Pular para o conteúdo

Modelo de afluências PAR(p)

Este capítulo define o modelo autorregressivo periódico de ordem pp (PAR(p)) usado para capturar a correlação temporal das séries de afluências. Ele apresenta o modelo, seus parâmetros e as grandezas armazenadas para ele (§1); a forma consumida pelo subproblema do estágio no PL (§2); a estimação dos parâmetros a partir do histórico de vazões, incluindo a seleção de ordem (§3); o fechamento que deriva a escala do ruído (inovação) a partir dos coeficientes AR (§4); os invariantes de validação (§5); a estimação e a fatoração da correlação espacial entre usinas hidrelétricas (§6); e a extensão opcional PAR(p)-A, que acrescenta um único coeficiente anual à estrutura AR periódica para capturar a persistência hidrológica plurianual (§7).

Para a visão por entidade deste capítulo, veja Afluências e modelo PAR(p).

O modelo autorregressivo periódico de ordem p (PAR(p)) captura a correlação temporal das séries de afluências, levando em conta a variação sazonal dos parâmetros. Para a usina hidrelétrica hh no estágio tt, correspondente ao período sazonal m(t)m(t):

ah,t=μm(t)+∑ℓ=1pψm(t),ℓ(ah,t−ℓ−μm(t−ℓ))+σm(t)⋅εta_{h,t} = \mu_{m(t)} + \sum_{\ell=1}^{p} \psi_{m(t),\ell} \left( a_{h,t-\ell} - \mu_{m(t-\ell)} \right) + \sigma_{m(t)} \cdot \varepsilon_t

em que:

  • ah,ta_{h,t}: vazão incremental no estágio tt (m³/s)
  • μm(t)\mu_{m(t)}: média sazonal do período sazonal m(t)m(t)
  • ψm(t),ℓ\psi_{m(t),\ell}: coeficiente autorregressivo da defasagem ℓ\ell no período sazonal m(t)m(t)
  • σm(t)\sigma_{m(t)}: desvio-padrão do ruído do período sazonal m(t)m(t) (derivado na carga — veja §4)
  • εt\varepsilon_t ∼N(0,1)\sim \mathcal{N}(0, 1): ruído (inovação) padronizado
  • m(t)m(t): o período sazonal resolvido do estágio tt; os períodos sazonais das defasagens são os antecessores no calendário (veja Convenções de notação)

A ordem pp do modelo pode variar por período sazonal e por usina hidrelétrica.

Para cada usina hidrelétrica hh e cada período sazonal m∈{1,…,M}m \in \{1, \ldots, M\} (por exemplo, M=12M = 12 para base mensal, M=52M = 52 para base semanal), o modelo PAR(p) completo requer:

ParâmetroSímboloDescrição
Média sazonalμm\mu_mAfluência média do período sazonal mm
Coeficientes ARψm,1,…,ψm,p\psi_{m,1}, \ldots, \psi_{m,p}Coeficientes autorregressivos
Desvio-padrão do ruídoσm\sigma_mEscala do termo de ruído — derivada, não independente (§4)

O modelo de dados armazena estatísticas amostrais sazonais e coeficientes AR padronizados — e nada mais. A escala do ruído não é uma terceira grandeza armazenada: o arquivo de coeficientes contém apenas os ψ∗\psi^*, invariantes à escala; na carga, a escala adimensional do ruído rmr_m é derivada de ψ∗\psi^* por um fechamento da FAC periódica (§4.1) e, em seguida, tudo é convertido para ψ\psi e σ\sigma em unidades originais, usando as estatísticas sazonais, e consumido pelo subproblema do estágio no PL.

Dois planos. Todo parâmetro do PAR(pp) pertence a um de dois planos, e a separação é deliberada:

  • Plano de condicionamento — a média sazonal μm\mu_m e o desvio-padrão amostral sazonal sms_m (ambos em m³/s): o nível e a magnitude da série. Um estudo pode recondicionar esses valores — por exemplo, um cenário climático que desloca tanto a média sazonal quanto a variabilidade sazonal.
  • Plano da dinâmica — os coeficientes padronizados ψm,ℓ∗\psi^*_{m,\ell} e a escala padronizada do ruído rm=σm/smr_m = \sigma_m/s_m (ambos adimensionais): a forma da dependência temporal, independente da magnitude. Apenas ψm,ℓ∗\psi^*_{m,\ell} é um parâmetro independente aqui — rmr_m é determinado pelo próprio ψm,ℓ∗\psi^*_{m,\ell}.

Em execução, os dois planos são reacoplados pela conversão de coeficientes da §2.2 e pelo desvio-padrão do ruído da §4.2, de modo que recondicionar o primeiro plano reescala tanto os coeficientes quanto o ruído, preservando a estrutura de correlação. A base de padronização é o desvio-padrão sazonal: ψ∗\psi^* é o coeficiente do processo normalizado por sms_m — a padronização clássica da literatura de modelos AR periódicos, e a mesma base fornecida por um modelo ajustado externamente (veja a aba Entradas e saídas).

Formato de armazenamento — arquivos em discoFechamento da FAC periódicaderiva rₘ apenas de ψ*Formato em memória, em execuçãoconsumido pelo subproblema do estágio no PLestatísticas sazonaiscoeficientes ARCoef. AR em unidades originais: ψₘ,ℓ = ψ*ₘ,ℓ · sₘ / sₘ₋ℓDesvio-padrão do ruído em unidades originais: σₘ = sₘ · rₘμₘ — média sazonalsₘ — desvio-padrão sazonal (amostral)ψ*ₘ,ℓ — coef. AR padronizadopₘ — ordem AR × sₘ / sₘ₋ℓrₘ, depois × sₘ

Grandezas armazenadas. Para cada usina hidrelétrica e período sazonal, o modelo de dados armazena:

Grandeza armazenadaSímboloDescrição
Média amostral sazonalμm=aˉm\mu_m = \bar{a}_mMédia das observações históricas do período sazonal mm
Desvio-padrão amostral sazonalsms_mDesvio-padrão das observações históricas do período sazonal mm
Coeficientes ARψm,ℓ∗\psi^*_{m,\ell}Coeficiente AR padronizado pelo desvio-padrão sazonal — a saída direta de Yule-Walker

A ordem AR pmp_m não é armazenada explicitamente. Ela é derivada em execução a partir do número de coeficientes armazenados de cada par (usina hidrelétrica, estágio).

O coeficiente padronizado ψm,ℓ∗\psi^*_{m,\ell} é a saída direta do procedimento de ajuste de Yule-Walker (§3.5). Ele é adimensional — o coeficiente do processo padronizado (ah,t−μm)/sm(a_{h,t} - \mu_m) / s_m — e a §2.2 o converte no coeficiente em unidades originais ψm,ℓ\psi_{m,\ell} usado no PL.

Esta seção deduz a transformação algébrica explícita do modelo PAR(p) canônico (§1) para a forma consumida pelo subproblema no PL. A dedução identifica três componentes pré-calculáveis, armazenados uma vez na inicialização e reutilizados em cada transição de estágio da simulação forward.

O modelo PAR(p) (§1) opera sobre os desvios em relação à média sazonal, normalizados pelo desvio-padrão sazonal (marginal) sm(t)s_{m(t)} — a mesma base usada pelos coeficientes armazenados ψ∗\psi^* e a mesma normalização da formulação de referência (padronizar pelo desvio-padrão marginal, e não pelo desvio-padrão do ruído). Nessa forma padronizada:

ah,t−μm(t)sm(t)=∑ℓ=1pψm(t),ℓ∗ ah,t−ℓ−μm(t−ℓ)sm(t−ℓ)+rm(t) εt\frac{a_{h,t} - \mu_{m(t)}}{s_{m(t)}} = \sum_{\ell=1}^{p} \psi^*_{m(t),\ell}\, \frac{a_{h,t-\ell} - \mu_{m(t-\ell)}}{s_{m(t-\ell)}} + r_{m(t)}\,\varepsilon_t

em que:

  • ψm(t),ℓ∗\psi^*_{m(t),\ell}: os coeficientes AR armazenados, padronizados pelo desvio-padrão sazonal sms_m (a saída direta de Yule-Walker da §3.5)
  • sm(t)s_{m(t)}: o desvio-padrão sazonal (marginal) do período sazonal m(t)m(t)
  • rm(t)=σm(t)/sm(t)∈(0,1]r_{m(t)} = \sigma_{m(t)}/s_{m(t)} \in (0, 1]: o desvio-padrão do ruído do processo padronizado — a escala do ruído derivada pelo fechamento da §4.1, 1−∑ℓψm,ℓ∗ ρm(t)(ℓ)\sqrt{1 - \sum_\ell \psi^*_{m,\ell}\,\rho_{m(t)}(\ell)}, sendo ρm(t)\rho_{m(t)} a FAC periódica implícita do modelo
  • εt∼N(0,1)\varepsilon_t \sim \mathcal{N}(0, 1): ruído de variância unitária

O ruído do processo padronizado por sms_m não tem variância unitária: como esse processo tem variância marginal unitária, seu ruído de um passo tem desvio-padrão rm(t)≤1r_{m(t)} \le 1 — e é exatamente por isso que rm(t)r_{m(t)} aparece aqui explicitamente. A etapa seguinte converte ψm,ℓ∗\psi^*_{m,\ell} em ψm,ℓ\psi_{m,\ell} em unidades originais, para uso no PL.

Os coeficientes padronizados armazenados ψm,ℓ∗\psi^*_{m,\ell} são convertidos, em execução, em coeficientes em unidades originais ψm,ℓ\psi_{m,\ell}, usando os desvios-padrão sazonais armazenados:

ψm,ℓ=ψm,ℓ∗⋅smsm−ℓ\psi_{m,\ell} = \psi^*_{m,\ell} \cdot \frac{s_m}{s_{m-\ell}}

O desvio-padrão do ruído σm\sigma_m da §4.2 também é derivado nessa etapa de pré-processamento, a partir da escala do ruído rmr_m derivada pelo fechamento (§4.1).

Essas conversões são feitas uma única vez, na construção do PL. Elas exigem apenas as estatísticas sazonais (sms_m), os ψm,ℓ∗\psi^*_{m,\ell} armazenados e o rmr_m derivado pelo fechamento — nenhum dado histórico.

Multiplicando ambos os lados da forma canônica (§2.1) por sm(t)s_{m(t)} e reorganizando, obtém-se a equação pronta para o PL (o termo de ruído passa a ser sm(t) rm(t) εt=σm(t) εts_{m(t)}\,r_{m(t)}\,\varepsilon_t = \sigma_{m(t)}\,\varepsilon_t):

ah,t=∑ℓ=1pψm(t),ℓ⋅ah,t−ℓ+[μm(t)−∑ℓ=1pψm(t),ℓ⋅μm(t−ℓ)]+σm(t)⋅εta_{h,t} = \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot a_{h,t-\ell} + \left[ \mu_{m(t)} - \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot \mu_{m(t-\ell)} \right] + \sigma_{m(t)} \cdot \varepsilon_t

em que ψm(t),ℓ\psi_{m(t),\ell} e σm(t)\sigma_{m(t)} são derivados das grandezas armazenadas conforme descrito na §2.2.

Isso decompõe a afluência em três componentes aditivas:

  1. Contribuição das defasagens: ∑ℓ=1pψm(t),ℓ⋅ah,t−ℓ\displaystyle\sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot a_{h,t-\ell} — função linear das afluências passadas (variáveis de estado ou valores conhecidos)
  2. Base determinística: μm(t)−∑ℓ=1pψm(t),ℓ⋅μm(t−ℓ)\displaystyle\mu_{m(t)} - \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot \mu_{m(t-\ell)} — deslocamento constante por (estágio, usina hidrelétrica), pré-calculado uma vez
  3. Ruído estocástico: σm(t)⋅εt\sigma_{m(t)} \cdot \varepsilon_t — sorteio de ruído escalado pelo desvio-padrão sazonal do ruído

A base determinística é definida como:

bh,m(t)=μm(t)−∑ℓ=1pψm(t),ℓ⋅μm(t−ℓ)b_{h,m(t)} = \mu_{m(t)} - \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot \mu_{m(t-\ell)}

Trata-se de uma constante pré-calculada por par (estágio, usina hidrelétrica). Ela absorve a aritmética de ajuste das médias que, de outro modo, seria repetida em cada transição de estágio da simulação forward. Com essa definição, a forma pronta para o PL (§2.3) se simplifica para:

ah,t=∑ℓ=1pψm(t),ℓ⋅ah,t−ℓ+bh,m(t)+σm(t)⋅εta_{h,t} = \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot a_{h,t-\ell} + b_{h,m(t)} + \sigma_{m(t)} \cdot \varepsilon_t

Em estudos que cobrem parte do ano, as médias dos períodos sazonais das defasagens μm(t−ℓ)\mu_{m(t-\ell)} dos períodos sazonais anteriores ao início do estudo são obtidas da janela de defasagens pré-estudo (§3.8); quando não existe tal estatística para um dado período sazonal de defasagem, a contribuição da média dessa defasagem é considerada nula.

2.5 A afluência realizada como constante do lado direito

Seção intitulada “2.5 A afluência realizada como constante do lado direito”

As afluências defasadas ah,ℓa_{h,\ell} são valores de estado, e não variáveis do PL: o PL do estágio não tem coluna nem linha para o modelo. Antes de cada resolução, a afluência realizada de cada usina hidrelétrica é avaliada nos valores de defasagem de entrada da trajetória a^h,ℓ\hat{a}_{h,\ell}, obtidos por cenário a partir do registro da trajetória:

z^h=bh,m(t)+∑ℓ=1pψm(t),ℓ⋅a^h,ℓ+σm(t)⋅εt\hat{z}_h = b_{h,m(t)} + \sum_{\ell=1}^{p} \psi_{m(t),\ell} \cdot \hat{a}_{h,\ell} + \sigma_{m(t)} \cdot \varepsilon_t

em que:

  • bh,m(t)b_{h,m(t)} é a base determinística de (estágio, usina hidrelétrica), pré-calculada uma vez (§2.4)
  • σm(t)\sigma_{m(t)} é a escala do ruído de (estágio, usina hidrelétrica), derivada do rmr_m obtido pelo fechamento (§4.1) na inicialização (§2.2)
  • εt\varepsilon_t é o sorteio de ruído do cenário para esse (estágio, usina hidrelétrica)

z^h\hat{z}_h entra no balanço hídrico e nas demais linhas que leem a afluência como constante do lado direito (Formulação do PL §5). Os coeficientes dos cortes nas defasagens são calculados após a resolução, a partir dos seus duais, pela regra da cadeia, por meio dos coeficientes ψm(t),ℓ\psi_{m(t),\ell} (Folding do PAR(p)).

Os coeficientes ψm(t),ℓ\psi_{m(t),\ell} são calculados uma única vez, na inicialização; eles não são recalculados por cenário.

Nenhuma divisão, nenhuma subtração de médias, nenhuma transformação repetida de coeficientes — os três componentes pré-calculados eliminam toda a aritmética redundante do caminho crítico.

A inclusão das afluências defasadas nos cortes de um estágio é uma escolha por estágio; um corte que as projeta para fora incorpora sua contribuição ao termo independente, avaliada nos valores de defasagem do estado visitado (veja Aumento do espaço de estados §7).

ComponenteSímboloDimensão por estágioPapel no PL do estágioOrigem
Coeficientes das defasagensψm(t),ℓ\psi_{m(t),\ell}Um por (usina hidrelétrica, defasagem)Afluência realizada (termos de defasagem); regra da cadeia dos coeficientes dos cortes nas defasagensDerivados de ψ∗\psi^* e sms_m armazenados, na inicialização (§2.2)
Base determinísticabh,m(t)b_{h,m(t)}Uma por usina hidrelétricaAfluência realizada (termo fixo)Pré-calculada a partir de μ\mu e ψ\psi
Escala do ruídoσm(t)\sigma_{m(t)}Uma por usina hidrelétricaAfluência realizada (fator do ruído)Derivada do rmr_m obtido pelo fechamento (§4.1) e de sms_m, na inicialização (§2.2)

Em estudos com múltiplas resoluções (agregação mensal→trimestral), o mesmo procedimento de ajuste se aplica após a agregação ponderada pela duração; veja Estudos com múltiplas resoluções.

Esta seção documenta o procedimento de ajuste dos parâmetros do PAR(p) a partir do histórico de vazões. O ajuste é feito quando o sistema deriva os parâmetros do histórico de vazões e lê as observações de uma janela de estimação: um intervalo contíguo de anos do histórico, o registro inteiro a menos que o caso o restrinja. A janela restringe apenas o ajuste: os valores iniciais das defasagens e os esquemas de cenários que reproduzem ou reamostram o histórico leem o registro independentemente dela. Quando estatísticas sazonais e coeficientes AR previamente calculados são fornecidos diretamente, esse procedimento não é executado. A escala do ruído deliberadamente não faz parte do ajuste: ela é derivada dos coeficientes armazenados na carga (§4.1), de forma idêntica para modelos ajustados e fornecidos pelo usuário (§4.2).

A figura abaixo acompanha as duas origens dos coeficientes até o modelo em execução. Quando os coeficientes são ajustados a partir do histórico de vazões, as estatísticas sazonais de cada par (usina hidrelétrica, período sazonal) são estimadas e a classificação dos grupos é aplicada (§3.2, §3.3); um período sazonal cujo desvio-padrão sazonal é nulo assume ordem 0 diretamente. Cada um dos demais períodos sazonais seleciona sua ordem a partir da FACP periódica (§3.4, §3.6) e resolve o sistema periódico de Yule-Walker nessa ordem para obter seus coeficientes padronizados ψ∗\psi^* (§3.5). Um período sazonal é redefinido para ordem 0 quando seu ajuste inicial tem um coeficiente de magnitude acima do limite opcional de magnitude, e, no caminho clássico, quando seu primeiro coeficiente é negativo, após o ajuste inicial ou qualquer novo ajuste. Um período sazonal com influência composta negativa perde uma defasagem em seu teto de ordem e passa novamente por seleção e ajuste, até que nenhum período sazonal falhe, e um período sazonal cujo modelo implica uma variância residual negativa é reduzido da mesma forma (§3.6); no caminho do PAR(p)-A, a influência composta inclui o termo anual (§7.6). Os coeficientes são então armazenados (§3.7), e a correlação espacial é estimada quando o caso não a fornece (§6.1). Coeficientes fornecidos passam, em vez disso, pelo filtro de estacionariedade do invariante 2 (§5), e um conjunto que não o satisfaz é rejeitado. Quando o caso fornece apenas os coeficientes, ou apenas as estatísticas sazonais, junto com o histórico, o histórico fornece a outra parte e a correlação espacial é estimada como acima. Todo modelo, ajustado ou fornecido, passa então pelo fechamento que deriva sua escala do ruído rmr_m (§4.1), o qual rejeita um sistema de fechamento singular ou uma variância residual implícita negativa; seguem-se os coeficientes ψ\psi e a escala do ruído σ\sigma em execução (§4.2).

Histórico de vazõesEstatísticas sazonaisclassificação dos gruposFACP periódicaseleção de ordemAjuste de Yule-Walkerψ* padronizadoRedefinições para ordem 0clássico: ψ*ₘ,₁ < 0ajuste inicial: limite de magnitudeInfluência composta ≥ 0e variância residual ≥ 0em todos os períodos sazonais?Armazena ψ*correlação espacialψ* fornecidoFiltro de estacionariedadesolúvel, |ρ| ≤ 1,r² acima do piso,monodromia < 1RejeitadoFechamentoderiva rₘψ, σ em execução simŝₘ = 0: ordem 0aprovadoreprovadosingular, ou r² < 0não: teto − 1

Seja Ym={ah,t:m(t)=m}Y_m = \{a_{h,t} : m(t) = m\} o conjunto das observações históricas do período sazonal mm. Define-se:

SímboloDescrição
NmN_mNúmero de observações do período sazonal mm
aˉm\bar{a}_mMédia amostral do período sazonal mm
sms_mDesvio-padrão amostral do período sazonal mm
γm(ℓ)\gamma_m(\ell)Autocovariância na defasagem ℓ\ell do período sazonal mm
ρm(ℓ)\rho_m(\ell)Autocorrelação na defasagem ℓ\ell do período sazonal mm

Média sazonal:

μ^m=aˉm=1Nm∑t:m(t)=mah,t\hat{\mu}_m = \bar{a}_m = \frac{1}{N_m} \sum_{t: m(t) = m} a_{h,t}

Desvio-padrão sazonal:

s^m=1Nm∑t:m(t)=m(ah,t−aˉm)2\hat{s}_m = \sqrt{\frac{1}{N_m} \sum_{t: m(t) = m} (a_{h,t} - \bar{a}_m)^2}

O estimador usa o divisor populacional 1/Nm1/N_m, e não o divisor com correção de Bessel 1/(Nm−1)1/(N_m - 1). Esse é o divisor do estimador da autocovariância amostral de Box & Jenkins (1976) e é compartilhado pelos caminhos do PAR(p) clássico e do PAR(p)-A. O divisor populacional é necessário para que os valores da FACP condicional e as ordens selecionadas no caminho do PAR(p)-A sejam autoconsistentes — com a correção de Bessel, o fator de escala amostral vs. populacional se propaga para todas as correlações cruzadas Z⊗A. Usar o mesmo divisor no caminho clássico mantém a saída de estatísticas sazonais dos dois caminhos reutilizável entre configurações.

Antes que as estatísticas sazonais e os coeficientes AR sejam usados pelas regras de seleção de ordem, cada grupo histórico (bucket) por (usina hidrelétrica, período sazonal) é classificado pela forma de suas observações. A classificação pode substituir os valores empíricos (μ^m,s^m)(\hat{\mu}_m, \hat{s}_m) para fins de ajuste, e a substituição se propaga para ambos os caminhos, o do PAR(p) clássico e o do PAR(p)-A, porque os dois compartilham o produtor das estatísticas sazonais.

São definidas quatro classes:

ClasseRegra de detecçãoSubstituição aplicada
PadrãoNenhuma das condições abaixoNenhuma — usa os valores empíricos (μ^m,s^m)(\hat{\mu}_m, \hat{s}_m)
ConstanteTodas as observações são iguais a um mesmo valor, dentro da tolerância de ponto flutuante(μ^m,s^m)←(value,0)(\hat{\mu}_m, \hat{s}_m) \leftarrow (\text{value}, 0)
Muitos negativosObservações estritamente negativas excedem 10% do grupoNenhuma — apenas diagnóstico; o ajuste prossegue com as estatísticas empíricas
SaturadoO valor modal (arredondado em m³/s) ocupa mais de 50% das observações(μ^m,s^m)←(cap,0)(\hat{\mu}_m, \hat{s}_m) \leftarrow (\text{cap}, 0)

O classificador segue a ordem de prioridade constante → muitos negativos → saturado → padrão. A constância tem precedência sobre a detecção da patologia de valores negativos, que por sua vez tem precedência sobre a saturação.

Por que um desvio-padrão sazonal nulo interrompe o ajuste

Seção intitulada “Por que um desvio-padrão sazonal nulo interrompe o ajuste”

Quando a substituição define s^m=0\hat{s}_m = 0 para um período sazonal, o ajuste desse período sazonal é interrompido nos dois caminhos:

  • No caminho do PAR(p) clássico, o período sazonal assume ordem 0 diretamente; sua FACP (§3.6) não é avaliada.
  • No caminho do PAR(p)-A, o período sazonal também assume ordem 0 diretamente, com coeficiente anual ψmA∗=0\psi^{A*}_m = 0; sua FACP condicional (§7.5) não é avaliada. Um período sazonal cujo próprio desvio-padrão é positivo, mas cujas defasagens selecionadas 1,…,pm1, \ldots, p_m alcançam um período sazonal com desvio-padrão nulo, também assume ordem 0 e mantém o coeficiente anual ψmA∗\psi^{A*}_m de sua resolução estendida em pmp_m (§7.5).

As estatísticas sazonais que alimentam o ajuste são estimadas a partir do histórico, mesmo quando o caso fornece as suas próprias, e estimá-las exige pelo menos duas observações por período sazonal, de modo que nenhum período sazonal chega ao ajuste com desvio-padrão não nulo e Nm<2N_m < 2. Um período sazonal com uma única observação (Nm=1N_m = 1) faz o caso ser rejeitado. Um período sazonal sem observações (Nm=0N_m = 0) não tem estatísticas; o ajuste lê seu desvio-padrão como nulo e o interrompe da mesma forma nos dois caminhos. No caminho do PAR(p)-A, isso também ocorre quando o grupo do regressor anual do período sazonal está vazio (NmA=0N^A_m = 0) ou tem desvio-padrão nulo (σ^mA=0\hat{\sigma}^A_m = 0, §7.3), e o período sazonal passa então a não ter contribuição anual.

A proteção contra desvio-padrão nulo da §3.4 também anula toda autocorrelação amostral que envolva o período sazonal, de modo que o grupo não possa injetar uma estrutura autorregressiva espúria nas FACPs dos meses adjacentes, e nenhuma contribuição de correlação espacial provém dele na geração de cenários.

  • Constante captura usinas cuja vazão incremental é estruturalmente constante em um dado mês — tipicamente vazões regularizadas ou transpostas, em que a subtração das vazões de montante resulta no mesmo valor todos os anos. Impor (value,0)(\text{value}, 0) registra o nível determinístico sem inventar uma dinâmica autorregressiva.
  • Saturado captura limites de vazão (capacidade de turbinamento ou do reservatório) e constantes de vazão baixa (vazões ecológicas transpostas). O valor modal é tratado como o limite. Não há limiar de magnitude — um limite de 0 m³/s se qualifica tanto quanto um limite igual à capacidade instalada.
  • Muitos negativos sinaliza grupos que a construção das vazões incrementais a partir de montante levou abaixo de zero em mais de 10% das observações. A condição é registrada para diagnóstico pelo operador, mas não substitui o ajuste — a causa é a qualidade dos dados de montante, e não um sinal metodológico.
  • Padrão é o caminho usual; as estatísticas empíricas e a regra de seleção de ordem escolhida determinam a ordem.

A autocorrelação na defasagem ℓ\ell do período sazonal mm é calculada a partir dos desvios padronizados.

Autocovariância entre períodos sazonais:

Para observações do período sazonal mm com defasagem ℓ\ell que retrocede até o período sazonal m−ℓm - \ell (mod MM, em que MM é o comprimento do ciclo):

γ^m(ℓ)=1Nm(ℓ)∑t:m(t)=m(ah,t−aˉm)(ah,t−ℓ−aˉm−ℓ)\hat{\gamma}_m(\ell) = \frac{1}{N_m^{(\ell)}} \sum_{t: m(t) = m} \left( a_{h,t} - \bar{a}_m \right) \left( a_{h,t-\ell} - \bar{a}_{m-\ell} \right)

em que a soma percorre os pares válidos alinhados por ano na defasagem ℓ\ell para o período sazonal de referência mm, e Nm(ℓ)=max⁡(Nm,Nm−ℓ)N_m^{(\ell)} = \max(N_m, N_{m-\ell}) é a maior das contagens de observações dos dois períodos sazonais. O estimador usa esse divisor populacional, seguindo a convenção adotada na §3.2 e compartilhada pelos caminhos clássico e do PAR(p)-A: uma defasagem que cruza a fronteira do ano não tem par no primeiro ano do período sazonal mm, e o divisor permanece no tamanho do grupo em vez da contagem de pares.

Autocorrelação:

ρ^m(ℓ)=γ^m(ℓ)s^m⋅s^m−ℓ\hat{\rho}_m(\ell) = \frac{\hat{\gamma}_m(\ell)}{\hat{s}_m \cdot \hat{s}_{m-\ell}}

em que s^m−ℓ\hat{s}_{m-\ell} é o desvio-padrão do período sazonal m−ℓm - \ell (ciclicamente, de modo que o período sazonal 0 = período sazonal MM).

Proteção contra desvio-padrão nulo. ρ^m(ℓ)=0\hat{\rho}_m(\ell) = 0 quando s^m\hat{s}_m ou s^m−ℓ\hat{s}_{m-\ell} é nulo, ou quando o período sazonal mm não tem par alinhado por ano na defasagem ℓ\ell. Toda estimativa é limitada ao intervalo [−1,1][-1, 1].

Para cada período sazonal mm, os coeficientes do PAR(p) ψm,1∗,…,ψm,p∗\psi_{m,1}^*, \ldots, \psi_{m,p}^* na forma padronizada são obtidos resolvendo o sistema periódico de Yule-Walker. Diferentemente das equações de Yule-Walker clássicas (estacionárias), em que todas as linhas usam o mesmo período sazonal de referência, a variante periódica desloca o período sazonal de referência a cada linha. Isso representa corretamente a estrutura de covariância não Toeplitz dos processos autorregressivos periódicos.

Construção da matriz: o elemento (i,j)(i, j), 1≤i,j≤p1 \leq i, j \leq p, é a correlação entre as observações defasadas a~t−i\tilde{a}_{t-i} e a~t−j\tilde{a}_{t-j}; seu período sazonal de referência é o da mais recente das duas defasagens:

[Rm]i,j=ρ^(m−min⁡(i,j)) mod M(∣j−i∣)[\mathbf{R}_m]_{i,j} = \hat{\rho}_{\left(m - \min(i,j)\right) \bmod M}\bigl(|j - i|\bigr)

em que MM é o número de períodos sazonais do ciclo periódico (por exemplo, 12 para base mensal). Os elementos da diagonal são sempre 1 (pois ρ^m′(0)=1\hat{\rho}_{m'}(0) = 1 para qualquer período sazonal m′m'). A matriz é simétrica, mas não Toeplitz quando M>1M > 1, porque o período sazonal de referência varia entre os elementos.

Construção do lado direito: o lado direito contém as correlações do alvo a~t\tilde{a}_t (período sazonal mm) com cada defasagem:

[ρ^m]i=ρ^m(i)[\hat{\boldsymbol{\rho}}_m]_i = \hat{\rho}_{m}(i)

De forma equivalente: forma-se a matriz de correlação estendida (p+1)×(p+1)(p{+}1) \times (p{+}1) de (a~t,a~t−1,…,a~t−p)(\tilde{a}_t, \tilde{a}_{t-1}, \ldots, \tilde{a}_{t-p}); a matriz do sistema é seu bloco de defasagens (linhas/colunas 1..p1..p) e o lado direito é sua primeira linha (as correlações entre o alvo e as defasagens). A linha ii do sistema é a recursão dos momentos de segunda ordem do modelo na defasagem ii.

O sistema completo é:

(1ρ^(m−1)(1)ρ^(m−1)(2)⋯ρ^(m−1)(p−1)ρ^(m−1)(1)1ρ^(m−2)(1)⋯ρ^(m−2)(p−2)ρ^(m−1)(2)ρ^(m−2)(1)1⋯ρ^(m−3)(p−3)⋮⋮⋮⋱⋮ρ^(m−1)(p−1)ρ^(m−2)(p−2)ρ^(m−3)(p−3)⋯1)(ψm,1∗ψm,2∗ψm,3∗⋮ψm,p∗)=(ρ^m(1)ρ^m(2)ρ^m(3)⋮ρ^m(p))\begin{pmatrix} 1 & \hat{\rho}_{(m-1)}(1) & \hat{\rho}_{(m-1)}(2) & \cdots & \hat{\rho}_{(m-1)}(p{-}1) \\ \hat{\rho}_{(m-1)}(1) & 1 & \hat{\rho}_{(m-2)}(1) & \cdots & \hat{\rho}_{(m-2)}(p{-}2) \\ \hat{\rho}_{(m-1)}(2) & \hat{\rho}_{(m-2)}(1) & 1 & \cdots & \hat{\rho}_{(m-3)}(p{-}3) \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ \hat{\rho}_{(m-1)}(p{-}1) & \hat{\rho}_{(m-2)}(p{-}2) & \hat{\rho}_{(m-3)}(p{-}3) & \cdots & 1 \end{pmatrix} \begin{pmatrix} \psi_{m,1}^* \\ \psi_{m,2}^* \\ \psi_{m,3}^* \\ \vdots \\ \psi_{m,p}^* \end{pmatrix} = \begin{pmatrix} \hat{\rho}_{m}(1) \\ \hat{\rho}_{m}(2) \\ \hat{\rho}_{m}(3) \\ \vdots \\ \hat{\rho}_{m}(p) \end{pmatrix}

em que os índices de período sazonal são tomados módulo MM em {1,…,M}\{1, \ldots, M\}, de modo que o período sazonal 00 é o período sazonal MM (veja Convenções de notação).

Em notação matricial: Rmψm∗=ρ^m\mathbf{R}_m \boldsymbol{\psi}_m^* = \hat{\boldsymbol{\rho}}_m

em que:

  • Rm\mathbf{R}_m é a matriz de correlação periódica p×pp \times p (simétrica, mas não Toeplitz para M>1M > 1)
  • ρ^m\hat{\boldsymbol{\rho}}_m é o vetor das autocorrelações do alvo, com deslocamento do período sazonal de referência a cada linha

Solução:

ψ^m∗=Rm−1ρ^m\hat{\boldsymbol{\psi}}_m^* = \mathbf{R}_m^{-1} \hat{\boldsymbol{\rho}}_m

O sistema é resolvido por eliminação gaussiana com pivoteamento parcial, numericamente adequada para os sistemas pequenos que a estimação periódica de Yule-Walker resolve.

Sistema singular. Quando o sistema periódico de Yule-Walker é singular na ordem kk, a FACP da §3.6 para na defasagem k−1k-1, de modo que apenas defasagens inferiores a kk podem ser selecionadas e o ajuste na ordem selecionada não encontra sistema singular.

A ordem pp do modelo PAR pode variar por período sazonal. Há duas regras de seleção de ordem disponíveis: a regra clássica da FACP periódica, descrita abaixo, e a regra de seleção de ordem com componente anual, que estende a mesma regra da FACP para o PAR(p)-A (§7). O ajuste considera defasagens até uma defasagem máxima pmaxp_{max} e aplica um limite opcional de magnitude aos coeficientes do ajuste inicial (abaixo).

A regra clássica calcula a FACP periódica (função de autocorrelação parcial periódica) por meio de resoluções progressivas do sistema periódico de Yule-Walker nas ordens k=1,2,…,pmaxk = 1, 2, \ldots, p_{max} e, em seguida, seleciona a ordem usando um limiar de significância.

Algoritmo:

  1. Para cada ordem kk de 1 a pmaxp_{max}, monte e resolva o sistema periódico de Yule-Walker (§3.5) na ordem kk. O último coeficiente ψ^m,k∗\hat{\psi}^*_{m,k} da solução de ordem kk é o valor da FACP periódica na defasagem kk.

  2. Selecione como ordem a maior defasagem com FACP significativa:

    pm=max⁡{k:∣PACFm(k)∣>z0.975Nm}p_m = \max \left\{ k : |\text{PACF}_m(k)| > \frac{z_{0.975}}{\sqrt{N_m}} \right\}

    em que z0.975=1.96z_{0.975} = 1.96 (95% de confiança) e NmN_m é o número de observações do período sazonal mm. Se nenhuma defasagem for significativa, pm=0p_m = 0 (ruído branco) no caminho clássico.

  3. Estime os coeficientes AR na ordem selecionada usando o sistema periódico de Yule-Walker (§3.5).

A figura abaixo aplica a regra a uma série sintética: um processo PAR(1) com doze períodos sazonais e variância marginal unitária em todos eles, simulado com uma semente aleatória fixa para Nm=60N_m = 60 anos e mostrado para o período sazonal 6. O painel superior compara a autocorrelação periódica amostral ρ^6(ℓ)\hat{\rho}_6(\ell) da §3.4 com a autocorrelação implícita do modelo da §4.1, que para um PAR(1) é ρm(ℓ)=∏j=0ℓ−1ψm−j,1∗\rho_m(\ell) = \prod_{j=0}^{\ell-1} \psi^*_{m-j,1}, com índices de período sazonal tomados módulo MM. O painel inferior mostra a FACP periódica do passo 1, amostral e do modelo, em relação à faixa ±z0.975/Nm\pm z_{0.975}/\sqrt{N_m}, que é o limiar de significância do passo 2: uma defasagem é significativa quando sua FACP amostral fica fora da faixa. A FACP do modelo é ψm,1∗\psi^*_{m,1} na defasagem 1 e nula a partir daí, de modo que a autocorrelação decai ao longo das seis defasagens, enquanto a FACP se anula após a defasagem 1. Aqui, a FACP amostral na defasagem 1 fica fora da faixa e a FACP amostral nas defasagens 2 a 6 fica dentro dela, de modo que, com pmax=6p_{max} = 6, a regra seleciona p6=1p_6 = 1.

Validação pós-seleção — redução iterativa de ordem (Maceira & Damázio, 2006): após a seleção pela FACP, calcula-se para cada período sazonal a influência composta de cada defasagem sobre a afluência corrente, ao longo da cadeia periódica, mantendo fixas as afluências anteriores a t−ℓt-\ell e os ruídos:

∂ah,t∂ah,t−ℓ=ψm(t),ℓ+∑ℓ′=1ℓ−1ψm(t),ℓ′ ∂ah,t−ℓ′∂ah,t−ℓ,ℓ=1,…,pm(t)\frac{\partial a_{h,t}}{\partial a_{h,t-\ell}} = \psi_{m(t),\ell} + \sum_{\ell'=1}^{\ell-1} \psi_{m(t),\ell'}\, \frac{\partial a_{h,t-\ell'}}{\partial a_{h,t-\ell}}, \qquad \ell = 1, \ldots, p_{m(t)}

em que ψm,ℓ\psi_{m,\ell} é o coeficiente em unidades originais da §2.2, considerado nulo quando sm−ℓ=0s_{m-\ell} = 0 ou ℓ>pm\ell > p_m, e cada derivada do lado direito decorre da mesma recursão no estágio t−ℓ′t-\ell'. A verificação é uma condição de sinal sobre a influência composta das defasagens, e não um teste de estacionariedade: um período sazonal falha quando alguma de suas influências compostas é negativa. Um período sazonal que falha perde uma defasagem em seu teto de ordem (inicialmente pmaxp_{max}) e passa novamente por seleção e ajuste com o novo teto; um período sazonal cujo teto chega a 0 assume ordem 0, e o laço se repete até que nenhum período sazonal falhe. Um período sazonal cujo ajuste inicial tem um coeficiente de magnitude acima do limite opcional de magnitude é redefinido para ordem 0. No caminho clássico, o mesmo ocorre com um período sazonal cujo primeiro coeficiente satisfaz ψm,1∗<0\psi^*_{m,1} < 0, após o ajuste inicial ou após qualquer novo ajuste.

Quando nenhum período sazonal falha, o fechamento da §4.1 deriva a variância residual implicada pelo modelo de cada período sazonal. Um período sazonal de ordem pmp_m cuja variância residual implicada é negativa passa novamente por seleção e ajuste com teto pm−1p_m - 1, ou assume ordem 0 quando pm=1p_m = 1, e o laço se repete até que nenhuma das duas verificações aponte um período sazonal.

No caminho do PAR(p)-A (§7), o critério da FACP difere em três aspectos:

  • Ordem mínima 1. A ordem selecionada é pelo menos 1 sempre que o teto é pelo menos 1, mesmo quando nenhuma defasagem excede o limiar de significância. A persistência hidrológica torna um ajuste estrito de ordem 0 uma escolha padrão ruim. Um zero exato na defasagem 1 não interrompe a busca: uma defasagem significativa além dela ainda define a ordem.
  • Defasagens com desvio-padrão nulo. Um período sazonal cujas defasagens selecionadas alcançam um período sazonal com desvio-padrão nulo assume ordem 0 e mantém seu coeficiente anual (§3.3).
  • Sem redefinição pelo primeiro coeficiente. Um ψm,1∗\psi^*_{m,1} negativo é julgado apenas pela influência composta, que inclui o termo anual (§7.6).

A solução de Yule-Walker ψm,ℓ∗\psi_{m,\ell}^* está na forma padronizada — a saída direta da §3.5. Ela é armazenada tal como está, um coeficiente por defasagem. Nenhuma conversão para unidades originais é feita, e nenhuma outra grandeza é gravada junto com ela: a escala do ruído não é uma saída do ajuste. Ela é derivada de ψ∗\psi^* posteriormente, de maneira uniforme para todo modelo, qualquer que seja sua origem, pelo fechamento da FAC periódica da §4.1 — e não calculada aqui.

3.8 Estudos que cobrem parte do ano e a janela de defasagens pré-estudo

Seção intitulada “3.8 Estudos que cobrem parte do ano e a janela de defasagens pré-estudo”

Um horizonte de estudo pode ser mais curto que o ciclo sazonal — por exemplo, um modelo mensal (M=12M = 12) executado apenas de setembro a dezembro. O ajuste por período sazonal descrito acima precisa então tratar períodos sazonais com poucas ou nenhuma observação dentro da janela. Duas regras mantêm o procedimento bem definido.

Alcançabilidade pelas defasagens. Um período sazonal é alcançável pelas defasagens apenas se algum estágio do horizonte (estendido) a contiver. Cada observação histórica é associada a uma período sazonal a partir dos intervalos de datas dos estágios, recorrendo ao calendário do mapa de períodos sazonais para datas anteriores ao horizonte; uma observação cujo período sazonal resolvido não tem nenhum estágio é descartada — suas estatísticas jamais seriam consumidas. O histórico do ciclo completo, portanto, não perturba um ajuste de parte do ano.

Síntese das defasagens pré-estudo (para p>0p > 0). As defasagens autorregressivas do primeiro estágio do estudo retrocedem a períodos sazonais anteriores ao início do estudo. Para cada defasagem ℓ=1,…,min⁡(p, M−1)\ell = 1, \ldots, \min(p,\, M - 1), o período sazonal situado ℓ\ell posições do calendário antes do primeiro período sazonal do estudo é introduzido como um período sazonal pré-estudo — a menos que esse período sazonal já esteja coberto por um estágio do estudo (uma defasagem que dá a volta dentro da janela, tratada pela busca de defasagens correta quanto ao ciclo). As estatísticas sazonais (μ^m,s^m)(\hat{\mu}_m, \hat{s}_m) desses períodos sazonais fora da janela são estimadas a partir do histórico exatamente como para os períodos sazonais dentro da janela e, em seguida, alimentam os termos de defasagem dos estágios iniciais do estudo — tanto a conversão dos coeficientes (§2.2) quanto a base determinística (§2.4).

O percurso retrocede pelas ocorrências no calendário da própria resolução do primeiro período sazonal do estudo, qualquer que seja a numeração dos períodos sazonais — assim, por exemplo, um estudo que começa em março associa o período sazonal da defasagem 1 a fevereiro, e não a dezembro.

Invariância no ciclo completo. Quando o estudo abrange o ciclo completo (todos os períodos sazonais já têm um estágio do estudo) ou não contém histórico fora da janela, nada é sintetizado e o ajuste é igual ao ajuste do ciclo completo.

Diferentemente de μm\mu_m, sms_m e ψm,ℓ∗\psi^*_{m,\ell}, a escala do ruído rmr_m não é lida de um arquivo. Ela é determinada pelo próprio ψ∗\psi^*, sob o contrato de variância marginal unitária do modelo — o processo padronizado (ah,t−μm)/sm(a_{h,t}-\mu_m)/s_m de cada período sazonal tem variância unitária —, por meio de um fechamento da FAC periódica.

Estenda-se a recursão que define ψm,ℓ∗\psi^*_{m,\ell} (§3.5) a todas as defasagens ℓ≥1\ell \ge 1, e não apenas a ℓ≤pm\ell \le p_m:

ρm(ℓ)=∑ℓ′=1pmψm,ℓ′∗ ρ(m−min⁡(ℓ′,ℓ)) mod M(∣ℓ−ℓ′∣),ρm′(0)=1 for every season m′\rho_m(\ell) = \sum_{\ell'=1}^{p_m} \psi^*_{m,\ell'}\, \rho_{(m-\min(\ell',\ell)) \bmod M}\bigl(|\ell - \ell'|\bigr), \qquad \rho_{m'}(0) = 1 \text{ for every season } m'

Resolver esse sistema conjuntamente para todos os períodos sazonais m=1,…,Mm = 1, \ldots, M e todas as defasagens ℓ=1,…,Ph\ell = 1, \ldots, P_h (em que Ph=max⁡mpmP_h = \max_m p_m) fornece a função de autocorrelação periódica implícita do próprio modelo, ρm(ℓ)\rho_m(\ell) — as autocorrelações que o processo teria se ψ∗\psi^* descrevesse um processo AR periódico exatamente estacionário. A escala do ruído decorre da mesma decomposição da variância usada na etapa de ajuste (§3.5):

rm2=1−∑ℓ=1pmψm,ℓ∗ ρm(ℓ)r_m^2 = 1 - \sum_{\ell=1}^{p_m} \psi^*_{m,\ell}\, \rho_m(\ell)

Um período sazonal com pm=0p_m = 0 não contribui com nenhum termo para a soma, de modo que rm=1r_m = 1 — um período sazonal de ruído branco não tem redução de variância proveniente de uma parte AR que ele não possui.

Quando todos os períodos sazonais do ciclo têm a mesma ordem AR, o valor do fechamento coincide exatamente com o próprio sistema de Yule-Walker da etapa de ajuste:

rm=1−ψm∗⊤ρ^mr_m = \sqrt{1 - \boldsymbol{\psi}_m^{*\top} \hat{\boldsymbol{\rho}}_m}

(usando a solução de Yule-Walker ψm∗\boldsymbol{\psi}_m^* e o vetor do lado direito ρ^m\hat{\boldsymbol{\rho}}_m da §3.5). Quando as ordens diferem entre os períodos sazonais do ciclo, os dois não precisam coincidir: o fechamento resolve a FAC implícita do modelo conjuntamente para todos os períodos sazonais, e não apenas a partir das autocorrelações amostrais do período sazonal em questão.

A partir das grandezas armazenadas e do rmr_m derivado, o PL requer duas grandezas adicionais, calculadas uma vez na inicialização: os coeficientes AR em unidades originais ψm,ℓ\psi_{m,\ell} da §2.2 (para os elementos da matriz de restrições do PL) e o desvio-padrão do ruído (a escala do ruído), recuperado na carga a partir da escala do ruído rmr_m derivada pelo fechamento da §4.1:

σm=sm⋅rm\sigma_m = s_m \cdot r_m

Nenhum outro valor de autocorrelação é necessário além da derivação pelo fechamento da §4.1. Todas as grandezas necessárias — ψm,ℓ\psi_{m,\ell}, σm\sigma_m e o rmr_m do qual dependem — são derivadas exclusivamente das estatísticas sazonais e dos coeficientes AR armazenados, sem dados históricos e sem entrada separada de escala do ruído.

Para um modelo estimado a partir do histórico, isso corresponde a σ^m=s^m rm\hat{\sigma}_m = \hat{s}_m\, r_m e, quando todos os períodos sazonais do ciclo têm a mesma ordem AR, a identidade de ordens iguais da §4.1 a reduz à expressão em forma fechada do próprio sistema de ajuste:

σ^m=s^m1−ρ^m⊤Rm−1ρ^m\hat{\sigma}_m = \hat{s}_m \sqrt{1 - \hat{\boldsymbol{\rho}}_m^\top \mathbf{R}_m^{-1} \hat{\boldsymbol{\rho}}_m}

O Novo Modelo impõe um conjunto pequeno e bem definido de invariantes, que se dividem em três grupos conforme o ponto em que a verificação é feita. Os coeficientes ajustados não são testados quanto à estacionariedade; os coeficientes fornecidos passam pelo filtro de estacionariedade do invariante 2.

Impostos na carga dos coeficientes AR:

  1. Derivação da ordem AR: o número de coeficientes armazenados por (usina hidrelétrica, estágio) determina a ordem AR pmp_m, e as defasagens devem estar presentes e ser contíguas {1,2,…,pm}\{1, 2, \ldots, p_m\}.
  2. Estacionariedade dos coeficientes fornecidos diretamente: quando os coeficientes AR de um grupo (usina hidrelétrica, período sazonal) são fornecidos diretamente, em vez de produzidos pelo procedimento interno de ajuste (§3), o fechamento da FAC periódica (§4.1) precisa aceitá-los — o sistema do fechamento deve ser solúvel (não singular), toda variância implícita do ruído rm2=1−∑ℓψm,ℓ∗ ρm(ℓ)r_m^2 = 1 - \sum_\ell \psi^*_{m,\ell}\,\rho_m(\ell) deve ficar acima de um piso numérico, toda autocorrelação implícita deve satisfazer ∣ρm(ℓ)∣≤1|\rho_m(\ell)| \le 1, e a monodromia periódica — o produto, tomado uma vez ao longo de todo o ciclo sazonal, das matrizes companheiras AR de cada período sazonal — deve ter raio espectral estritamente menor que 1 (avaliado por uma estimativa conservadora de limite superior, de modo que conjuntos limítrofes são rejeitados, e não aceitos). Um conjunto que não satisfaça alguma das condições é rejeitado de imediato. Independentemente da origem, porém, a própria derivação pelo fechamento (§4.1) é uma verificação final na carga: um sistema de fechamento singular é um erro de carga bloqueante que identifica a usina hidrelétrica, e um rmr_m derivado não finito — uma variância residual implícita negativa 1−∑ℓψm,ℓ∗ ρm(ℓ)1 - \sum_\ell \psi^*_{m,\ell}\,\rho_m(\ell), proveniente de um ajuste degenerado próximo de raiz unitária — é um erro de carga bloqueante que identifica a usina hidrelétrica e o período sazonal.

Imposto na validação do modelo montado:

  1. Desvio-padrão amostral positivo (erro): um período sazonal com ordem AR >0> 0 deve ter sm>0s_m > 0 — um desvio-padrão sazonal nulo não permite normalizar os coeficientes AR.

Imposto durante o ajuste, e não como teste a posteriori:

  1. Influência composta não negativa: após a seleção de ordem, as influências compostas das defasagens de cada período sazonal (§3.6) devem ser não negativas; um período sazonal que falha perde uma defasagem em seu teto de ordem e passa novamente por seleção e ajuste até que nenhum período sazonal falhe. Um período sazonal cujo ajuste inicial tem um coeficiente de magnitude acima do limite opcional de magnitude é redefinido para ordem 0, e, no caminho clássico, o mesmo ocorre com um período sazonal cujo primeiro coeficiente satisfaz ψm,1∗<0\psi^*_{m,1} < 0, após o ajuste inicial ou após qualquer novo ajuste. Um período sazonal cujo modelo implica uma variância residual negativa é reduzido da mesma forma (§3.6), de modo que o fechamento da §4.1 nunca rejeita um modelo ajustado por uma variância residual negativa; no caminho do PAR(p)-A, a influência composta inclui o termo anual (§7.6). No caminho clássico, um sistema periódico de Yule-Walker singular limita a ordem selecionável a valores inferiores à sua própria ordem (§3.5), de modo que o ajuste clássico nunca resolve um sistema singular.

As afluências são correlacionadas entre usinas hidrelétricas: a §6.1 estima a correlação entre usinas a partir do histórico de vazões, e o restante da seção a fatora. Gerar cenários espacialmente correlacionados exige fatorar a matriz de correlação entre usinas CC, de modo que um vetor de sorteios normais padrão independentes possa ser transformado em ruído correlacionado. Esta seção documenta a escolha do método de fatoração e sua justificativa.

Quando o modelo de afluências é ajustado a partir do histórico de vazões, total ou parcialmente, e o caso não fornece correlação, a matriz de correlação é estimada a partir do histórico, com base em uma de duas séries padronizadas, escolhida por estudo. A afluência padronizada da usina hidrelétrica hh no período histórico tt é

a~h,t=ah,t−μ^m(t)s^m(t)\tilde{a}_{h,t} = \frac{a_{h,t} - \hat{\mu}_{m(t)}}{\hat{s}_{m(t)}}

a afluência padronizada pelas estatísticas sazonais da §3.2, definida como zero quando s^m(t)=0\hat{s}_{m(t)} = 0; todo período observado tem uma. O resíduo padronizado da autorregressão é

ε~h,t=a~h,t−∑ℓ=1pm(t)ψm(t),ℓ∗ a~h,t−ℓ\tilde{\varepsilon}_{h,t} = \tilde{a}_{h,t} - \sum_{\ell=1}^{p_{m(t)}} \psi^*_{m(t),\ell}\, \tilde{a}_{h,t-\ell}

em que ψm,ℓ∗\psi^*_{m,\ell} são os coeficientes padronizados do modelo (§1.2). Um período tem resíduo apenas quando todas as pm(t)p_{m(t)} afluências defasadas correspondentes são observadas. No caminho do PAR(p)-A, o resíduo usa apenas os coeficientes das defasagens: o termo anual da §7.1 não entra nele. A série de resíduos mede a correlação das inovações εt\varepsilon_t da §1, o ruído que o gerador de cenários correlaciona; a série de afluências padronizadas mede a correlação das próprias afluências. As duas coincidem em um período sazonal em que todas as usinas têm ordem zero.

Duas estimativas são formadas a partir da série escolhida: a estimativa agregada C^\hat{C}, a partir dos seus valores em todos os períodos sazonais, e a estimativa por período sazonal C^m\hat{C}_m, a partir dos seus valores nos períodos pertencentes ao período sazonal mm. Cada elemento fora da diagonal é a correlação de Pearson entre os valores das duas usinas sobre os períodos em que ambas têm valor (uma estimativa por pares completos), com a covariância e os desvios-padrão calculados com o divisor de Bessel, igual ao número desses períodos menos um, diferentemente do divisor populacional da §3.2. O elemento é nulo quando há menos de dois desses períodos ou quando algum dos desvios-padrão sobre eles é inferior ao épsilon da máquina, e é limitado ao intervalo [−1,1][-1, 1]; todo elemento da diagonal é igual a um. Na série de afluências padronizadas, uma usina cujo desvio-padrão sazonal é zero no período sazonal mm tem valor zero em todos os períodos desse período sazonal, de modo que seus elementos fora da diagonal em C^m\hat{C}_m são nulos.

Os estágios do período sazonal mm usam C^m\hat{C}_m quando todo par de usinas tem pelo menos 30 desses períodos no período sazonal mm; todos os demais estágios usam C^\hat{C}. Como cada elemento é calculado sobre seu próprio conjunto de períodos, nenhuma das estimativas precisa ser semidefinida positiva; a §6.3 trata de uma matriz indefinida.

A abordagem clássica aplica a fatoração de Cholesky: dada C=LL⊤C = L L^\top, com LL triangular inferior, o ruído correlacionado é obtido como LzL z, em que z∼N(0,I)z \sim \mathcal{N}(0, I). A fatoração sem pivotamento exige que CC seja estritamente definida positiva; uma CC semidefinida positiva de posto deficiente requer uma variante com pivotamento, e uma CC indefinida, que a estimativa por pares completos da §6.1 pode produzir, não tem nenhum fator de Cholesky. Na prática, as matrizes de correlação estimadas a partir de séries de afluências são frequentemente quase singulares ou de posto deficiente, por dois motivos:

  • Séries amostrais curtas: os históricos de vazões frequentemente abrangem apenas algumas décadas, resultando em um comprimento de histórico NhistN^{\text{hist}} comparável ao número de usinas hidrelétricas em alguns subsistemas. Quando NhistN^{\text{hist}} é próximo da dimensão da matriz, os autovalores amostrais de CC se concentram perto de zero.
  • Séries heterogêneas: usinas com regimes hidrológicos quase idênticos (pares montante–jusante, mesma bacia hidrográfica) produzem colunas quase linearmente dependentes, reduzindo o posto efetivo de CC abaixo de sua dimensão nominal.

Uma matriz CC quase singular faz a fatoração de Cholesky sem pivotamento falhar ou produzir fatores triangulares inferiores numericamente degenerados. Seria necessária uma etapa de filtragem separada, para remover as usinas “degeneradas” antes da fatoração, descartando informação e introduzindo uma decisão de pré-processamento pouco transparente.

O Novo Modelo usa a raiz quadrada matricial simétrica obtida por autodecomposição. A matriz de correlação é decomposta como:

C=UΛU⊤C = U \Lambda U^\top

em que UU é a matriz ortogonal de autovetores e Λ=diag(λ1,…,λn)\Lambda = \mathrm{diag}(\lambda_1, \ldots, \lambda_n) é a matriz diagonal de autovalores. A raiz quadrada simétrica é então:

C1/2=UΛ1/2U⊤C^{1/2} = U \Lambda^{1/2} U^\top

Para tratar matrizes quase singulares, qualquer autovalor λi<0\lambda_i < 0 (que a estimativa por pares completos da §6.1 pode produzir) é truncado em zero antes de se tomar a raiz quadrada:

Λ~1/2=diag ⁣(max⁡(λ1,0), …, max⁡(λn,0))\tilde{\Lambda}^{1/2} = \mathrm{diag}\!\left(\sqrt{\max(\lambda_1, 0)},\, \ldots,\, \sqrt{\max(\lambda_n, 0)}\right)

Truncar em zero os autovalores negativos é a projeção espectral da matriz amostral sobre o cone das matrizes semidefinidas positivas — a matriz semidefinida positiva mais próxima na norma de Frobenius (Higham, 1988); veja Higham (2002) para o problema relacionado da matriz de correlação mais próxima, que também mantém a diagonal unitária.

O ruído correlacionado é então gerado como C1/2zC^{1/2} z, em que z∼N(0,I)z \sim \mathcal{N}(0, I).

Com a raiz truncada em C1/2C^{1/2}, o ruído gerado tem covariância C~=Umax⁡(Λ,0) U⊤\tilde{C} = U \max(\Lambda, 0)\, U^\top, em que max⁡(Λ,0)=diag(max⁡(λ1,0),…,max⁡(λn,0))\max(\Lambda, 0) = \mathrm{diag}(\max(\lambda_1, 0), \ldots, \max(\lambda_n, 0)); essa é a projeção acima, e ela é igual a CC quando nenhum autovalor é negativo. Como CC tem diagonal unitária, ∑iUhi2λi=1\sum_i U_{hi}^2 \lambda_i = 1 para toda usina hidrelétrica hh, sendo UhiU_{hi} a componente do autovetor ii na usina hh, de modo que

C~hh=∑iUhi2max⁡(λi,0)=1+∑i: λi<0Uhi2∣λi∣≥1\tilde{C}_{hh} = \sum_i U_{hi}^2 \max(\lambda_i, 0) = 1 + \sum_{i:\, \lambda_i < 0} U_{hi}^2 \lvert \lambda_i \rvert \ge 1

Não há renormalização posterior, de modo que o truncamento eleva acima de um a variância marginal do ruído de cada usina afetada.

A forma espectral trata nativamente matrizes de correlação de posto deficiente: os autovetores correspondentes a autovalores truncados (nulos) não contribuem para a fatoração, que é o comportamento correto para direções de variância nula. Não é necessária nenhuma filtragem prévia de usinas hidrelétricas degeneradas.

A regra de truncamento é fixa e transparente — exatamente os autovalores estritamente negativos são anulados, e nada mais é alterado. As autodireções com autovalores não negativos mantêm seus autovalores inalterados. Quando algum autovalor é truncado, o ruído gerado tem covariância C~\tilde{C} (§6.3) em vez de CC: sua diagonal excede um para toda usina com componente ao longo de um autovetor truncado, e seus elementos fora da diagonal em geral diferem dos de CC.

PropriedadeAutodecomposição (Novo Modelo)Cholesky
Trata CC de posto deficienteSim — o truncamento a torna robustaSó com pivotamento
Trata CC indefinidaSim — o truncamento a projeta sobre o cone das matrizes semidefinidas positivasNão — requer um reparo prévio
Custo computacionalMaior (autodecomposição completa)Menor em matrizes bem condicionadas
Etapa de filtragem de usinas degeneradasNão necessáriaNecessária para CC quase singular sem pivotamento
Transparência da aproximaçãoTrunca exatamente os autovalores negativos; a variância gerada pode exceder umFalha numérica ou pivô pouco transparentes

O custo computacional maior é aceitável porque a fatoração é feita uma vez por configuração de estudo, e não no caminho crítico da simulação forward.

O PAR(p) clássico da §1 captura a dependência temporal em defasagens até uma ordem pp pequena (mantida baixa em ciclos mensais, pois o sistema periódico de Yule-Walker se torna mal condicionado em ordens mais altas). Em séries longas de afluências, isso basta para reproduzir a persistência dentro do ano, mas não a persistência plurianual visível nos superperíodos secos/úmidos do histórico. A extensão PAR(p)-A (Treistman et al., 2020) acrescenta um único coeficiente anual à estrutura AR periódica para capturar essa persistência de longo alcance sem aumentar a ordem AR.

A extensão é selecionada pela regra de seleção de ordem com componente anual (§3.6). Quando ativa, o modelo inclui uma tripla adicional por (usina hidrelétrica, período sazonal), além do conjunto de parâmetros clássico.

Seja Ah,t−1A_{h,t-1} a média móvel de 12 meses das vazões incrementais que termina um estágio antes de tt:

Ah,t−1=112∑ℓ=112ah, t−ℓA_{h,t-1} = \frac{1}{12} \sum_{\ell=1}^{12} a_{h,\, t-\ell}

A janela sempre calcula a média das últimas doze observações, de modo que Ah,t−1A_{h,t-1} é uma média de um ano apenas em um ciclo mensal (M=12M = 12); com a extensão ativa em qualquer usina hidrelétrica, a afluência realizada (§2.5) lê doze defasagens, ou a maior ordem clássica, se esta for maior.

O modelo PAR(p)-A acrescenta à §1 o desvio padronizado de Ah,t−1A_{h,t-1} em relação à sua própria média sazonal:

ah,t  =  μm(t)  +  ∑ℓ=1pψm(t),ℓ (ah,t−ℓ−μm(t−ℓ))  +  ψm(t)A (Ah,t−1−μm(t)A)  +  σm(t)⋅εta_{h,t} \;=\; \mu_{m(t)} \;+\; \sum_{\ell=1}^{p} \psi_{m(t),\ell}\,(a_{h,t-\ell} - \mu_{m(t-\ell)}) \;+\; \psi^A_{m(t)}\,(A_{h,t-1} - \mu^A_{m(t)}) \;+\; \sigma_{m(t)} \cdot \varepsilon_t

em que:

  • μmA\mu^A_{m}, σmA\sigma^A_{m}: média amostral e desvio-padrão com divisor populacional do próprio regressor anual do período sazonal — os valores de Ah,t−1A_{h,t-1} nos estágios tt do período sazonal mm, isto é, as janelas móveis cuja observação mais recente cai no período sazonal anterior (§7.3)
  • ψm(t)A\psi^A_{m(t)}: coeficiente anual em unidades originais no período sazonal m(t)m(t) — derivado em execução a partir do coeficiente padronizado armazenado (§7.4)
  • Todos os demais símbolos têm o significado clássico da §1

Quando a extensão PAR(p)-A está inativa, o termo anual está ausente e o modelo se reduz exatamente ao da §1.

Para cada (usina hidrelétrica, período sazonal), o caminho do PAR(p)-A armazena três grandezas adicionais:

GrandezaSímboloDescrição
Coeficiente anual padronizadoψmA∗\psi^{A*}_mSaída de Yule-Walker para o termo anual — adimensional
Média sazonal anualμmA\mu^A_mMédia amostral do regressor anual Ah,t−1A_{h,t-1} do período sazonal mm (m³/s)
Desvio-padrão sazonal anualσmA\sigma^A_mDesvio-padrão com divisor populacional do regressor anual Ah,t−1A_{h,t-1} do período sazonal mm (m³/s, >0> 0)

O coeficiente padronizado ψmA∗\psi^{A*}_m é a saída direta do sistema periódico de Yule-Walker estendido descrito abaixo (§7.5). Armazenar μmA\mu^A_m e σmA\sigma^A_m junto com as estatísticas sazonais de ah,⋅a_{h, \cdot} permite a conversão de unidades em execução da §7.4 sem reler o histórico.

Formam-se todas as médias móveis de 12 meses At=112∑ℓ=112ah, t+1−ℓA_t = \frac{1}{12} \sum_{\ell=1}^{12} a_{h,\, t + 1 - \ell} que o histórico cronológico permite, e cada janela é atribuída ao período sazonal seguinte à sua observação mais recente — o período sazonal cujos estágios usam essa janela como regressor Ah,t−1A_{h,t-1}. As estatísticas armazenadas para o período sazonal mm descrevem, portanto, exatamente o regressor que os estágios desse período sazonal enxergam. Para cada grupo (usina hidrelétrica, período sazonal mm) de valores {A(w)}\{A^{(w)}\}:

μ^mA  =  1NmA∑wA(w)σ^mA  =  1NmA∑w(A(w)−μ^mA)2\hat{\mu}^A_m \;=\; \frac{1}{N^A_m} \sum_{w} A^{(w)} \qquad \hat{\sigma}^A_m \;=\; \sqrt{\frac{1}{N^A_m} \sum_{w} \bigl(A^{(w)} - \hat{\mu}^A_m\bigr)^2}

Ambos os estimadores usam o divisor populacional 1/NmA1/N^A_m, seguindo a convenção da §3.2 e garantindo que nenhum fator de escala amostral vs. populacional se propague para a FACP condicional da §7.5. São necessárias pelo menos 13 observações cronológicas para que uma usina hidrelétrica participe do PAR(p)-A — o mínimo necessário para formar uma média móvel de 12 meses.

O coeficiente padronizado armazenado ψmA∗\psi^{A*}_m é convertido no coeficiente em unidades originais ψmA\psi^A_m na construção do PL, usando as estatísticas sazonais e as estatísticas anuais:

ψmA  =  ψmA∗⋅smσmA\psi^A_{m} \;=\; \psi^{A*}_m \cdot \frac{s_m}{\sigma^A_m}

A conversão espelha a da §2.2 para os coeficientes AR clássicos. O termo anual ψm(t)A⋅(Ah,t−1−μm(t)A)\psi^A_{m(t)} \cdot \bigl(A_{h,t-1} - \mu^A_{m(t)}\bigr) é então expandido pela definição da janela na construção do PL: cada um dos 12 coeficientes de defasagem recebe ψm(t)A/12\psi^A_{m(t)}/12 além de seu valor clássico, e a base determinística absorve a contribuição correspondente das médias por meio das médias dos períodos sazonais das defasagens — o PL não contém uma variável anual separada, e o valor da janela móvel é obtido inteiramente pelas variáveis de estado de defasagem que ele já contém.

7.5 Seleção de ordem e estimação dos coeficientes

Seção intitulada “7.5 Seleção de ordem e estimação dos coeficientes”

A seleção de ordem do PAR(p)-A é condicionada ao regressor anual. Seja ZZ a série padronizada de afluências, isto é, a afluência padronizada por suas estatísticas sazonais (§3.2), e seja o regressor anual At−1A_{t-1} da §7.1 padronizado por suas próprias estatísticas sazonais (§7.3). A entrada da seleção de ordem é a FACP condicional na defasagem kk, definida como a autocorrelação parcial entre o valor de ZZ no estágio corrente e seu valor na defasagem kk, condicionada às defasagens intermediárias de ZZ e a At−1A_{t-1}. O cálculo da FACP condicional exige uma decomposição particionada da covariância que distingue os blocos Z⊗ZZ \otimes Z, Z⊗AZ \otimes A e A⊗Z−1A \otimes Z_{-1}.

A FACP condicional alimenta a regra de seleção de ordem pela FACP da §3.6, com a ordem mínima 1 do PAR(p)-A e a regra das defasagens com desvio-padrão nulo descritas ali.

Todo bloco usa um divisor pelo tamanho do maior grupo. O bloco Z⊗ZZ \otimes Z é a autocovariância da §3.4, dividida pela maior das contagens de observações de seus dois períodos sazonais, e os blocos Z⊗AZ \otimes A e A⊗Z−1A \otimes Z_{-1} dividem pelo maior dos tamanhos de seus dois grupos:

γ^Z⊗A(ℓ)  =  1max⁡(∣A∣, ∣Z∣)∑w(Z(w)−Zˉ)(A(w)−Aˉ)\hat{\gamma}_{Z \otimes A}(\ell) \;=\; \frac{1}{\max(|A|,\, |Z|)} \sum_w \bigl(Z^{(w)} - \bar{Z}\bigr)\bigl(A^{(w)} - \bar{A}\bigr)

A convenção do maior grupo é necessária porque AA exclui, por construção, o primeiro ano de ZZ (uma janela móvel de 12 meses não pode se ancorar nas 12 primeiras observações). A contagem estrita de pares distorceria a escala das correlações cruzadas e enviesaria a FACP condicional.

Uma vez selecionada a ordem pp, os coeficientes (ψm,1∗,…,ψm,p∗,ψmA∗)(\psi^*_{m,1}, \ldots, \psi^*_{m,p}, \psi^{A*}_m) são obtidos resolvendo o sistema periódico de Yule-Walker estendido:

Rm ext(ψm,1∗⋮ψm,p∗ψmA∗)=ρ^m ext\mathbf{R}^{\,\text{ext}}_m \begin{pmatrix} \psi^*_{m,1} \\ \vdots \\ \psi^*_{m,p} \\ \psi^{A*}_m \end{pmatrix} = \hat{\boldsymbol{\rho}}^{\,\text{ext}}_m

em que Rm ext\mathbf{R}^{\,\text{ext}}_m é a covariância particionada (p+1)×(p+1)(p+1) \times (p+1) cujas pp primeiras linhas reproduzem as linhas do sistema periódico de Yule-Walker clássico (§3.5) e cuja última linha acrescenta os elementos Z⊗AZ \otimes A e A⊗AA \otimes A. O lado direito ρ^m ext\hat{\boldsymbol{\rho}}^{\,\text{ext}}_m acrescenta o alvo A⊗Z−1A \otimes Z_{-1}.

Sistema estendido singular. A matriz estendida pode ser singular mesmo quando seu bloco principal p×pp \times p, a matriz periódica de Yule-Walker clássica da §3.5, não o é, de modo que a garantia do invariante 4 (§5) cobre apenas o caminho clássico. Um período sazonal cujo sistema estendido é singular na ordem selecionada assume ordem 0, com coeficiente anual ψmA∗=0\psi^{A*}_m = 0.

Como no caso clássico, a escala do ruído não é uma saída do ajuste. Para um modelo PAR(p)-A, o fechamento da §4.1 é aplicado ao sistema efetivo de 12 defasagens: o regressor anual é um funcional linear das últimas 12 afluências, de modo que expandi-lo por defasagem resulta em um AR periódico efetivo cujo coeficiente padronizado da defasagem ℓ\ell é o ψm,ℓ∗\psi^*_{m,\ell} clássico (nulo além de pmp_m) mais a contribuição anual ψmA∗⋅sm−ℓ/(12 σmA)\psi^{A*}_m \cdot s_{m-\ell} / (12\,\sigma^A_m). A escala do ruído rmr_m é derivada da FAC implícita desse sistema efetivo, e a escala do ruído em execução é σm=sm⋅rm\sigma_m = s_m \cdot r_m, exatamente como na §4.2.

A redução iterativa de Maceira & Damázio da §3.6 também é aplicada a todo o ciclo periódico no caminho do PAR(p)-A, sobre os coeficientes do sistema efetivo de 12 defasagens da §7.5. O regressor anual é a média das últimas 12 afluências, de modo que o termo anual se soma a toda defasagem até 12, e a influência composta da §3.6 é avaliada na forma em unidades originais (§2.2) dos coeficientes padronizados combinados

cm,k  =  ψm,k∗  +  ψmA∗⋅sm−k12 σmA,k=1,…,12,c_{m,k} \;=\; \psi^*_{m,k} \;+\; \psi^{A*}_m \cdot \frac{s_{m-k}}{12\,\sigma^A_m}, \qquad k = 1, \ldots, 12,

com ψm,k∗=0\psi^*_{m,k} = 0 para k>pmk > p_m, nas defasagens 1,…,pm1, \ldots, p_m de cada período sazonal de ordem pm≥1p_m \ge 1. Um período sazonal de ordem pm>1p_m > 1 que falha passa novamente por seleção e ajuste com teto pm−1p_m - 1, o que atualiza tanto ψm∗\psi^*_m quanto ψmA∗\psi^{A*}_m; um período sazonal de ordem 1 que falha assume ordem 0 com ψmA∗=0\psi^{A*}_m = 0. O limite de magnitude se aplica ao ajuste inicial como no caminho clássico, e nenhum período sazonal é redefinido apenas por um ψm,1∗\psi^*_{m,1} negativo.

Quando nenhum período sazonal falha, o fechamento da §4.1 deriva a variância residual implicada pelo modelo de cada período sazonal no sistema efetivo de 12 defasagens. Um período sazonal cuja variância residual implicada é negativa é reduzido da mesma forma, e o laço se repete até que nenhuma das duas verificações aponte um período sazonal.

CondiçãoCaminho
Regra clássica de seleção de ordemPAR(p) clássico — tripla anual ausente (§3)
Regra de seleção de ordem com componente anualPAR(p)-A — tripla anual obrigatória para todo (usina hidrelétrica, período sazonal)
Grupo classificado como constante ou saturado (§3.3)Ordem efetiva 0 em ambos os caminhos; termo anual suprimido quando o desvio-padrão sazonal colapsa
Sistema periódico de Yule-Walker estendido singular na ordem selecionada (§7.5)Período sazonal do PAR(p)-A com ordem 0 e coeficiente anual ψmA∗=0\psi^{A*}_m = 0
Defasagens selecionadas alcançam um período sazonal com desvio-padrão nulo (§3.3)Período sazonal do PAR(p)-A com ordem 0, mantendo o coeficiente anual de sua resolução estendida
Usina hidrelétrica com menos de 13 observações no caminho do PAR(p)-AFalha bloqueante durante o ajuste (sem retorno silencioso ao caminho clássico)

Os dois caminhos compartilham o produtor de estatísticas sazonais da §3.2; alternar entre eles não altera silenciosamente μ^m\hat{\mu}_m nem s^m\hat{s}_m. O caminho do PAR(p)-A usa a mesma fatoração da correlação espacial do caminho clássico (§6).

A separação em dois planos da §1.2 mostra que recondicionar apenas as estatísticas sazonais (μm\mu_m, sms_m) — mantendo inalterados ψ∗\psi^* e o rmr_m derivado pelo fechamento — reescala a dinâmica clássica preservando exatamente a estrutura de correlação, para qualquer reescalonamento por período sazonal. O termo anual do PAR(p)-A, em geral, não compartilha essa propriedade.

Assim como rmr_m, o desvio-padrão sazonal anual σmA\sigma^A_m é um funcional da própria estrutura de momentos de segunda ordem do processo — não é um parâmetro independente do termo anual. Diferentemente de rmr_m, porém, ele é mantido como dado de condicionamento armazenado (§7.2), em vez de ser derivado novamente de ψ∗\psi^* na carga. O coeficiente anual em execução ψmA\psi^A_m (§7.4) é ψmA=ψmA∗⋅sm/σmA\psi^A_m = \psi^{A*}_m \cdot s_m / \sigma^A_m, de modo que uma troca de condicionamento preserva a contribuição do termo anual para a estrutura de correlação apenas quando σmA\sigma^A_m é reescalado pelo mesmo fator que sms_m em todos os períodos sazonais — um reescalonamento uniforme s~m=c sm\tilde s_m = c\, s_m para todo mm, que resulta em σ~mA=c σmA\tilde\sigma^A_m = c\,\sigma^A_m e mantém ψmA\psi^A_m inalterado. Uma troca de condicionamento variável por período sazonal — que reescala sms_m por fatores diferentes em períodos sazonais diferentes — mantém σmA\sigma^A_m no valor anterior à troca enquanto sms_m se altera, deslocando ψmA\psi^A_m e perturbando a estrutura de correlação que se pretendia preservar.

A metodologia acima define o modelo de afluências PAR(p); as abas abaixo mostram como a interface do software do Novo Modelo o configura, o alimenta e informa seus resultados.

O bloco de nível superior estimation do config.json do Novo Modelo, os arquivos de entrada do PAR(p) em scenarios/ e o scenarios/correlation.json configuram o processo de estimação e de correlação descrito na metodologia acima. Esta aba mostra quais entradas do PAR fornecer e como a estimação e a correlação são configuradas; as equações que esses campos alimentam estão nas seções acima.

O bloco estimation é uma chave de nível superior do config.json (no mesmo nível de training) e controla o processo de ajuste do PAR(p) nos caminhos de estimação (linhas 4–6 da tabela da próxima seção):

{
"estimation": {
"max_order": 6,
"order_selection": "pacf",
"min_observations_per_season": 30,
"max_coefficient_magnitude": null,
"correlation_target": "inflows"
}
}

A seção estimation da referência de configuração lista todos os campos e seus valores padrão e descreve o comportamento de min_observations_per_season.

correlation_target seleciona a série da §6.1 da metodologia a partir da qual uma correlação estimada é calculada: "inflows", o padrão, para as afluências padronizadas, ou "residuals" para os resíduos da autorregressão ajustada. Ele não tem efeito em um caminho que não estima correlação (linhas 1–3 e 7 da tabela abaixo) nem quando scenarios/correlation.json é fornecido.

history_years limita os anos de scenarios/inflow_history.parquet que a estimação lê, como um intervalo inclusivo, por exemplo {"from": 1931, "to": 2024}; quando ausente, todos os anos são lidos. Ele se aplica a todo caminho que estima a partir do histórico (linhas 4–6) e não restringe nenhum outro leitor do arquivo: a tendência hidrológica derivada, o esquema historical e as aberturas historical_residuals. A seção estimation informa quais amostras um intervalo mantém e quais intervalos são recusados.

Definir "order_selection": "pacf_annual" ativa a componente anual do PAR(p)-A (§7 da metodologia): o sistema periódico de Yule-Walker é estendido com o termo de correlação cruzada anual, as estatísticas amostrais por período sazonal da média móvel de 12 meses são calculadas, e a tripla ajustada (ψmA∗\psi^{A*}_m, média anual, desvio-padrão anual) é gravada em inflow_annual_component.parquet — ver a aba Entradas e saídas. Quando ausente (ou definido como "pacf"), apenas o caminho clássico do PAR(p) é executado e nenhuma tripla anual é produzida.

Resolução da origem das afluências — Escolha dos arquivos a fornecer

Seção intitulada “Resolução da origem das afluências — Escolha dos arquivos a fornecer”

O modelo de afluências PAR(p) é construído a partir de até cinco arquivos em scenarios/. Três deles determinam a resolução do caminho — sua presença ou ausência seleciona qual dos sete caminhos de estimação o Novo Modelo executa:

SímboloArquivoPapel
Hscenarios/inflow_history.parquetObservações históricas por janela, para o ajuste
Sscenarios/inflow_seasonal_stats.parquetMédia/desvio-padrão sazonais fornecidos pelo usuário
Rscenarios/inflow_ar_coefficients.parquetCoeficientes AR fornecidos pelo usuário

Os outros dois arquivos atuam de forma ortogonal sobre o caminho resolvido: scenarios/correlation.json prevalece em todos os caminhos quando presente (correlação identidade, caso contrário, a menos que o caminho a estime); e scenarios/inflow_annual_component.parquet só é respeitado nos caminhos de repasse (linhas 2, 3 e 7 abaixo) — os caminhos de estimação (4, 5 e 6) sempre o sobrescrevem com os valores ajustados.

#HSRCaminhoEstatísticas sazonaisCoeficientes ARCorrelação
1000Deterministicsem modelo PARnenhumidentidade, a menos que correlation.json seja fornecido
2010UserStatsWhiteNoisearquivo do usuárioordem 0 (ruído branco)identidade, a menos que correlation.json seja fornecido
3011UserProvidedNoHistoryarquivo do usuárioarquivo do usuárioidentidade, a menos que correlation.json seja fornecido
4100FullEstimationajustadas a partir de Hajustados a partir de H (PACF + Yule-Walker + Maceira & Damázio)estimada a partir de H, a menos que correlation.json seja fornecido
5101UserArHistoryStatsajustadas a partir de Harquivo do usuárioestimada a partir de H (com "residuals", os resíduos dos coeficientes do usuário), a menos que correlation.json seja fornecido
6110PartialEstimationarquivo do usuário (o ajuste usa estatísticas estimadas a partir de H)ajustados a partir de Hestimada a partir de H, a menos que correlation.json seja fornecido
7111UserProvidedAllarquivo do usuárioarquivo do usuárioidentidade, a menos que correlation.json seja fornecido (o histórico não é reutilizado)

Casos com R = 1, mas H = 0 e S = 0, recaem na linha 1 — coeficientes AR sozinhos não conseguem conduzir a estimação.

Uma correlação estimada (linhas 4–6, quando nenhum correlation.json é fornecido) contém um perfil agregado "default". Em um ciclo com mais de um período sazonal, contém também um perfil season_<id> para cada período sazonal em que todo par de usinas tem pelo menos 30 períodos com valor das duas usinas — o id do período sazonal completado com zeros à esquerda até a largura do maior id, como em season_03 em um ciclo de doze períodos sazonais — e um cronograma que associa cada estágio desse período sazonal ao seu perfil. Todos os demais estágios usam o perfil agregado (§6.1 da metodologia).

Receitas práticas:

ObjetivoArquivos a fornecerCaminho
Teste rápido do PL sem estocasticidade(nenhum arquivo de cenários)1
Níveis sazonais determinísticos, sem autorregressãoinflow_seasonal_stats.parquet2
PAR(p) totalmente especificado pelo usuário, sem arquivo de históricoinflow_seasonal_stats.parquet, inflow_ar_coefficients.parquet e, para ordem AR acima de 0, recent_observations cobrindo as posições de defasagem3
Automático: ajustar tudo a partir das observações brutasinflow_history.parquet4
Ajustar as estatísticas a partir do histórico e substituir a estrutura ARinflow_history.parquet, inflow_ar_coefficients.parquet5
Substituir os níveis (média/desvio-padrão), mas deixar o Novo Modelo ajustar o ARinflow_history.parquet, inflow_seasonal_stats.parquet6
Fornecer todos os parâmetros, inclusive o termo anual do PAR(p)-AOs três arquivos H, S e R (e, opcionalmente, o arquivo anual)7
Fixar uma correlação espacial personalizada em qualquer caminhoAcrescentar correlation.jsonqualquer

scenarios/inflow_history.parquet — Observações históricas por janela

Seção intitulada “scenarios/inflow_history.parquet — Observações históricas por janela”

O registro por janelas é obrigatório para conduzir qualquer um dos caminhos de estimação (H = 1 acima) e, sempre que presente, é a camada base a partir da qual se constrói a tendência hidrológica derivada (ver “Inicialização das defasagens e do acumulador” abaixo).

Toda usina hidrelétrica em hydros.json deve ter pelo menos uma janela de observação neste arquivo quando a estimação está ativa. As colunas, as regras das janelas e os papéis do arquivo estão em scenarios/inflow_history.parquet.

Inicialização das defasagens e do acumulador — recent_observations

Seção intitulada “Inicialização das defasagens e do acumulador — recent_observations”

Independentemente de qual caminho de estimação (se houver) o inflow_history.parquet conduz, seu registro por janelas é a semente das posições de defasagem do PAR do primeiro estágio do estudo e do acumulador de afluência do período em curso. O vetor opcional recent_observations de initial_conditions.json condiciona essa semente: as entradas têm o mesmo formato hydro_id / start_date / end_date / value_m3s de inflow_history.parquet e o substituem dia a dia onde os dois se sobrepõem (as duas séries nunca são mescladas). value_m3s aceita valores negativos nos dois arquivos: a grandeza é a vazão incremental, de modo que uma janela negativa é hidrologia real (ver Métodos de tratamento de afluências negativas).

Quando scenarios/inflow_ar_coefficients.parquet é fornecido, o registro deve cobrir integralmente cada posição de defasagem até a ordem AR máxima e, com componente anual, cada posição da janela anual de doze períodos que os próprios períodos concluídos do estudo não substituem; caso contrário, o caso é recusado na carga (BusinessRuleViolation). Uma lacuna em uma posição mais profunda, que os próprios períodos concluídos do estudo empurram para fora da janela de defasagens antes do fim do estudo, gera apenas um aviso.

Quando os coeficientes são estimados, essa verificação de cobertura não é executada: um período de defasagem que o registro cobre apenas parcialmente é inicializado com a média dos dias cobertos, e um período sem nenhum dia coberto é inicializado com zero.

Em qualquer dos caminhos, um período do primeiro estágio já em curso no início do estudo que o registro cobre apenas parcialmente é aceito, com um aviso; sem nenhum dia coberto, seu acumulador é inicializado com zero.

scenarios/correlation.json — Configuração da correlação espacial

Seção intitulada “scenarios/correlation.json — Configuração da correlação espacial”

Perfis nomeados de grupos de correlação, com um cronograma opcional de associação de estágios a perfis:

{
"method": "spectral",
"profiles": {
"default": {
"correlation_groups": [
{
"name": "basin_south",
"entities": [
{ "type": "inflow", "id": 0 },
{ "type": "inflow", "id": 1 }
],
"matrix": [
[1.0, 0.7],
[0.7, 1.0]
]
}
]
},
"wet_season": {
"correlation_groups": [
{
"name": "basin_south",
"entities": [
{ "type": "inflow", "id": 0 },
{ "type": "inflow", "id": 1 }
],
"matrix": [
[1.0, 0.85],
[0.85, 1.0]
]
}
]
}
},
"schedule": [{ "stage_id": 0, "profile_name": "wet_season" }]
}

A correlação é modelada de forma independente por classe de entidade — afluência, carga e NCS têm, cada uma, sua própria estrutura de correlação espacial, e não há termo de correlação entre classes (ver Geração de cenários §2.1).

Todos os campos e regras de carga do arquivo estão em scenarios/correlation.json.

Sob o esquema forward out_of_sample, um estágio cujo sampling_method seja historical_residuals ou selective sorteia ruído por Monte Carlo simples, e a execução registra um aviso que identifica a classe de entidade e os ids dos estágios afetados. Para a mensagem, ver Geração de cenários — aba Notas de implementação, Avisos.

  • Formulação do PL — As linhas do PL do estágio que leem a afluência realizada
  • Aumento do espaço de estados — Estado das defasagens de afluência: expansão do estado, defasagens de saída, projeção do estado do corte
  • Folding do PAR(p) — A afluência realizada fora do PL do estágio e os coeficientes dos cortes nas defasagens pela regra da cadeia
  • Métodos de tratamento de afluências negativas — Métodos para tratar realizações negativas produzidas pelo modelo PAR(p)
  • Geração de cenários — Quando cenários externos de afluência são usados no treinamento (training), a simulação backward transforma o ruído da árvore de aberturas em afluências com o modelo PAR aplicado, no qual as usinas hidrelétricas com ordem AR 0 e sem componente anual assumem a média e o desvio-padrão das amostras externas.
  • Convenções de notação — Define os símbolos das afluências (ah,ta_{h,t}, μm\mu_m, ψm,ℓ\psi_{m,\ell}, σm\sigma_m) e as convenções de unidades