Previsão de vazões mensais para o Sistema Interligado Nacional (SIN) utilizando modelos Periódicos Autorregresivos Endógenos (PAR) e Exógenos (PARX) com a utilização de informações climáticas
AUTOR(ES)
Silveira, Cleiton da Silva, Alexandre, Alan Michell Barros, Souza Filho, Francisco de Assis de, Vasconcelos Junior, Francisco das Chagas, Cabral, Samuellson Lopes
FONTE
RBRH
DATA DE PUBLICAÇÃO
26/06/2017
RESUMO
RESUMO Este estudo propõe um modelo de previsão simultânea de vazões sazonais para todos os locais SIN através de modelos periódicos autorregressivos simples (PAR) e com variáveis exógenas (PARX) utilizando índices climáticos. Os modelos propostos de previsão de afluência utilizam os dados de vazões naturais gerados pelo Operador Nacional do Sistema (ONS) e técnicas estatísticas como as de regressão linear múltipla e o método stepwise para escolha de variáveis explanatórias. São utilizados 27 índices climáticos, dos quais 4 foram sugeridos neste trabalho. A análise de desempenho das metodologias é baseada no método ELECTRE com o uso do coeficiente de NASH, do erro médio percentual absoluto, da distância multicritério e da correlação. Para previsões com um mês de antecedência, os modelos do tipo PAR apresentam melhores desempenhos na maioria dos postos do SIN nos trimestres DJF, MAM e JJA, enquanto para o período SON a uma maior eficiência do modelo PARX. O PARX apresenta melhor desempenho no período seco das bacias do norte do Brasil - Amazonas e Araguaia-Tocantins; centro-leste brasileiro - Atlântico Leste e na maioria dos rios que formam a Bacia do Paraná.
ASSUNTO(S)
previsão sazonal Índices climáticos setor elétrico
Documentos Relacionados
- 2 - A rede básica do sistema interligado nacional (SIN)
- Análise do erro de previsão de vazões mensais com diferentes horizontes de previsão
- Previsão de vazões médias mensais usando redes neurais nebulosas
- Previsões multiescala de vazões para o sistema hidrelétrico brasileiro utilizando ponderação bayesiana de modelos (BMA)
- PREVISÃO DE VAZÕES PARA O AÇUDE ORÓS/CE A PARTIR DE DADOS HIDROMETEOROLÓGICOS UTILIZANDO PERCEPTRONS