Análise da energia eólica no Brasil usando Séries Temporais

Autores

DOI:

https://doi.org/10.33448/rsd-v11i1.24827

Palavras-chave:

Energia eólica; Tendência; Previsões; SARIMA.

Resumo

O objetivo deste trabalho foi ajustar um modelo de séries temporais à série de energia elétrica gerada pela matriz eólica com a finalidade de estudar a presença de tendência, sazonalidade e realizar previsões. A série histórica utilizada consiste da produção de energia elétrica gerada pela matriz eólica, coletada mensalmente pelo Operador Nacional do Sistema Elétrico. A série está compreendida entre jan/2007 a mar/2021, com 171 observações. A série foi dividida em dois subconjuntos, ao primeiro (jan/2007 a dez/2019) foi designado o processo de modelagem (calibração) e ao segundo (jan/2020 a mar/2021) foi atribuído a avaliação das previsões (validação). O horizonte de previsão contemplou o período de abr/2021 a dez/2022. Realizou-se uma transformação Box-Cox na escala dos dados para tornar o modelo aditivo. Verificou-se a presença da componente de tendência. A partir dos correlogramas da FAC e FACP da série original transformada com uma diferença de ordem 1 foi possível propor alguns modelos. Buscaram-se modelos com resíduos não correlacionados e com menor AIC. Destes, realizaram-se previsões para o período de jan/2020 a mar/21 que foram comparadas com observações reais através do EQMP. O modelo SARIMA (5,1,2)×(0,0,3)12 foi escolhido, pois apresentou o menor EQMP. Observou-se que os meses subsequentes continuam seguindo o padrão crescente que ela vem mantendo desde de 2015. O modelo proposto para prever a quantidade de energia elétrica gerada pela matriz eólica de curto prazo vai permitir que os gestores tenham tempo suficiente para programar a operação de distribuição de energia de forma adequada.

Referências

Alencar, D. B. (2018). Modelo híbrido baseado em séries temporais e redes neurais para prevenção da geração de energia eólica. Tese de doutorado, Universidade Federal do Pará, Belém, PA, Brasil.

Akaike, H. (1973). Maximum likelehood identification of gaussian autoregressive moving average models. Biometrika, London, 21, 243-7.

Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.

Braz, C. A., Rodrigues, R. L., & Siqueira, H. V. (2017). Geração de energia elétrica por meio de fontes de energia renováveis: uma revisão sistemática. Revista de Gestão Industrial, 13(1), 228-42.

Delfino, O. A. S., Santos, P. H. A. B., & Santos, R. V. R. (2021). Análise do comportamento da vazão de água na usina hidrelétrica do Funil/MG para realizar previsões e auxiliar na tomada de decisões. Sigmae, 10(1), 34-46.

Fernandes, L. C. (2018). Previsão de potência eólica de curtíssimo prazo baseada na análise espectral e decomposição da série temporal. Dissertação de mestrado, Universidade Federal de Pernambuco, Recife, PE, Brasil.

Ferreira, R. A., Miranda, V. F. L., Santos, P. M., & Sáfadi, T. (2020). Um estudo sobre a evolução de óbitos por câncer de mama no Brasil usando modelos de séries temporais. Research, Society and Development, 9(12), 1-20.

Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2019). Forecast: Forecasting functions for time series and linear models. R package version 8.5, https://pkg.robjhyndman.com/forecast/

Lima, J. E. C., Castro, L. F., & Cartaxo, G. A. A. (2019). Aplicação do Modelo Sarima na Previsão de Demanda no Setor Calçadista. Rev. Mult. Psic., 13(46), 892-913.

Lima, D. K. S., Leão, R. P. S., Santos, A. C. S., Melo, F. D. C., & Chaves, C. M. N. M. (2013). Análise do potencial eólico offshore do Ceará em períodos de El Niño e La Niña. Revista Ciência e Natura, v. esp., 37-9.

Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 97-303.

Melo, E. (2013). Fonte eólica de energia: aspectos de inserção, tecnologia e competitividade. Estudos Avançados, 27(77), 125-42.

Malta, C. S. (2009). Estudos de séries temporais de vento utilizando análises estatísticas e agrupamento de dados. Trabalho de conclusão de curso, Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.

Martins, F. R., Guarnieri, R. A., & Pereira, E. B. (2008). O aproveitamento da energia eólica. Revista Brasileira de Ensino de Física, 30(1), 1304-13.

Ministério de Minas e Energia. MME (2021). Disponível em: https://static.poder360.com.br/2021/08/1-Boletim-Mensal-de-Energia-Maio-2021-Portugues.pdf. Acesso em 10 de setembro de 2021.

Morais, L. C. (2015). Estudo sobre o panorama da energia elétrica no Brasil e tendências futuras. Dissertação de mestrado, Universidade Estadual Paulista, Bauru, SP, Brasil.

Morettin, P. A., & Toloi, C. M. C. (2006). Análise de Séries Temporais (2a ed.). São Paulo: Edgard Blucher.

Operador Nacional do Sistema Elétrico. ONS (2021). Disponível em: http://www.ons.org.br/Paginas/resultados-da-operacao/historico-da-operacao/geracao_energia.aspx. Acesso em 15 de setembro de 2021.

Operador Nacional do Sistema Elétrico. ONS (2014). Disponível em:

http://antigo.mme.gov.br/documents/239673/907477/Boletim_de_Monitoramento_do_Sistema_Elxtrico_-_Fevereiro-2014.pdf/a52de0a5-aeee-bb66-05e8-7c7adc5862e6. Acesso em 12 de setembro de 2021.

Pinto, R. J., & Santos, V. M. L. (2019). Energia eólica no Brasil: evolução, desafios e perspectivas. Journal on Innovation and Sustainability, 10(1), 124-42.

Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka R. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Recuperado de: https://repositorio.ufsm.br/bitstream/handle/1/15824/ Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1

R Core Team. (2021). R: a language and environment for statistical computing. Vienna: R Foundation for statistical computing. http://www.Rproject.org.

Rodrigues, L. B., Perobelli, F. F. C., & Vasconcelos, S. (2017). Geração de energia eólica no Brasil: um investimento viável. Revista Brasileira de Economia de Empresas, 17(2), 71-94.

Sáfadi, T. (2004). Uso de séries temporais na análise de vazão de água na represa de Furnas. Ciência e Agrotecnologia, 28(1), 142-8.

Salino, P. J. (2011). Energia eólica no Brasil: uma comparação do PROINFA e dos novos leilões. Trabalho de conclusão de curso. Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.

Santos, P. H. A. B., Delfino, O. A. S., Santos, R. V. R., & Nascimento, M. (2021). Ajuste de um modelo de séries temporais para prever a precipitação pluviométrica. Research, Society and Development, 10(6), 1-11.

Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52, 591–611.

Silva, H. B. (2018). Técnicas para redução de dimensionalidade de séries temporais e detecção de velocidades extremas do vento para geração de energia eólica. Dissertação de mestrado, Universidade Federal de Pernambuco, Recife, PE, Brasil.

Silva, P. K. O. (2017). Análise e previsão de curto prazo do vento através de modelagem estatística em áreas de potencial eólico no Nordeste do Brasil. Tese de doutorado, Universidade Federal de Campina Grande, Campina Grande, PB, Brasil.

Trapletti, A., & Hornik, K. (2021). tseries: Time Series Analysis and Computational Finance. R package version 0.10-49, https://CRAN.R-project.org/package=tseries.

Downloads

Publicado

06/01/2022

Como Citar

SILVA, M. dos S. .; SANTOS, P. H. A. B. .; SANTOS, R. V. R. dos; NASCIMENTO, M. do; PASCOA, M. A. R. de; PEREIRA, R. N. .; OLIVEIRA, T. A. de. Análise da energia eólica no Brasil usando Séries Temporais. Research, Society and Development, [S. l.], v. 11, n. 1, p. e26611124827, 2022. DOI: 10.33448/rsd-v11i1.24827. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/24827. Acesso em: 3 jul. 2024.

Edição

Seção

Ciências Exatas e da Terra