Modelación y predicción de modelos de series temporales de consumo de energía eléctrica en la Región Nordeste de Brasil
Palabras clave:
Previsões, Holt-Winters, Box-JenkinsResumen
La energía eléctrica es una de las formas de energía más utilizadas, siendo de gran importancia para el crecimiento económico mundial.
En ese contexto, se analizó la serie temporal de consumo de energía eléctrica en el Nordeste brasileño, desde enero de 1997 hasta mayo
de 2021, y se estimó la previsión para todo el año 2021, con base en metodologías utilizadas en el análisis de series temporales. Los
métodos aplicados para estas predicciones fueron los algoritmos de Holt-Winters, en las formas aditiva y multiplicativa, y también el
método de modelado de Box-Jenkins, en las formas SARIMA y SARIMAX. Para el caso del modelo SARIMAX se aplicó una variable dummy, con
valores 1 para los meses a partir de junio de 2001, tomando como referencia el racionamiento energético del gobierno de Fernando
Henrique Cardoso, y 0 para los meses anteriores. La elección del modelo para el ajuste de la serie temporal se basó en los criterios
AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion) y EQMP (Forecast Mean Square Error). Los cálculos fueron
realizado utilizando el software estadístico R. Finalmente, el modelo SARIMA(4,1,1)(2,0,0)12 proporcionó el mejor pronóstico para
el consumo de energía eléctrica en el Nordeste de Brasil.
Citas
BOX, G. E. P. et al. Time series analysis. Forecasting and control. 5th ed. 5th ed..ed. [S.l.]: Hoboken, NJ: John Wiley & Sons, 2016. 712 p. ISSN 1940-6347. ISBN
-1-118-67502-1/hbk.
BROCKWELL, P. J. et al. Introduction to time series and forecasting. [S.l.]: Springer, 2016.
CAMPOS, R. J. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. Universidade Federal de Minas Gerais, 2008.
DICKEY, D. A.; FULLER, W. A. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, Taylor & Francis, v. 74, n. 366a, p. 427-431, 1979.
EHLERS, R. S. Análise de séries temporais. Laboratório de Estatística e Geoinformação. Universidade Federal do Paraná, 2007. Disponível em: http://www.each.usp.br/rvicente/ AnaliseDeSeriesTemporais.pdf. Acesso em: 16 de Abril de 2021.
ENERGÉTICA, E. D. P. Matriz Energética e Elétrica1. 2019. Disponível em: https://www.epe.gov.br/pt/abcdenergia/matriz-energetica-e-eletrica. Acesso em: 13 de Agosto de 2021.
GOLDENBERG, J.; PRADO, L. T. S. Reforma e crise do setor elétrico no período fhc. Tempo social, SciELO Brasil, v. 15, p. 219-235, 2003.
HYNDMAN, R. J.; KHANDAKAR, Y. Automatic time series forecasting: the forecast package for r. Journal of statistical software, v. 27, n. 1, p. 1-22, 2008.
IPEADATA. Banco de Dados: Energia elétrica referente ao consumo na região Nordeste (NE). 2021. Disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em: 19 de Julho de 2021.
JUNIOR, L. M. C. et al. Previsão do consumo de eletricidade no nordeste brasileiro. Engevista, v. 20, n. 3, p. 408-423, 2018.
LIMA, J. E. C.; CASTRO, L. F. de; CARTAXO, G. A. A. Aplicação do modelo sarima na previsão de demanda no setor calçadista/application of the sarima model in the forecast for demand in the footwear sector. ID on line REVISTA DE PSICOLOGIA, v. 13, n. 46, p. 892?913, 2019.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to time series analysis and forecasting. [S.l.]: John Wiley & Sons, 2015.
MORETTIN, P. A.; TOLOI, C. Análise de séries temporais. In: Análise de séries temporais. [S.l.: s.n.], 2006. p. 538-538.
SALES, L. O. A. Testando a hipótese de passeio aleatório no mercado de ações brasileiro. Tese (Doutorado), 2017.
SCHMIDT, C. A. J.; LIMA, M. A. A demanda por energia elétrica no brasil. Revista brasileira de economia, SciELO Brasil, v. 58, p. 68?98, 2004.
SHUMWAY, R.; STOFFER, D. Time series analysis using the R Statistical Package. [S.l.]: free dog publishing, 2017.
R CORE TEAM. R: A language and environment for statistical computing (R Version 4.0. 3, R Foundation for Statistical Computing, Vienna, Austria, 2020). 2021. Disponível em: https://www.r-project.org/. Acesso em: 12 de Agosto de 2021.
TIDRE, P. V. V.; BIASE, N. G. G.; SILVA, M. I. de S. Utilização dos modelos de séries temporais na previsão do consumo mensal de energia elétrica da região norte do brasil. Matemática e Estatística em Foco, v. 1, n. 1, p. 57-66, 2013.
WALTER, O. M. F. C. et al. Aplicação de um modelo sarima na previsão de vendas de motocicletas. Exacta, Universidade Nove de Julho, v. 11, n. 1, p. 77-88, 2013.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
