Universidade Federal do Rio Grande do Norte

Centro de Ci

encias Exatas e da Terra

Curso de Estat

stica
Andressa Nunes Siroky
Comparacao de Modelos Elementares para a Previsao de
Demanda de Potencia Eletrica
Natal
2011
Andressa Nunes Siroky
Comparacao de Modelos Elementares para a Previsao de
Demanda de Potencia Eletrica
Monograa apresentada ao Curso de Estatstica da
UFRN, como requisito parcial para a FORMAC

AO
em Estatstica.
Orientador: Prof
o
Bernardo Borba de Andrade
Universidade Federal do Rio Grande do Norte
Natal
2011
Siroky, Andressa
Comparac ao de Modelos Elementares para a Previsao de Demanda
de Potencia Eletrica / Andressa Siroky - 2011
57.p
1.An alise de Series Temporais . I.Ttulo.
CDU 536.21
Andressa Nunes Siroky
Comparacao de Modelos Elementares para a Previsao de
Demanda de Potencia Eletrica
Monograa apresentada ao Curso de Estatstica da
UFRN, como requisito parcial para a FORMAC

AO
em Estatstica.
Aprovado em / / 2012
BANCA EXAMINADORA
Prof
o
Bernardo Borba de Andrade
Universidade Federal do Rio Grande do Norte
Orientador
Prof
o
Paulo Roberto Medeiros de Azevedo
Universidade Federal do Rio Grande do Norte
Examinador
Prof
o
Andre Lus Santos de Pinho
Universidade Federal do Rio Grande do Norte
Examinador
Aos meus pais, pelo apoio e amor incondicionais.
Agradecimentos
Ao Programa de Educac ao Tutorial, PET-Estatstica, por ter sido meu prin-
cipal motivador ` a continuidade e conclus ao do curso, em especial ao Professor Paulo
Cesar Formiga Ramos por todos os valores passados e pux oes de orelha essencias ` a minha
formac ao.
A COSERN pela oportunidade de estagio que resultou neste trabalho, espe-
cialmente a Kenny Michele e Reynaldo Medeiros ao tempo a mim dedicado inserindo-me
ao mercado de energia eletrica.
Ao professor Bernardo Borba pela orientac ao, dispondo de seu precioso tempo
com dedicac ao e paciencia.
Aos professores do Departamento de Estatstica pelos seus ensinamentos que
muito contriburam para o meu enriquecimento pessoal e prossional.
A todos meus amigos e colegas de graduac ao, pelas horas divididas em mo-
mentos de estudos e descontrac ao.
Enm, a todos que estiveram sempre ao meu lado e que diretamente ou indi-
retamente me ajudaram a chegar onde estou.
Resumo
A atual regulamentac ao do Setor Eletrico Brasileiro impoe `as distribuidoras de energia
eletrica custos pelo uso do sistema de rede b asica de energia em funcao da demanda
dos uxos de potencia passantes, devendo haver a contratac ao de Montantes de Uso do
Sistema de Transmiss ao que considera a maior demanda anual. Dessa forma e importante
que se tenham modelos capazes de fornecer boas previsoes e que subsidiem a distribuidora
em suas decisoes de contratac ao. Esta monograa utiliza diferentes modelos elementares
para se prever a demanda de potencia eletrica a partir de dados da COSERN. O objetivo e
rever e exercitar os aspectos pr aticos de identicac ao, estimac ao, diagn ostico e previs ao de
modelos basicos para series temporais univariadas com dados reais. Os dados brutos deste
trabalho consistem em demandas de potencia registradas a cada 15 minutos de janeiro de
2003 a novembro de 2011 para as analises considera-se as maximas demandas mensais.
Realiza-se o ajuste dos modelos de suavizac ao exponencial de Holt-Winters, SARIMA
e ARIMAX para duas series de demandas m aximas com subsequente comparac ao entre
previs oes fornecidas pelos ajustes. Pelos resultados obtidos observamos que o metodo
de Holt-Winters e competitivo em rela cao aos modelos da classe ARIMA que indicam a
necessidade de tecnicas de An alise de Intervenc ao, que sugerimos para trabalhos futuros,
visando a obten cao de melhores previs oes.
Palavras-chave: Demanda de potencia. Holt-Winters. SARIMA. ARIMAX. Previs ao.
Abstract
The current regulation of the Brazilian Electric Sector imposes costs to the electric power
distributor for the use of primary system of the energy on the basis of demand power ows
passers, and there should be hiring Amounts of Use of the Transmission System which
considers the higher demand year. Thus it is important to have models that provide
good forecasts and to subsidize the distributor in their hiring decisions.This monograph
uses dierent models to predict demand of electric power from the data of COSERN.
The goal is to review and practice the aspects of identication, estimation, diagnosis and
forecasting of basic models for univariate time series with real data. The raw data of this
paper are in power demands recorded every 15 minutes since January 2003 to November
2011 for analysis it is considered the maximum monthly demands. Perform the t of
models Holt-Winters exponential smoothing, SARIMA and ARIMAX for two series of
maximum demands with subsequent comparison of forecasts provided by the adjustments.
Considering the results we observe that the Holt-Winters method is competitive with the
class of ARIMA models that indicate the need for Intervention analysis techniques, we
suggest for future work in order to obtain better predictions.
Keywords: Demand for power. Holt-Winters. SARIMA. ARIMAX. Forecast.
Sumario
1 INTRODUC

AO 7
1.1 Consideracoes Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Descric ao do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 MODELOS DE PREVIS

AO 9
2.1 Modelos de Suavizacao Exponencial . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Medias moveis simples (MMS) . . . . . . . . . . . . . . . . . . . . . 9
2.1.2 Suavizac ao exponencial simples (SES) . . . . . . . . . . . . . . . . . 10
2.1.3 Suavizac ao exponencial de Holt (SEH) . . . . . . . . . . . . . . . . 10
2.1.4 Suavizac ao exponencial sazonal de Holt-Winters (HW) . . . . . . . 11
2.1.5 Aspectos relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Processos ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Modelo ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 Modelo ARIMAX . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3 Modelo SARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.4 Aspectos relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Previs ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Medidas de Qualidade dos Metodos de Previsao . . . . . . . . . . . . . . . 17
3 MODELAGEM E PREVIS

OES 19
3.1 Caracteriza cao e An alise do Dados . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Ponto de Conex ao Natal II no fora-ponta . . . . . . . . . . . . . . . . . . . 19
3.2.1 Holt-Winters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 SARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.3 ARIMAX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 Ponto de Conex ao Natal II no ponta . . . . . . . . . . . . . . . . . . . . . 33
3.3.1 Holt-Winters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.2 SARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.3 ARIMAX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Compara cao dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5 Previs ao 2012 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4 CONSIDERAC

OES FINAIS 49
Referencias Bibliogracas 50
7
1 INTRODUC

AO
1.1 Considerac oes Iniciais
Um dos principais objetivos da An alise de Series Temporais e a realiza cao
de previsoes, que sao um suporte essencial para um planejamento efetivo e eciente e
desempenham um papel crucial em diversas areas em que muitas decisoes importantes
dependem dos valores antecipados futuros de certas vari aveis.
Morettin e Toloi (2004) armam que a previsao nao constitui um m em
si, mas apenas um meio de fornecer informac oes para uma consequente tomada de de-
cis ao, visando determinados objetivos. Neste caso, as previsoes de demanda de potencia
eletrica
1
exercem um importante papel para as distribuidoras de energia eletrica, para as
quais tais previsoes s ao fundamentais na contrata cao dos Montantes de Uso do Sistema
de Transmiss ao (MUSTs).
1.2 Descricao do problema
A implantac ao do projeto de Reestruturac ao do Setor Eletrico Brasileiro, inici-
ada em 1996, produziu as primeiras regulamentac oes que resultaram em um novo modelo
para o setor eletrico brasileiro. Uma das obrigatoriedades da nova regulamentacao foi a de
imposic ao de custos pelo uso do sistema de rede b asica de energia em func ao da demanda
dos uxos de potencia passantes (MUSTs), que consistem em demandas de potencia in-
tegralizadas a cada 15 minutos. Para tanto, as distribuidoras passaram a contratar junto
ao Operador Nacional do Sistema demandas de Rede Basica.
Para o estabelecimento do MUST a ser contratado, considera-se a maior de-
manda integralizada de 15 em 15 minutos, para o horario de ponta (das 17h30min as
20h30min dos dias uteis) e para o de fora-ponta (hor ario complementar ao de ponta)
1
Demanda e potencia eletrica realmente absorvida em um determinado instante por um sistema,
representa a relacao entre energia e tempo, podendo ser entendida como a medida do uxo da energia
consumida em uma instalacao. Potencia, por sua vez, pode ser denida como a quantidade de energia
liberada em certo intervalo de tempo.
1.3 Objetivos 8
do sistema, por ponto de conex ao com a rede b asica no ano. A Resoluc ao Normativa
N

399, de 13 de Abril de 2010, regulamenta a contratac ao do uso do sistema de trans-

miss ao em car ater permanente, exvel e tempor ario, as formas de calculo dos encargos
correspondentes, a cobranca das penalidades por ineciencia na contratac ao e d a outras
providencias.
Desta forma, e essencial para o agente distribuidor prever os montantes a
serem contratados de forma precisa, evitando-se tanto excessos indesejados, com sobre-
contrata coes que oneram os consumidores indo contra ` a premissa de modicidade tarif aria
que deve ser sempre buscada, quanto ` as subcontratacoes que podem resultar em multas
para a distribuidora pela ultrapassagem da demanda contratada.
1.3 Objetivos
Nosso principal objetivo e a implementac ao e subsequente comparac ao de dife-
rentes modelos estatsticos elementares para previs ao de demanda de potencia eletrica,
a m de se determinar um modelo que forneca as melhores previs oes. Desta forma,
esperamos que os resultados obtidos, principalmente as previs oes fornecidas pelo modelo
escolhido, sirvam de subsdios `a distribuidora para a contratacao dos MUSTs.
9
2 MODELOS DE PREVIS

AO
A maioria dos metodos de previs ao de series temporais se baseia na suposic ao
de que observacoes passadas contem todas as informacoes sobre o padrao de comporta-
mento da serie temporal e esse padrao e recorrente no tempo. O proposito dos metodos
de previs ao consiste em distinguir o padr ao de qualquer rudo que possa estar contido nas
observa coes e entao usar esse padr ao para prever os valores futuros da serie temporal. As-
sim, pela identicac ao desse componente, a previs ao para perodos de tempo subsequentes
ao observado pode ser desenvolvida.
Apresentamos na sequencia um resumo dos modelos b asicos de previsao atraves
dos quais as series de demandas foram ajustadas. Mais detalhes podem ser encontrados
em Morettin e Toloi (2004).
2.1 Modelos de Suavizacao Exponencial
Os metodos de suavizac ao s ao bastante populares devido ` a sua simplicidade,
eciencia e razoavel precisao, sendo de facil implementac ao e entendimento e aplic aveis
quando se tem uma serie com um pequeno n umero de observac oes. Nas sec oes a seguir
apresentaremos alguns metodos adequados a series localmente constantes e a series que
apresentam tendencia apenas como motiva cao para o metodo efetivamente utilizado neste
trabalho, o qual se adequa ` a series sazonais e e devidamente descrito na sec ao 2.1.4 .
2.1.1 Medias moveis simples (MMS)
Considere uma serie localmente constante, composta de seu nvel mais um
rudo aleat orio, ou seja,
Z
t
=
t
+a
t
, t = 1, . . . , N, (2.1)
onde, E(a
t
)=0, Var(a
t
)=
2
a
, t e
t
e um par ametro desconhecido que pode variar lenta-
mente no tempo.
O metodo de medias moveis consiste em calcular a media dos r valores mais
2.1 Modelos de Suavizac ao Exponencial 10
recentes da serie, isto e,
M
t
=
Z
t
+Z
t1
+. . . +Z
tr+1
r
(2.2)
A cada perodo uma observacao antiga e substituda por uma mais recente e
uma nova media e calculada. A previsao dos valores futuros e dado pela ultima media
calculada,

Z
t
(h) = M
t
, h > 0. (2.3)
2.1.2 Suavizacao exponencial simples (SES)
O procedimento de suavizac ao exponencial pode ser descrito da seguinte maneira

Z
t
= Z
t
+ (1 )Z
t1
+ (1 )
2
Z
t2
+. . . , 0 1 (2.4)
em que

Z
t
e o valor exponencialmente sauvizado e e a constante de suavizac ao. Desta
forma, a SES e uma media ponderada que da pesos menores ` a valores antigos.
A previs ao de todos os valores futuros e dada pelo ultimo valor exponencial-
mente suavizado, isto e,

Z(h) =

Z
t
, h > 0. (2.5)
2.1.3 Suavizacao exponencial de Holt (SEH)
As tecnicas de MMS e SES n ao sao adequadas quando a serie apresenta
tendencia. Considere, agora, uma serie composta da seguinte forma
Z
t
=
t
+T
t
+a
t
, t = 1, . . . , N. (2.6)
Tem-se agora um modelo que alem do nvel apresenta o componente tendencia
T
t
, logo e necess ario que este tambem seja suavizado, para evitar que os valores reais sejam
subestimados (ou superestimados). Os valores do nvel e da tendencia sao estimados,
respectivamente, por

Z
t
= AZ
t
+ (1 A)(

Z
t1
+

T
t1
), 0 < A < 1, t = 2, . . . , N, (2.7)

T
t
= C(

Z
t


Z
t1
) + (1 C)

T
t1
, 0 < C < 1, t = 2, . . . , N, (2.8)
A previsao para o valor Z
t+h
, com origem em t e dada por

Z
t
(h) =

Z
t
+h

T
t
, h > 0. (2.9)
2.1 Modelos de Suavizac ao Exponencial 11
2.1.4 Suavizacao exponencial sazonal de Holt-Winters (HW)
O procedimento baseia-se em tres equac oes com costantes de suavisac ao dife
rentes, associadas a cada um dos componentes da serie: nvel, tendencia e sazonalidade.
Para analisar este tipo de serie e necessario vericar se o fator sazonal e multiplicativo ou
aditivo.
Serie Sazonal Multiplicativa
Seja s o perodo da serie sazonal. A variante do metodo HW considera o fator
sazonal F
t
como sendo multiplicativo, enquanto a tendencia permanece aditiva, isto e,
Z
t
=
t
F
t
+ T
t
+ a
t
, t = 1, ..., N. (2.10)
As equacoes de suavizac ao sao dadas por

F
t
= D(Z
t
/

Z
t
) + (1 D)

F
ts
, 0 < D < 1, t = s + 1, ..., N, (2.11)

Z
t
= A(Z
t
/

F
ts
) + (1 A)(

Z
t1
+

T
t1
), 0 < A < 1, t = s + 1, ..., N, (2.12)

T
t
= C(

Z
t


Z
t1
) + (1 C)

T
t1
, 0 < C < 1, , t = s + 1, ..., N, (2.13)
e representam as estimativas do fator sazonal, do nvel e da tendencia, respectivamente;
A, C e D s ao as constante de suavizacao.
As previsoes dos valores futuros da serie s ao dadas pelas equac oes:

Z
t
(h) = (

Z
t
+ h

T
t
)

F
t+hs
, h = 1, 2, ..., s,

Z
t
(h) = (

Z
t
+ h

T
t
)

F
t+h2s
, h = s + 1, ..., 2s,
.
.
.
.
.
.
em que

Z
t
,

F
t
,

T
t
s ao dados por (2.11), (2.12) e (2.13) respectivamente.
Serie Sazonal Aditiva
O procedimento anterior e modicado considerando o fator sazonal F
t
como
sendo aditivo
Z
t
=
t
+ F
t
+ T
t
+ a
t
, t = 1, ..., N. (2.14)
2.1 Modelos de Suavizac ao Exponencial 12
O fator sazonal, o nvel e a tendencia sao estimados respectivamente por

F
t
= D(Z
t


Z
t
) + (1 D)

F
ts
, 0 < D < 1, t = s + 1, ..., N, (2.15)

Z
t
= A(Z
t


F
ts
) + (1 A)(

Z
t1
+

T
t1
), 0 < A < 1, t = s + 1, ..., N, (2.16)

T
t
= C(

Z
t


Z
t1
) + (1 C)

T
t1
, 0 < C < 1, (2.17)
A,C e D sao as constante de suavizac ao.
As previsoes dos valores futuros da serie s ao dadas pelas equac oes:

Z
t
(h) =

Z
t
+ h

T
t
+

F
t+hs
, h = 1, 2, ..., s,

Z
t
(h) =

Z
t
+ h

T
t
+

F
t+h2s
, h = s + 1, ..., 2s,
.
.
.
.
.
.
em que

Z
t
,

F
t
,

T
t
s ao dados por (2.15),(2.16) e (2.17), respectivamente.
2.1.5 Aspectos relevantes
Como ja foi dito no incio desta secao, os metodos acima descritos s ao bastante
utilizados devido a sua simplicidade e f acil implementa cao, entretanto existe a diculdade
em se determinar os valores mais apropriados das constantes de suavizac ao, alem disso
h a a diculdade de estudar propriedades estatsticas, como media e vari ancia de previsao
e , consequentemente, realizac ao de inferencias.
A determinac ao das contantes de suavizac ao e realizada de modo a minimizar
a soma dos quadrados dos erros de ajustamento.
2.2 Processos ARIMA 13
2.2 Processos ARIMA
Trata-se de uma das tecnicas estatsticas mais difundidas na literatura. Esta
metodologia foi proposta pelos autores Box e Jenkins em meados da decada de 70, e parte
da ideia de que cada observac ao da serie temporal pode ser explicado por valores previos,
a partir do uso da estrutura de correla cao temporal que geralmente h a entre os valores da
serie.
Como uma serie temporal tem os dados coletados seq uencialmente ao longo
do tempo, espera-se que ela apresente correlac ao seriada no tempo. Os modelos de Box-
Jenkins, genericamente conhecidos por ARIMA (Auto Regressive Integrated Moving Av-
erages) e na literatura em portugues por Auto-regressivos Integrados de Medias M oveis,
s ao modelos estatsticos que visam captar o comportamento da correlac ao seriada ou
autocorrelac ao entre os valores da serie temporal, e com base nesse comportamento re-
alizar previs oes futuras. Se essa estrutura de correlac ao for bem modelada, fornecer a boas
previs oes.
Segundo Morettin e Toloi (2004) o processo de modelagem de um modelo
ARIMA est a baseado num ciclo iterativo, cuja estrutura deriva dos proprios dados,
seguindo os seguintes est agios:
uma classe geral de modelos e considerada para an alise (especicacao);
h a identicacao de um modelo, com base na an alise de autocorrelac oes, autocor-
relac oes parciais e outros criterios;
a seguir vem a fase de estimacao, na qual os par ametros do modelo identicado sao
estimados;
nalmente, h a a vericacao ou diagnostico do modelo ajustado, incluindo uma
an alise de resduos, para se saber se este e adequado para os ns em vista (pre-
vis ao, por exemplo).
Este ciclo e repetidamente refeito, ate que se chegue ao modelo considerado
adequado.
2.2 Processos ARIMA 14
2.2.1 Modelo ARIMA
Se W
t
=
d
Z
t
for estacion ario, podemos representar W
t
por um modelo
ARMA(p, q), ou seja,
(B)W
t
= (B)a
t
(2.18)
Se W
t
for uma diferenca de Z
t
, ent ao Z
t
e uma integral de W
t
, da dizemos
que Z
t
segue um modelo auto-regressivo, integrado, de medias m oveis. De forma geral o
modelo ARIMA
(B)
d
Z
t
= (B)a
t
(2.19)
e de ordem (p, d, q), em que
(B) = 1
1
B
2
B
2

p
B
p
, e o operador auto-regressivo de ordem p, estacion ario;
(B) = 1
1
B
2
B
2

q
B
q
, e o operador de medias moveis sazonal de ordem q,
invetvel;

d
= (1 B)
d
, BZ
t
= Z
t1
, e o operador diferenca sazonal, em que d indica o n umero
de diferencas;
2.2.2 Modelo ARIMAX
Um modelo ARIMAX e uma extens ao dos modelos ARIMA em que sao in-
cludas variaveis explicatvas ex ogenas. Considere um modelo da seguinte forma
Z
t
= T
t
+ S
t
+u
t
. (2.20)
Se a serie apresenta sazonalidade determinstica, ent ao, no modelo acima, temos que
T
t
=
m

j=0

j
t
j
; (2.21)
S
t
=
12

j=2

j
D
jt
, (2.22)
em que
D
jt
=
_

_
1 se o perodo t corresponde ao mes j, j=2,...,12
1 se o perodo t corresponde ao mes 1
0 caso contr ario
2.2 Processos ARIMA 15
De forma que
12

j=1

j
= 0 e
j
e
j
s ao estimados pelo metodo de mnimos quadrados.
Caso u
t
fosse um rudo branco, E(u
t
)=0 e VAR(u
t
)=
2
u
e u
t
sem autocorrelac ao
t, teramos aqui um modelo de regress ao, caso contr ario este pode ser modelado por um
processo ARIMA
(B)
d
u
t
= (B)a
t
, (2.23)
sendo agora a
t
um rudo branco e obtemos o modelo
Z
t
=
m

j=0

j
t
j
+
12

j=2

j
D
jt
+ u
t
(2.24)
em que u
t
e modelado por (2.23).
2.2.3 Modelo SARIMA
Seja Z
t
uma serie, observada mes a mes, que possa ser modelada atraves de
um modelo ARIMA, por exemplo,
Z
t
= Z
t1
+a
t
, (2.25)
poderamos modelar uma associac ao ano a ano na serie Z
t
atraves de um modelo ARIMA
sazonal
Z
t
= Z
t12
+a
t
, (2.26)
correspondente a (2.25). Do mesmo modo, podemos considerar um modelo de medias
m oveis sazonais, como
Z
t
= a
t
a
t12
, (2.27)
Desta forma, a ideia e associar uma observac ao Z
t
, correspondente a um deter-
minado mes, janeiro por exemplo, com observacoes correspondentes a janeiros anteriores,
atraves de um modelo ARIMA sazonal da forma
(B
12
)
D
12
Z
t
= (B
12
)
t
, (2.28)
Analogamente, teramos um modelo an alogo `a (2.28), que relacionaria os meses
de dezembro
(B
12
)
D
12
Z
t1
= (B
12
)
t1
, (2.29)
e assim por diante.
2.3 Previs ao 16
Uma diferenca com o modelo ARIMA usual e que os
t
,
t1
,... nao seriam
rudo branco, pois uma observacao de janeiro, alem de ser relacionada com janeiros ante-
riores, ser a tambem relacionada com dezembros, novembros, etc., anteriores, implicando
que
t
,
t1
, etc., sejam relacionados. Para descrever esta relac ao introduzimos, para os

t
, o modelo ARIMA usual
(B)
D

t
= (B)a
t
, (2.30)
em que agora a
t
e rudo branco. Substituindo (2.30) em (2.29), obtemos
(B)(B
12
)
d

D
12
Z
t
= (B)(B
12
)
t
, (2.31)
em que
(B
12
) = 1
1
B
12

P
B
12P
, e o operador auto-regressivo sazonal de ordem P;
(B
12
) = 1
1
B12
Q
B
12Q
,e o operador de medias moveis sazonal de ordem Q;

D
12
= (1B
12
)
D
e o operador diferenca sazonal, em que D indica o n umero de diferencas
sazonais;
O modelo (2.31) e denominado ARIMA sazonal multiplicativo (SARIMA) de
ordem (p,d,q)(P, D, Q)
12
.
2.2.4 Aspectos relevantes
A fase mais crtica do metodo descrito na Sec ao 2.2 e a identicac ao do par-
ticular modelo ARIMA a ser ajustado aos dados. Esta escolha e feita principalmente
com base nas func oes autocorrelac oes e autocorrela coes parciais (fac e facp) que est ao
detalhadas em Morettin e Toloi (2004).
O processo de estimac ao dos modelos ARIMA utilizado pelo software R aqui
empregado, usa o metodo de maxima verossimilhanca que considera a verossimilhanca
exata, detalhes sobre este procedimento podem ser tambem encontrados em Morettin e
Toloi (2004).
2.3 Previsao
No proximo captulo, iremos calcular as previs oes, dadas pelos modelos Holt-
Winters, SARIMA e ARIMAX acima descritos, a partir de duas origens. Sendo uma
2.4 Medidas de Qualidade dos Metodos de Previsao 17
origem t xa para a previs ao de

Z
t
(j) , j = 1, 2, ..., h passos a frente, e outra origem t 1
atualizada a cada nova observac ao para a previsao de

Z
t1
(1) um passo a frente.
2.4 Medidas de Qualidade dos Metodos de Previsao
Para avaliar a qualidade do modelo ajustado algumas medidas de aderencia
s ao utilizadas, como forma de se determinar a distancia dos valores estimados pelo modelo
dos efetivamente observados na serie. A seguir s ao apresentadas algumas destas medidas
de aderencia.
Seja,
x
i
o valor observado no instante i;
x
i
o valor previsto no instante i;
n o n umero de previsoes efetuadas;

2
a vari ancia do erro de previsao do modelo e
k o n umero de parametros do modelo.
Erro Medio (Mean Error - ME):
n

i=1
(x
i
x
i
)
n
(2.32)
Erro absoluto medio (Mean Absolute Error - MAE):
n

i=1
|(x
i
x
i
)|
n
(2.33)
Erro Percentual Absoluto (Absolute Percent Error - APE):
n

i=1

(x
i
x
i
)
x
i

100 (2.34)
Erro Percentual Medio (Mean Perceptual Error - MPE):
n

i=1
(x
i
x
i
)
x
i
n
100 (2.35)
2.4 Medidas de Qualidade dos Metodos de Previsao 18
Erro Percentual Absoluto Medio (Mean Absolute Percent Error - MAPE):
n

i=1

(x
i
x
i
)
x
i

n
100 (2.36)
Erro Quadratico Medio (Mean Squared Error - MSE ):
n

i=1
(x
i
x
i
)
2
n
(2.37)
Coeciente de Determinacao (R
2
):
n

i=1
(x
i
x
i
)
2

2
(2.38)
Criterio da Informac ao de Akaike (Akaike Information Criterion - AIC):
ln
_

_
n

i=1
(x
i
x
i
)
2
n
_

_
+
2k
n
(2.39)
Criterio da Informac ao Bayesiano (Bayesian Information Criterion - BIC):
ln
_

_
n

i=1
(x
i
x
i
)
2
n
_

_
+k
ln(n)
n
(2.40)
19
3 MODELAGEM E PREVIS

OES
3.1 Caracterizacao e Analise do Dados
As infoma coes brutas para a elaborac ao deste trabalho foram obtidas da Com-
panhia Energetica do Rio Grande do Norte (COSERN), e consistem de informac oes de
uxos passantes em MW registradas de 15 em 15 minutos de janeiro de 2003 a novembro
de 2011 de oito pontos de conex ao com a rede basica de onde sao contratados os MUSTs.
A contrata cao deve ser feita para a maior demanda registrada no ano para os
hor arios de ponta e fora-ponta de cada ponto de conexao. Desse modo, consideramos na
an alise a maxima demanda no mes por hor ario e ponto de conex ao, resultando assim em
16 series de m aximas demandas mensais. Selecionamos o ponto de conexao Natal II para
o exerccio aqui proposto. As observac oes ate novembro de 2010 foram utilizadas para
modelagem das series pelos modelos de Holt-Winters, SARIMA e ARIMAX, enquanto as
12 ultimas serviram como base de compara cao entre as previs oes. Todas as an alises foram
feitas com auxlio do software estatstico R 2.14.0 e apresentamos os c odigos utilizados no
AP

ENDICE A.
3.2 Ponto de Conexao Natal II no fora-ponta
3.2.1 Holt-Winters
O metodo HW aditivo e aplicado ` a serie de m aximas demandas do ponto de
conex ao Natal II no fora-ponta. Utilizando o software estatstico R, vericamos que o
valor do vetor (A, C, D) que minimiza o erro quadratico de ajustamento e (0,37; 0; 0,75)
A Figura 3.1 apresenta a serie original e a serie suavizada. Observamos que a
serie apresenta sazonalidade e n ao-estacionariedade, que justica a utilizac ao do metodo
HW ao inves dos procedimentos particulares MMS, SES e SEH. Notamos tambem a
diculdade do metodo em acompanhar o comportamento dos picos, devido aos janeiros
de 2004 e 2008 que apresentam uma queda mais brusca em relac ao aos demais anos.
3.2 Ponto de Conex ao Natal II no fora-ponta 20
Time
O
b
s
e
r
v
e
d

/

F
i
t
t
e
d
2004 2005 2006 2007 2008 2009 2010 2011
3
0
0
3
5
0
4
0
0
Figura 3.1: Suavizac ao pelo metodo HW.
As previs oes para as demandas subsequentes a outubro de 2010 e as previs oes
atualizadas a cada nova observacao, realizadas conforme descrito na sec ao 2.3 e con-
siderando h = 12, s ao apresentadas na Figura 3.2, novamente observamos que o metodo
n ao consegue acompanhar a queda da demanda maxima que ocorre no mes de janeiro.
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.2: Demandas M aximas Previstas por HW.
3.2 Ponto de Conex ao Natal II no fora-ponta 21
3.2.2 SARIMA
Fazemos inicialmente o graco da serie e as func oes de autocorrela cao e auto-
correlac ao parciais amostrais (Figura 3.3) com o objetivo de analisar seu comportamento.
No gr aco da serie observamos a repetic ao dos picos a cada ano, indicando a
possibilidade de um componente peri odico de 12 meses. A existencia desse componente
periodico tambem se reete no correlograma, que apresenta os lagssazonais mais eleva-
dos que os demais e implica na nessecidade de se aplicar aos dados uma diferenca sazonal
de ordem 12. A presen ca do componente de tendencia tambem pode ser visualizada na
Figura 3.3, assim tambem aplicaremos uma diferenca n ao-sazonal.
Series: y
Time
s
e
r
i
e
s
2004 2006 2008 2010
3
0
0
3
5
0
4
0
0
0.0 1.0 2.0 3.0

0
.
2
0
.
2
0
.
6
Lag
A
C
F
0.0 1.0 2.0 3.0

0
.
2
0
.
2
0
.
6
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.3: Serie de Demandas M aximas e funcoes de autocorrela cao e autocorrelac ao
parcial.
A Figura 3.4 apresenta as fac e facp das series (1 B)Z
t
, (1 B
12
)Z
t
, e
(1 B)(1 B
12
)Z
t
. Uma an alise dos gracos da serie (1 B)(1 B
12
)Z
t
, indica seu
comportamento estacion ario, e apresenta um pico nas fac e facp dos componentes sazonal
e nao-sazonal, logo sugerimos como modelo preliminar, um SARIMA(0,1,1)(0,1,1)
12
(1 B)(1 B
12
)Z
t
= (1
1
B)(1
12
B
12
)a
t
, (3.1)
3.2 Ponto de Conex ao Natal II no fora-ponta 22
Series: dy
Time
s
e
r
ie
s
2004 2006 2008 2010

3
0

1
0
0
1
0
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
2
0
.
4
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
4

0
.
2
0
.
0
0
.
2
Lag
P
a
r
t
ia
l
A
C
F
Series: dy12
Time
s
e
r
ie
s
2004 2005 2006 2007 2008 2009 2010 2011

1
0
0
1
0
2
0
3
0
4
0
5
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
2
0
.
4
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
4
0
.
0
0
.
2
0
.
4
Lag
P
a
r
t
ia
l
A
C
F
Series: d1y12
Time
s
e
r
ie
s
2004 2005 2006 2007 2008 2009 2010 2011

3
0

1
0
0
1
0
2
0
3
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
4

0
.
2
0
.
0
0
.
2
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
4

0
.
2
0
.
0
0
.
2
Lag
P
a
r
t
ia
l
A
C
F
Figura 3.4: Fac e facp das series (1 B)Z
t
, (1 B
12
)Z
t
, e (1 B)(1 B
12
)Z
t
.
A Tabela 3.1 apresenta a estimac ao dos parametros, os gr acos dos resduos do
modelo (3.1) estao na Figura 3.5. Vericamos pela Tabela 3.1 que todos o par ametros sao
signicantes, entretanto o modelo nao e adequado, pois apesar de a hipotese de resduos
n ao correlacionados nao ser rejeitada ao nvel de 5% pelo teste de Box-Ljung, a fac residual
apresenta a autocorrelac ao

55
signicativamente diferente de zero e no graco dos p-
valores vemos que apenas para os ultimos lags a hip otese de resduos n ao correlacionados
n ao e rejeitada, como podemos observar na Figura 3.5.
3.2 Ponto de Conex ao Natal II no fora-ponta 23
Tabela 3.1: Ajustamento do modelo preliminar (3.1) e Teste Box-Ljung .
Coecientes S.E. T-valor
ma1 0.3594 0.1140 3.15
sma1 0.8628 0.2412 3.57

2
= 64.39 BIC = 593.63 log-ver. =-291.22
AIC =586.44 AICc = 586.76
Teste Box-Ljung
X-quadrado = 33.0562 gl = 24 p-valor = 0.1029
Am de encontrar um modelo SARIMA que se adequasse `a series de deman-
das m aximas, realizamos v arios ajustes nos quais foram includos e/ou retiratos diversos
par ametros, a cada ajuste foram vericadas as signic ancias dos par ametros, a invert-
ibilidade e estacionariedade do processo, correlac ao entre os parametros e a hipotese de
resduos n ao correlacionados, alem disso procuramos chegar a um modelo nal que apre-
sentasse o menor n umero de parametros possveis. Neste sentido, o seguinte modelo foi o
que apresentou melhor ajuste dentre os testados
(1 B)(1 B
12
)(1
4
B
4

5
B
5
)Z
t
= (1
1
B)(1
12
B
12
)a
t
, (3.2)
Analisando a Tabela 3.2, vericamos que todos os parametros sao signicativos.
No componente n ao-sazonal temos um processo invertvel, pois |

1
| < 1 A Figura 3.6 indica
um bom ajuste, dado que o comportamento da fac residual e similar ao de um processo de
rudo branco. Alem disso, o valor daestatstica de Box-Ljung n ao e signicante ao nvel
de 5%, logo os resduos s ao n ao-correlacionados.
Assim um modelo proposto para a serie de demandas m aximas do ponto de
conex ao Natal II no fora-ponta e dado por
(1 B)(1 B
12
)(1 + 0.2173B
4
+ 0.2657B
5
)Z
t
= (1 0.4414B)(1 0.8379B
12
) a
t
, (3.3)
3.2 Ponto de Conex ao Natal II no fora-ponta 24
Time
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
s
2004 2005 2006 2007 2008 2009 2010 2011

1
1
5 10 15 20

0
.
2
0
.
0
0
.
2
Lag
A
C
F

o
f

R
e
s
i
d
u
a
l
s
5 10 15 20
0
.
0
0
.
4
0
.
8
Number of lags
P

v
a
l
u
e
s
Figura 3.5: Graco dos resduos do modelo (3.1) .
Time
S
t
a
n
d
a
r
d
iz
e
d

R
e
s
id
u
a
ls
2004 2005 2006 2007 2008 2009 2010 2011

2
0
1
2
5 10 15 20

0
.
2
0
.
0
0
.
2
Lag
A
C
F

o
f

R
e
s
id
u
a
ls
5 10 15 20
0
.
0
0
.
4
0
.
8
Number of lags
P

v
a
lu
e
s
Figura 3.6: Fac e facp dos resduos do modelo alternativo (3.2) .
As previs oes para as demandas subsequentes a outubro de 2010 e as previs oes
atualizadas a cada nova observac ao bem como os valores reais das demandas m aximas
s ao apresentadas na Figura 3.7. Vemos que todas as demandas previstas subsequente-
mente caram alem das demandas m aximas observadas, enquanto as demandas previstas
com atualizac oes caram em torno das observadas. Notamos tambem que o modelo nao
acompanha a queda ocorrida em janeiro.
3.2 Ponto de Conex ao Natal II no fora-ponta 25
Tabela 3.2: Ajustamento do modelo nal (3.2).
Coecientes S.E. T-valor
ma1 0.4414 0.0975 4.58
ar4 -0.2173 0.1066 -2.04
ar5 -0.2657 0.1080 -2.46
sma1 0.8379 0.2008 4.17

2
= 57.64 BIC =612.02 log-ver. =-286.45
AIC = 580.9 AICc = 586.33
Teste Box-Ljung
X-quadrado = 17.6782 gl = 24 p-valor = 0.8183
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.7: Demandas M aximas Previstas pelo modelo (3.3).
3.2.3 ARIMAX
Vamos agora considerar o modelo (2.24) com tendencia linear, ou seja,
Z
t
=
1
t +
12

j=2

j
D
jt
+u
t
, (3.4)
onde u
t
ser a modelado por um modelo ARIMA(p,d,q), t ser a representado na forma
decimal ano +
i1
12
sendo i=1,. . . ,12 e D igual a
3.2 Ponto de Conex ao Natal II no fora-ponta 26
D
9411
=
_

_
1 1 1 1 1 1 1 1 1 1
0 1 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 1 1 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_

_
.
3.2 Ponto de Conex ao Natal II no fora-ponta 27
Inicialmente ajustamos o modelo Z
t
=
0
+
1
t +u
t
, pelo metodo dos mnimos
quadrados, do qual obtemos os resduos com os quais e ajustado o seguinte modelo
e
t
=
12

j=2

j
D
jt
+ u
t
, novamente retiramos os resduos obtidos pelo novo ajuste e iremos
model a-lo por um ARIMA(p,d,q).
Temos na Figura 3.8 o graco dos resduos, obtidos pelos ajustes acima, e
suas func oes de autocorrelac ao e autocorrelac ao parcial. Analisando o comportmento
das func oes vemos que a fac da serie n ao decresce rapidamente para zero, indicando a
n ao-estacionariedade da serie sendo necess ario diferencia-la.
Series: u
Time
s
e
r
i
e
s
2004 2006 2008 2010

2
0

1
0
0
1
0
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.8: Fac e facp dos resduos do modelo (3.4) .
Com uma diferenca vemos, na Figura 3.9, que a serie parece apresentar com-
portamento estacionario. A analise do correlograma revela a presenca de correlac ao alta
no lag12, o que indica que as vari aveis dummiesnao foram sucientes para captar
a sazonalidade existente na serie, logo introduziremos ao modelo um polon omio auto-
regressivo para contornar esta situa cao e sugerimos o modelo preliminar
(1 B)(1
5
B
5

7
B
7

12
B
12
)u
t
= (1
1
B)a
t
, (3.5)
3.2 Ponto de Conex ao Natal II no fora-ponta 28
Series: du
Time
s
e
r
i
e
s
2004 2006 2008 2010

2
0

1
0
0
1
0
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
3

0
.
1
0
.
1
0
.
2
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
3

0
.
1
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.9: Fac e facp da serie (1-B)u
t
.
Pela Tabela 3.3, vemos que um dos parametros nao e signicativo, alem disso,
uma analise das fac e facp residuais revela alguns valores bem pr oximos aos limites de
signic ancia, logo sugerimos o modelo alternativo
(1 B)(1
5
B
5

6
B
6

7
B
7

12
B
12
)u
t
= (1
1
B)a
t
, (3.6)
que tem ajustamento apresentado na Tabela 3.4 e fac e facp na Figura 3.11
Tabela 3.3: Ajustamento do modelo preliminar (3.5).
Coecientes S.E. T-valor
ma1 0.4256 0.1026 4.15
ar5 -0.2907 0.1047 -2.77
ar7 -0.1988 0.1016 -1.95
ar12 -0.2427 0.1066 -2.27

2
= 42.91 BIC =658.4 log-ver. =-307.47
AIC =622.94 AICc = 628.33
3.2 Ponto de Conex ao Natal II no fora-ponta 29
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

2
0
0
1
0
0.5 1.0 1.5 2.0

0
.
2
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5 2.0

0
.
2
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.10: Fac e facp dos resduos do modelo (3.5) .
Analisando a Tabela 3.4, vericamos que dois par ametros nao s ao signicativos,
entretanto a Figura 3.11 indica um bom ajuste, pois a an alise das fac e facp nao revelam
nenhuma quebra de comportamento de rudo branco. Alem disso as estatsticas de Box-
Ljung, para os lags 6-12 , nao s ao signicantes ao nvel de 5%, logo os resduos sao
n ao-correlacionados. Foi vericado que a retirada dos par ametros n ao-signicativos torna
o modelo inadequado, portanto estes permanecem no modelo que e proposto.
Tabela 3.4: Ajustamento do modelo alternativo (3.6).
Coecientes S.E. T-valor
ma1 0.4151 0.0926 4.48
ar5 -0.2848 0.0987 -2.88
ar6 -0.1972 0.0990 -1.99
ar7 -0.1951 0.0999 -1.95
ar12 -0.2669 0.1048 -2.54

2
= 41.02 BIC =656.52 log-ver. =-305.53
AIC 621.07 AICc = 626.45
3.2 Ponto de Conex ao Natal II no fora-ponta 30
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

2
0

1
0
0
1
0
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.11: Fac e facp dos resduos do modelo alternativo (3.6) .
Vamos agora, ajustar `a serie de demanda m axima o modelo ARIMA (3.6)
conjuntamento com o metodo da regress ao, ou seja, o modelo ARIMAX (3.4). A Tabela
3.5 apresenta os par ametros esimados, na Figura 3.12 temos as fac e facp residuaus e
obtemos as seguintes constantes sazonais:
=
_

_

2
.
.
.
.
.
.
.
.
.
.

12
_

_
=
_

_
17.9
18.8
7.2
2.9
21.4
27.2
22.9
8.3
4.2
8.8
14.8
_

_
(3.1)
3.2 Ponto de Conex ao Natal II no fora-ponta 31
de modo que a constante sazonal para janeiro e dada por
12

j=2

j
= 10.8.
Tabela 3.5: Ajustamento do modelo ARIMAX.
Coecientes S.E. T-valor
ma1 0.4294 0.0934 4.59
ar5 -0.2965 0.0987 -3.01
ar6 -0.2112 0.0994 -2.12
ar7 -0.2001 0.1001 -2.00
ar12 -0.2850 0.1054 -2.70

1
18.5502 2.3873 7.77

2
= 40.26 BIC =709.35 log-ver. =-304.75
AIC = 643.51 AICc = 664.78
Observando as fun coes de autocorrelac ao e autocorrelc ao parcial estimadas dos
resduos, Figura 3.12, n ao rejeitamos a hipotese de que o resduo do modelo seja um rudo
branco. Temos entao, um modelo adequado `a serie de demandas maximas dado por
Z
t
= 18.5502t +
12

j=2
D
jt
+ u
t
,
(1 B)(1 + 0.2965B
5
+ 0.2112B
6
+ 0.2001B
7
+ 0.285B
12
)u
t
= (1 0.4294B)a
t
(3.7)
onde e dado pelo vetor (3.1) e a
t
e um rudo branco.
Apresentamos as previs oes subseq uentes a outubro de 2010, as previs oes atu-
alizadas a cada nova observac oes e as respectivas demandas observadas na Figura 3.13.
Vemos que apenas a primeira demanda prevista n ao e superior a observada, enquanto
que as demandas previstas atualizadas se apresentam em torno das observadas. Notamos
tambem que o modelo n ao acompanha a queda na demanda no mes de janeiro.
3.2 Ponto de Conex ao Natal II no fora-ponta 32
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

3
0

1
0
0
1
0
0.5 1.0 1.5

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.12: Fac e facp dos resduos do modelo nal .
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.13: Demandas M aximas Previstas pelo modelo ARIMAX.
3.3 Ponto de Conex ao Natal II no ponta 33
3.3 Ponto de Conexao Natal II no ponta
3.3.1 Holt-Winters
Aplicamos o metodo HW aditivo ` a serie de demandas m aximas do ponto de
conex ao Natal II agora no horario de ponta. O vetor (A, C, D) que fornece o menor
erro quadradico de ajustamento e (0.85, 0, 1). Apresentamos na Figura 3.14 a serie de
demandas maximas e sua suavizac ao.
Time
O
b
s
e
r
v
e
d

/

F
i
t
t
e
d
2004 2005 2006 2007 2008 2009 2010 2011
2
8
0
3
0
0
3
2
0
3
4
0
3
6
0
3
8
0
4
0
0
4
2
0
Figura 3.14: Suavizac ao pelo metodo HW.
As previs oes para as demandas subseq uentes a outubro de 2010, as previsoes
atualizadas a cada nova observa cao e as respectivas demandas observadas s ao apresentadas
na Figura 3.15. Vemos que as previsoes subsequentes se distanciam mais das demandas
observadas nos meses de janeiro e julho, meses que geralmente apresentam uma queda
mais brusca na demanda.
3.3 Ponto de Conex ao Natal II no ponta 34
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.15: Demandas M aximas Previstas por HW.
3.3.2 SARIMA
Temos na Figura 3.16 o gr aco da serie de demandas maximas, a serie com
diferenciac oes e respectivas funcoes de auto-correlacao e auto-correlac ao parcial.
Observamos no gr aco da serie original a existencia do componente sazonal,
pela repeticao do picos, e do componente tendencia, que tambem pode ser visto em sua fac
pelo lento decaimento dos lagspara zero. A presenca do componente peri odico tambem
se reete no comportamento dos lagssazonais do correlograma de (1B)Z
t
que decaem
lentamente para zero. Logo e necessario se aplicar um diferenca simples e uma sazonal.
Uma an alise dos gracos da serie (1B)(1B
12
)Z
t
revela seu comportamento
estacion ario e sugere o modelo preliminar
(1 B)(1 B
12
)(1
5
B
5
)Z
t
= (1
1
B
12
)a
t
, (3.8)
A Tabela 3.6 e a Figura 3.17 apresentam o ajuste do modelo (3.8) e as func oes
de autocorrelac ao e autocorrelac ao parcial dos resduos.
3.3 Ponto de Conex ao Natal II no ponta 35
Series: y
Time
s
e
r
ie
s
2004 2006 2008 2010
2
8
0
3
2
0
3
6
0
4
0
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
2
0
.
4
0
.
6
0
.
8
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
2
0
.
6
Lag
P
a
r
t
ia
l
A
C
F
Series: dy
Time
s
e
r
ie
s
2004 2006 2008 2010

3
0

1
0
0
1
0
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
4
0
.
0
0
.
2
0
.
4
0
.
6
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
Lag
P
a
r
t
ia
l
A
C
F
Series: dy12
Time
s
e
r
ie
s
2004 2005 2006 2007 2008 2009 2010 2011

1
0
0
1
0
2
0
3
0
4
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
2
0
.
4
0
.
6
0
.
8
Lag
P
a
r
t
ia
l
A
C
F
Series: d1y12
Time
s
e
r
ie
s
2004 2005 2006 2007 2008 2009 2010 2011

1
0
0
1
0
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
3

0
.
1
0
.
1
0
.
3
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
3

0
.
1
0
.
1
0
.
2
Lag
P
a
r
t
ia
l
A
C
F
Figura 3.16: Serie de Demandas M aximas e suas diferencia coes com respectivas fac e facp.
Vericamos na Tabela 3.6 que todos os parametros s ao signicantes, entre-
tanto, valores elevados de algumas autocorrelacoes residuais na Figura 3.17 mostram que
o modelo n ao e adequado e sugerem o modelo alternativo
(1 B)(1 B
12
)(1
1
B
5
B
5
)Z
t
= (1
4
B
4
)(1
1
B
12
)a
t
, (3.9)
que tem seu ajuste e fac e facp residuais apresentados na Tabela 3.7 e Figura 3.18.
Constatamos, atraves de uma an alise da Tabela 3.7, que todos os par ametros
s ao signicantes. O comportamento das fac e facp na Figura 3.18 n ao revela nenhuma
quebra na suposic ao de rudo branco. Alem disso, as estatsticas de teste Box-Ljung, para
os lags 5-12, n ao s ao signicantes ao nvel de 5%, nao rejeitando a hipotese de resduos
n ao-autocorrelacionados.
3.3 Ponto de Conex ao Natal II no ponta 36
Temos ent ao, um modelo adequado `a serie de demandas m aximas do ponto de
conex ao Natal II no ponta que e dado por
(1B)(1B
12
)(1+0.20151B+0.2898B
5
)Z
t
= (10.3146B
4
)(10.7886B
12
)a
t
. (3.10)
Tabela 3.6: Ajustamento do modelo preliminar (3.8).
Coecientes S.E. T-valor
ar5 -0.2832 0.1137 -2.49
sma12 0.7446 0.1560 4.77

2
= 33.13 BIC =658.4 log-ver. =-261.69
AIC =622.94 AICc = 628.33
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

2
0

1
0
0
5
1
0
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.17: Fac e facp do resduos do modelo (3.8)
3.3 Ponto de Conex ao Natal II no ponta 37
Tabela 3.7: Ajustamento do modelo alternativo (3.9).
Coecientes S.E. T-valor
ar1 -0.2015 0.1003 -2.01
ar5 -0.2898 0.1142 -2.54
ma4 0.3146 0.1329 2.36
sma12 0.7886 0.1780 4.43

2
= 29.05 BIC =549.47 log-ver. =-257.56
AIC = 523.13 AICc = 526.95
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

1
5

5
0
5
1
0
1
5
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.18: Fac e facp do resduos do modelo (3.9)
A Figura 3.19 apresenta as previs oes para as demandas subseq uentes a outubro
de 2010, as previs oes atualizadas a cada nova observac ao e respectivos valores reais das
demandas m aximas. Vemos que todas as demandas previstas subsequentemente caram
acima das demandas m aximas observadas, enquanto as demandas previstas com atuali-
zac oes caram em torno das observadas. Alem disso, notamos que o modelo nao acom-
panha as quedas ocorridas em janeiro e em julho.
3.3 Ponto de Conex ao Natal II no ponta 38
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.19: Demandas M aximas Previstas pelo modelo (3.10).
3.3.3 ARIMAX
Realizamos o mesmo procedimento feito no incio sec ao 3.2.3, onde obtemos os
resduos do modelo e
t
=
12

j=2

j
D
jt
+u
t
ajustado aos resduos do modelo Z
t
=
0
+
1
t +u
t
que e ajustado ` a serie de demandas maximas, e este resduo nal iremos modelar por um
ARIMA(p, d, q).
A Figura 3.20 apresenta o graco dos resduos, obtidos pelos ajustes acima,
e suas func oes de autocorrela cao e autocorrelac ao parcial. Analisando o gr aco da serie,
vemos que esta nao apresenta comportamento estacion ario, esta n ao-estacionariedade
tambem se reete na fac que n ao decai rapidamente para zero indicando a necessidade de
se aplicar pelo menos uma diferen ca ` a serie.
Com uma diferenca vemos, na Figura 3.21 , que a serie parece apresentar
comportamento estacion ario. Ap os uma an alise do correlograma sugerimos o modelo
preliminar
(1 B)(1
1
B
5
B
5

14
B
14
)u
t
= (1
4
B
4
)a
t
, (3.11)
3.3 Ponto de Conex ao Natal II no ponta 39
Series: u
Time
s
e
r
i
e
s
2004 2006 2008 2010

1
5

5
0
5
1
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
2
0
.
6
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
2
0
.
4
0
.
6
0
.
8
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.20: Fac e facp dos resduos do modelo (3.4) .
Series: du
Time
s
e
r
i
e
s
2004 2006 2008 2010

1
5

5
0
5
1
0
1
5
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
2
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.0 0.5 1.0 1.5 2.0 2.5 3.0

0
.
3

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.21: Fac e facp da serie (1 B)u
t
.
3.3 Ponto de Conex ao Natal II no ponta 40
A Figura 3.22 e a Tabela 3.8 apresentam o ajustamento e funcoes de autocor-
relac ao e autocorrela cao parcial do modelo (3.11). Vemos na Tabela 3.8 que um parametro
n ao e signicante, entranto, a an alise da Figura 3.22 mostra que o modelo e adequado,
pois n ao ha quebra de comportamento de rudo branco. Alem disso, vericamos que as
estatsticas de Box-Ljung, para os lags 5-12, sao n ao signicantes ao nvel de 5% e que
a retirada do par ametro n ao-signicante torna o modelo inadequado, logo este nao ser a
retirado.
Tabela 3.8: Ajustamento do modelo preliminar (3.11).
Coecientes S.E. T-valor
ar1 -0.1638 0.0966 -1.69
ar5 -0.2479 0.1013 -2.45
ar14 -0.2219 0.1015 -2.18
ma4 0.3158 0.1150 2.74

2
= 20.9 BIC =619.52 log-ver. =-274.1
AIC =556.21 AICc = 575.61
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

1
0

5
0
5
1
0
1
5
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5 2.0

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.22: Fac e facp dos resduos do modelo (3.11) .
3.3 Ponto de Conex ao Natal II no ponta 41
Ajustaremos agora `a serie de demandas m aximas o modelo ARIMA (3.11)
incluindo varaveis para tendencia linear e sazonalidade determinstica. A Tabela 3.9 e
Figura 3.23 apresentam os parametros estimados, as fac e facp residuais e obtemos as
seguintes constantes sazonais:
=
_

_

2
.
.
.
.
.
.
.
.
.
.

12
_

_
=
_

_
4.3
10.3
6.2
2.7
11.6
19.6
18.1
5.6
6.0
11.0
13.9
_

_
(3.2)
de modo que a constante sazonal para janeiro e dada por
12

j=2

j
= 0.49.
Tabela 3.9: Ajustamento do modelo ARIMAX.
Coecientes S.E. T-valor
ar1 -0.1758 0.0972 -1.81
ar5 -0.2637 0.1033 -2.55
ar14 -0.2099 0.1049 -2.001
ma4 0.3328 0.1215 2.74

1
16.65 2.41 6.88

2
= 20.55 BIC =659.69 log-ver. =-273.32
AIC = 578.65 AICc = 613.85
3.3 Ponto de Conex ao Natal II no ponta 42
A Figura 3.23 indica um bom ajustamento, uma vez que o comportamento
da fac residual e compatvel com o de um processo de rudo branco. Assim, um modelo
proposto para a serie de demandas maximas e dado por
Z
t
= 16, 65t +
12

j=2
D
jt
+u
t
,
(1 B)(1 + 0.1758B + 0.2637B
5
+ 0.2099B
14
)u
t
= (1 0.3328B)a
t
(3.12)
onde e dado pelo vetor (3.2) e a
t
e rudo branco.
As previsoes subseq uentes a outubro de 2010, as atualizadas a cada nova ob-
serva coes e respectivas demandas observadas est ao na Figura 3.24. Vemos que apenas a
primeira demanda prevista n ao e superior a observada, enquanto que as demandas pre-
vistas atualizadas se apresentam em torno das observadas. Notamos que o modelo nao
consegue acompanhar as quedas ocorridas na demanda nos meses de janeiro e julho.
Series: eps
Time
s
e
r
i
e
s
2004 2006 2008 2010

3
0

2
0

1
0
0
1
0
0.5 1.0 1.5

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
A
C
F
0.5 1.0 1.5

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
Lag
P
a
r
t
i
a
l

A
C
F
Figura 3.23: Fac e facp dos resduos do modelo nal .
3.4 Compara cao dos Resultados 43
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
5
0
4
0
0
4
5
0
5
0
0
Observado
Previsto
Intervalo de Previso 95%
Previso Atualizada
Figura 3.24: Demandas M aximas Previstas pelo modelo ARIMAX.
3.4 Comparacao dos Resultados
Comparamos os resultados obtidos pelo ajustamento dos tres modelos propos-
tos, nas sec oes acima, com o objetivo de concluir qual modelo melhor se ajusta `a cada
uma das series de demandas m aximas estudadas.
As previsoes fornecidas pelos modelos propostos para as duas series, com
origem em outubro de 2010 (t=94), para os doze meses seguintes encontram-se na Tabela
3.10. As previsoes atualizadas a cada nova observac ao est ao na Tabela 3.11. Apresenta-
mos a representacao gr aca dessas tabelas nas Figuras 3.25 e 3.26, respectivamente.
Finalmente, com o objetivo de comparar os tres modelos ajustados para as
duas series de demandas maximas, apresentamos algumas mediadas de ajustamento e
adequac ao de previs ao na Tabela 3.12.
Os valores de EQMP e EQMP(1), MAPE e MAPE(1), AIC e BIC foram obti-
dos das express oes (2.37), (2.36), (2.39) e (2.40), respectivamente. Calculamos EQMP;MAPE
e EQMP(1);MAPE(1) a partir das Tabelas 3.10 e 3.11.
3.4 Compara cao dos Resultados 44
Tabela 3.10: Previs oes para as series de demandas m aximas no fora-ponta e ponta, com
origem em t = 94 e h = 1, ..., 12.
Natal II no fora-ponta Natal II no ponta
h

Z
t
(h) Z
t+h

Z
t
(h) Z
t+h
HW SARIMA ARIMAX HW SARIMA ARIMAX
429.1 428.7 424.3 432.5 417.6 419.1 420.4 421.6
2 435.1 442.4 437.0 426.8 420.6 426.6 427.3 422.3
3 435.7 440.7 436.4 399.8 406.6 415.6 417.2 386.9
4 443.7 445.7 446.4 424.7 411.9 418.9 420.3 404.7
5 444.6 446.5 444.3 430.7 418.4 425.1 425.6 415.7
6 430.6 435.2 432.7 427.3 419.2 424.2 422.2 418.6
7 418.3 424.5 422.8 396.3 418.2 420.6 418.3 398.6
8 400.6 408.4 404.4 395.8 407.8 407.4 403.5 396.4
9 390.3 404.5 402.6 381.5 403.2 400.8 399.3 371.8
10 393.9 410.0 411.7 400.1 406.7 402.7 402.0 384.1
11 419.2 428.2 426.7 408.1 422.8 416.7 417.1 397.1
12 438.50 443.5 440.0 420.9 435.3 431.4 431.8 408.4
Time
y
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
0
0
3
5
0
4
0
0
4
5
0
5
0
0
Observado
SARIMA
ARIMAX
HW
Time
y
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
0
0
3
5
0
4
0
0
4
5
0
5
0
0
Observado
SARIMA
ARIMAX
HW
Figura 3.25: Demandas m aximas no fora-ponta e ponta previstas para os meses de novem-
bro de 2010 a setembro de 2011 .
3.4 Compara cao dos Resultados 45
Tabela 3.11: Previs oes atualizadas para as series de demandas m aximas no fora-ponta e
ponta.
Natal II no fora-ponta Natal II no ponta
t

Z
t1
(1) Z
t

Z
t1
(1) Z
t
HW SARIMA ARIMAX HW SARIMA ARIMAX
429.1 428.7 424.3 432.5 417.6 419.1 420.4 421.6
96 436.3 444.6 441.9 426.8 424.0 428.6 427.3 422.3
97 433.5 432.4 432.4 399.8 408.7 412.7 417.2 386.9
98 424.9 416.7 420.0 424.7 397.5 394.9 420.3 404.7
99 424.3 423.6 423.6 430.7 410.0 408.1 425.6 415.7
100 413.6 419.4 414.7 427.3 412.4 415.7 422.2 418.6
101 407.6 421.3 414.0 396.3 414.0 420.4 418.3 398.6
102 385.8 389.1 388.9 395.8 392.3 393.2 403.5 396.4
103 380.8 385.3 380.6 381.5 388.2 382.7 399.3 371.8
104 385.6 386.2 392.4 400.1 380.2 373.8 402.0 384.1
105 416.7 412.7 409.2 408.1 401.1 395.6 417.1 397.1
106 430.8 426.3 421.3 420.9 417.2 418.5 431.8 408.4
Time
y
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
0
0
3
5
0
4
0
0
4
5
0
5
0
0
Observado
SARIMA
ARIMAX
HW
Time
y
2009.0 2009.5 2010.0 2010.5 2011.0 2011.5
3
0
0
3
5
0
4
0
0
4
5
0
5
0
0
Observado
SARIMA
ARIMAX
HW
Figura 3.26: Demandas m aximas no fora-ponta e ponta previstas com atualiza coes para
os meses de novembro de 2010 a setembro de 2011 .
3.5 Previs ao 2012 46
Analisando as Figuras 3.25 e 3.26 vemos que os tres modelos se comportam de
maneira bastante similar em relac ao ` a previs oes. Fato que podemos constatar pela Tabela
3.12, que apresenta algumas medidas de qualidade de previsao relativamente proximas.
Podemos concluir que o metodo de HW e o faz as melhores previs oes quando xamos a
origem da previs ao em outubro de 2010.
Tabela 3.12: Medidas de qualidade de ajuste e previsao para os modelos ajustados
Modelos Ajustamento Previs ao

2
a
AIC BIC EQMP EQMP(1) MAPE MAPE(1)
fora-ponta
HW 249.4 173.2 0.031 0.025
SARIMA 57.6 580.9 612.0 430.9 207.9 0.045 0.028
ARIMAX 40.3 643.5 709.3 354.1 167.3 0.041 0.023
ponta
HW 322.2 104.5 0.0368 0.0209
SARIMA 29.1 523.1 549.5 323.9 140.9 0.0397 0.0236
ARIMAX 20.55 578.6 659.6 346.7 145.7 0.0396 0.0232
3.5 Previsao 2012
Para a realiza cao da contratacao dos MUSTs, e necess ario que a distribuidora
de energia realize um estudo que subsidie esta contratac ao. Para tanto a distribuidora
conta com informacoes de demandas registradas a cada 15 minutos do ano corrente, tendo
que prever a m axima demanda para o ano seguinte.
Uma vez que o metodo de suavizac ao exponencial de Holt-Winters aditivo
apresentou os melhores resultados em termos de previs ao, utilizamos o metodo para simu-
lar qual o valor de demanda a ser contratado pela distribuidora em quest ao para o ano
de 2012 do ponto de conexao Natal II.
Aplicanco o metodo de HW aditivo ` as series de demandas m aximas, o valor do
vetor (A, C, D) que fornece o menor erro quadr atico de ajustamento e (0.369, 0, 0.565)
para a serie no fora-ponta e (0.705, 0, 1) no ponta.
3.5 Previs ao 2012 47
As previsoes, com origem em novembro de 2011, para os meses de dezembro
de 2011 a dezembro de 2012 encontram-se na Tabela 3.13 e a respectiva representacao
gr aca na Figura 3.27.
Analisando a Tabela 3.13, vemos que a demanda m axima de 2012 e de 447.2
MW no fora-ponta e 420.8 MW no ponta, logo estes valores servem de base para a con-
tratac ao da demanda no ponto de conex ao Natal II.

E claro que estes valores podem
ser alterados pela distribuidora, devido a causas externas ` a estrutura dos dados, como
possveis remanejamentos previamente denidos e entrada de novos clientes com cargas
representativas.
Tabela 3.13: Demandas maximas no fora-ponta e ponta previstas, com origem em t =
107 e h = 1, ..., 13 .

Z
t
(h)
h Fora-ponta Ponta
432.2164 400.8150
2 422.7604 380.2556
3 440.7989 393.5028
4 443.0820 400.4476
5 432.7577 398.9798
6 412.9226 389.9095
7 403.3854 384.7552
8 392.1228 372.8503
9 402.0484 382.3982
10 418.4879 398.2949
11 435.4548 413.7964
12 442.7600 413.0104
13 447.1784 420.8354
3.5 Previs ao 2012 48
Vemos na Figura 3.27 que as previsoes para a serie de demandas maximas no
ponta se apresentam em um patamar menos elevado do que o sugerido pela tendencia
presente na serie, isto ocorre devido ao metodo de HW ter utilizado um valor alto para ,
dando pesos maiores `as observac oes mais recentes e como podemos ver no graco o ano
de 2011 nao segue a mesma tendencia seguida pelos anos anteriores, subestimando assim
as demandas de 2012.
2004 2006 2008 2010 2012
3
0
0
3
5
0
4
0
0
4
5
0
jul jul jul jul jul jul jul jul jul 2004 2006 2008 2010 2012
3
0
0
3
5
0
4
0
0
4
5
0
jul jul jul jul jul jul jul jul jul
Figura 3.27: Demandas maximas no fora-ponta e ponta previstas para os meses de dezem-
bro de 2011 a dezembro de 2012 .
49
4 CONSIDERAC

OES FINAIS
Tendo em vista que objetivamos determinar o modelo, dentre os ajustados, que
forneca as melhores previs oes, vericamos atr aves das analises realizadas que o modelo de
suavizacao exponencial de Holt-Winters e o que melhor atende ao nosso objetivo.
De modo geral, vemos que as previsoes, com origem em outubro de 2010,
fornecidas pelos tres modelos ajustados para as duas series de demandas maximas apresentam-
se tendenciosamente acima das demandas m aximas observadas, isto se deve ao fato de
2011 ter sido um ano bastante atpico para a distribuidora que apresentou crescimento
bem abaixo do esperado. Fato este que tambem inuencia na previs ao para 2012 que
pode estar sendo subestimada.
Constatamos tambem, a diculdade dos metodos em acompanhar as series
quando se ha a presenca de abruptas quedas na demanda, especialmente nos meses de
janeiro e julho, uma vez que estas quedas nem sempre s ao observadas nos diferentes anos.
Visando portanto obter previs oes mais precisas, sugerimos para futuros tra-
balhos incluir aos modelos ARIMA, atraves de func oes de transferencia, os efeitos destes
eventos perodicos externos que inuenciam o comportamento das series de demandas
m aximas. Caracterizando assim uma Analise de Intervenc ao.
Finalmente, acreditamos que um trabalho futuro que incorpore a sugestao
feita sirva de suporte `a distribuidora na realizac ao de seus estudos para a contatacao dos
MUSTs, uma vez que esta nao utiliza modelos estatsticos de series temporais para a
obtenc ao das previs oes de demanda.
Referencias Bibliogracas
[1] ANJOS, P. C. S.; OLIVEIRA, K. M. B.; MOURA, D. H.; MEDEIROS,R. O.;
SIROKY, A. N. Analise Quali-Quantitativa das Previsoes de Carga Elaboradas Para
o CUST 2012-2015. Rio Grande do Norte: COSERN, 2011.
[2] CARDOSO, M. M. Simulacao de Modelos Garch para series temporais univariadas
de demanda de energia eletrica para consumidores livres em regime de curto prazo.
Dissertac ao. 2005. 175 f. Dissertac ao (Mestrado em de Produ cao) - Universidade
Federal do Itajuba, UFI, 2005.
[3] MORETTIN, P. A.; TOLOI, C. M. Analise de series temporais. Sao Paulo: Edgard
Blucher, 2004.
[4] PINO, F. A. Analise de Intervenao em Series Temporais: Aplicacoes em Economia
Agrcola. Dissertac ao. 1980. 253 f. Dissertac ao (Mestrado em Estatstica) - Universi-
dade de S ao Paulo, USP, 1980.
[5] R Development Core Team (2011). R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-
07-0, URL http://www.R-project.org/.
[6] ROCCO, S. M. Previsao de Demandas para Controle Dos Montantes de Uso do
Sistema de Transmissao para distribuidoras de energia eletrica. Disserta cao. 2008.
133 f. Disserta cao (Mestrado em Engenharia Eletrica) - Universidade Federal do
Paran a, UFP, 2008.
Apendice
- Codigo do programa em R
# Grafico conjunto da serie, da FAC (iniciando do lag 1
REFER

ENCIAS BIBLIOGR

AFICAS 51
# e nao 0) e da FACP, com barras mais grossas.
acf.new <- function(series,max.lag=NULL){
old.par <- par(no.readonly = TRUE)
layout( matrix(c(1,1,2,3), 2,2, byrow=T) )
plot(series,main=paste("Series: ",deparse(substitute(series))))
acf(series, lag.max=max.lag, lwd=2, main="")
pacf(series, lag.max=max.lag, lwd=2, main="")
on.exit(par(old.par)) }
#Pacotes necessarios
require(TSA)
require(forecast)
require(tseries)
w <- read.table("MUST_mensal.csv",sep=";",header=T)
Y <- ts(w$NTD_FP,start=c(2003,1),end=c(2011,10),frequency=12)
y <- window(Y, end=2010+9/12) # deixar 12 ultimos meses para previsao
mm <- decompose(y,type="additive")
plot(mm)
plot(y)
abline(v=2003:2011, lty=3)
abline(v=6/12+2003:2011, lty=3)
axis(1,at=6/12+2003:2011,labels=rep("jul",9))
# criar variavel mes e variavel ano
w$mes <- rep(month.abb,9)[1:107]
w$ano <- rep(2003:2011, rep(12,9))[1:107]
par(mfrow=c(2,1))
# medias mensais
media.mes <- tapply(y, INDEX = cycle(y), mean)
plot(names(media.mes), media.mes, type="b" )
REFER

ENCIAS BIBLIOGR

AFICAS 52
# medias anuais
media.ano $<-$ tapply(y, INDEX = floor(time(y)), mean)
plot(names(media.ano), media.ano, type="b" )
# REGRESSAO
# Efeito Sazonal pelo metodo de Dummies
tsp(y)
t <- as.vector( time( y ) )
mes <- factor( cycle( y ) )
e0 <- resid( lm( y ~ t ) )
reg0 <- lm(e0 ~ 0 + mes)
coef(reg0)
# INSPECAO GRAFICA
acf.new(y)
u <- resid(reg0)
u <- ts(u)
tsp(u) <- tsp(y)
acf.new(u, max.lag=36)
du <- diff(u)
acf.new(du,max.lag=36)
eacf(du)
d2u <- diff(du)
acf.new(d2u)
auto.arima(du, d = 0, D = 0, max.p = 12, max.q = 12,
max.P = 0, max.Q = 0, trace = TRUE, ic = "aicc")
auto.arima(du, d = 1, D = 0, max.p = 12, max.q = 12,
max.P = 0, max.Q = 0, trace = TRUE, ic = "aicc")
# ESCOLHA
REFER

ENCIAS BIBLIOGR

AFICAS 53
( m0 <- arima(u, order = c(12,1,1),
fixed=c(0,0,0,0,NA,NA,NA,0,0,0,0,NA, NA) ) )
# Diagnostico
rp <- rstandard(m0)
plot(rp)
abline( h = IQR(rp) * c(-1.5, 1.5), lty=2, col="red")
eps <- resid(m0)
tsp(eps) <- tsp(y)
acf.new(eps,max.lag=24)
plot(decompose(eps))
qqnorm(eps)
qqline(eps)
for(k in 5:12){
print(k)
print( Box.test(eps, lag=k, type="Ljung", fitdf=4)$p.value )
}
# ARIMAX com TENDENCIA LINEAR e DUMMIES
aux.reg <- lm( y ~ t + mes )
X <- model.matrix(aux.reg)[,-1]
for(i in seq(1,85,by=12)){X[i,-1]=-1}
armax.u <- arima(y, order = c(12,1,1),
fixed=c(0,0,0,0,NA,NA,NA,0,0,0,0,NA,NA,NA,
rep(NA,11)), xreg = X, method="CSS-ML" )
print(armax.u)
# DIAGNOSTICO
rp <- rstandard(armax.u)
REFER

ENCIAS BIBLIOGR

AFICAS 54
plot(rp)
abline( h = IQR(rp) * c(-1.5, 1.5), lty=2, col="red")
eps <- resid(armax.u)
acf.new(eps)
plot(decompose(eps))
qqnorm(eps)
qqline(eps)
# usar fitdf=p+q
for(k in 6:12){
print(k)
print( Box.test(eps, lag=k, type="Ljung", fitdf=5)$p.value )
}
# PREVISAO
tx <- seq(2010+10/12, len=12, by=1/12)
mx <- c( 11:12,1:10)
xx <- data.frame( tend = tx, mes = factor(mx))
newx <- model.matrix( ~ tend + mes, data=xx)[,-1]
newx[3,-1]=-1
# prever de nov/2010 ate out/2011
prevA1 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA2 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA3 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA4 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA5 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA6 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA7 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA8 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA9 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA10 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA11 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
prevA12 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred[1]
REFER

ENCIAS BIBLIOGR

AFICAS 55
prevA <- c(prevA1,prevA2,prevA3,prevA4,prevA5,prevA6,prevA7,prevA8
prevA9,prevA10,prevA11,prevA12)
prevA<-c(424.3,441.9,432.4,420,423.6,414.7,414,388.9,380.6,392.4,409.2,421.3)
y <- window(Y, end=2011+5/12)
t <- as.vector( time( y ) )
mes <- factor( cycle( y ) )
aux.reg <- lm( y $\sim$ t + mes )
X <- model.matrix(aux.reg)[,-1]
for(i in seq(1,97,by=12)){X[i,-1]=-1}
armax.u <- arima(y, order = c(12,1,1),
fixed=c(0,0,0,0,NA,NA,NA,0,0,0,0,NA,NA,NA,rep(NA,11)),
xreg = X, method="CSS-ML")
plot(forecast(armax.u, h=12,level=95, xreg = newx ,type="l"), xlim = c(2009,
tsp(Y)[2]),main="", ylim=c(330,500))
y0 <- window(Y, start=2010+10/12)
h <- seq(tsp(y0)[1], tsp(y0)[2], by=1/12)
lines(h, y0, lwd=3, lty=3,type="b")
lines(h, prevA, lwd=3, lty=2,col="red",type="b")
legend(2010.63,500,c("Observado","Previsto","Intervalo de Previs~ao","Previs~ao Atualizada"), lty=c(3,1,1,2),lwd=c(3,1,3,3),col=c("black","darkblue","yellow","red"))
# MODELO SARIMA
# Inspecao grafica
acf.new(y,max.lag=36)
dy <- diff(y)
acf.new(dy,max.lag=36)
d2y <- diff(y,dif=2)
acf.new(d2y,max.lag=36)
dy12 <- diff(y, lag=12)
pacf(dy12, lag.max=36)
REFER

ENCIAS BIBLIOGR

AFICAS 56
dy12.2 <- diff(y, lag=12, dif=2)
acf.new(dy12.2, max.lag=36)
d1y12 <- diff(dy, lag=12)
acf.new(d1y12, max.lag=36)
d2y12 <- diff(d2y, lag=12)
acf.new(d2y12)
d2y12.2 <- diff(d2y, lag=12, dif=2)
acf.new(d2y12.2)
auto.arima(y, d = 1, D = 0, max.p = 12, max.q = 12,
max.P = 2, max.Q = 2, trace = TRUE, ic = "aicc")
auto.arima(y, d = 2, D = 1, max.p = 12, max.q = 12,
max.P = 2, max.Q = 2, trace = TRUE, ic = "aicc")
# Escolha
( arimaS <- arima(y, order = c(0, 1, 1),
seasonal = list(order = c(0, 1, 1), period=12),
method="CSS-ML") )
( arimaS <- arima(y, order = c(10, 1, 1),
seasonal = list(order = c(0, 1, 1), period=12),
fixed=c(0,0,0,NA,NA,0,0,0,0,0,NA,NA),
method="CSS-ML") )
# DIAGNOSTICO
rp <- rstandard(arimaS)
plot(rp)
abline( h = IQR(rp) * c(-1.5, 1.5), lty=2, col="red")
eps <- resid(arimaS)
acf.new(eps,max=24)
plot(decompose(eps))
qqnorm(eps)
qqline(eps)
hist(eps)
for(k in 5:12){
REFER

ENCIAS BIBLIOGR

AFICAS 57
print(k)
print( Box.test(eps, lag=k, type="Ljung", fitdf=4)$p.value)
}
# Previs~ao
prevS <- 0
for (i in 9:20){
y <- window(Y, end=2010+i/12)
( arimaS <- arima(y, order = c(10, 1, 1),
seasonal = list(order = c(0, 1, 1), period=12),
fixed=c(0,0,0,NA,NA,0,0,0,0,0,NA,NA),
method="CSS-ML") )
prevS[i-8]=predict(arimaS,n.ahead=1)$pred
}
y <- window(Y, end=2010+9/12)
plot(forecast(arimaS,h=12,level=95), xlim = c(2009, tsp(Y)[2]),
main="", ylim=c(330,500))
y0 <- window(Y, start=2010+10/12)
lines(h, y0, lwd=3, lty=3,type="b")
lines(h, prevS, lwd=3, lty=2,col="red",type="b")
legend(2010.63,500,c("Observado","Previsto","Intervalo de Previs~ao",
"Previs~ ao Atualizada"), lty=c(3,1,1,2), lwd=c(3,1,3,3), col=c("black","darkblue","yellow","red"))
# HOLT WINTERS
hw <- HoltWinters(y)
plot(hw,main="")
abline(v=2003:2011, lty=3)
plot(fitted(hw),main="")
prevH <- 0
for (i in 9:20){
y <- window(Y, end=2010+i/12)
hw <- HoltWinters(y)
prevH[i-8]=predict(hw,n.ahead=1)
REFER

ENCIAS BIBLIOGR

AFICAS 58
}
plot(forecast(hw,h=12,level=95), xlim = c(2009, tsp(Y)[2]),
main="", ylim=c(330,500))
h <- seq(tsp(y0)[1], tsp(y0)[2], by=1/12)
lines(h, y0, lwd=3, lty=3,type="b")
lines(h, prev, lwd=3, lty=2,col="red",type="b")
legend(2010.63,500,c("Observado","Previsto","Intervalo de Previs~ao",
"Previs~ ao Atualizada"),lty=c(3,1,1,2), lwd=c(3,1,3,3), col=c("black","darkblue","yellow","red"))
#COMPARACAO dos TRES MODELOS
y0 <- window(Y, start=2010+10/12)
y1 <- predict(arimaS, n.ahead=12)$pred
y2 <- predict(armax.u, n.ahead=12, newxreg = newx)$pred
y3 <- predict(hw, n.ahead=12)
( emq1 <- sum( (y1-y0)^2 ) )/12
( emq2 <- sum( (y2-y0)^2 ) )/12
( emq3 <- sum( (y3-y0)^2 ) )/12
# Erro medio percentual absoluto
apply( abs( cbind((y1-y0)/y0,(y2-y0)/y0,(y3-y0)/y0) ), 2, mean )
plot(y, xlim = c(2009, tsp(Y)[2]), ylim=c(300,500))
h <- seq(tsp(y0)[1], tsp(y0)[2], by=1/12)
lines(h, y0, lwd=3, lty=3, type="b")
lines(h, prevS, lwd=3,col="red", lty=3, type="b")
lines(h, prevA, lwd=3,col="blue", lty=3, type="b")
lines(h, prev,lwd=3, col="green", lty=3, type="b")
legend(2011,500,c("Observado","SARIMA","ARIMAX","HW"),
lty=3, lwd=3, col=c("black","red","blue","green"))