Análise de Séries Temporais de Radiação Solar para Previsão

de Energia Incidente Disponível

Autor(es): Murilo C. de Miranda; Gabriela N. Silva
1 VISÃO GERAL
O aproveitamento energético de fonte solar representa uma pequena parte da energia total
consumida, porém a utilização deste tipo de recurso está em crescimento mundial, estimulado
principalmente por temas ambientais. A questão é que este aumento na participação na matriz
energética mundial deve ser feito de forma planejada, pois há aspectos técnico envolvidos que
podem comprometer esta mudança energética. As fontes de energia renováveis são caracterizadas
pela sua variabilidade e intermitência, sendo assim, fica evidente que a previsão de radiação solar
incidente assume um papel essencial para a gestão deste recurso. O presente trabalho objetivou
aplicar em um estudo de caso, três modelos quantitativos (SARIMA, Híbrido e Suavização
Exponencial de Holt Winters) para estimar valores de radiação solar e avaliar o desempenho de
cada modelo, visando gerar conhecimento que contribua na expansão do uso de energia solar.
O local escolhido para realizar o estudo de caso para a radiação solar foi a usina fotovoltaica
instalada no Colégio Estadual Agrícola Almirante Ernani do Amaral Peixoto. Este colégio está
inserido no município de Magé, no Estado do Rio de Janeiro.
No fim dos anos 90, foi instalada no colégio uma usina de geração de energia solar
fotovoltaica por meio de doação do Instituto Kinder, com a finalidade de servir como fonte de
energia elétrica alternativa para o colégio, já que o local não possuía instalação de final de rede
elétrica convencional. Ao todo, são 142 módulos fotovoltaicos dispostos em 8 arranjos com 100
placas de 100W e 42 placas de 53W, totalizando uma potência de 7,5 kWp (Júnior, 2013).A
localização precisa dos painéis é obtida através das coordenadas 22º36’52,42’’S e 43º06’51,85’’O.
A série de dados de radiação foi obtida através portal da NASA Langley Research Center
Atmospheric Science Data Center Surface Meteorological and Solar Energy (SSE), mantido pela
NASA LaRC POWER Project (NASA LaRC POWER Project). Este banco de dados permite acessar

1
valores médios da irradiação solar em qualquer localidade do mundo, em um resolução de 1º x 1º
de latitude e longitude, fazendo uso de dados coletados ao longo de 22 anos (CEPEL, 2014).
Para os dados de latitude e longitude da usina, foi possível obter o período de amostragem
de dados compreendido entre Janeiro de 1985 a Dezembro de 2005. Estes dados representam a
média mensal da radiação solar global diária que incide em uma superfície horizontal localizada
na superfície terrestre e calculados através de modelos que consideram as informações geradas
pelos satélites de todas as variáveis atmosféricas que interferem no percurso da radiação e dos
dados coletados por diversas estações solarimétricas espalhadas na superfície do planeta.

Radiação Solar (Wh/m²)

8000
6000
4000
2000
0
set/88
ago/89
jul/90

set/99
ago/00
jul/01
jun/91
nov/86

fev/95
jan/96

jun/02
out/87

mai/92

mar/94

nov/97
out/98

mai/03

mar/05
jan/85
dez/85

abr/93

dez/96

abr/04
Figura 1- Série Histórica de Radiação Solar

A série completa é mostrada na Figura 1. No intuito de avaliar a qualidade da previsão, os

dados referente aos meses do ano de 2005 não foram inseridos nos modelos. Assim, as previsões
são realizada para este mesmo ano e podem ser comparadas com os dados reais.

2 METODOLOGIA
A metodologia utilizada na elaboração deste trabalho baseia-se no estudos de séries
temporais. Série temporal é um conjunto de observações ordenadas ao longo do tempo, em períodos
equidistantes (Morettin, et al., 2004). O princípio de utilização de séries temporais está nesta
ordenação das observações, pois através dela é possível identificar o efeito de autorrelação entre
observações vizinhas. É esta dependência que um valor observado tem em relação aos valores
anterior que motiva a utilização de modelos que identifiquem o comportamento de uma série
histórica de dados para estimar valores futuros.
O propósito dos métodos de previsão consiste em avaliar processos estocásticos e distinguir
o padrão de qualquer ruído que possa estar contido nas observações, e então usar esse padrão para

2
prever os valores futuros (Becker, 2010). Processos estocásticos podem ser estacionários ou não.
Simplificadamente, pode-se dizer que a estacionariedade numa série significa que os dados oscilam
sobre uma média constante, independentemente do tempo, com a variância das flutuações
permanecendo essencialmente a mesma. Somado as estas características, o valor da covariância,
entre dois períodos de tempo, depende apenas da defasagem entre dois períodos de tempo.
Quando a série é não-estacionária, não se pode ser estimada facilmente, por isso será
necessário transformar os dados originais através de diferenças sucessivas da série original, até se
obter uma série estacionária (na maioria dos casos, é suficiente determinar a primeira ou segunda
diferença). Este processo é definido como: d-ésima diferença = ΔdY(t) = Δ[Δd-1Y(t)].
A definição da estacionariedade é um primeiro passo para se trabalhar com a série. Para
realizar este diagnóstico, são realizados três tipos de análise: análise gráfica, análise de correlação
e análise do teste de Dickey-Fuller Aumentado.
A partir do conhecimento dos procedimentos para análise da série de dados, a metodologia
apresentada no trabalho seguirá por apresentar os modelos de previsão aplicados para o histórico
de radiação solar obtido. O modelos escolhidos foram: o modelo SARIMA de Box & Jenkins, o
modelo Híbrido (Clássico + Box&Jenkins), e a Suavização Exponencial de Holt-Winters. Ao final,
objetiva-se comparar a adequação de cada modelo à série, através de estudos estatísticos de erros.
A metodologia de Box & Jenkins propõe modelos lineares para descrever as séries. Os
modelos lineares supõe que a série temporal seja gerada através de um filtro linear, cuja a entrada
é ruído branco (Morettin, et al., 2004). Resumidamente, a família de modelos Box & Jenkins é a
seguinte:
• Para série estacionária: AR (autoregressivo), MA (médias móveis), ARMA
(autoregressivo e médias móveis)
• Para série não estacionária: ARIMA (autoregressivo integrado de média móvel)
• Para série sazonal: SARIMA (ARIMA sazonal)
O modelo autoregressivo, denotado por AR(p), diz que o valor da observação atual pode
ser explicado por uma função linear das p observações anteriores da série e de um ruído branco. É
dado pela equação:
𝑌𝑡 = 𝛼1 𝑌𝑡−1 + 𝛼2 𝑌𝑡−2 + ⋯ + 𝛼𝑝 𝑌𝑡−𝑝 + 𝜀𝑡
Onde: Y são as séries temporais centradas na média; α são os coeficientes do modelo e ε é o
ruído branco. O modelo AR é identificado, no correlograma de autocorrelação, por picos na

3
 defasagens até p e decaimento rápido após, e no correlograma de correlações parciais, por picos
nas defasagens até p e decaimento abrupto após.
O modelo de média móvel, denotado por MA(q), é dado por uma combinação linear do
ruído branco ocorrido no período atual com o ocorrido em períodos passados. É dado pela equação:
𝑌𝑡 = 𝜀𝑡 − 𝛽1 𝜀𝑡−1 − 𝛽2 𝜀𝑡−2 − ⋯ − 𝛽𝑞 𝜀𝑡−𝑞
Onde: Yt é o valor mais atual da série temporal centrada na média; ε são os ruídos brancos e β
são os coeficientes do modelo. O modelo MA é identificado, no correlograma de
autocorrelação, por picos na defasagens até “q” e decaimento abrupto após, e no correlograma
de correlações parciais, por picos nas defasagens até “q” e decaimento rápido após.
O modelo ARMA(p,q) é uma combinação de autoregressivo e média móvel, logo Yt é dado
por seus valores passados e pelos ruídos brancos. E dado pela soma das duas equações anteriores:
A identificação do modelo ARMA é dada pela interpretação de picos nas defasagens até
“p” e decaimento rápido após, no correlograma de autocorrelação, e picos nas defasagens até “q”
e decaimento rápido após, no correlograma de correlações parciais.
O modelo ARIMA(p,d,q) é utilizado para séries não estacionárias com “d” diferenças
sucessivas (ordem de integração) para se tornar estacionária. É dado pela equação:
∆𝑑 𝑌𝑡 = 𝛼1 ∆𝑑 Y𝑡−1 + 𝛼2 ∆𝑑 Y𝑡−2 + ⋯ + 𝛼𝑝 ∆𝑑 Y𝑡−𝑝 + 𝜀𝑡 − 𝛽1 𝜀𝑡−1 − 𝛽2 𝜀𝑡−2 − ⋯ − 𝛽𝑞 𝜀𝑡−𝑞
O modelo sazonal, denotado por SARIMA (p,d,q)x(P,D,Q)s, serve para modelar série em
que a sazonalidade é estocástica, ou seja, não apresenta um padrão bem definido no tempo. De
maneira geral pode ser representado pela equação:
Φ(𝐿𝑠 )𝜙(𝐿)(1 − 𝐿)𝑑 (1 − 𝐿𝑆 )𝐷 𝑦𝑡 = Θ(𝐿𝑠 )𝜃(𝐿)𝜀𝑡
Sendo: s é a sazonalidade; ε é o ruído branco; L é o operador de translação para passado (Lmyt
= yt-m); (1-L)d e (1- Ls)D são os operadores diferença e diferença sazonal, respectivamente; Ф,
ϕ, Θ, θ são os polinômios de ordem P, p, Q e q, respectivamente.
Em geral estes modelos contêm um número pequeno de parâmetros e as previsões são
bastantes precisas (Morettin, et al., 2004). Uma dificuldade para sua aplicação é a necessidade de
utilização de softwares adequados. Para o presente trabalho, utiliza-se o programa Eviews,
elaborado pela empresa IHS Global Inc., que auxilia nas análises estatísticas. A estratégia para a
construção do modelo é baseada em um ciclo iterativo, no qual a escolha da estrutura do modelo é
função dos próprios dados.
A etapa crítica da aplicação deste método é a identificação do modelo adequado pois
depende da experiência, habilidade e conhecimento de quem realiza a modelagem. A identificação
é dada pela interpretação visual dos correlogramas da série. Todos os modelos identificados para a

4
série devem ser executados para que, a partir de seus resultados, possa ser escolhido aquele que
apresentar melhor desempenho na etapa de verificação dos erros.
Após definir o modelo mais adequado, é realizada a previsão, que pode ser estática ou
dinâmica. A previsão estática é indicada para curtíssimo prazo e a dinâmica é recomendada para
longo prazo. Como este trabalho objetiva estimar vários dados futuros para prever o
comportamento do ano seguinte, opta-se pela modelagem dinâmica.
O segundo modelo proposto é um modelo Híbrido. Este modelo utiliza os modelos de
Box&Jenkins para fazer a previsão, porém antes, a série é decomposta utilizando métodos
clássicos. Os modelos clássicos baseiam-se no conceito de que existindo algum padrão numa série
temporal, este pode ser separado da parte aleatória. Este padrão pode ser decomposto em sub-
padrões que permitam analisar cada componente da série em separado. Basicamente, a série é
função de três componentes:
𝑌𝑡 = 𝐹(𝑇𝑡 ; 𝑆𝑡 ; 𝐸𝑡 )
T corresponde a tendência, ou seja, representa movimentos suaves ao longo do tempo
S corresponde a sazonalidade que são comportamentos que se repetem em períodos regulares,
geralmente, menores que um ano.
E corresponde ao ruído branco que é a componente aleatória dada por movimentos irregulares
sem padrão.
Duas formas de relacionar estas componentes são através dos modelos aditivo e
multiplicativo. O modelo aditivo é usado para séries temporais com variações quase constantes ao
longo do tempo, sendo dado por: Yt = Tt + St + Et. Este comportamento descrito pelo modelo
aditivo é condizente para séries de radiação solar, e por isso, este modelo foi o adotado para o
trabalho.
A primeira componente a ser determinada é a Tendência. Para isso, os valores da série serão
suavizado ao redor de um ponto. Dentre os diversos métodos de suavização, o mais conhecido, e
que será utilizado neste trabalho, é o de Médias Móveis Simples (MMS). Este método consiste em
um método não paramétrico para filtrar a série, em que os valores das médias se deslocam ao longo
de todo o horizonte de observações, podendo se optar por médias móveis de ordem impar ou par.
O valor mais adequado de termos utilizados no cálculo da média móvel (MM) é
determinado pelo usuário, porém para dados sazonais, usualmente, são calculadas médias móveis
de ordem igual ao período de sazonalidade (Morettin, et al., 2004). Devido, o trabalho tratar de
séries de radiação solar, onde é esperado um comportamento sazonal anual, determinou-se o
período de sazonalidade de 12 meses, e consequentemente a MMS de ordem 12.
5
 De maneira geral, a suavização da tendência por Média Móveis de ordem par (2m) pode ser
descrita pela equação:
𝑡+𝑚−1
1
𝑇𝑡 = [𝑌 + 𝑌𝑡+𝑚 + 2 ∑ 𝑌𝑖 ] ; 𝑡 = 𝑚 + 1, … , 𝑁 − 𝑚
4𝑚 𝑡−𝑚
𝑖=𝑡−𝑘+1

Por ser uma MMS de ordem par, é necessário que a média seja centrada, calculando uma
média móvel de ordem 2 a partir da média móvel de ordem par calculada inicialmente e
posicionando os resultados no nível inferior. Desta forma, o número de informações perdidas no
início e final da série será o mesmo. Esta nova Média Móvel é conhecida como Média Móvel
Centrada. Para o caso em estudo (s=12), fica denotada por MMC 2x12.
A segunda componente a ser determinada é a Sazonal. Para calcular esta componente, o
primeiro passo extrair a série livre de tendência, formada pela subtração dos dados originais pelos
valores de tendência encontrados. A partir desta série livre de tendência, a componente sazonal é
obtida calculando a média dos valores de cada período sazonal. Assim, este estudo obteve um
índice sazonal para cada mês do ano, ou seja, a componente sazonal é um conjunto de 12 valores.
Em posse dos valores das componentes tendência e sazonalidade, para calcular a componente de
ruído branco basta subtrair dos dados originais estas duas componentes já calculadas.
A análise da série decomposta permite retirar a componente de sazonalidade para formar
um série livre de sazonalidade. E desta série, determinar um modelo de regressão linear para
modelar o comportamento da série livre de sazonalidade e realizar a previsão. Aos valores
estimados ao final são somados os índices sazonais para obter a previsão da série original. Este
procedimento é interessante para avaliar ao comportamento de séries com forte influência sazonal,
como dados de radiação solar incidente.
O último modelo a ser aplicado é o modelo de suavização de Holt-Winters. Este modelo foi
desenvolvido para incorporar a componente sazonal na suavização. Portanto, é adequado para
séries temporais que apresentem tendência e sazonalidade.
Este modelo possui dois tipos de equações de previsão, a aditiva e a multiplicativa, sendo
que se a série apresentar oscilações sazonais aproximadamente constantes, o modelo aditivo é mais
indicado (Oliveira, et al., 2013). O procedimento do método baseia-se em três equações para
realizar as estimativas dos valores suavizados do nível, tendência e sazonalidade. Para representar
estas três componentes são calculado os parâmetros α, β e , denominados constantes de

6
suavização. Este parâmetros variam entre 0 e 1, sendo o melhor ajuste para eles é aquele que
minimiza a média dos erros quadráticos da previsão.
Equação principal Equações de suavização Estimativas iniciais necessárias
𝑠
∑ 𝑌
• 𝑌̅𝑡 = 𝛼(𝑌𝑡 − 𝑆̂𝑡−𝑠 ) + (1 − • 𝑌̅𝑠 = 𝑛=1 𝑛
𝑠
𝒀𝒕 = 𝝁𝒕 + 𝑻𝒕 + 𝑺𝒕 𝛼)(𝑌̅𝑡−1 + 𝑇̂𝑡−1 ) • 𝑌̅1 = 𝑌̅2 = ⋯ = 𝑌̅𝑠−1 = 0
+ 𝜺𝒕 • 𝑇̂𝑡 = 𝛽(𝑌̅𝑡 − 𝑌̅𝑡−1 ) + (1 − 𝛽)𝑇̂𝑡−1 • 𝑇̂1 = 𝑇̂2 = ⋯ = 𝑇̂𝑠 = 0
• 𝑆̂𝑡 = 𝛾(𝑌𝑡 − 𝑌̅𝑡 ) + (1 − 𝛾)𝑆̂𝑡−𝑠 • 𝑆̂𝑡 = 𝑌𝑡 − 𝑌̅𝑠 ; 𝑡 =
1, 2, 3, … , 𝑠
Estabelecidas estas condições iniciais, é possível realizar as estimativas do modelo. A
previsão dos valores observados da série é dado por:
𝑌̂𝑡 = 𝑌̅𝑡 + 𝑇̂𝑡 + 𝑆̂𝑡 ; 𝑡 = 𝑠 + 1, 𝑠 + 2, … , 𝜏
Onde, τ é o número de valores observados.
Já para a previsão de valores para P períodos futuros da série, a partir do período τ, é dada
por:
𝑌̂𝜏+𝑛 = 𝑌̅𝜏 + 𝑛𝑇̂𝜏 + 𝑆̂𝜏+𝑛−𝑠 ; 𝑛 = 1, 2, … , 𝑃

3 RESULTADOS
De acordo com a metodologia aplicada, neste capítulo estão apresentados sequencialmente
os resultados obtidos. Busca-se com estes dados embasar as discussões finais que serão abordadas
no próximo capitulo de conclusões do trabalho.
Através do software EViews, é elaborado os correlogramas da série, conforme a Figura 2.
O correlograma mostra a autocorrelação com um padrão de decaimento senoidal lento com picos
sazonais de 6 a 12 meses. Este decaimento lento indica que a série é não estacionária, mas para a
comprovação deste comportamento, é realizado o Teste da Raiz Unitária de Dickey e Fuller.
Os resultados do teste mostram que o valor da estatística de teste é maior que os valores
críticos de nível para 10%, 5% e 1%, o que caracteriza a série como não estacionária. A série não
estacionária é difícil de ser estimada, portanto, para continuar trabalhando com ela, é necessário
transforma-la em estacionária realizando diferenças sucessivas até obter uma série estacionária.

7
 Figura 2-Correlograma dos Dados Observados

O padrão não estacionário é marcado nos picos na parte sazonal, assim a primeira diferença
deverá ser realizada de acordo com a sazonalidade observada. Como foi apontado um
comportamento sazonal para 6 e 12 meses, estudou-se o comportamento dos correlogramas da série
para as duas primeiras diferenças, denotadas como d(radiação,0,6) e d(radiação,0,12). O resultado
é apresentado na Figura 3, onde confirma-se o comportamento mais adequado para a sazonalidade
de 12 meses, o que era de se esperar para a radiação solar incidente, que apresenta um
comportamento típico das variáveis meteorológicas dependentes das estações do ano.
Além do melhor comportamento no correlograma, a série com primeira diferença sazonal
de 12 meses rejeitou a hipótese nula do teste de Dickey-Fuller, indicando comportamento
estacionário. Logo, esta é a série que deve ser analisada para a estimação dos modelos.

3.1 MODELOS BOX & JENKINS

Do correlograma da série de radiação com 1ª diferença sazonal de 12 meses, apresentado
na Figura 3, observa-se que: 1) nos períodos não sazonais, não há presença de picos de defasagem;
2) nos períodos sazonais, destaca-se o decaimento abrupto na autocorrelação e o decaimento rápido
na correlação parcial, a partir do primeiro pico. Este comportamento deixa bem claro que o modelo
adequado para esta série é um SARIMA (0,0,0) x (0,1,1)12.
Estimando as equações do modelo, encontra-se apenas um coeficiente, que representa o
comportamento indicado por um modelo MA(1) para a parte sazonal, ou seja, um SMA(1). A partir
da equação estimada para o modelo, realiza-se as previsões para o ano seguinte.
Feita a previsão, o próximo passo é analisar os resíduos através do histograma e dos
correlogramas de resíduos. Dos correlogramas de resíduos é possível verificar que ambos
atenderam bem, estando os todos valores dentro dos limites de confiança das análises de estatística
8
Q-statistic e Resíduos ao Quadrado, com exceção dos primeiros valores sazonais. Com relação ao
histograma de resíduos, o valor médio de -38,01583 é relativamente baixo se comparado com
ordem de grandeza dos dados observados, entre 3000 e 7000, logo, também comprova o bom
comportamento do modelo.

Figura 3- Correlogramas de Primeira Diferença Sazonal para Radiação

Figura 4- Previsão com Base no Modelo SARIMA (0,0,0) x (0,1,1) 12

Visando corrigir este valor significativo no primeiro período sazonal, propôs-se incluir uma
variável de média móvel para o período 12, que corresponde ao primeiro período sazonal. Assim,
espera-se que o P-valor da variável diminua, de forma a minimizar este erro. Portanto, o modelo
analisado seria um SARIMA (0,0,12) x (0,1,1)12. A partir dos resultados deste modelo, verificou-
se que trabalhando com uma variável MA e outra SMA, foi possível minimizar o erro do mês 12
porém, aumentaram os erros quadrados em outros períodos, assim como, o histograma de resíduos
que apresentou um comportamento pior. Como consequência, a média dos erros quadráticos foi
maior para as estimativas futuras da série por este modelo, e com isso, optou-se por utilizar o
modelo anterior, SARIMA (0,0,0) x (0,1,1)12.
Por serem dados de radiação solar que é uma variável ambiental dependente das condições
meteorológicas, é de se esperar que ocorram alterações sazonais, como por exemplos as ditadas
pelas estações do ano. Este fator pode estar interferindo na previsão, e inclusive, pode explicar os

9
maiores valores de resíduo apresentados na parte sazonal. Como estratégia para analisar esta
situação de forte dependência da sazonalidade, propõe-se aplicar um modelo híbrido.

28
Series: Residuals
24 Sample 1986M01 2004M12
Observations 228
20
Mean -58.13580
Median -10.82570
16
Maximum 1773.949
Minimum -1559.727
12 Std. Dev. 527.8827
Skewness 0.048937
8 Kurtosis 3.977147

4 Jarque-Bera 9.161767
Probability 0.010246
0
-1600 -1200 -800 -400 0 400 800 1200 1600

Figura 5-Histograma de Resíduos Modelos SARIMA (0,0,0) x (0,1,1)12 e SARIMA (0,0,12) x (0,1,1)12

Tabela 1- Média dos Erros Quadráticos dos Modelos SARIMA apresentados

Modelos SARIMA 0,0,0 x 0,1,1(12) 0,0,12 x 0,1,1(12)
EQM previsão 176671,063 475117,6335

3.2 MODELO HÍBRIDO

Na aplicação do modelo híbrido, inicialmente, a série é então submetida ao processo de
decomposição clássica, onde foi admitido um período sazonal anual, ou seja, constituído por 12
índices mensais. Para a componente de tendência foi estimada pelo processo de Média Móvel
Simples de ordem 12. Conforme discutido na seção de metodologia, as Médias Móveis de ordem
par devem ser centralizadas por um Média Móvel de ordem 2. Para o caso em estudo, a nova Média
Móvel, agora Centrada, fica denominada como MMC 2x12, e a quantidade de dados perdidos tanto
no início com no final fica igual, 6 para cada. A Figura 6 ilustra a esta componente de tendência
obtida pela MMC 2x12 para os dados de radiação observados. Em seguida, subtrai-se dos dados
observados a componente de tendência calculada e decompõem-se a componente sazonal,
considerando que os índices sazonais são constantes. Para isso, uma nova tabela trabalha estes
valores dispostos de forma a obter a média para cada mês, ao longo dos anos. Este valor é a
componente sazonal que se repete regularmente a cada mês do ano, totalizando 12 índices,
conforme ilustra a Figura 7.
Por fim, a única componente que ainda não foi definida é o Ruído Branco. Como é a única
componente que ainda não foi calculada, para sua determinação basta subtrair da série original as

10
componentes de Tendência e Sazonalidade já calculadas. Tendo todas as componentes calculadas,
apresenta-se a figura para ilustrar graficamente o comportamento de cada componente.

8000

6000

4000

2000

jul/90
jul/85
jul/86
jul/87
jul/88
jul/89

jul/91
jul/92
jul/93
jul/94
jul/95
jul/96
jul/97
jul/98
jul/99
jul/00
jul/01
jul/02
jul/03
jul/04
jan/99
jan/85
jan/86
jan/87
jan/88
jan/89
jan/90
jan/91
jan/92
jan/93
jan/94
jan/95
jan/96
jan/97
jan/98

jan/00
jan/01
jan/02
jan/03
jan/04
Dados Observados MMC 2x12

Figura 6- Tendência obtida pelo método de MMC 2x12

Comp. Sazonal
Janeiro 840 Índice Sazonal
Fevereiro 901
Março 319 1000
Abril -293
500
Maio -957
Junho -1000 0
Julho -891
Agosto

Novembro
Fevereiro

Setembro
Janeiro

Março

Julho

Dezembro
Abril
Maio

Outubro
Junho

Agosto -338 -500

Setembro -381
Outubro 441 -1000
Novembro 584
-1500
Dezembro 755
Figura 7- Componente sazonal

Tendo separado cada componente da série, o próximo passo é retirar a parte sazonal para
trabalhar com a série livre de sazonalidade nos modelos de Box & Jenkins. Trabalhando novamente
com o software Eviews e seguindo os mesmos passos executados anteriormente com a série
original, primeiramente plota-se o gráfico da série livre de sazonalidade (Erro! Fonte de
referência não encontrada.) e estuda-se a estacionaridade dos dados, para posteriormente
identificar quais os modelos adequados para representá-la.
A partir do correlograma da série livre de sazonalidade, o teste de Dickey-Fuller comprova
a estacionaridade da série, visto que o valor crítico foi inferior ao dos níveis de significância de
1%, 5% e10%. Esta estacionaridade também é corroborada pelo comportamento do correlograma.
Deste correlograma, pode-se observar o decaimento de rápido a abrupto, a partir do pico no
primeiro período, o que indica testar os modelos ARMA(1,1), AR(1) e MA(1), para tentar
11
descrever a série livre de sazonalidade. A Tabela 2 apresenta os resultados de cada modelo,
permitindo analisar e identificar aquele que melhor se adequa a série. Apesar dos modelos
apresentarem resultados bem próximos, o modelo escolhido deverá ser o ARMA(1,1) pois o
critério de Akaike é menor e prevalece sobre a diferença no critério Schwarz.

8000

6000

4000

2000

jul/02
jul/85
jul/86
jul/87
jul/88
jul/89
jul/90
jul/91
jul/92
jul/93
jul/94
jul/95
jul/96
jul/97
jul/98
jul/99
jul/00
jul/01

jul/03
jul/04
jan/00
jan/85
jan/86
jan/87
jan/88
jan/89
jan/90
jan/91
jan/92
jan/93
jan/94
jan/95
jan/96
jan/97
jan/98
jan/99

jan/01
jan/02
jan/03
jan/04
-2000

Dados Observados Tendencia Ruído Branco Sazonalidade

Figura 8- Gráfico da Série Decomposta

Escolhido o modelo e determinada a equação, realiza-se a previsão dos valores estimados.

Comparativamente a previsão realizada para a série original pelo modelo SARIMA, nota-se que
sem a componente sazonal, elimina-se a forte variabilidade da série. Isso explica também a série
ser estacionária sem necessidade de realizar primeira diferença, o que não ocorreu na série original.
Para a análise de resíduos, observar-se que a maioria dos valores de resíduos se manteve
dentro do intervalo de confiança e que o histograma teve um comportamento não tão bom quanto
o do modelo SARIMA, mas ainda assim, está próximo do normal. Já o valor da média está bem
próximo de zero, melhor resultado que o do modelo anterior. Assim, pode-se dizer que a estimação
foi satisfatória e os resíduos não possuem correlação entre si.
Tabela 2- Resultados dos Modelos Aplicados na Série Livre de Sazonalidade
Variáveis Índices de Comparação
Modelos
C AR(1) MA(1) Akaike Schwarz
ARMA(1,1) 4313,51 0,788945 -0,64002 15,26047 15,30573
AR(1) 4326,48 0,206868 0 15,27396 15,30413
MA(1) 4328,47 0 0,170937 15,27923 15,30932

Tendo a estimativa para os valores da série livre de tendência, adicionamos a estes os

índices sazonais decompostos inicialmente para, então, obter os valores de radiação solar previstos
12
por este modelo híbrido. Ao final deste capítulo, serão apresentados os resultados finais de cada
modelo para comparação, mas antes ainda será proposto mais um modelo para o estudo.
Até o momento, resultados significativos foram obtidos dos modelos aplicados,
Box&Jenkins e Híbrido, porém, por último propõe-se ainda, a estimação por um modelo
automático, afim de obter maiores informações para a modelagem de radiação solar. Desta forma,
na próxima seção será abordado o modelo de Suavização Exponencial de Holt-Winters.

3.3 MODELO DE SUAVIZAÇÃO EXPONENCIAL DE HOLT-WINTERS

Para aplicar as equações fundamentais do modelo, é necessário realizar algumas estimativas
iniciais. A primeira questão a ser avaliada é com relação ao período sazonal. Como já discutido,
para a radiação solar espera-se um comportamento sazonal anual (s=12). A partir do período
sazonal, pode determinar que:
• Os valores médios até o período s-1, ou seja, de 1 a 11, são zerado (𝑌̅1 = ⋯ = ̅̅̅̅
𝑌11 =
0). E o último valor médio do período sazonal é a média dos valores observados no
̅̅̅̅
primeiro período sazonal (𝑌12 = 4610)

• Todos os valores de tendência no primeiro período sazonal são zerados

• Os valores sazonais do primeiro período sazonal são dados pela subtração do
respectivo valor observado pela média do período sazonal.
Tendo estas condições iniciais estabelecidas, basta efetuar as formulas do modelo para obter
os valores estimados para cada período e poder aplicar a fórmula para previsão para períodos
futuros, dada por: 𝑌̂𝑡+𝑛 = 𝑌̅𝑡 + 𝑛𝑇̂𝑡 + 𝑆̂𝑡+𝑛−𝑠
Aplicando o modelo, obtém-se um resultado de α = 0,5262, β = 0 e γ= 1, o que proporciona
reduzir o erro quadrático a zero. Com este resultado o modelo acompanha perfeitamente o
comportamento da série, e através dele podemos comprovar a forte influência sazonal dos dados.
Além disso, o valor nulo de beta, reflete a insignificante presença de tendência na série. Já o valor
de alfa demonstra a considerável volatilidade da série. Este resultado é considerado satisfatório e
bastante condizente com o esperado para a série de radiação solar.

13
3.4 COMPARAÇÃO ENTRE OS MODELOS
Após apresentados os resultados dos modelos, cabe a está seção final, discutir as previsões
e estimativas de cada e comparar sua eficácia. Primeiramente, as séries estimadas e previstas pelos
3 modelos são plotadas num gráfico, juntamente com os dados observados, incluindo os do ano de
2005. A Figura 9 exibe este resultado final do estudo.
8000
7000
6000
5000
Wh/m²

4000
3000
2000
1000
0
jul/88

jul/93
jul/85
jul/86
jul/87

jul/89
jul/90
jul/91
jul/92

jul/94
jul/95
jul/96
jul/97
jul/98
jul/99
jul/00
jul/01
jul/02
jul/03
jul/04
jul/05
jan/91

jan/96
jan/85
jan/86
jan/87
jan/88
jan/89
jan/90

jan/92
jan/93
jan/94
jan/95

jan/97
jan/98
jan/99
jan/00
jan/01
jan/02
jan/03
jan/04
jan/05
Modelo SARIMA Modelo Híbrido
Modelo Holt-Winters Dados Observados

Figura 9- Resultado dos 3 Modelos

Graficamente é possível observar os 3 modelos acompanharam bem o comportamento da

série, com destaque para o Modelo Holt-Winters. Os modelos SARIMA e Híbrido tiveram mais
dificuldade para captar os picos de radiação, mas ainda assim obtiveram bons resultados. Para
quantificar melhor este resultados, na Tabela 3 estão apresentados a análise de erros quadráticos
médios de cada modelo. Através desta análise, é possível comprovar o melhor ajustamento do
modelo de Holt-Winters à série observada.
Tabela 3- Erros Quadráticos Médios de Cada Modelo
Modelo SARIMA Híbrido Holt-Winters
EQM 374495 253195 10448

Este resultado já era esperado visto que o modelo de Holt-Winters conseguiu acompanhar
perfeitamente os dados inseridos no modelo referentes aos anos de 1986 a 2004. Porém cabe a este
trabalho avaliar também o desempenho dos modelos na previsão de dados futuros, que no caso são
os dados do ano de 2005. Com isso, deve-se efetuar o mesmo procedimento de análise gráfica e

14
análise dos erros quadráticos, especificamente para as estimativas do referente ano, no intuito de
destacar a eficácia desta previsão.
6000,00

5000,00

4000,00

3000,00
Wh/m²

2000,00

1000,00

0,00
jan/05 fev/05 mar/05 abr/05 mai/05 jun/05 jul/05 ago/05 set/05 out/05 nov/05 dez/05

Modelo SARIMA Modelo Híbrido Modelo Holt-Winters Dados Observados

Figura 10- Gráfico das Previsões de cada Modelo para o ano de 2005

Tabela 4- Erros Quadrático Médios para o ano de 2005

Modelo SARIMA Híbrido Holt-Winters
EQM 176671 278716 208956

Para o ano de 2005, em que os modelos realizaram as estimativas sem que os dados
observados fossem inseridos, o modelo de Holt-Winters não acompanha perfeitamente como antes.
Ele até se inicia bem mas conforme se afasta dos primeiros períodos, os erros vão aumentando,
inclusive passa a ter um resultado de erros, para este ano, pior que o modelo SARIMA. Analisando
o gráfico, observa-se que os modelos tiveram comportamento similar para o ano de 2005, com
destaque para o modelo SARIMA que conseguiu retratar bem as alterações ascendentes e
descendentes da série, com exceção do período de agosto e setembro, em que não atingiu os picos.
Com relação ao modelo Híbrido, esteve bem ajustado aos dados observados mas teve um
desempenho pior para absorver a forte volatilidade da série.

4 CONCLUSÕES
A medição da radiação solar é de grande importância para conhecer o recurso natural
disponível em cada localidade, o que é essencial para o desenvolvimento de projetos que visam a

15
captação e conversão da energia solar. Através desse conhecimento, é possível avaliar o potencial
de geração de uma região, identificar o local mais adequado para instalação dos projetos, efetuar o
correto dimensionamento do sistema, estimar a produção de energia, estabelecer estratégias
operacionais, além de auxiliar no planejamento e desenvolvimento de ações que promovam a maior
participação da geração solar.
Devido esta importância, o presente trabalho buscou aplicar três modelos quantitativos para
previsão de uma série de radiação solar. O objetivo do trabalho era de avaliar o desempenho dos
modelos, e assim aprimorar o conhecimento para investigação sobre o tema e fomentar com
informações e uma base de dados confiáveis e de qualidade para incentivar projetos na área.
A partir dos resultados obtidos, pode-se realizar um estudo mais preciso de cada modelo,
onde para comparação dos resultados realizou-se uma análise de resíduos. A medida de qualidade
utilizada para esta avaliação foi a da Média dos Erros Quadráticos. Destaca-se no estudo, a forte
influência sazonal da série de radiação solar, que foi preponderante no desempenho dos modelos.
Esta análise de erros apresentou um melhor resultado na estimação da série completa para
o modelo de Suavização de Holt-Winters. Verificou-se que o modelo de Suavização de Holt-
Winters conseguiu descrever muito bem a série quando possuía a informação dos dados observado,
mas que a previsão de dados futuros perdia significativa qualidade conforme se afastava no tempo.
Quando realizada a análise de erros apenas para os períodos futuros previstos, o modelo
SARIMA obteve melhor resultado. Pode-se observar no gráfico que o modelo conseguiu acertar as
mudanças bruscas no movimento da série, necessitando apenas de ajustes para atingir os valores
de pico.
Portanto, conclui-se que o modelo Holt-Winters é o mais indicado para previsões de curto
prazo, pois absorve bem as informações inseridas porém perde qualidade de previsão conforme se
afasta dos período em que tem estas informações. Além disso, é um modelo simples, de baixo custo
de operação, com capacidade de ajustamento automático e rápido às mudanças na série.
Já o modelo SARIMA é o mais indicado para previsões de médio a longo prazo, pois tem
maior capacidade para captar o comportamento sazonal da série, por entender sua característica
estocástica. Assim, expande esta informação aos dados previstos, estimando uma série futura que
reconhece e incorpora a tendência e sazonalidade da série original e não fica tão dependente do
período de dados conhecidos.

16
5 REFERÊNCIAS
Becker, Marcel Henrique. 2010. Modelos para Previsão em Séries Temporais: Uma
Aplicação para a Taxa de Desemprego na Região Metropolitana de Porto Alegre . Porto Alegre :
Universidade Federal do Rio Grande do Sul, 2010.
CEPEL. 2014. Manual de Engenharia para Sistemas Fotovoltaicos. Rio de Janeiro :
CRESESB, 2014.
Júnior, Arcenio Jubim da Silva. 2013. Dimensionamento de Energia Solar Fotovoltaica
no Colégio Estadual Agrícola Ernani do Amaral Peixoto - CEAGRIM, Utilizando três Modelos.
Universidade Federal Fluminense. Niterói : s.n., 2013.
Morettin, Pedro A. e Toloi, Clélia M. C. 2004. Análise de Séries Temporais. São Paulo :
Edgard Blüncher, 2004.
NASA LaRC POWER Project. Surface Meteorological and Solar Energy. NASA
Langley Research Center Atmospheric Science Data Center Surface Meteorological and Solar
Energy (SSE). [Online] [Citado em: 21 de Agosto de 2015.] https://eosweb.larc.nasa.gov/sse/.
Oliveira, Katiane de, et al. 2013. UTILIZAÇÃO DO MODELO HOLT-WINTERS PARA
PREVISÃO DAS VENDAS DE LEITE EM UM LATICÍNIO NO OESTE PARANAENSE. s.l. :
Revista RETC, 2013.

17