[en] NEW APPROACH TO GENERATING STREAMFLOW SCENARIO TO LONG-TERM ENERGETIC OPERATION PLANNING

Detalhes bibliográficos
Ano de defesa: 2010
Autor(a) principal: FERNANDO LUIZ CYRINO OLIVEIRA
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: MAXWELL
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: 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
Resumo: [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.