Previsão Hierárquica do Consumo de Energia Elétrica do Rio Grande do Sul
DOI:
https://doi.org/10.5540/03.2026.012.01.0328Palavras-chave:
Séries Temporais Hierárquicas, Energia Elétrica, PrevisãoResumo
O estado do Rio Grande do Sul é um dos maiores consumidores de energia elétrica no Brasil. Dessa forma, como em outros estados, o planejamento energético torna-se importante para o desenvolvimento econômico, social e segurança ambiental. Os dados de consumo de energia elétrica deste estado podem ser organizados em uma estrutura hierárquica composta pelos setores (comercial, industrial, residencial e outros). Este trabalho tem como objetivo avaliar a capacidade preditiva das abordagens bottom-up, top-down e combinação ótima para previsão do consumo de energia elétrica do estado Rio Grande do Sul. Essas abordagens foram integradas aos métodos preditivos de suavização exponencial, de Box e Jenkins e de redes neurais. Os resultados mostraram que o método de suavização exponencial acoplado as abordagens de combinação ótima e top-down forneceram as melhores previsões e, portanto, superando as outras abordagens de previsão hierárquica.
Downloads
Referências
J. S. Armstrong e F. Collopy. “Error measures for generalizing about forecasting methods: Empirical comparisons”. Em: International Journal of Forecasting 8.1 (1992), pp. 69–80. issn: 0169-2070. doi: https://doi.org/10.1016/0169-2070(92)90008-W. url: https://www.sciencedirect.com/science/article/pii/016920709290008W.
G. Athanasopoulos, R. A. Ahmed e R. J. Hyndman. “Hierarchical forecasts for Australian domestic tourism”. Em: International Journal of Forecasting 25.1 (2009), pp. 146–166. issn: 0169-2070. doi: https://doi.org/10.1016/j.ijforecast.2008.07.004.
M. L. Cabreira, F. L. C. Silva, J. S. Cordeiro, J. M. U. Tolentino, N. Carbo-Bustinza, P. C. Rodrigues e J. L. López-Gonzales. “Comparison Between Hierarchical Time Series Forecasting Approaches for the Electricity Consumption in the Brazilian Industrial Sector”. Em: Applied Stochastic Models in Business and Industry (2024). doi: 10.1002/asmb.2907.
M. M. L. Cabreira, F. L. C. Silva, J. S. Cordeiro, R. M. S. Hernández, P. Canas R. e J. L. López-Gonzales. “A Hybrid Approach for Hierarchical Forecasting of Industrial Electricity Consumption in Brazil”. Em: Energies 17.13 (2024). issn: 1996-1073. doi: 10.3390/en17133200.
EPE. Consumo de Energia Elétrica. Online. Acessado em 2024, https://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/consumo-de-energia-eletrica.
EPE. Mudanças climáticas e Transição energética. Online. Acessado em 2025, https://www.epe.gov.br/pt/abcdenergia/clima-e-energia.
A. Herbst, F. Toro e F Reitze. “Introduction to Energy Systems Modelling”. Em: Swiss J Econ Stat 148 (abr. de 2012), pp. 111–135. doi: 10.1007/BF03399363.
R. J. Hyndman, R. A. Ahmed, G. Athanasopoulos e H. L. Shang. “Optimal combination forecasts for hierarchical time series”. Em: Computational Statistics & Data Analysis 55.9 (2011), pp. 2579–2589. issn: 0167-9473. doi: https://doi.org/10.1016/j.csda.2011.03.006.
P. Maçaira, R. Elsland e F. C. Oliveira. “Forecasting residential electricity consumption: a bottom-up approach for Brazil by region”. Em: Energy Efficiency 13 (2020), pp. 911–934. doi: https://doi.org/10.1007/s12053-020-09860-w. url: https://link.springer.com/article/10.1007/s12053-020-09860-w#citeas.
C. F. S. Netto, V. A. Brei e R. J. Hyndman. “Forecasting system’s accuracy: A framework for the comparison of different structures”. Em: Applied Stochastic Models in Business and Industry 40.2 (2024), pp. 462–482. doi: https://doi.org/10.1002/asmb.2823. eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/asmb.2823. url: https://onlinelibrary.wiley.com/doi/abs/10.1002/asmb.2823.
F. L. C. Silva, K. da Costa, P. Rodrigues, R. Salas e J. Linkolk. “Statistical and Artificial Neural Networks Models for Electricity Consumption Forecasting in the Brazilian Industrial Sector”. Em: Energies 15 (jan. de 2022), p. 588. doi: 10.3390/en15020588.
F. L. C. Silva, F. L. C. Oliveira e R. C. Souza. “A bottom-up bayesian extension for long term electricity consumption forecasting”. Em: Energy 167 (2019), pp. 198–210. issn: 0360-5442. doi: https://doi.org/10.1016/j.energy.2018.10.201.
F. L. C. Silva, R. C. Souza, F. L. C. Oliveira, P. M. Lourenco e R. F. Calili. “A bottomup methodology for long term electricity consumption forecasting of an industrial sector - Application to pulp and paper sector in Brazil”. Em: Energy 144 (2018), pp. 1107–1118. issn: 0360-5442. doi: https://doi.org/10.1016/j.energy.2017.12.078.
S. L. Wickramasuriya, G. Athanasopoulos e R. J. Hyndman. “Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization”. Em: Journal of the American Statistical Association 114.526 (2019), pp. 804–819.
