RESUMO O uso de sistemas eficientes de previsão de afluências nas diversas escalas temporais permite otimizar a operação do conjunto de reservatórios hidrelétricos brasileiros, elevando o grau de segurança no fornecimento de energia elétrica e minimizando os custos operacionais. Entretanto, os modelos atuais de previsão utilizados pelo Operador Nacional do Sistema Elétrico (ONS) tendem a ser limitados no horizonte de previsão e na modelagem da dependência existente entre as diversas escalas de tempo, reduzindo a qualidade das previsões. Neste trabalho é proposta uma nova contribuição para os modelos de previsão de afluências em uso pelo ONS a partir do conceito de ponderação bayesiana de modelos (BMA), que permite integrar previsões mensais e semanais de vazões com objetivo de melhorar o desempenho das previsões semanais. As previsões mensais são obtidas por meio de um modelo periódico auto-regressivo exógeno (PARX), que busca captar a persistência das vazões na parte auto-regressiva e a contribuição do escoamento superficial na parcela exógena por meio do uso de informações climáticas de larga escala. Previsões semanais de afluência com até seis semanas de antecedência são obtidas a partir das informações disponibilizadas pelo ONS nos relatórios do Programa Mensal de Operação (PMO). A metodologia proposta é aplicada em séries de afluências semanais aos 28 principais reservatórios hidroelétricos brasileiros. Os resultados de previsão semanal de afluências obtidos com a ponderação das saídas dos modelos de previsão semanal e mensal indicam uma melhoria significativa em indicadores de desempenho de previsões (NS, MAPE e DM) quando comparados com os resultados de previsão oriundos do modelo semanal isolado. Os ganhos obtidos nos indicadores de desempenho são mais significativos a partir da segunda semana de antecedência. A abordagem proposta é flexível em termos de implementação, permitindo integrar outras escalas de previsão assim como diferentes modelos preditivos (por exemplo, modelos de base física).

ABSTRACT The use of efficient streamflow forecast systems at different time scales allows the operational optimization of the Brazilian interconnected hydropower reservoirs, raising the security level of electricity supply and minimizing operating costs. However, current forecasting models used by the National Electric System Operator (ONS) tend to be limited over the forecast horizon and in the modeling of the dependence structure across the various time scales, thus reducing the quality of forecasts. This paper proposes a new contribution to the streamflow forecast models by exploring the concept of Bayesian Model Averaging (BMA), which allows integrating weekly and monthly forecasts in order to improve the skill of weekly predictions. The monthly forecasts are obtained from a periodic auto-regressive exogenous model (PARX), which attempts to capture the persistence of flow in the auto-regressive part and the runoff contribution in the exogenous portion through the use of climate information. Weekly streamflow forecasts with up to six weeks lead time are obtained from information made available by ONS in the Monthly Operational Program (PMO) reports. The proposed methodology is tested using weekly inflow series from the 28 major Brazilian hydropower reservoirs. The weekly streamflow forecasts results obtained from the weighting of the outputs from the weekly and monthly models indicate a significant improvement in skill based on common performance indicators (NS, MAPE and DM) when compared with forecasts derived from the isolated weekly model. The gains in performance indicators are more significant for lead times beyond two weeks. The proposed approach is flexible in terms of implementation, allowing the incorporation of the other forecast scales as well as different forecast models (e.g. physical models).