Tamanho da fonte:
ANÁLISE DA ENERGIA EÓLICA NO BRASIL USANDO SÉRIES TEMPORAIS
Última alteração: 2021-09-29
Resumo
https://youtu.be/ypgG7Pqz5Cc
A energia eólica revelou-se como uma das principais fontes alternativas de energia, destacando-se pelo reduzido impacto ambiental e pela geração de energia limpa. O objetivo deste trabalho foi ajustar um modelo de séries temporais à série de energia elétrica gerada pela matriz eólica, com a finalidade de estudar a presença de tendência, sazonalidade e realizar previsões. Para ajustar o modelo é necessário que a série em estudo seja estacionária, isto é, tenha média e variância constantes. Geralmente, essas séries apresentam componentes de tendência e/ou sazonalidade, implicando em não estacionariedade. Para verificar a existência dessas componentes, foram aplicados os testes de Cox-Stuart e Kruskal-Wallis. Para tornar a série estacionária é usual fazer diferenças sucessivas na série original. Após a eliminação da tendência e/ou sazonalidade, a série se encontra estacionária. Através dos gráficos das funções de autocorrelação e autocorrelação parcial sugerem-se modelos. Em seguida, faz-se o diagnóstico desses modelos verificando a autocorrelação dos resíduos por meio do teste de Ljung-Box. Dos modelos que apresentaram resíduo ruído branco, seleciona-se aquele que fornecer menor critério de informação de Akaike. Com o modelo selecionado, realizam-se as previsões. A série histórica em estudo foi coletada mensalmente pela ONS e consiste de 171 observações dadas em MWh, no período de jan/2007 a mar/2021. As observações foram divididas em dois subconjuntos para realizar a previsão, a etapa de modelagem (calibração), no período de jan/2007 a dez/2019 e a etapa de avaliação das previsões (validação), no período de jan/2020 a mar/21. O modelo indicado para realizar previsões foi o SARIMA (4,1,2)x(0,0,1)12. A série de produção de energia elétrica gerada pela matriz de energia eólica apresentou tendência, mas não manifestou uma componente sazonal. O método de previsão se mostrou bem eficiente, pois conseguiu captar a variabilidade da série.
A energia eólica revelou-se como uma das principais fontes alternativas de energia, destacando-se pelo reduzido impacto ambiental e pela geração de energia limpa. O objetivo deste trabalho foi ajustar um modelo de séries temporais à série de energia elétrica gerada pela matriz eólica, com a finalidade de estudar a presença de tendência, sazonalidade e realizar previsões. Para ajustar o modelo é necessário que a série em estudo seja estacionária, isto é, tenha média e variância constantes. Geralmente, essas séries apresentam componentes de tendência e/ou sazonalidade, implicando em não estacionariedade. Para verificar a existência dessas componentes, foram aplicados os testes de Cox-Stuart e Kruskal-Wallis. Para tornar a série estacionária é usual fazer diferenças sucessivas na série original. Após a eliminação da tendência e/ou sazonalidade, a série se encontra estacionária. Através dos gráficos das funções de autocorrelação e autocorrelação parcial sugerem-se modelos. Em seguida, faz-se o diagnóstico desses modelos verificando a autocorrelação dos resíduos por meio do teste de Ljung-Box. Dos modelos que apresentaram resíduo ruído branco, seleciona-se aquele que fornecer menor critério de informação de Akaike. Com o modelo selecionado, realizam-se as previsões. A série histórica em estudo foi coletada mensalmente pela ONS e consiste de 171 observações dadas em MWh, no período de jan/2007 a mar/2021. As observações foram divididas em dois subconjuntos para realizar a previsão, a etapa de modelagem (calibração), no período de jan/2007 a dez/2019 e a etapa de avaliação das previsões (validação), no período de jan/2020 a mar/21. O modelo indicado para realizar previsões foi o SARIMA (4,1,2)x(0,0,1)12. A série de produção de energia elétrica gerada pela matriz de energia eólica apresentou tendência, mas não manifestou uma componente sazonal. O método de previsão se mostrou bem eficiente, pois conseguiu captar a variabilidade da série.
Palavras-chave
Tendência. Sazonalidade. Previsão.