[en] NEW APPROACH TO GENERATING STREAMFLOW SCENARIO TO LONG-TERM ENERGETIC OPERATION PLANNING
[pt] O modelo autorregressivo periódico da família Box & Jenkins, PAR(p), é empregado na modelagem e geração das séries de vazões hidrológicas e/ou de energias naturais afluentes utilizadas no modelo de otimização do despacho hidrotérmico no Brasil. Recentemente, alguns aspectos da modelagem têm...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2010 |
| País: | Brasil |
| Institución: | Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| Repositorio: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| Idioma: | portugués |
| OAI Identifier: | oai:MAXWELL.puc-rio.br:15500 |
| Acceso en línea: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15500&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15500&idi=2 http://doi.org/10.17771/PUCRio.acad.15500 |
| Access Level: | acceso abierto |
| Palabra clave: | [pt] BOOTSTRAP [pt] GERACAO DE CENARIOS [pt] ORDEM P [en] BOOTSTRAP [en] SCENARIO GENERATION |
| Sumario: | [pt] O modelo autorregressivo periódico da família Box & Jenkins, PAR(p), é empregado na modelagem e geração das séries de vazões hidrológicas e/ou de energias naturais afluentes utilizadas no modelo de otimização do despacho hidrotérmico no Brasil. Recentemente, alguns aspectos da modelagem têm sido alvo de estudos e diversas pesquisas vêm sendo realizados. Inicialmente, este trabalho visou o estudo da fase de identificação das ordens p dos modelos, fundamental para a correta definição da estrutura de modelagem e para a geração de cenários sintéticos. Atualmente, a identificação é feita com base na avaliação da significância dos coeficientes da função de autocorrelação parcial (FACP), baseados na aproximação assintótica de Quenouille. A proposta deste estudo foi a aplicação da técnica de computação intensiva Bootstrap para estimar a real significância dos referidos coeficientes. O segundo objetivo deste trabalho foi o emprego da mesma técnica com vistas à geração de cenários. A metodologia adotada atualmente ajusta uma distribuição Lognormal com três parâmetros para a geração de ruídos aleatórios, o que parece causar uma não-linearidade indesejável ao modelo original. Neste trabalho, os próprios resíduos gerados pelo modelo PAR(p), quando aplicado às séries históricas, foram utilizados na geração dos cenários. Os resultados mostraram que o Bootstrap levou à identificação de ordens inferiores na maioria dos casos e que os cenários conservaram satisfatoriamente as propriedades estatísticas das séries originais. Finalmente, os resultados obtidos foram bastante satisfatórios, corroborando alguns pontos levantados em estudos anteriores sobre a abordagem tradicional. |
|---|