O uso de sistemas eficientes de previsão de afluências de curto, médio e longo prazo permite otimizar a operação do conjunto de reservatórios hidroelétricos brasileiros, elevando o grau de segurança no fornecimento de energia elétrica e minimizando os custos operacionais. 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 estrutura de dependência existente entre as diversas escalas temporais, reduzindo a qualidade das previsões e simulações de afluências. Nesta dissertação, visando contribuir com a melhoria das previsões de vazão de curto prazo, são desenvolvidos e aperfeiçoados modelos estatísticos de previsão a partir de uma estrutura hierárquica, onde as vazões geradas para as menores escalas temporais (semanais) apresentam uma estrutura de dependência das vazões geradas para as maiores escalas (mensais). As previsões mensais são obtidas por meio de um modelo periódico auto-regressivo exógeno (PARX), que utiliza informações climáticas de larga escala como covariáveis, de forma a aumentar os horizontes temporais de previsões das vazões e melhor representar a variabilidade espacial entre os postos fluviométricos. O modelo mensal PARX é aplicado na previsão de afluências aos vinte e oito principais reservatórios hidroelétricos de regularização do país. Previsões semanais para os mesmos reservatórios são obtidas a partir dos modelos utilizados pelo ONS e são atualizadas a partir da integração com as previsões mensais obtidas pelo modelo mensal PARX por meio da técnica de Ponderação Bayesiana de Modelos (BMA), que consiste em estimar pesos para os modelos semanal e mensal tendo como base o desempenho desses modelos, permitindo também obter uma estimativa das incertezas acerca dos mesmos. Assim, as previsões semanais atualizadas irão consistir de uma média ponderada das previsões obtidas pelos modelos semanal e mensal e o contexto Bayesiano de estimação dos pesos. Os resultados obtidos por meio de validação cruzada apontam um ganho estatisticamente significante em termos de previsibilidade quando as previsões semanais disponibilizadas pelo ONS são integradas via BMA com as previsões mensais oriundas do modelo PARX, a partir da análise das quatro métricas de desempenho utilizadas – raiz do erro médio quadrático (RMSE), erro médio percentual absoluto (MAPE), indicador de Nash-Sutcliffe (NS) e distância multicritério (DM). Tendo como base os dados observados e as previsões semanais utilizadas pelo ONS para o período entre janeiro de 2009 e setembro de 2014, observa-se um aumento médio na qualidade das previsões: 7,46% de ganho médio no indicador DM, para as previsões com uma semana de antecedência; 10,99%, para as previsões com duas semanas; 6,39%, nas previsões com três semanas; 10,08%, nas previsões com quatro semanas; 4,39%, nas previsões com cinco semanas de antecedência e 4,14%, com seis semanas. A partir desses resultados e em virtude da praticidade de implementação da técnica BMA nas atuais previsões semanais utilizadas pelo ONS, julga-se ser essa uma ferramenta eficaz e promissora para o aperfeiçoamento das previsões de vazão dos reservatórios do Sistema Interligado Nacional (SIN).
The use of efficient systems of short, medium and long term inflows forecast, allows optimizing the operation of the Brazilian interconnected hydroelectric reservoirs, raising the level of security of electricity supply and minimizing operating costs. The current forecast models used by the Brazilian Electric System Operator (ONS) tend to be limited in the forecast horizon and in the modeling of the dependence structure among the different time scales, thus reducing the quality of inflows forecasts and simulations. In this dissertation, in order to contribute to the improvement of short-term flow forecasts, it has developed and improved statistical forecasting models based on a hierarchical structure, where the flows generated for smaller time scales (weekly) present a structure dependence on the flows generated for the larger scales (monthly). The monthly forecasts are obtained from a periodic autoregressive exogenous model (PARX), which makes use of large-scale climate information as covariates in order to increase the time horizons of flow forecasts and better represent the spatial variability among gauging stations. The monthly PARX model is tested to inflows forecasts in the twenty eight major hydroelectric regularization reservoirs in the country. Weekly forecasts for the same reservoirs are obtained from the models used by ONS and updated from the integration with the monthly predictions obtained by the monthly model PARX through Bayesian Models Averaging technique (BMA), which is to estimate weights for the weekly and monthly models based on the performance of these models, also allowing to obtain an estimation of the uncertainty about them. Thus, updated weekly forecasts will consist of a weighted average of the forecasts obtained by weekly and monthly models and the Bayesian context of estimation of weights. The results obtained by cross validation show a statistically significant gain in terms of predictability when the weekly forecasts provided by the ONS are integrated via BMA with monthly forecasts derived from the PARX model, based on the analysis of four performance metrics used – root mean square error (RMSE), mean absolute percentage error (MAPE), Nash-Sutcliffe indicator (NS) and multicriteria distance (DM). Based on the observed data and the weekly forecasts used by the ONS for the period between January 2009 and September 2014, there was an average increase in the quality of the forecasts: 7,46% average gain in the DM indicator, for predictions for one week lead time; 10,99% for two weeks forecasts lead time; 6,39%, for three weeks; 10,08%, for four weeks; 4,39%, for five weeks forecasts lead time and 4,14%, for six weeks. From these results and because of the practicality of implementing the BMA technique on current weekly forecasts used by the ONS, is believed to be such an effective and promising tool for improving inflows forecasts to the National Interconnected Power System (SIN) reservoirs.