Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/18937
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCabreira, Marlon Mesquita Lopes-
dc.date.accessioned2024-10-31T14:12:34Z-
dc.date.available2024-10-31T14:12:34Z-
dc.date.issued2023-12-11-
dc.identifier.citationCABREIRA, Marlon Mesquita Lopes. Um estudo sobre as abordagens de séries temporais hierárquicas para previsão do consumo de energia elétrica do setor industrial brasileiro. 2023. 132 f. Dissertação (Mestrado em Modelagem Matemática e Computacional). Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2023.pt_BR
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/18937-
dc.description.abstractO setor industrial brasileiro é o maior consumidor de energia elétrica e, portanto, o pla- nejamento energético torna-se muito importante, principalmente devido ao impacto econômico, social e ambiental. Neste contexto, as análises e projeções consumo de energia elétrica tornam- se ferramentas úteis para a tomada de decisões. No setor industrial, o consumo de energia elétrica pode ser organizado em uma estrutura hierárquica composta por cada região geográfica (Sul, Sudeste, Centro-Oeste, Nordeste e Norte) e seus respectivos estados. O objetivo deste trabalho é analisar e avaliar a capacidade preditiva das abordagens bottom-up, top-down, com- binação ótima e híbrida utilizadas para prever o consumo de energia elétrica no setor industrial brasileiro. A abordagem híbrida proposta neste trabalho combina as abordagens bottom-up e top-down. Essas abordagens incorporaram as projeções obtidas através dos métodos preditivos de suavização exponencial e de Box e Jenkins. Além disso, foi apresentada uma análise explo- ratória para as séries temporais de consumo de energia elétrica do setor industrial para o Brasil, regiões e estados. Os resultados indicam que a abordagem híbrida proposta pode contribuir para a análise e projeção do consumo de energia elétrica no setor industrial. A capacidade preditiva das abordagens foi avaliada pelas métricas MAPE e RMSE.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectPrevisãopt_BR
dc.subjectSéries Temporais Hierárquicaspt_BR
dc.subjectEnergia Elétricapt_BR
dc.subjectForecastingpt_BR
dc.subjectHierarchical Time Seriespt_BR
dc.subjectElectricitypt_BR
dc.titleUm estudo sobre as abordagens de séries temporais hierárquicas para previsão do consumo de energia elétrica do setor industrial brasileiropt_BR
dc.title.alternativeA study on hierarchical time series approaches for forecasting electric energy consumption in the brazilian industrial sectoren
dc.typeDissertaçãopt_BR
dc.description.abstractOtherThe Brazilian industrial sector is the largest consumer of electrical energy and, therefore, energy planning becomes very important, mainly due to the economic, social and environmental impact. In this context, analyzes and projections of electrical energy consumption become useful tools for decision-making. In the industrial sector, electrical energy consumption can be organized in a hierarchical structure composed of each geographic region (South, Southeast, Central-West, Northeast and North) and their respective states. The objective of this work is to analyze and evaluate the predictive capacity of the bottom-up, top-down, optimal and hybrid combination approaches used to predict electrical energy consumption in the Brazilian industrial sector. The hybrid approach proposed in this work combines the bottom-up and top- down approaches. These approaches incorporated projections obtained through exponential smoothing and Box and Jenkins predictive methods. Furthermore, an exploratory analysis was presented for the time series of electrical energy consumption in the industrial sector for Brazil, regions and states. The results indicate that the proposed hybrid approach can contribute to the analysis and projection of electrical energy consumption in the industrial sector. The predictive capacity of the approaches was evaluated using the MAPE and RMSE metrics.en
dc.contributor.advisor1Silva, Felipe Leite Coelho da-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee1Silva, Felipe Leite Coelho da-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee2Vera-Tudela, Carlos Andrés Reyna-
dc.contributor.referee2IDhttps://orcid.org/0000-0001-5855-8611pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6509989261742578pt_BR
dc.contributor.referee3Oliveira, Fernando Luiz Cyrino-
dc.contributor.referee3IDhttps://orcid.org/0000-0003-1870-9440pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0348074510343282pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6719954926289984pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.referencesATHANASOPOULOS, G.; AHMED, R. A.; HYNDMAN, R. J. Hierarchical forecasts for australian domestic tourism. International Journal of Forecasting, v. 25, n. 1, p. 146–166, 2009. ISSN 0169-2070. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0169207008000691>. BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: Forecasting and Control. [S.l.]: Prentice-Hall, 2015. BROWN, R. G. Statistical forecasting for inventory control. In: . [s.n.], 1960. Disponível em: <https://api.semanticscholar.org/CorpusID:153020798>. CHATEAU, B.; LAPILLONNE, B. Long-term energy demand forecasting a new approach. Energy Policy, v. 6, n. 2, p. 140–157, 1978. ISSN 0301-4215. Disponível em: <https://www.sciencedirect.com/science/article/pii/0301421578900356>. CHEN, H.; BOYLAN, J. The effect of correlation between demands on hierarchical forecasting. Advances in Business and Management Forecasting, v. 6, n. 2, p. 173–188, 2009. ISSN 0301-4215. Disponível em: <https://www.emerald.com/insight/content/doi/10.1108/ S1477-4070(2009)0000006011/full/html>. CNI, C. N. da I. Perfil Industrial do Estado da Bahia. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/ba>. CNI, C. N. da I. Perfil Industrial do Estado da Paraíba. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/pb>. CNI, C. N. da I. Perfil Industrial do Estado de Alagoas. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/al>. CNI, C. N. da I. Perfil Industrial do Estado de Goías. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/go>. CNI, C. N. da I. Perfil Industrial do Estado de Minas Gerais. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/mg>. CNI, C. N. da I. Perfil Industrial do Estado de Pernambuco. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/pe>. CNI, C. N. da I. Perfil Industrial do Estado de Rondônia. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/ro>. CNI, C. N. da I. Perfil Industrial do Estado de Roraíma. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/rr>. CNI, C. N. da I. Perfil Industrial do Estado de Santa Catarina. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/sc>. CNI, C. N. da I. Perfil Industrial do Estado de Sergipe. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/se>. CNI, C. N. da I. Perfil Industrial do Estado de São Paulo. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/sp>. CNI, C. N. da I. Perfil Industrial do Estado de Tocantins. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/to>. CNI, C. N. da I. Perfil Industrial do Estado do Acre. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/ac>. CNI, C. N. da I. Perfil Industrial do Estado do Amazonas. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/am>. CNI, C. N. da I. Perfil Industrial do Estado do Ceará. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/ce>. CNI, C. N. da I. Perfil Industrial do Estado do Distrito Federal. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/df>. CNI, C. N. da I. Perfil Industrial do Estado do Espírito Santo. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/es>. CNI, C. N. da I. Perfil Industrial do Estado do Maranhão. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/ma>. CNI, C. N. da I. Perfil Industrial do Estado do Mato Grosso. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/mt>. CNI, C. N. da I. Perfil Industrial do Estado do Mato Grosso do Sul. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/ms>. CNI, C. N. da I. Perfil Industrial do Estado do Paraná. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/pr>. CNI, C. N. da I. Perfil Industrial do Estado do Piauí. 2022. Disponível em: <https: //perfildaindustria.portaldaindustria.com.br/estado/pi>. CNI, C. N. da I. Perfil Industrial do Estado do Rio de Janeiro. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/rj>. CNI, C. N. da I. Perfil Industrial do Estado do Rio Grande do Norte. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/rn>. 94 CNI, C. N. da I. Perfil Industrial do Estado do Rio Grande do Sul. 2022. Disponível em: <https://perfildaindustria.portaldaindustria.com.br/estado/rs>. DANGERFIELD, B. J.; MORRIS, J. S. Top-down or bottom-up: Aggregate versus disaggregate extrapolations. International Journal of Forecasting, v. 8, n. 2, p. 233–241, October 1992. Disponível em: <https://www.sciencedirect.com/science/article/pii/016920709290121O>. EPE. Anuário Estatístico de Energia Elétrica. 2022. Disponível em: <https://www.epe.gov.br/ pt/puplicacoes-dados-abertos/publicacoes/anuario-estatistico-de-energia-eletrica.> EPE. BALANÇO ENERGÉTICO NACIONAL. 2022. Disponível em: <https://www.epe.gov.br/ pt/areas-de-atuacao/energia-eletrica/expansao-da-geracao/fontes.> EPE. Matriz Energética e Elétrica. 2022. Disponível em: <https://www.epe.gov.br/pt/ abcdenergia/matriz-energetica-e-eletrica.> FLEITER, T. et al. Energy efficiency in the german pulp and paper industry – a model-based assessment of saving potentials. Energy, v. 40, n. 1, p. 84–99, 2012. ISSN 0360-5442. Disponível em: <https://www.sciencedirect.com/science/article/pii/S036054421200120X>. GARDNER, E. S.; MCKENZIE, E. Energy efficiency in the german pulp and paper industry – a model-based assessment of saving potentials. Energy, v. 31, n. 10, p. 1237–1246, 1985. Disponível em: <https://doi.org/10.1287/mnsc.31.10.1237>. GHEDAMSI, R. et al. Modeling and forecasting energy consumption for residential buildings in algeria using bottom-up approach. Energy and Buildings, v. 121, p. 309–317, 2016. ISSN 0378-7788. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S037877881530462X>. GRANGER C. W. J.; NEWBOLD, P. Forecasting Economic Time Series. [S.l.]: Academic Press, New York, 1977. HERBST, A. et al. Introduction to energy systems modelling. Swiss Journal of Economics and Statistics, Springer, Heidelberg, v. 148, n. 2, p. 111–135, 2012. ISSN 2235-6282. Disponível em: <http://hdl.handle.net/10419/185997>. HOLT, C. C. Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, v. 20, n. 1, p. 5–10, 1957. ISSN 0169-2070. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169207003001134>. HUANG, Y.-H.; CHANG, Y.-L.; FLEITER, T. A critical analysis of energy efficiency improvement potentials in taiwan’s cement industry. Energy Policy, v. 96, p. 14–26, 2016. ISSN 0301-4215. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0301421516302555>. HYNDMAN, R. J. et al. Optimal combination forecasts for hierarchical time series. Computational Statistics Data Analysis, v. 55, n. 9, p. 2579–2589, 2011. ISSN 0167-9473. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0167947311000971>. HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: Principles and Practice. 2nd. ed. Australia: OTexts, 2018. Disponível em: <https://otexts.com/fpp2/index.html>. 95 HYNDMAN, R. J.; KHANDAKAR, Y. Automatic time series forecasting: The forecast package for r. Journal of Statistical Software, v. 27, n. 3, p. 1–22, 2008. Disponível em: <https://www.jstatsoft.org/index.php/jss/article/view/v027i03>. HYNDMAN, R. J.; LEE, A. J.; WANG, E. Fast computation of reconciled forecasts for hierarchical and grouped time series. Computational Statistics Data Analysis, v. 97, p. 16–32, 2016. ISSN 0167-9473. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S016794731500290X>. KOLASSA, S.; HYNDMAN, R. Do we want coherent hierarchical forecasts, or minimal mapes or maes? (we won’t get both!). International Journal of Forecasting, v. 39, n. 4, p. 1512–1517, 2023. ISSN 0169-2070. Disponível em: <https://www.sciencedirect.com/science/ article/pii/S0169207022001492>. LEE, C.-Y.; HUH, S.-Y. Forecasting the diffusion of renewable electricity considering the impact of policy and oil prices: The case of south korea. Applied Energy, v. 197, p. 29–39, 2017. ISSN 0306-2619. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0306261917303707>. MAçAIRA, P.; ELSLAND, R.; OLIVEIRA, F. Forecasting residential electricity consumption: a bottom-up approach for brazil by region. Energy Efficiency, v. 13, p. 911–934, 2020. Disponível em: <https://link.springer.com/article/10.1007/s12053-020-09860-w#citeas>. MAçAIRA, P.; SOUZA, R.; OLIVEIRA, F. C. Modelling and forecasting the residential electricity consumption in brazil with pegels exponential smoothing techniques. Procedia Computer Science, v. 55, p. 328–335, 2015. ISSN 1877-0509. 3rd International Conference on Information Technology and Quantitative Management, ITQM 2015. Disponível em: <https://www.sciencedirect.com/science/article/pii/S187705091501532X>. MEIRA, E.; LILA, M. F.; OLIVEIRA, F. L. C. A novel reconciliation approach for hierarchical electricity consumption forecasting based on resistant regression. Energy, v. 269, p. 126794, 2023. ISSN 0360-5442. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0360544223001883>. MORETTIN P. A.; TOLOI, C. M. C. Análise de Séries Temporais. 3ed. ed. São Paulo: Blucher, 2018. R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria, 2022. Disponível em: <https://www.R-project.org/>. SCHWARZKOPF, A. B.; TERSINE, R. J.; MORRIS, J. S. Top-down versus bottomup: Forecasting strategies. International Jornal of Production Research, International Jornal of Production Research, v. 26, n. 11, p. 1833–1843, 1988. Disponível em: <https://doi.org/10.1590/S0101-74382007000300010>. SILVA, F. et al. Statistical and artificial neural networks models for electricity consumption forecasting in the brazilian industrial sector. Energies, v. 15, p. 588, 01 2022. Disponível em: <https://doi.org/10.3390/en15020588>. SILVA, F. L.; OLIVEIRA, F. L. C.; SOUZA, R. C. A bottom-up bayesian extension for long term electricity consumption forecasting. Energy, v. 167, p. 198–210, 2019. ISSN 0360-5442. Disponível em: <https://doi.org/10.1016/j.energy.2018.10.201>. 96 SILVA, F. L. et al. A bottom-up methodology for long term electricity consumption forecasting of an industrial sector - application to pulp and paper sector in brazil. Energy, v. 144, p. 1107– 1118, 2018. ISSN 0360-5442. Disponível em: <https://doi.org/10.1016/j.energy.2017.12.078>. SPILIOTIS, E. et al. Hierarchical forecast reconciliation with machine learning. Applied Soft Computing, v. 112, p. 107756, 2021. ISSN 1568-4946. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1568494621006773>. TAIEB, S. B.; TAYLOR, J.; HYNDMAN, R. Hierarchical probabilistic forecasting of electricity demand with smart meter data. Journal of the American Statistical Association, v. 116, p. 1–36, 02 2020. Disponível em: <https://doi.org/10.1080/01621459.2020.1736081>. WANG, X. et al. Forecast combinations: An over 50-year review. International Journal of Forecasting, 2022. ISSN 0169-2070. Disponível em: <https://doi.org/10.1016/j.ijforecast. 2022.11.005>. WICKRAMASURIYA, G. A. S. L.; HYNDMAN, R. J. Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization. Journal of the American Statistical Association, Taylor Francis, v. 114, n. 526, p. 804–819, 2019. Disponível em: <https://doi.org/10.1080/01621459.2018.1448825>. WICKRAMASURIYA, S. L.; TURLACH, B. A.; HYNDMAN, R. J. Optimal non-negative forecast reconciliation. Statistics and Computing, Springer, v. 30, n. 5, p. 1167–1182, 2020. Disponível em: <https://link.springer.com/article/10.1007/s11222-020-09930-0>. WINTERS, P. R. Forecasting sales by exponentially weighted moving averages. Management Science, v. 6, n. 3, p. 324–342, 1960. Disponível em: <https://www.jstor.org/stable/2627346>. YI, B.-W.; XU, J.-H.; FAN, Y. Inter-regional power grid planning up to 2030 in china considering renewable energy development and regional pollutant control: A multi-region bottom-up optimization model. Applied Energy, v. 184, p. 641–658, 2016. ISSN 0306-2619. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0306261916316063>.pt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
Appears in Collections:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
2023 - MARLON MESQUITA LOPES CABREIRA.pdf1.27 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.