GERAÇÃO DE CENÁRIOS DE VELOCIDADE DO VENTO COM MODELAGEM AUTORREGRESSIVA PERIÓDICA ASSOCIADA À MSSA

GERAÇÃO DE CENÁRIOS DE VELOCIDADE DO VENTO COM MODELAGEM AUTORREGRESSIVA PERIÓDICA ASSOCIADA À MSSA

Menezes, Moisés Lima de; Cassiano, Keila Mara; Souza, Reinaldo Castro; Pessanha, José Francisco Moreira

Artigo Completo:

Singular Spectrum Analysis (SSA) é uma técnica que decompõe uma série temporal em componentes tais como tendência, harmônicos e ruídos. Deixando de fora as componentes ruidosas e somando as outras, a série temporal pode ser suavizada. A geração de Cenários através do modelo autorregressivo periódico PAR(p) vem sendo amplamente utilizada em modelagem de séries de Energia Natural Afluente. Este artigo apresenta uma abordagem deste método de decomposição, na qual a modelagem PAR (p) é aplicada na série suavizada obtida pela SSA e por sua versão multivariada MSSA. Na ocasião são gerados 200 cenários de velocidade do vento para um horizonte de previsão de 60 meses. Para ilustrar a metodologia proposta, foram consideradas séries de velocidade do vento registradas em duas localidades na região Nordeste do Brasil. Os resultados obtidos mostram que tanto a modelagem PAR(p) quanto a geração de cenários são beneficiados pela suavização prévia da série temporal por SSA/MSSA.

Singular Spectrum Analysis (SSA) é uma técnica que decompõe uma série temporal em componentes tais como tendência, harmônicos e ruídos. Deixando de fora as componentes ruidosas e somando as outras, a série temporal pode ser suavizada. A geração de Cenários através do modelo autorregressivo periódico PAR(p) vem sendo amplamente utilizada em modelagem de séries de Energia Natural Afluente. Este artigo apresenta uma abordagem deste método de decomposição, na qual a modelagem PAR (p) é aplicada na série suavizada obtida pela SSA e por sua versão multivariada MSSA. Na ocasião são gerados 200 cenários de velocidade do vento para um horizonte de previsão de 60 meses. Para ilustrar a metodologia proposta, foram consideradas séries de velocidade do vento registradas em duas localidades na região Nordeste do Brasil. Os resultados obtidos mostram que tanto a modelagem PAR(p) quanto a geração de cenários são beneficiados pela suavização prévia da série temporal por SSA/MSSA.

Palavras-chave:

DOI: 10.5151/marine-spolm2015-140010

Referências bibliográficas

• [1] Almeida, A. & Ellian, S. N. J. (2008) Modificações e Alternativas aos testes de Levene e de Brown e Forsythe para Igualdade de Variâncias e Médias. Revista Colombiana de Estadística, v 13, 2, pp. 241-260.
• [2] Arango, H. G. (2005) Bioestatística Teórica e Computacional. 2a. Edição. Guanabara Koogan – Gen editoras. Rio de Janeiro.
• [3] BROCK, W. A., DECHERT, W., & SCHEINKMAN, J. (1987). A test for independence based on the correlation dimension. Working paper, University of Winconsin at Madison, University of Houston, and University of Chicago.
• [4] Casela, G. & Berger, R. L. (2010) Inferência Estatística. Cengage Learning, São Paulo.
• [5] CEPEL – Centro de Pesquisa de Energia Elétrica (2000) Manual de Referencia do Modelo Newave. RelatórioTécnico, Rio de Janeiro.
• [6] Elshorbagy, A.; Simonovic, S.P.; Panu, U.S. (2002) Noise reduction in chaotic hydrologic time series: facts and doubts, Journal of Hydrology, 256, 147-265.
• [7] Golyandina, N., Nekrutkin, V., Zhihgljavsky, A. (2001). Analysis of time series structure: SSA and reletade techniques. Chapman&Hall/CRC. New York, USA.
• [8] Golyandina, N., Stepanov. D. (2005). SSA-based approaches to analysis and forecast of multidimensional time series.Proceedings of the Fifth Workshop on Simulation.Department of Mathematics, St. Petersburg State University, Russia.P. 293-298.
• [9] Golyandina, N. (2010). On the choice of parameters in Singular Spectrum Analysis and related subspace-based methods. Statistics and Its Interface, 2010, 3, 259-279.
• [10] Hassani, H. (2007) Golyandina, N. (2010). Singular Spectrum Analysis: Methodology and Comparison. Journal of Data Science. 5, 239-257.
• [11] Hassani, H. .; Zokaei, M.; Von Rosen, D.; Amiri, S.; Ghodsi, M. (2009). Does noise reduction matter for curve fitting in growth curve models? Computer Methods and Programs in Biomedicine, 96, pp. 173-181.
• [12] Hanson, R.T.; Dettinger, M.D.; Newhouse, M.W. (2006). Relations between climatic variability and hydrologic time series from four alluvial basins across the southwestern United States, Hydrogeology Journal.
• [13] Hipel, K. W. e McLeod, A. I. (1994) Time Series Modelling of Water Resources and Environmental Systems.Amsterdam, The Netherlands: Elsevier.
• [14] Jayawardena, A.W.; Gurung, A.B. (2000) Noise reduction and prediction of hydrometeorological time series: dynamical systemas approach vs. stochastic approach, Journal of Hydrology, 228, 242-264.
• [15] Maceira, M. E. P. (1989) Operação Ótima de Reservatórios com Previsão de Afluências. Dissertação de Mestrado. COOPE/UFRJ, Rio de Janeiro.
• [16] Maceira, M. E. P.; Penna, D. D. J..; Damázio, J. M. (2006). Geração de cenários sintéticos de energia e Vazão para o planejamento da operação energética, Cadernos do IME - Série Estatística, UERJ, Rio de Janeiro, pp. 11-35.
• [17] Schreiber, T.; Grassberger, P. (1991) A simple noise-reduction method for real data, Phys Letter A, 160 (5), 411-418.
• [18] Sivakumar, B.; Phoon, K.; Liong, S.; Liaw, C. (1999) A systematic approach to noise reduction in chaotic hydrological time series, Journal of Hydrology, 219, pp. 103-135.

Como citar:

Menezes, Moisés Lima de; Cassiano, Keila Mara; Souza, Reinaldo Castro; Pessanha, José Francisco Moreira; "GERAÇÃO DE CENÁRIOS DE VELOCIDADE DO VENTO COM MODELAGEM AUTORREGRESSIVA PERIÓDICA ASSOCIADA À MSSA", p-125-136. In: Anais do XVIII Simpósio de Pesquisa Operacinal & Logística da Marinha. São Paulo: Blucher, 2016.
ISSN 21756295, DOI 10.5151/marine-spolm2015-140010