Previsão de demanda de energia elétrica usando análise de componentes principais e análise gráfica dos autovetores na abordagem singular spectrum analysis

Abstract

O consumo de energia elétrica por pessoas, empresas e indústrias aumentam devido ao avanço tecnológico, o crescimento da população e aascensão dos países emergentes. Para atender esta demanda, o desenvolvimento de novas técnicas capazes de prever com uma melhor acurácia o consumo de energia elétrica se faz necessário. Singular Spectrum Analysis (SSA) é um método em estatística que pode, dentre outras coisas, filtrar séries temporais eliminando sua componente ruidosa podendo melhorar a acurácia da previsão. Esta pesquisa propõe a filtragem de uma série temporal de consumo de energia elétrica via SSA usando Análise de Componentes Principais e Análise Gráfica dos Autovetores. A verificação do poder preditivo das modelagens nas abordagens de Holt-Winters e de Box & Jenkins é feita através das estatísticas de aderência Mean Absolute percentage Error (MAPE), Root Mean Squared Error (RMSE), Bayesian Information Criterion (BIC) e o coeficiente de dete rminação R². Os resultados obtidos mostram que a utilização da filtragem SSA proporciona um ganho preditivo à modelagem e que ao utilizar a Análise Gráfica dos Autovetores obtém o melhor desempenho do que o uso da abordagem com a Análise de Componentes Principais. Os resultados mostram também que a modelagem de Box & Jenkins apresenta melhores resultados do que as modelagens de Amortecimento Exponencial de Holt-Winters para a previsão de consumo de energia elétrica. Tais resultados corroboram para a utilização destes modelos no auxílio do planejamento energético do país.