O uso dos modelos PARIMA e SARIMA na previsão da demanda mensal de energia elétrica para a classe residencial do estado do Espírito Santo
Autor: Wara Martins Linhares (Currículo Lattes)
Resumo
Muitos estudos têm mostrado a importância do planejamento e previsão da demanda de energia elétrica, cujo objetivo é manter o equilíbrio entre a produção e o consumo desse produto. Entender a sazonalidade e as características individuais das subséries nos estudos de previsão é importante para se aproximar dos padrões e comportamentos dessas variáveis e reduzir os erros de previsão que impactam diretamente nas questões técnicas e financeiras. O objetivo deste estudo é usar o método de Box-Jenkins, Modelo Autorregressivo Integrado de Médias Móveis Sazonal (SARIMA) e Modelo Autorregressivo Integrado de Médias Móveis Periódico (PARIMA), para modelar a demanda de energia da classe residencial no Espírito Santo e identificar o melhor protocolo para a modelagem. Neste estudo foram utilizados dados históricos de janeiro de 2004 a dezembro de 2021. Inicialmente, foi realizada análise exploratória da série e subséries, sumarização dos dados por meio de técnicas analíticas e gráficas e análise de variância paramétrica com blocos (teste F) e não paramétrica (teste de Friedman), avaliando-se a presença de sazonalidade, o que levou à seleção dos modelos SARIMA e PARIMA. Testes de Dickey-Fuller aumentado (ADF), Kwiatkowski-Phillips-Schmidt-Shin (KPSS) e Phillips- Perron (PP) foram usados para avaliar a estacionaridade da parte não sazonal e os testes Hilleberg-Engle- Granger-Yoo (HEGY), Osborn- Chui- Smith- Birchenhall (OCSB) e Canova-Hansen (CH) para a parte sazonal. Os coeficientes dos modelos candidatos foram então estimados e os modelos mais parcimoniosos foram determinados usando os critérios de informação Bayesiano (BIC), Akaike (AIC) e Akaike corrigido (AICc). Na análise dos resíduos foram utilizados os testes de Ljung-Box, Jarque-Bera e ARCH, além dos indicadores: Erro Absoluto Médio (MAE), Erro Médio Percentual Absoluto (MAPE) e Raiz do Erro Quadrático Médio (RMSE) para avaliar a capacidade preditiva, complementados por intervalos de confiança. Dentre as técnicas utilizadas nas fases do ciclo iterativo composta pela análise exploratória, identificação, estimação, diagnóstico e validação, as que alcançam melhor desempenho são: gráficos de linhas da série e subséries, teste KPSS, determinação de valores mínimos e máximos para p e q, critérios AIC e AICc e RMSE com análise da distribuição residual. No geral, ambos os métodos apresentam bons resultados, mas de acordo com o indicador de qualidade RMSE e a análise de resíduos, o método SARIMA apresenta melhor capacidade preditiva, podendo contribuir para planejamento da matriz energética do estado do Espírito Santo