abordagem os modelos podem ser

Classificados em três categorias:

• Modelos estatísticos ou lineares

• Modelos não lineares ou de inteligência computacional

• Métodos Híbridos
 Modelos estatísticos

• Ampla variedade de técnicas:

Regressão linear, ARIMA, ARFIMA, Filtro de Kalman, regressão

harmônica, wavelets e modelos híbridos, por exemplo, regressão
harmônica e ARFIMA.
• Agilidade na realização e atualização das previsões.

• A acurácia decai rapidamente com o aumento do horizonte de tempo.

•A relação entre a carga elétrica e seus fatores exógenos é complexa e
nãolinear, dificultando a sua modelagem através de mapeamentos
lineares.
•Vantagem: Moderadamente simples de entender e usar.
•Desvantagem: Tendem a falhar no processo de mapeamento das
relações não-lineares complexas.
 Modelos não lineares

• Ampla variedade de técnicas:

Regressão não linear, Inteligência computacional: redes neurais

artificiais, lógica fuzzy, máquinas de vetor de suporte e modelos
híbridos, por exemplo, as redes neuro-fuzzy.
Dinâmica de sistemas, técnicas baseadas em dinâmica caótica
• São indicados para realização de previsões de curto e médio prazos.

• A acurácia decai rapidamente com o aumento do horizonte de tempo.

•Estes métodos podem encontrar padrões previsíveis que não são
detectáveis por testes estatísticos clássicos, tais como os que utilizam os
coeficientes de autocorrelação
•A habilidade desses métodos em mapear relações não-lineares complexas.
•Desvantagem: Complexidade na modelagem, geralmente difícil de
entender e usar.
 Modelos Híbridos
• Combinam diferentes tipos de modelos de
previsão.
• Objetivo: desenvolver modelos avançados
para a melhoria da acurácia das previsões
• Exemplo:
– Combinam técnicas estadísticas com redes neurais
artificiais
– ARIMA+ Redes neurais artificiais+ Técnicas
baseadas na Teoria do Caos.
Modelo de regressão linear simples

Considere o modelo com uma variável a ser prevista e que a

função de regressão é linear. O modelo é dado por:

Yi = β 0 + β1 X i + ε i
i = 1,2,..., n

15
Características do modelo:
constante
aleatório

1. Yi é uma v.a.(Yi = β0 + β1 X i + ε i )
2. E(Yi ) = E ( β0 + β1 X i + ε i ) = µi = β0 + β1 X i
3. σ 2 (Yi ) = σ 2 ( β0 + β1 X i + ε i ) = σ 2 (ε i ) = σ 2 (variânciaconstante)
4. Yi e Y j não são correlacionados

O modelo de regressão mostra que as respostas Yi são oriundas de uma

distribuição de probabilidades com média E(Yi) = β0 +β1Xi e cujas variâncias
são σ2, a mesma para todos os valores de X. Além disso, quaisquer duas
respostas Yi e Yj não são correlacionadas.

16
 Observações:
• um modelo de regressão pode conter duas ou mais
variáveis (X1, X2,...,Xp-1);
• o modelo de regressão não precisa ser uma linha
reta:
2
Y = β 0 + β1 X + β 2 X + ε
Chama-se modelo quadrático ou de 20 grau, cuja
figura é uma parábola. Esse modelo, embora não
seja uma linha reta, continua sendo um modelo
linear nos parâmetros

17
 MODELO AUTOREGRESIVO (AR)
• Um modelo AR expressa uma série temporal
como uma função linear dos seus valores
passados. A ordem do modelo AR diz quantos
valores atrasados (lags) no passado são
incluídos. O modelo AR mais simples é o
autoregressivo de primeira ordem, ou modelo
AR(1):
y(t) = a(1)*y(t-1) + e(t)
• onde y(t) é a série ajustada à media no período t, y(t-1)
é o valor do período anterior na série , a(t) é o
coeficiente auto-regressivo de lag-1, e e(t) é o ruído. O
ruído também é conhecido por vários outros nomes:
erro, choque aleatório e resíduo. Os resíduos e(t) são
assumidos serem aleatórios no tempo (não auto-
correlacionados), e normalmente distribuídos. Podemos
ver que o modelo AR(1) tem a forma de um modelo de
regressão em que y(t) é regredido ao seu valor anterior.
Desta forma, a(t) é análogo ao coeficiente de regressão,
e e(t) ao resíduo de regressão. O nome auto-regressivo
se refere à regressão em si mesmo (auto).
• Os modelos regressivos de ordem superior
incluem mais termos de defasagens em y(t)
como preditores.
• Por exemplo, o modelo auto-regressivo de
segunda ordem, AR(2), é dado por
y(t) = a(1)*y(t-1) + a(2)*y(t-2) (3)
• onde: a(1) , a(2), são os coeficientes auto-
regressivos sobre as defasagens 1 e 2. O
modelo autoregressivo de ordem p-ésima,
AR(p) inclui os termos de defasagens dos
períodos t −1 até t-p .