Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/13903
Title: Analisando autovetores na abordagem singular spectrum analysis para a previsão de vazão de afluentes
Authors: Silva, Douglas de Castro
metadata.dc.contributor.advisor: Menezes, Moisés Lima de
metadata.dc.contributor.members: Menezes, Moisés Lima de
Carvalho, Marcia Marques de
Cassiano, Keila Mara
Issue Date: 2017
Citation: SILVA, Douglas de Castro. Analisando autovetores na abordagem singular spectrum analysis para a previsão de vazão de afluentes. 2017. 43f. Trabalho de Conclusão de Curso (Graduação de Estatística) - Instituto de Matemática e Estatística, Universidade Federal Fluminense, Niterói, 2017
Abstract: Diante da atual situação energética brasileira, a previsão de vazão de afluentes surge como uma ferramenta essencial no planejamento de longo prazo. Com mais de 70% da energia gerada no Brasil, as usinas hidrelétricas têm uma função importante neste cenário e, dentre elas, a Usina Hidrelétrica de Itaipú é responsável por boa parte desta energia gerada. Como o pricipal afluente à UHE de Itaipú, o Rio Paraná apresenta momentos de baixo e de alto fluxo de correnteza, aumentando e diminuindo sua vazão em épocas distintas. Para se ter um controle sobre a energia que poderá ser gerada na usina é preciso ter um conhecimento prévio da vazão que o afluente poderá servir. A análise de séries temporais tem se mostrado como uma ferramenta adequada para este tipo de previsão e a literatura tem mostrado que filtragens de séries temporais melhoram a qualidade destas previsões. Este trabalho objetiva avaliar o ganho preditivo da modelagem de séries temporais quando se aplica à séerie uma filtragem por Singular Spectrum Analysis (SSA), uma ferramenta em estatistica que permite, dentre outras coisas, remover a componente de ruído após uma decomposição adequada e com isso, retornar uma série filtrada menos ruidosa. Na ocasião, uma série de médias mensais de vazão de afluentes do Rio Paraná na Usina Hidrelétrica de Itaipú foi modelada via modelos de amortecimento exponencial de Holt-Winters sem e com a filtragem SSA e modelos de Box & Jenkins da classe ARIMA também sem e com a filtragem SSA. A filtragem SSA foi feita a partir da análise gráfica dos autovetores e confirmada pela correlação ponderada. Todos os modelos foram comparados entre si de acordo com as estatísticas de aderência Mean Absolute Percentage Error (MAPE) e Root Mean Square Error (RMSE), o critério de seleção do melhor modelo (BIC) Bayesian Information Criterion e o coeficiente de determinação R2. Os resultados obtidos mostram que os modelos de Box & Jenkins têm um poder preditivo maior que os modelos de Holt-Winters e que, ao aplicar a filtragem SSA, a acurácia dos modelos é melhorada em todos os casos.
URI: https://app.uff.br/riuff/handle/1/13903
Appears in Collections:GGV - Trabalhos de Conclusão de Curso - Niterói

Files in This Item:
File Description SizeFormat 
tcc_20171_DouglasCastro_31154061.pdf1.37 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons