Escolar Documentos
Profissional Documentos
Cultura Documentos
Metodologia de Previsão de
Carga de Longo Prazo de
Energia Elétrica
Orientador:
Prof. Tomaz Nunes Cavalcante Neto.
In modeling the prediction is used a software called EVIES 5.1. This program
provides data management, analysis and econometric statistics also generate forecasts
or model simulations, and produce graphs and tables of high quality.
RESUMO ............................................................................................................ ii
1 INTRODUÇÃO ................................................................................................... 9
1.1 Previsão de Carga ........................................................................................... 9
1.2 Apresentação do Problema ........................................................................... 12
1.3 Motivações, Justificativas e Importância do Trabalho ..................................... 12
1.4 Objetivos do Trabalho ..................................................................................... 13
1.5 Metodologia e Estrutura do Trabalho .............................................................. 13
9
distribuidoras. Isto porque a compra de energia passou a ser feita exclusivamente por
meio de leilões, com base no critério do menor preço.
Antes da realização de cada leilão, as distribuidoras têm de enviar ao
Ministério de Minas e Energia (MME) as previsões de cargas para três cenários: início
de fornecimento após cinco anos da contratação (A-5) , três anos(A-3) e um ano(A-1).
Os ajustes na demanda e no consumo de energia são definidos pelas regras do
mercado spot, cujos preços são mais altos do que os dos leilões regulares.
As previsões de carga com cinco anos de antecedência têm por objetivo
permitir ao governo o planejamento para licitações de novas usinas geradoras. Esses
empreendimentos necessitam de um horizonte de planejamento bastante amplo, que
se estende a até 20 anos.
A busca da exatidão das previsões é vital porque a lei prevê que a
distribuidora utilize 100% da energia que contratou, e as margens de variação
permitidas são bem pequenas. Na prestação de contas anual à Agência Nacional de
Energia Elétrica (ANEEL), caso a empresa tenha feito uma compra inferior em mais de
3% à energia distribuída, poderá incorrer em penalidades. O objetivo do governo,
nesse quesito, foi estabelecer regras para assegurar que não falte energia.
Em caso inverso, ou seja, se a distribuidora comprar energia a mais, ela
somente pode repassar esse custo às tarifas se a margem de erro for de até 3%. Se
tiver adquirido energia em um percentual acima deste, a distribuidora deve arcar com
os custos sem transferi-los ao consumidor. Com essa regra, o governo quis garantir a
menor tarifa possível.
Em relação à estimação, a evolução das técnicas de modelagem de
consumo de energia elétrica é marcante. No passado, extrapolações em linha reta de
tendências históricas do consumo de energia serviram muito bem. Entretanto, com a
introdução de mercados cada vez mais competitivos, com o surgimento de novas
tecnologias e combustíveis alternativos (na oferta de energia e no uso-final), a partir
das mudanças nos estilos de vida, tornou-se fundamental utilizar técnicas de
modelagem que capturem o efeito de fatores tais como preços, renda, população,
tecnologia e outras variáveis econômicas, demográficas, políticas e tecnológicas.
10
No caso do Brasil, após o processo de privatização da infra-estrutura iniciada
na década de 90, nota-se uma grande preocupação atual em expandir e modernizar
todos os segmentos ligados à energia elétrica, de forma a sustentar as projeções de
crescimento do país.
Ainda a partir do novo modelo, o planejamento da expansão do sistema
realizado pelo MME, que tinha caráter indicativo passa a ser determinativo. Como a
energia elétrica é um bem não estocável, este planejamento deve visar a uma
antecedência de pelo menos dois anos em relação ao crescimento de consumo, tempo
mínimo de maturação de uma usina termelétrica. Desta forma, previsões de
crescimento de carga também darão subsídio a este planejamento estratégico. Ainda
neste contexto, a separação dos modelos em classes de consumo (residencial,
industrial, comercial e outras) se torna muito útil, uma vez que determinadas políticas
podem atingi essas classes de maneira diferenciada, já que cada tipo de consumidor
tem um comportamento específico e uma tarifa própria.
11
1.2 Apresentação do Problema
13
A etapa inicial deste trabalho foi o estudo de conceitos teóricos,
acompanhado de uma revisão da literatura acerca da previsão, suas técnicas e
aplicações, bem como questões voltadas à análise de séries temporais e os
respectivos métodos existentes para previsão das mesmas. Este estudo foi resumido
no Capítulo 2.
Já no Capítulo 3 é apresentada a caracterização da demanda, uma
descrição das principais classes de consumo e as principais variáveis que infuenciam
nessas classes, assim como no consumo global.
No Capítulo 4 são relatados os riscos associados à previsão e os principais
motivos dos desvios.
No Capítulo 5 é apresentado o estudo de caso para a previsão de carga.
Também nesse tópico é comentado sobre o EVIEWS, suas funcionalidades.
No Capítulo 6 é comentado sobre os riscos inerentes às previsões de
demanda e seus impactos na distribuidora de energia elétrica, assim como a aplicação
das ferramentas de gestão de riscos associados à previsão de demanda da
concessionária no novo contexto regulatório brasileiro.
Finalmente, o Capítulo 7 apresenta as conclusões obtidas através da
previsão.
14
2 FUNDAMENTAÇÃO TEÓRICA SOBRE PREVISÃO DE DEMANDA
15
condição final. Por isso, os Modelos Determinísticos são inadequados quando não é
possível definir as condições iniciais com boa precisão.
O golpe final nos Modelos Determinísticos ocorreu no início do século XX,
com o avanço da Física Quântica.
Para compensar as limitações das técnicas determinísticas, foram
desenvolvidos Modelos Probabilísticos. Através desses Modelos, conhecendo a
velocidade exata de uma partícula, é possível definir suas posições mais prováveis ou
a probabilidade de uma determinada posição ocorrer.
Os Modelos Probabilísticos mostraram-se úteis em outros setores do
conhecimento humano. Por exemplo, atualmente um Modelo Probabilístico auxiliou na
definição das metas e consumo de energia elétrica estabelecidas pelo Plano de
Contingenciamento do Governo Federal, afetando diretamente a vida de boa parte da
população brasileira. (Rodrigues, 2007)
De acordo com Morettin e Toloi (2006), uma série temporal pode ser definida
como um conjunto de variáveis estocásticas (probabilísticas) equiespaçadas e
ordenadas no tempo. Já segundo Klein (1997), um sinal que depende do tempo e é
medido em pontos particulares no tempo é sinônimo de uma série temporal.
Do ponto de vista da previsão, Newbold (1995) definiu que uma série
temporal seria uma seqüência cronológica de observações, de uma variável de
interesse particular, que quando analisadas poderiam ajudar a previsão a partir das
características passadas desta série.
Sendo assim, tendo disponíveis os dados passados é possível iniciar o
estudo de uma série temporal, levando em consideração uma abordagem matemática
e estatística capaz de modelar equações que traduzam os mecanismos responsáveis
pela geração desta série. Desta forma, pode-se investigar sua evolução e
comportamento.
16
Também segundo Morettin e Toloi (2006), os principais objetivos da análise
e estudo de séries temporais são:
• Investigação do mecanismo gerador da série;
• Realização de previsões de valores futuros a curto/longo prazo;
• Descrição do comportamento da série através da verificação
gráfica de características tais como: tendência, ciclo, sazonalidade e
periodicidade.
De acordo com Corrar (2004), os dados que constituem uma série temporal
de demanda de energia elétrica podem sofrer a influência de diversos fatores, como:
17
b) Variações cíclicas: São conhecidas como variações que representam
movimentos regulares em torno da reta ou da curva de tendência e
referem-se às oscilações ao longo prazo. Os ciclos podem ser ou não
periódicos, isto é, podem ou não seguir padrões análogos, depois de
intervalos de tempos iguais.
18
dispersão etc., podem ser ferramentas úteis para a análise das
séries;
Pelo exposto acima, fica nítido que, para começar a análise de uma série
temporal, o ideal é realizar uma decomposição da série em componentes com
características peculiares, como: tendência, ciclo e sazonalidade.
A tendência de uma série mostra seu comportamento a longo prazo, já que
através da extrapolação deste movimento, que pode ser crescente, decrescente ou de
natureza estável, é possível estimar qual será a continuidade desta série.
Já os ciclos podem ser revelados através das oscilações existentes na série.
São intervalos periódicos não constantes e superiores à variação sazonal. Tais
oscilações que podem ser de queda ou subida, de maneira suave ou brusca,
acompanham a série ao longo da componente tendência.
Por fim, a sazonalidade se evidencia de maneira semelhante ao ciclo,
caracterizando-se também pelas variações positiva e negativa, porém ocorre de forma
periódica. Assim, tem-se a diferença entre a sazonalidade e o ciclo, já que enquanto a
sazonalidade é previsível pelo fato de ser periódica, o ciclo é imprevisível, pois se
manifesta de modo inconstante.
19
Uma rede neural se assemelha ao cérebro em dois aspectos [Haykin, 2001]:
20
controle do erro, mas exigem informações quantitativas preliminares.
A subjetividade dos analistas está na escolha do método que será
utilizado, no qual são divididos em:
21
a) Regressão simples. É o caso em que se considera a demanda
relacionada a apenas uma variável causal.
b) Regressão múltipla. Quando consideradas duas ou mais variáveis
causais supostamente ligadas à demanda.
25
a verdadeira relação melhor que outra, inúmeras variações geralmente são estimadas
para se saber a melhor adequação entre os dados para as variáveis independentes
com a dependente.
Uma maneira para descobrir qual forma funcional deve inicialmente ser
testada pode ser conseguida colocando-se em um gráfico tais relações, como a
variável dependente ao longo do tempo (caso seja uma série temporal) e cada variável
independente em relação à variável dependente. Os resultados dessa análise
preliminar indicarão se uma equação linear é mais apropriada ou se curvas
logarítmicas, exponenciais ou outras transformações são mais adequadas.
Segundo Davis (2001), normalmente a análise de séries temporais é
utilizada em situações de curto prazo, enquanto que a previsão causal é geralmente
aplicada em planejamento de longo prazo. Os modelos de previsão que uma empresa
deve adotar dependem de uma série de fatores, incluindo:
1. Horizonte de previsão;
2. Disponibilidade de dados;
3. Precisão necessária;
4. Disponibilidade de pessoal qualificado.
26
período. Além disso, as redes neurais realizam cálculos muito mais rapidamente do
que as técnicas de previsão tradicionais.
Davis (2001) cita o caso de uma distribuidora de eletricidade americana que
já utiliza redes neurais para prever, no curto prazo, as necessidades de energia com
sete ou até dez dias de antecedência. Anteriormente, apenas previsões de médio
prazo, ou seja, três meses à frente, eram possíveis de se obter com as técnicas
tradicionais.
As redes neurais podem ser divididas em duas categorias gerais: as
supervisionadas e as não-supervisionadas. Nos modelos supervisionados, dados
históricos são utilizados para “treinar” o software. Nos modelos não supervisionados,
nenhum treinamento ocorre. Em vez disso, o software pesquisa e identifica padrões
que existem em um determinado conjunto de dados.
Como desvantagens apresentadas pelas redes neurais, até o momento,
citam-se a impossibilidade de fornecer um intervalo de confiança para as previsões e o
fato de não conseguirem prever com um horizonte maior que o mensal, em função da
necessidade de grande quantidade de dados de entrada.
27
3 PREVISÃO DE DEMANDA
28
prever o dia de amanhã com mais exatidão do que um dia no
próximo ano.
Existem vários métodos disponíveis para se obter uma previsão, tendo como
premissa alguns fatores, entre os principais:
29
Apesar disso, muitos métodos disponibilizam recursos para prever dentro de
um intervalo de valores com certa precisão. Além do mais que há possibilidade de se
controlar o erro da previsão de forma que, se ele aumentar expressivamente, se tenha
a oportunidade de mudar para outro método mais adequado.
Objetivo do Modelo
Monitoração do Modelo
A primeira etapa serve para definir a razão pela qual será necessário prever;
o produto que será previsto e o grau de confiabilidade desta previsão. A etapa seguinte
consiste em coletar e analisar os dados históricos do produto, no sentido de identificar
e desenvolver a técnica de previsão que melhor se adapte.
Depois disso, define-se a melhor técnica de previsão que podem ser
qualitativas, baseadas na opinião de especialistas e as quantitativas que consiste na
análise de dados históricos através de modelos matemáticos.
30
Com a escolha da técnica de previsão, podem-se obter as projeções de
demanda ou vendas futuras e, à medida que estas previsões forem sendo calculadas,
deve-se comparar com as demandas reais alcançadas para que se possa efetuar um
monitoramento do modelo, calculando o erro obtido.
32
De acordo com o fluxograma acima, a demanda de energia elétrica é uma
variável de resultado que depende de uma ampla gama de fatores que, na maioria dos
casos, estão fora do controle dos agentes envolvidos, sejam eles consumidores ou
supridores. Esta dependência assume contornos de grande complexidade, pois
envolve variáveis interdependentes e com efeitos cruzados entre si, cobrindo desde
variações climáticas até decisões de política energética, tecnológica, industrial.
33
distribuição. A variável número de domicílios com energia elétrica depende de outras
duas, a evolução do estoque de domicílios (urbanos e rurais) e da taxa de
atendimento, ou seja, do ritmo de ligação desses domicílios à rede de distribuição
tornado-os unidades consumidoras.
34
denominados especiais. Também apresenta uma gama de variáveis determinantes
para a classe de consumo.
35
3.3.4 Demanda Total de Energia Elétrica
36
No estudo em análise, será apresentada a técnica para a previsão de carga
utilizando dados da Companhia Energética do Estado do Ceará (COELCE).
Será utilizada uma ferramenta computacional, Eviews 5.1, para realizar a
estimativa de carga em um horizonte de 5 anos. Após a obtenção desses dados, são
incorporadas as novas cargas, que se enquadram os Projetos do Governo do Estado e
de iniciativa privada.
37
3.4.2 Acompanhamento da Evolução da Demanda
38
b) Impacto econômico esperado dos desvios, caso venham a ocorrer,
em termos dos seguintes parâmetros:
39
3.4.2.2 Identificação das Variáveis Explicativas
40
A matriz pode ser elaborada de acordo com o modelo abaixo:
Classe de consumo
Fatores
Residencial Industrial Comercial
PIB Nacional
PIB Estadual
População
Número de Domicílios
Tarifa de Energia
Eficientização
Estímulo ao Consumo
Renda Disponível
Taxa de Câmbio
Perdas Comerciais
41
• Comportamento de toda a série histórica, tentando verificar se
ocorreu alguma oscilação na trajetória de crescimento do consumo;
• Consumo típico mensal;
• Homogeneização de uma série, auxiliando em melhores
comparações, devido a uma mesma base de análise;
• Dados previstos e realizados;
• Estrutura do consumo por classe;
• Taxas de expansão anuais;
• Taxas de crescimento mês a mês, doze meses sobre doze meses
e mês de um ano de referência sobre os demais.
43
4 RISCOS DEVIDO ÀS INCERTEZAS NA PREVISÃO
Toda previsão qualquer que seja ela, traz consigo um risco. Do ponto de
vista operacional, o risco de modelo é o que se apresenta com maior importância,
levando-se em conta o grau de incerteza envolvido no processo de previsão da
demanda.
Os impactos das previsões de demanda, assim como as possíveis causas
dos desvios de previsão podem ser vistos com maiores detalhes abaixo.
44
de maior custo que a anterior, tendo assim, investimento e tarifas
superiores ao que seria necessário.
c) Aquisição do insumo energia elétrica: Analisando as regras de
contrato de energia previstas para a nova sistematização do setor
elétrico no Brasil, as distribuidoras tiveram um maior cuidado em obter
previsões coerentes, assim como atingir a minimização do erro,
devido às sanções.
Essas penalidades estão em não reconhecer integralmente, por
parte do regulador, os diversos custos de aquisição no repasse às
tarifas, tendo como reflexo uma tarifa mais barata.
46
Outro modelo de previsão é a condicional. Nele, os valores de
uma ou mais variáveis explicativas não são conhecidas pelo analista,
de tal forma que é necessário utilizar também previsões para gerar a
estimativa de uma variável dependente. Pelo fato de estimar variáveis
relevantes na modelagem da previsão, é incorporado incerteza no
processo de previsão, gerando assim, uma margem de erro.
Utilizando a equação anterior para estimar o valor de P(t) em 3
meses, seria necessário também fazer a previsão de Y1(t) um mês
futuro, tornando a previsão de P(t) condicional em relação a variável
Y1(t).
47
5 ESTUDO DE CASO
48
A seguir, é ilustrado o fluxograma da previsão de demanda. Foi adotada a
previsão a partir da carga própria por ter uma melhor resposta de previsão e também
por possuir um erro mínimo.
49
Consumo por Classe - GWh
3.000
2.000
GWh
1.000
-
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
Residencial Industrial Comercial
9.000
6.000
GWh
3.000
-
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
50
Na figura 5, fica bem nítida a mudança na curva do consumo devido ao efeito
do racionamento, provocando uma considerável redução no consumo de energia
elétrica.
51
As estatísticas de ajuste calculadas pelo E-Views são:
52
5.4 Análise das Variáveis Explicativas
10.000
7.500
GWh
5.000
2.500
0
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
53
Outro parâmetro relevante utilizado no modelo de previsão é o PIB Brasil.
Na figura 7, tem-se os valores desde 1973 até 2009 realizado e, para os próximos 5
anos, foi feita uma estimação dos dados de acordo com os relatórios do Banco Central.
3.600.000
2.600.000
106 R$
1.600.000
600.000
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
Figura 7: PIB Brasil 106 R$ desde 1973
5,7% 5,7%
5,1%
4,0% 4,1% 4,3% 4,2% 4,0%
3,5%
3,2%
1,1%
-0,2%
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
54
A variação do crescimento do PIB brasileiro é atribuída basicamente aos
reflexos das crises internacionais, uma vez que nosso país é fortemente dependente
de capitais externos e de produtos do exterior.
Mesmo não utilizando o PIB Ceará, as populações estadual e nacional,
assim como o número de domicílios do estado, seguem os gráficos para
conhecimento.
PIB Ceará 103 R$
100.000
70.000
103 R$
40.000
10.000
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
Figura 9: PIB Ceará 103 R$ desde 1973
9,7% 9,7%
8,2%
7,0% 7,5%
6,5%
4,3% 4,8%
3,6% 4,1%
3,1%
0,6%
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
10
8
Milhões
4
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
Figura 11: População do Ceará em Milhões desde 1973
220
200
Milhões
180
160
140
120
100
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
56
Outro comportamento para análise é o número de domicílios do Estado do
Ceará. A taxa média de crescimento anual é de 2,4%.
3.000.000
2.500.000
2.000.000
1.500.000
1.000.000
500.000
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
Figura 13: Domicílios do Ceará desde 1973
57
Durante a simulação, os resultados ficaram mais ajustados quando se
utilizou a defasagem para as variáveis CREQ e PIBNOVO. Também o erro padrão da
regressão apresentou-se menor.
Variável Coeficiente
LOG(CREQ(-1)) 0.931610
LOG(PIBNOVO(-1)) 0.076917
RAC87 -0.131910
RAC01 -0.142045
58
Na modelagem utilizada, a série histórica da carga própria participa com o
maior coeficiente, sinalizando ser a variável mais importante na previsão de demanda.
Outra variável com peso no modelo é o PIB Brasil. Já o racionamento entra no modelo
com um fator redutor de consumo, sendo explicitado através do coeficiente negativo.
Outro ponto importante é S.E. of regression (erro padrão da regressão).
O desvio do modelo de previsão adotado está em torno de 4%.
Assim, a equação estimada para a carga própria será dada pela seguinte
função:
17
16
15
14
.15
.10 13
.05
.00
-.05
-.10
1975 1980 1985 1990 1995 2000 2005
59
Nota-se uma boa estimação da equação, visto que a curva da carga própria
simulada pela função (Fitted) está bem aderente à carga realizada (Actual), pois a reta
de regressão estimada se ajusta aos dados realizados em 99,73%. Dessa forma,
espera-se que a previsão para os próximos 5 anos esteja também muito próxima da
carga realmente consumida.
Após a simulação, a série de dados CREQ, onde se encontra a série
histórica da carga própria desde o ano de 1973 até 2009, disponibilizará os dados
previstos para os anos de 2010 até 2014. Segue a seguir os valores estimados pelo
programa.
60
Somando a carga própria estimada pelo programa às novas cargas, tem-se a
carga própria total. Abaixo, tem um resumo de cada segmentação e a carga própria
total.
12.000
10.000
8.000
GWh
6.000
4.000
2.000
0
73
75
77
79
81
83
85
87
89
91
93
95
97
99
01
03
05
07
09
11
13
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
62
6 GESTÃO DE RISCOS DAS PREVISÕES E SUA APLICAÇÃO
6.1 Introdução
64
6.3.3 Estratégia de Contratação
65
6.3.4.1 Análise Gráfica dos Resultados
1600
1500
MW médios
1400
1300
1200
1100
1000
2010 2011 2012 2013 2014
6.3.5 Penalidades
6.3.5.1 Subcontratação
67
7 CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS
69
8 REFERÊNCIAS BIBLIOGRÁFICAS
Newbold, P., Statistics for Business & Economics, Prentice Hall, 4th edition, 1995
Hill, R. C., GRIFFITHS, W.E., JUDGE, G.G. Econometria. Saraiva. São Paulo, 2003.
Schwartz, P. A arte da visão de longo prazo. Best Seller. São Paulo, 2003.
Haykin, S., Redes Neurais – princípios e prática. 2. ed. Porto Alegre: Bookman,
2001. 900p.
70