Previsão da radiação solar global em João Pessoa, Paraíba, Brasil: Uma aplicação dos modelos da família ARIMA
DOI:
https://doi.org/10.53660/CLM-197-214Palavras-chave:
Solarimetria, Séries Temporais, Modelo Box-JenkinsResumo
O uso da energia solar ainda significa um desafio para matriz energética brasileira e em busca determinar modelos relevantes envolvendo a radiação solar para a regiões nordeste brasileira. Este trabalho analisou a por meio de séries temporais a Radiação Solar Global para o município de João Pessoa, Paraíba, no período de julho de 2007 a dezembro de 2014. O método utilizado foi preconizado por Box e Jenkins na década de 70, por meio dos modelos da família ARIMA. Para a análise da série e a escolha do modelo para previsões do ano de 2014, foi usada como base a análise residual do teste de Ljung-box statistic, Box-Pierce, o critério de informação de Akaike e Erro Quadrático Médio de Previsão como fonte de seleção dos modelos. O modelo SARIMA (2,1,0)(2,1,3)12 foi o que forneceu melhor ajuste na previsão para 12 períodos da radiação solar global para 2014 do município de João Pessoa, dentro de um intervalo de 95% de confiança.
Downloads
Referências
BRASIL. Ministério da Agricultura Pecuária e Abastecimento. Instituto Nacional de Meteorologia (INMET). Disponível em: <http://www.inmet.gov.br/portal/index.php?r=estacoes/estacoesAutomaticas>. Acesso em 12 nov. de 2015.
BOX, G; JENKINS, G. Time series analysis: forecasting and control. rev. ed., Oakland, California: Holden-Day, 1976.
BUENO, R.L.S. Econometria de séries temporais. São Paulo: Cangage Learning, 2011.
DICKEY, D. A; FULLER, W. A. Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, n. 49, p. 1057-1071, 1981.
EPE - Empresa de Pesquisa Energética. Balanço Energético Nacional. Disponível em: <https://ben.epe.gov.br/>. Acesso em: 15 de ago. de 2014
EPE - Empresa de pesquisa energética. Balanço energético nacional - Base 2012. Rio de Janeiro, 2013.
FERRARI, S. et al. Statistical models approach for solar radiation prediction. In: Instrumentation and Measurement Technology Conference (I2MTC), 2013 IEEE International. IEEE, 2013. p. 1734-1739.
GUJARATI. D.N. Econometria básica. Rio de Janeiro: Elsevier, 2006.
HASSAN, J. ARIMA and regression models for prediction of daily and monthly clearness index. Renewable Energy, v. 68, p. 421-427, 2014.
HEJASE, H.; ASSI, A. Time-series regression model for prediction of mean daily global solar radiation in Al-Ain, UAE. ISRN Renewable Energy, v. 2012, 2012
HUANG, R. et al. Solar Generation Prediction using the ARMA Model in a Laboratory-level Micro-grid. In: Smart Grid Communications (SmartGridComm), 2012 IEEE Third International Conference on. IEEE, 2012. p. 528-533.
KWIATKOWSKI, D; PHILLIPS, P. C. B; SCHMIDT, P; SHIN, Y. Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, v. 54, p. 159-178, 1992.
LEE, C.; KO, C. Short-term load forecasting using lifting scheme and ARIMA models. Expert Systems with Applications, v. 38, n. 5, p. 5902-5911, 2011.
MORETTIN, P. A; TOLOI, C. M. C. Análise de séries temporais. São Paulo: Edgard Blucher, 2006.
MEYLER, A.; KENNY, G.; QUINN, T. Forecasting Irish inflation using ARIMA models. 1998.
PHILLIPS, P. C. B; PERRON, P. Testing for a unit root in time series regression. Biometrika, n. 75, p. 335–346, 1988.
R DEVELOPMENT CORE TEAM. Software for computing and graphics. Disponível em: <http://www.R-project.org>. Acesso em 20 out. 2015.
SUN, H. et al. Empirical investigation on modeling solar radiation series with ARMA–GARCH models. Energy Conversion and Management, v. 92, p. 385-395, 2015.
TORGO. L. A linguagem em R: Programação para análise de dados. Lisboa: Escolar editora, 2009.
TSAY, R. S. Analysis of financial time series. 2. ed. New Jersey: John Wiley, 2005.
WU, Ji; CHAN, Calvin K. The Prediction of Monthly Average Solar Radiation with TDNN and ARIMA. In: Machine Learning and Applications (ICMLA), 2012 11th International Conference on. IEEE, 2012. p. 469-474.
YÜREKLI, K. et al. Simulating climatic variables by using stochastic approach. Building and environment, v. 42, n. 10, p. 3493-3499, 2007.
