Impacto da Remoção da Sazonalidade e da Inclusão de Variáveis Exógenas na Modelagem de Séries Temporais de Cargas Elétricas

Resumo

A previsão de séries temporais de cargas elétricas é um desafio essencial para o planejamento e a operação dos sistemas de distribuição de energia [1]. Modelos estatísticos como o SARIMA são amplamente utilizados para capturar padrões temporais, mas a presença de sazonalidade pode influenciar sua precisão [2]. Além disso, fatores externos, como horário e dia da semana, podem afetar a demanda, motivando o uso de modelos multivariados, como o SARIMAX, que incorpora variáveis exógenas [3]. Este estudo compara o desempenho dos modelos SARIMA e SARIMAX, avaliando a influência da sazonalidade e de variáveis exógenas na previsão da carga elétrica. Foram testadas três abordagens: (i) série original, (ii) série dessazonalizada e (iii) inclusão de variáveis exógenas. Vale ressaltar que a série temporal analisada neste estudo refere-se ao consumo de energia elétrica na Nova Zelândia, com medições registradas a cada 30 minutos ao longo de 30 dias, apresentando um padrão sazonal significativo. A análise foi realizada na linguagem de programação R, seguindo as etapas descritas a seguir. Primeiramente, a série original foi analisada visualmente para identificar padrões e possíveis tendências. Em seguida, foi realizada a decomposição da série nos componentes de tendência, sazonalidade e resíduos, avaliando a influência da sazonalidade na modelagem. Para confirmar sua significância estatística, foi aplicado o teste de Box-Pierce, rejeitando a hipótese de ruído branco e indicando estrutura na série. A dessazonalização foi realizada removendo o componente sazonal identificado na decomposição, gerando uma nova versão da série. Em seguida, foram ajustados dois modelos estatísticos: SARIMA (univariado) utilizando apenas os valores históricos da série; e SARIMAX (multivariado), incorporando as variáveis exógenas hora do dia e dia da semana. A análise dos resíduos, por meio do teste de Box-Pierce, revelou um p-valor pequeno, rejeitando a hipótese nula (H₀) e indicando que a série não se comporta como um ruído branco. Para identificar padrões, foi realizada a decomposição da serie, na qual a componente sazonal foi identificada como significativa. Após a remoção da sazonalidade, a nova análise dos resíduos apresentou um p-valor de 0,7178, aceitando H₀ e indicando um bom ajuste do modelo. [...]