MODELAGEM E PREVISÃO DA GERAÇÃO DE POTÊNCIA FOTOVOLTAICA NO

MUNICÍPIO DE TEÓFILO OTONI

MODELING AND FORECASTING FOR PHOTOVOLTAIC POWER GENERATION IN THE

CITY OF TEÓFILO OTONI

Larissa Guimarães Rocha1*

Marcos Oliveira Medeiros1
Luan Diego de Lima Pereira1

RESUMO
Visto o cenário favorável à geração de energia fotovoltaica no Brasil, sobretudo no estado de
Minas Gerais, o presente trabalho visa ao desenvolvimento de um modelo probabilístico de
geração de energia solar, como tecnologia de geração distribuída, a partir de dados históricos
de temperatura e irradiação solar da região de Teófilo Otoni, município de Minas Gerais. A
modelagem da potência solar é obtida por meio da Simulação de Monte Carlo. Como forma de
minimizar o erro, ao se utilizar dados médios de variáveis estocásticas, foi feita uma análise da
correlação entre a temperatura e a irradiação solar, utilizando a cópula de banda diagonal. O
modelo de previsão de geração de potência solar com dados correlacionados resultou em um
aumento de 17% da produção anual, quando comparado ao que utiliza dados médios,
proporcionando uma maior confiabilidade e precisão na previsão.
Palavras-chave: Previsão de Geração. Geração Distribuída. Energia Fotovoltaica. Simulação
de Monte Carlo.

ABSTRACT
Given the favorable scenario for photovoltaic energy generation in Brazil, especially in the state
of Minas Gerais, this work aims to develop a probabilistic model of solar energy generation, as
a distributed generation technology, based on historical data on temperature and irradiation in
the region of Teófilo Otoni, municipality of Minas Gerais. The modeling of solar power is
obtained through the Monte Carlo simulation. As a way to minimize the error when using
average data of stochastic variables, an analysis of the correlation between temperature and
solar irradiation was performed, using the diagonal band copula. The solar power generation
prediction model with correlated data resulted in a 17% increase in annual production, when
compared to the one using average data, providing greater reliability and accuracy in the
forecast.
Keywords: Generation Forecast. Distributed Generation. Photovoltaic Energy. Monte Carlo
Simulation.

1Instituto Federal do Norte de Minas Gerais (IFNMG).

*Contato: <lgr2@aluno.ifnmg.edu.br>.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 38

Seção: ARTIGOS ORIGINAIS
 1. INTRODUÇÃO

O Brasil possui grande potencial em geração de energia solar, devido aos altos níveis de
insolação. Esse setor passou a crescer quando, em 2012, entrou em vigor a Resolução
Normativa ANEEL nº 482/2012, autorizando o consumidor brasileiro a gerar sua própria
energia elétrica a partir de fontes renováveis ou cogeração qualificada e, inclusive, fornecer o
excedente para a rede de distribuição de sua localidade (ANEEL, 2018).
Com o advento da Geração Distribuída, o setor de energia solar vem crescendo nos
últimos anos e vários são os pesquisadores que estudam o dimensionamento e a viabilidade da
implantação de usinas solares. Entretanto, prever a geração de energia fotovoltaica não é uma
tarefa fácil, dada à natureza estocástica das variáveis que governam esse processo, como a
temperatura e a irradiação solar.
Com isso, este trabalho visa modelar e prever a geração de potência solar para o
município de Teófilo Otoni, localizado no Vale do Mucuri em Minas Gerais. Para isso, foi
adotada uma metodologia capaz de lidar com as características de intermitência e volatilidade
do perfil de irradiação solar. Para determinar a potência gerada, foi utilizada a simulação de
Monte Carlo, por meio das funções de densidade de probabilidade da série histórica de
irradiação solar e de temperatura da região de estudo. Posteriormente, foi feita a modelagem da
dependência estocástica entre a temperatura e a irradiação solar, a fim de minimizar o erro
causado ao utilizar dados médios das variáveis estocásticas.

2. FUNDAMENTAÇÃO TEÓRICA

2.1. Geração Distribuída

Geração Distribuída, ou GD, são tecnologias que geram eletricidade diretamente ou bem
próximo ao local de consumo, tais como: painéis fotovoltaicos, geradores eólicos e biomassa.
Ao comparar a GD com a Geração Centralizada, que é a geração de energia obtida por meio de
geradoras de grande porte, a GD apresenta diversas vantagens (SOUZA, 2014).
Com a geração próxima ao local de consumo, diminuem-se possíveis perdas na
transmissão de energia, disponibilizando uma tensão elétrica mais estável; possibilita, ao
consumidor, o acesso à geração de energia elétrica mais barata do que a oferecida por

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 39

Seção: ARTIGOS ORIGINAIS
 concessionárias; contribui para a variação da matriz energética, aumentando, assim, a segurança
do fornecimento energético.
Atualmente, a geração distribuída no Brasil representa 53% da matriz solar fotovoltaica,
sendo o Estado de Minas Gerais o líder em geração distribuída no país, responsável por 19,6%
de toda a geração de energia solar (ANEEL/ABSOLAR, 2020).

2.2. Métodos de Previsão de Geração de Energia

É difícil simular a energia solar com precisão por ela estar estreitamente ligada ao clima,
temperatura ambiente, estação do ano, hora do dia e geografia. Porém, métodos probabilísticos
de modelagem de dados respaldados em técnicas analíticas ou no método de Monte Carlo são
eficazes para lidar com a característica estocástica da energia solar e são amplamente utilizados
na literatura, como em Moradi e Abedini (2012), Oliveira (2013), Ahmadigorji e Amjady
(2014), Devi e Geethanjali (2014), Kaur, Kumbhar e Sharma (2014), Fiorotti (2015) e Pereira
(2018).
Apesar de serem mais complexos e demandarem grande esforço computacional,
procedimentos que se baseiam na Simulação de Monte Carlo são capazes de gerar resultados
mais precisos que os obtidos em métodos analíticos (ABDELAZIZ et al., 2014).

2.3. Processos Estocásticos

Os processos estocásticos representam modelos matemáticos que descrevem sistemas

que variam no tempo de forma aleatória. Um exemplo desse processo é a temperatura ambiente,
na qual não é possível verificar uma relação clara entre os valores de tempo e temperatura
(CABRAL, 2006; GEMIGNANI, 2018).
Os sistemas estocásticos não podem ser descritos precisamente por um modelo
matemático que possa ser avaliado analiticamente. Dessa forma é preciso descrevê-los por meio
de funções densidade de probabilidade, obtendo, assim, uma previsão do resultado com uma
incerteza associada (CABRAL, 2006; GEMIGNANI, 2018).
Visando preservar a natureza estocástica da irradiação solar, é utilizada a Simulação de
Monte Carlo para determinar a potência fornecida pela GD. Este método consiste de um
procedimento numérico que se utiliza de números aleatórios, ou pseudoaleatórios, para tratar

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 40

Seção: ARTIGOS ORIGINAIS
 grandezas não necessariamente aleatórias, baseado na Lei dos Grandes Números e no Teorema
do Limite Central.
A técnica consiste em gerar valores aleatórios para cada distribuição de probabilidade
dentro de um modelo, com o objetivo de simular um número relativamente grande de cenários.
Considerando um erro de 5%, com um intervalo de confiança de 99%, será necessário simular
10.000 cenários (SOUZA, 2006; PEREIRA, 2018). A dependência entre duas variáveis
aleatórias pode ser avaliada se suas esperanças e variâncias são conhecidas. O coeficiente de
correlação de Pearson permite obter uma medida independente de escala da dependência de
variáveis aleatórias (LAUTENSCHLEGER, 2018).
Uma função de dependência é obtida da aplicação de cópulas – funções de distribuição
multidimensionais, cujas distribuições marginais são uniformes do intervalo [0, 1]. Existem, na
literatura, as famílias de cópulas, como as cópulas normais, elípticas, banda diagonal, entre
outras. Cada família de cópulas resulta em uma distribuição multidimensional diferente
(LAUTENSCHLEGER, 2018).

3. METODOLOGIA

Para modelar a geração de energia, foram utilizados os dados das séries históricas da
irradiação solar e temperatura, no período entre os anos de 2014 e 2019, de 1 em 1 hora, de uma
estação meteorológica próxima à região de estudo, fornecidos pelo Instituto Nacional de
Meteorologia (INMET). Os dados de irradiação solar e temperatura variam de acordo com a
hora do dia e a estação do ano, devendo, portanto, ser preservada sua sazonalidade.
Cada estação do ano foi subdividida em 14 segmentos de horas, que compreendem o
horário de 6 às 19 horas – período em que se tem incidência de radiação solar –, sendo que cada
hora representa uma hora específica para toda a estação. Portanto, o ano foi dividido em 56
segmentos de tempo (14h x 4 estações). Considerando 30 dias por mês, cada segmento de tempo
tem 540 leituras de dados (6 anos × 30 dias/mês × 3 meses/estação × 1 leitura/hora).
Os dados históricos são utilizados para modelar a irradiação solar, por meio da
distribuição Beta. A FDC de Beta é representada por (1).

𝛤(𝛼(𝑖) + 𝛽(𝑖)) 𝑟 𝛼−1 𝑟 𝛽−1 𝛼 > 0, 𝛽 > 0 (1)

𝑓(𝑟) = ( ) (1 − )
𝛤(𝛼(𝑖)) × 𝛤(𝛽(𝑖)) 𝑟𝑚𝑎𝑥 (𝑖) 𝑟𝑚𝑎𝑥 (𝑖)

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 41

Seção: ARTIGOS ORIGINAIS
 Onde 𝑟 é a irradiação solar (kW/m²), 𝑟𝑚𝑎𝑥 (𝑖) a irradiação máxima no período 𝑖 (kW/m²),
𝛤 a função gama e 𝛼(𝑖) e 𝛽(𝑖) os parâmetros de forma no período 𝑖.
Os fatores de forma α e β podem ser calculados pela média μ e desvio padrão σ da
irradiação solar, como mostrado em (2) e (3). Logo após, é feita a Simulação de Monte Carlo,
que atribui 10.000 valores aleatórios de irradiação solar a cada um dos 56 intervalos horários.
Valores esses que são retirados aleatoriamente da FDC Beta de cada intervalo de tempo (ATWA
et al., 2010).

𝜇(𝑖)(1 − 𝜇(𝑖)) (1 ≤ 𝑖 ≤ 56) (2)

𝛽(𝑖) = (1 − 𝜇(𝑖)) × [( 2
) − 1]
𝜎(𝑖)

𝜇(𝑖)𝛽(𝑖) (1 ≤ 𝑖 ≤ 56) (3)

𝛼(𝑖) =
1 − 𝜇(𝑖)

Para preservar a natureza estocástica, minimizando as incertezas, optou-se por

correlacionar as grandezas de irradiação solar e temperatura por meio de cópulas, conforme
metodologia utilizada por Othman et al. (2015). A força de dependência entre a temperatura e
a irradiação solar é medida utilizando o ranque de correlação (𝜌𝑟 ). O ranque de correlação das
variáveis aleatórias 𝑋 e 𝑌 com as FDCs 𝐹𝑋 e 𝐹𝑌 é dado por (4).

𝜌𝑟 (𝑋, 𝑌) = 𝜌(𝐹𝑋 (𝑋), 𝐹𝑌 (𝑌)) (4)

Onde 𝜌(𝐹𝑋 (𝑋), 𝐹𝑌 (𝑌)) é a correlação de Pearson entre as duas FDCs e pode ser
calculado por (5).
𝐶𝑜𝑣(𝐹𝑋 , 𝐹𝑌 )
𝜌(𝐹𝑋 (𝑋), 𝐹𝑌 (𝑌)) = (5)
𝜎(𝐹𝑋 )𝜎(𝐹𝑌 )

Onde 𝐶𝑜𝑣 e 𝜎 são a covariância e o desvio padrão, respectivamente. O ranque de

correlação é simétrico e assume valores no intervalo [-1, 1]. Valores negativos indicam
dependência inversa entre variáveis aleatórias, valores positivos, dependência direta, e o valor
nulo representa variáveis independentes.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 42

Seção: ARTIGOS ORIGINAIS
 Para variáveis uniformes, a correlação de Pearson é igual ao ranque de correlação (𝜌 =
𝜌𝑟 ), porém, na maioria dos casos, eles não são. A relação entre as duas correlações para
distribuições normais multivariadas é dada por (6).

𝜋 (6)
𝜌(𝑋, 𝑌) = 2𝑠𝑒𝑛 ( 𝜌𝑟 (𝑋, 𝑌))
6

Onde 𝑋 e 𝑌 são vetores aleatórios com distribuição normal multivariada.

A fim de investigar as propriedades dessas distribuições, é inserida a noção de cópula
para a modelagem da dependência estocástica na análise de incerteza. A cópula tem como
função separar o efeito da dependência do efeito das distribuições marginais em uma
distribuição conjunta, formulando distribuições multivariadas para que qualquer dependência
possa ser representada. Cópulas são funções de distribuição multivariada, em que as
distribuições marginais são uniformes no intervalo [0, 1]. As variáveis aleatórias 𝑋 e 𝑌 podem
ser conjuntas pela cópula 𝐶 se sua distribuição conjunta puder ser escrita por (7).

𝐹𝑋𝑌 (𝑋, 𝑌) = 𝐶(𝐹𝑋 (𝑋), 𝐹𝑌 (𝑌)) (7)

Por definição, se as FDCs são inversíveis, então elas podem ser escritas na forma
𝐹𝑋 (𝑋) = 𝑢 e 𝐹𝑌 (𝑌) = 𝑣, de acordo com a relação (8).

𝑋 = 𝐹𝑋−1 (𝑈) ⟺ 𝑈 = 𝐹𝑋 (𝑋) (8)

Onde 𝑢 e 𝑣 são realizações das variáveis aleatórias uniformes 𝑈 e 𝑉, respectivamente.

Neste caso, (7) torna-se (9).

𝐶𝑉|𝑈 (𝑢, 𝑣) = 𝐹(𝑥, 𝑦) = 𝐹 (𝐹𝑥−1 (𝑢), 𝐹𝑦−1 (𝑣)) (9)

Onde 𝐶𝑉|𝑈 é a distribuição condicional de 𝑉|𝑈 (cópula de 𝑋 e 𝑌) e 𝐹 −1 é o inverso da

função de distribuição normal univariada padrão.
Para simular a correlação entre as variáveis aleatórias, foi aplicada a cópula de banda
diagonal (CBD), pois ela é facilmente calculada e dispensa aproximações numéricas. Sua

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 43

Seção: ARTIGOS ORIGINAIS
 representação é dada pela Figura 1. A CBD possui uma largura de banda vertical de 1 − 𝜃, com
𝜃 ∈ [0,1].

Figura 1. Cópula de banda diagonal

Fonte: Adaptado de Kotz e Van Dorp (2010).

A relação de 𝜃 com o coeficiente de Pearson (𝜌) é dada por (10).

1 4 1 27 11 (10)
𝜃= + 𝑠𝑒𝑛 ( 𝑎𝑟𝑐𝑠𝑒𝑛 ( |𝜌| − ))
3 3 3 16 16

Com a CBD, é possível calcular a distribuição condicional inversa, obtendo as FDCs

originais das grandezas de temperatura e irradiação solar, dada por (11).

−1
𝐶𝑉|𝑈 (𝑡|𝑢, 𝜃) = {(1 − 𝜃)𝑡, 𝑢 > 1−𝜃𝑒𝑡 (11)
𝑢
<1− (1 − 𝜃)𝑡 + 𝜃, 𝑢>𝜃𝑒𝑡
1−𝜃
1−𝑢
> 2(1 − 𝜃)𝑡 + 𝑢 − 1 + 𝜃, 𝑜𝑢𝑡𝑟𝑜𝑠
1−𝜃

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 44

Seção: ARTIGOS ORIGINAIS
 A potência de saída do módulo depende da irradiação solar, da temperatura do ambiente
e de características do próprio módulo. Logo, com as FDCs Beta geradas para cada intervalo
horário, é calculada a potência de saída simulada dos módulos utilizando as fórmulas de (13) a
(17) (ABDELAZIZ et al., 2014).

𝑁𝑜𝑡 − 20
𝑇𝑐 = 𝑇𝑎 + 𝑟 ( ) (13)
0,8

𝐼 = 𝑟[𝐼𝑠𝑐 + 𝐾𝑖 (𝑇𝑐 − 25)] (14)

𝑉 = 𝑉𝑜𝑐 − 𝐾𝑣 × 𝑇𝑐 (15)

𝑉𝑚𝑝𝑝 × 𝐼𝑚𝑝𝑝
𝐹𝐹 = (16)
𝑉𝑜𝑐 × 𝐼𝑠𝑐

𝑃𝑠 = 𝐹𝐹 × 𝑉 × 𝐼 (17)

Em que 𝑇𝑐 é a temperatura do painel em °C; 𝑇𝑎 a temperatura média do ambiente em

°C; 𝑁𝑜𝑡 a temperatura nominal de operação da célula em °C; 𝐼 a corrente na célula (A); 𝐼𝑠𝑐 a
corrente de curto circuito (A); 𝐾𝑖 é o coeficiente corrente/temperatura (A/°C); 𝑉 a tensão do
módulo fotovoltaico (V); 𝑉𝑜𝑐 a tensão de circuito aberto do módulo (V); 𝐾𝑣 o coeficiente
tensão/temperatura (V/°C); 𝐹𝐹 o Fator de forma; 𝑉𝑚𝑝𝑝 a tensão no ponto de máxima potência
(V); 𝐼𝑚𝑝𝑝 a corrente no ponto de máxima potência (A); 𝑃𝑠 a potência de saída simulada do
painel. Na Tabela 1, apresentam-se as especificações técnicas dos painéis da Canadian Solar
utilizados para esta pesquisa.

Tabela 1: Especificações técnicas dos painéis fotovoltaicos utilizados.

Especificações técnicas Valor
Potência de pico (Wp) 405
Tensão em circuito aberto (V) 47,8
Corrente de curto-circuito (A) 11,14
Tensão no ponto de máxima potência (V) 39,3
Corrente no ponto de máxima potência (A) 10,56
Coeficiente de tensão/temperatura (V/ºC) 0,29
Coeficiente de corrente/temperatura (A/ºC) 0,05
Temperatura nominal de operação da célula (ºC) 41
Fonte: Produzido pelos autores.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 45

Seção: ARTIGOS ORIGINAIS
 4. RESULTADOS E DISCUSSÃO

Os dados históricos da temperatura e da irradiação solar da região de Teófilo Otoni/MG

foram organizados em 56 intervalos horários, correspondentes às 14 horas com incidência solar
das quatro estações do ano. Para realizar a modelagem da irradiação solar por meio da
distribuição Beta, foi necessário calcular a média e desvio padrão de cada intervalo horário. Os
valores médios de irradiação solar calculados e da temperatura ambiente podem ser observados
nas Figura 2 e 3, respectivamente.

Figura 2. Série histórica da irradiação solar em 56 intervalos horários

Fonte: Produzido pelos autores.

Figura 3. Valores médios de temperatura para os 56 intervalos horários

Fonte: Produzido pelos autores.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 46

Seção: ARTIGOS ORIGINAIS
 A fim de obter um modelo probabilístico mais fiel à realidade, fez-se necessário definir
a correlação entre as variáveis aleatórias utilizadas. Para isso, foi calculado o coeficiente de
Pearson entre a temperatura e a irradiação solar. Essa correlação está representada na Figura 4
para os 56 intervalos horários.

Figura 4. Coeficiente de Pearson entre a temperatura e irradiação solar para os 56 intervalos horários

Fonte: Produzido pelos autores.

Da Figura 4, pode-se perceber que há uma correlação, de moderada a forte, entre a

temperatura e a irradiação solar, e, quanto mais alta a irradiação solar, mais forte a dependência
com a temperatura. A previsão de potência gerada pela GD foi simulada, considerando os dados
médios e correlacionados da irradiação solar e da temperatura, conforme mostram as Figuras 5
e 6, respectivamente. Para esta simulação, foi considerada uma geração equivalente ao uso de
50 painéis fotovoltaicos.
Figura 5. Potência anual gerada com dados médios.

Fonte: Produzido pelos autores.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 47

Seção: ARTIGOS ORIGINAIS
 Figura 6. Potência anual gerada com dados correlacionados.

Fonte: Produzido pelos autores.

A Figura 7 compara a previsão de geração de potência anual com dados médios e

correlacionados. Percebe-se que há um padrão de previsão, mesmo com as diferenças de valores
resultantes da correlação entre a irradiação solar e a temperatura, que tem o intuito de minimizar
a incerteza gerada pela natureza estocástica destas grandezas. A previsão de potência anual com
dados médios e correlacionados é de, aproximadamente, 1,17 MW e 1,37 MW,
respectivamente. Portanto, há um aumento de cerca de 17% na geração de potência, quando se
leva em consideração a correlação das variáveis estocásticas.

Figura 7. Comparação entre potência anual gerada com dados médios e correlacionados.

Fonte: Produzido pelos autores.

Observa-se que há geração durante todo o ano, e que ela tende a ser maior nos meses
que compreendem o verão, devido a maior incidência de raios solares.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 48

Seção: ARTIGOS ORIGINAIS
 5. CONSIDERAÇÕES FINAIS

O setor solar fotovoltaico vem crescendo nos últimos anos e boa parte do crescimento é
devido a instalações de geração distribuída. Considerando este cenário, foi apresentado, neste
trabalho, uma metodologia para obter o modelo probabilístico da geração de energia elétrica
por meio de painéis fotovoltaicos na região de Teófilo Otoni, município de Minas Gerais.
Foi adotada também uma modelagem da dependência estocástica entre a temperatura e
a irradiação solar, a fim de reduzir o erro gerado ao trabalhar com variáveis aleatórias. Ao
aplicar o ranque de correlação às variáveis aleatórias, observou-se uma dependência de
moderada a forte entre a temperatura e a irradiação solar.
Foi analisado o efeito da modelagem da dependência estocástica nos valores simulados
de previsão de geração de potência. O resultado com correlação aumentou em cerca de 17% a
potência anual gerada, proporcionando uma confiabilidade e precisão na previsão.

Agradecimentos
Os autores agradecem ao Instituto Federal do Norte de Minas Gerais pela bolsa de
iniciação científica e ao Instituto Nacional de Meteorologia pelos dados históricos fornecidos.

REFERÊNCIAS

ABDELAZIZ, A. Y.; HEGAZY, Y. G.; EL-KHATTAM, W.; OTHMAN, M. M. Optimal

allocation of stochastically dependent renewable energy based distributed generators in
unbalanced distribution networks. Electric Power Systems Research. v. 119, p. 34-44, 2014.

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Geração Distribuída.

Brasília/DF, 15 de ago. de 2018. Disponível em: <https://www.aneel.gov.br/geracao-
distribuida>. Acesso em: 8 de set. de 2020.

AHMADIGORJI, M.; AMJADY, N. A new evolutionary solution method for dynamic

expansion planning of DG-integrated primary distribution networks. Energy Conversion and
Management, v. 82, p. 61-70, 2014.

ASSOCIAÇÃO BRASILEIRA DE ENERGIA SOLAR FOTOVOLTAICA; AGÊNCIA

NACIONAL DE ENERGIA ELÉTRICA. Infográfico ABSOLAR nº23. São Paulo, 1º de set.
de 2020. Disponível em: <http://www.absolar.org.br/infografico-absolar.html>. Acesso em:
11 de set. de 2020.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 49

Seção: ARTIGOS ORIGINAIS
 ATWA Y. M.; El-SAADANY E. F.; SALAMA M. M. A.; SEETHAPATHY, R. Optimal
renewable resources mix for distribution system energy loss minimization. IEEE
Transactions on Power Systems, v. 25, n. 1, p. 360-370, 2010.

CABRAL, C. V. T. Análise de dimensionamento estocástico e determinístico de sistemas

fotovoltaicos isolados. 2006. 225 f. Tese (Doutorado em Engenharia Agrícola) –
Universidade Federal de Viçosa, Viçosa, 2006.

DEVI, S.; GEETHANJALI, M. Optimal location and sizing determination of distributed

generation and DSTATCOM using Particle Swarm Optimization algorithm. International
Journal of Electrical Power & Energy Systems, v. 62, p. 562-570, 2014.

FIOROTTI, R. Metodologia para determinar a potência firme das unidades de geração

distribuída e sua aplicação no processo de previsão de demanda das redes de
distribuição de energia elétrica. 2015. 82 f. Dissertação (Mestrado em Engenharia Elétrica)
– Centro Tecnológico, Universidade Federal do Espírito Santo, Vitória, 2015.

GEMIGNANI, M. M. F. Cenários sintéticos de radiação solar para estudos energéticos.

2018. 159 f. Tese (Doutorado em Ciências) – Escola Politécnica, Universidade de São Paulo,
São Paulo, 2018.

KAUR, S.; KUMBHAR, G.; SHARMA, J. A MINLP technique for optimal placement of
multiple DG units in distribution systems. International Journal of Electrical Power &
Energy Systems, v. 63, p. 609-617, 2014.

KOTZ, S.; VAN DORP, J. R. Generalized diagonal band copulas with two-sided generating
densities. Decision Analysis, v. 7, n. 2, p. 196-214, 2010.

LAUTENSCHLEGER, A. H. Análise da operação de sistemas de distribuição

considerando as incertezas da carga e da geração distribuída. 2018. 110 f. Dissertação
(Mestrado em Engenharia Elétrica) – Universidade Federal do Rio Grande do Sul, Porto
Alegre, 2018.

MORADI, M. H.; ABEDINI, M. A combination of genetic algorithm and particle swarm

optimization for optimal distributed generation location and sizing in distribution systems
with Fuzzy optimal theory. International Journal of Green Energy. v. 9, p. 641-660, 2012.

OLIVEIRA, C. P. Métodos metaheurísticos aplicados a um modelo de planejamento de

culturas. 2013. 105 f. Dissertação (Mestrado em Biometria) – Universidade Estadual Paulista
Júlio de Mesquita Filho, Instituto de Biociências de Botucatu, 2013.

OTHMAN, M. M.; ABDELAZIZ, A. Y.; HEGAZY, Y. G.; EL-KHATTAM, W. Approach

for modelling stochastically dependent renewable energy-based generators using diagonal
band copula. The Institution of Engineering and Technology Journals, v. 9, n. 7, p. 809-
820, 2015.

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 50

Seção: ARTIGOS ORIGINAIS
 PEREIRA, L. D. de L. Alocação ótima de Geração Distribuída em sistemas de
distribuição considerando incertezas no modelo probabilístico de geração. 2018. 87 f.
Dissertação (Mestrado em Engenharia Elétrica) – Centro Tecnológico, Universidade Federal
do Espírito Santo, Vitória, 2018.

SOUZA, G. C. U. I. Avaliação de títulos conversíveis com opções de compra e venda

implícitas em contrato. 2006. 175 f. Tese (Doutorado em Engenharia Industrial) – Pontifícia
Universidade Católica, Rio de Janeiro, 2006.

SOUZA, M. E. M. Inserção de microgeração distribuída nas redes de baixa tensão:

implantação de telhados solares. 2014. 121 f. Dissertação (Mestrado em Engenharia Elétrica)
– Escola de Engenharia, Universidade Federal de Minas Gerais, Minas Gerais, 2014.

Submissão: 17/09/2020
Primeira decisão editorial: 22/09/2021
Versão final: 20/10/2021
Aceite: 23/10/2021

Revista Multifaces, v. 4, n. 1, p. 38-51, Fevereiro, 2022. 51

Seção: ARTIGOS ORIGINAIS