A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Previsão de consumos a curto prazo Séries temporais Cláudio Monteiro.

Apresentações semelhantes


Apresentação em tema: "Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Previsão de consumos a curto prazo Séries temporais Cláudio Monteiro."— Transcrição da apresentação:

1 Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Previsão de consumos a curto prazo Séries temporais Cláudio Monteiro

2 Séries temporais Esta é a metodologia clássica mais popular para a previsão a curto prazo de consumos (previsão da ponta para o próximo dia, previsão da ponta para a próxima semana). Um modelo de séries temporais faz a previsão dos futuros valores da série com base nos valores presentes e passados da própria variável e dos seus erros. A metodologia usada para a previsão de séries temporais designa-se por Box-Jenkings ou também por modelos ARIMA. ARIMA – Auto-regressivos (AR), integrados (I) e de média móvel (MA) Consumos de gás em Lisboa Produção de um parque eólico

3 Séries temporais Estacionaridade – Quando a série temporal apresenta uma média e variância constantes. A aplicação de modelos auto-regressivos (AR) e de média móvel (AM) requer estacionaridade Se a variância não for constante extrair o logaritmos ou uma potencia da série Diferenciar a série pode levar a uma série estacionária. Esta diferenciação está relacionada com métodos integrativos, ARIMA(0,d,0). Se existir uma tendência (trend) pode ajustar-se o desvio por uma curva, subtraindo o valor da curva à série. MWH Log(MWH) (1-B 12 )Log(MWH)

4 Séries temporais Diferenciação de primeira ordem para uma primeira diferença Diferenciação de segunda ordem

5 Séries temporais Modelos auto-regressivos (AR) ou ARIMA(p,0,0) O valor presente X t é uma função linear dos valores passados X t-… e de uma função aleatória a t que é uma variável aleatória independente descrita por uma fdp Normal A ordem da auto-regressão depende do valor mais antigo p n são os coeficientes de regressão, constantes e reais. para encontrar estes valores podem ser usadas técnicas de mínimos quadrados.

6 Séries temporais Modelos de média móvel (MA) ou ARIMA(0,0,q) O valor presente X t é uma função linear dos valores passados erros a t-… A ordem da auto-regressão depende do valor mais antigo do erro q θ m são os coeficientes de regressão, constantes e reais. O sinal negativo é apenas uma questão de convenção.

7 Séries temporais Modelos mistos ARMA ou ARIMA(p,0,q) O valor presente X t é uma função linear dos valores passados da série X t- e dos valores passados dos erros a t-… A ordem da auto-regressão depende do valor mais antigo dos elementos da série p e do erro q n e θ m são os coeficientes de regressão, constantes e reais.

8 Séries temporais Modelos mistos ARIMA ou ARIMA(p,d,q) Quando a série não é estacionária recorre-se à diferenciação de ordem d … A ordem da auto-regressão depende do valor mais antigo dos elementos da série p e do erro q e da ordem de diferenciação d Para um exemplo ARIMA(1,1,1) teremos:

9 Séries temporais Coeficientes de correlação Coeficientes de auto-correlação

10 Séries temporais ACF e PACF para exemplos integrativos e autoregressivos de 1ª ordem AR(1)

11 Séries temporais ACF e PACF para exemplos de média móvel de 1ª ordem ACF PACF MA(1)

12 Séries temporais ACF e PACF para exemplos autoregressivos de 2ª ordem ACF PACF AR(2)

13 ACF e PACF para exemplos autoregressivos de 2ª ordem AR(2) Séries temporais ACF PACF

14 ACF e PACF para exemplos de média móvel de 2ª ordem MA(2) Séries temporais ACF PACF

15 ACF e PACF para exemplos de média móvel de 2ª ordem MA(2) Séries temporais ACF PACF

16 ACF e PACF para exemplos ARMA(1,1) ARMA(1,1) Séries temporais ACF PACF

17 ARMA(1,1) Séries temporais ACF PACF ACF e PACF para exemplos ARMA(1,1)

18 ARIMA(0,1,0) 4 Séries temporais ACF e PACF para exemplos ARIMA(p,d,q) 4 sazonal ARIMA(1,0,0) 4

19 Séries temporais ACF e PACF para exemplos ARIMA(p,d,q) 4 sazonal ARIMA(0,0,1) 4 ACF PACF

20 Séries temporais Construção de um modelo ARIMA Observar gráficos (linhas); identificar estacionaridade; identificar sazonalidade Aplicar transformações logarítmicas ou potências para garantir a estacionaridade da variância Aplicar diferenciação para garantir estacionaridade da tendência Aplicar diferenciação para extrair sazonalidade Observar ACF e PACF para identificar o tipo de modelo ARMA Usando o método dos mínimos quadrados identificar os parâmetros do modelo ARMA Construir o modelo completo; fazer a previsão; validar o modelo; avaliar o erro e intervalo de confiança


Carregar ppt "Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Previsão de consumos a curto prazo Séries temporais Cláudio Monteiro."

Apresentações semelhantes


Anúncios Google