Escolar Documentos
Profissional Documentos
Cultura Documentos
ENERGÉTICA NO SISTEMA
INTERLIGADO NACIONAL
Revisão:
Alexadra Resenda
Capa e editoração:
Editorando Birô
ISBN: 978-65-86443-02-8
20-1942 CDD 621.310981
2020
Todos os direitos desta edição são reservados à
Artliber Editora Ltda.
Av. Diógenes Ribeiro de Lima, 3294
05083-010 – São Paulo – SP – Brasil
Tel.: (11) 3832-5489 – 3641-3893
info@artliber.com.br
www.artliber.com.br
APRESENTAÇÃO
O Sistema Interligado Nacional – SIN é, sob qualquer aspecto que se considere, um dos
mais complexos e abrangentes sistemas produzidas pela engenharia. Ele se estende por mais
de 3.500 km de norte a sul e mais de 3.500 km de leste a oeste, ligando regiões de caracterís-
ticas físicas, econômicas e sociais diversas.
Sem dúvidas, trata-se de um sistema complexo, vasto e dinâmico. Sua evolução ao longo
dos mais de 22 anos de atuação do ONS tem sido notável. De fato, o SIN nasceu em março de
1999, quase que simultâneo com o ONS, com a entrada em operação do 1º circuito da inter-
ligação Norte- Sudeste/Centro-Oeste, ligando dois sistemas que até então operavam isolada-
mente, dando origem ao SIN.
Desde então o Sistema Interligado Nacional tem se expandido continuamente, incorpo-
rando novas áreas, usinas, instalações de transmissão e, sobretudo, novos consumidores.
A expansão do SIN tem sido marcada também pela evolução tecnológica, que tem se
acelerado em anos recentes, verificando-se o crescimento na participação de novas formas de
geração, com destaque para as fontes eólica e fotovoltaica, e de transmissão, especialmente a
utilização mais intensa da transmissão em corrente contínua.
Todos esses movimentos aumentam a complexidade do SIN e o desafio do ONS de garan-
tir que a operação do SIN se dê da forma mais segura e econômica, requisito cada vez mais
essencial à medida que avança na sociedade brasileira a sua dependência da energia elétrica.
Considerando as características do SIN, com forte presença de usinas hidroelétricas, dis-
tribuídas em diversas bacias hidrográficas em todo o território nacional, fazendo com que as
decisões de despacho sejam acopladas espacial e temporalmente, além de longas distâncias
entre as fontes e os centros de carga e do recente crescimento de fontes não despacháveis, a
obtenção da melhor utilização dos recursos energéticos no Brasil constitui um problema único,
que tem sido enfrentado e solucionado por gerações de técnicos e pesquisadores brasileiros.
No cumprimento das suas atribuições, onde se destaca a interação permanente com o
corpo técnico dos agentes e com especialistas das mais diversas instituições, o ONS tem tido
a oportunidade, pela sua posição no setor elétrico brasileiro, de acumular um conhecimen-
to único sobre o problema do planejamento da operação energética do Sistema Interligado
Nacional.
Por sua vez, um princípio que tem pautado a atuação do Operador tem sido o de compar-
tilhar conhecimento, ação essencial, no nosso entender, para que o ONS possa cumprir a sua
missão.
É nesse contexto que este livro foi elaborado. Ele foi conduzido com muito esmero e
apresenta de forma didática conceitos, modelos e procedimentos que têm sido largamente
utilizados no trabalho incessante de buscar a utilização ótima dos recursos energéticos dispo-
níveis no SIN.
Inicialmente é apresentado como evoluiu o planejamento da operação energética no Brasil,
seguindo-se de modelos matemáticos, procedimentos e produtos, incluindo capítulos específi-
cos para a previsão de carga, previsão de vazões e a previsão de geração eólica e fotovoltaica.
Trata-se, portanto, de conteúdo fundamental para a formação dos novos engenheiros e
de todos os envolvidos na permanente tarefa de garantir a continuidade do fornecimento de
energia elétrica aos consumidores brasileiros.
Nesse contexto, o Operador Nacional do Sistema Elétrico – ONS é parte integrante dessa
história em que se constituiu a concepção, a implementação e exploração deste complexo
sistema interligado, qualquer que seja a base de comparação em escala mundial. O ONS tem
como missão garantir o suprimento de energia elétrica no país, com qualidade e equilíbrio
entre segurança e custo global da operação, sendo responsável por coordenar a operação do
SIN e administrar a rede básica de transmissão de energia elétrica do País, assegurando aos
usuários do sistema a continuidade, a qualidade e a economicidade do suprimento de energia
elétrica.
Este livro apresenta os principais conceitos, metodologias e estudos relacionados à ati-
vidade de planejamento da operação energética efetuada pelos profissionais do ONS, com o
objetivo de disseminar o conhecimento e a experiência a todos aqueles que tenham interesse
em aprender sobre as etapas do planejamento energético.
1.1 – Histórico
Até a década de 1960, os estudos da expansão eram feitos principalmente pelo capital
privado, tendo como objetivo o aproveitamento de potenciais hidrelétricos locais, dado que o
atendimento da demanda era realizado predominantemente por geração térmicas e com siste-
mas de transmissão radiais e/ou isolados. Planejamento da Expansão, coordenados pelo Mi-
nistério de Minas e Energia (MME), através do Comitê Coordenador dos Estudos Energéticos
da Região Centro-Sul contratou um consórcio de consultores canadenses, americanos e bra-
sileiros, denominado consórcio Canambra. O principal marco desse trabalho foi a realização
do primeiro levantamento integrado do potencial hidroelétrico brasileiro nas regiões Sudeste
e Sul. Como resultado, foram inventariados 264 locais com estudos para aproveitamento do
potencial hidroelétrico em 28.000 km de rios.
A década de 1970 foi marcada pela estruturação do planejamento setorial centralizado,
com considerados investimentos estatais, a instalação de grandes reservatórios de regulari-
zação plurianual e a criação de subsistemas regionais interligados. Nessa década, teve início
a coordenação da operação dos 46 subsistemas elétricos pela Eletrobrás, através dos órgãos
colegiados como Grupo Coordenador para a Operação Interligada – GCOI e o Comitê Coor-
denador de Operação do Nordeste – CCON.
O grande marco da década de 1970, em termos de planejamento da expansão, foi o Plano
90, de longo prazo, elaborado pela Eletrobrás e que definiu o programa nuclear brasileiro,
orientando todo o início de uma geração e absorção de conhecimentos com relação à produ-
ção de energia elétrica de origem nuclear no Brasil. Outros planos setoriais de longo prazo
sucederam-se, como o Plano 92, o Plano 95 e o Plano 2000, cujos objetivos eram de indicar
as estratégias de longo prazo para o Setor Elétrico Brasileiro – SEB.
Foi na década de 1980 que o processo de planejamento da expansão se consolidou, de
forma estruturada e participativa, através da criação do Grupo Coordenador do Planejamento
O planejamento da operação energética no sistema interligado nacional 15
dos Sistemas Elétricos – GCPS, coordenado pela Eletrobrás e com a participação de todos os
agentes setoriais.
O crescimento do consumo, a interligação dos subsistemas – Sul/Sudeste/Centro-Oeste
e Norte/Nordeste, e posteriormente a interligação Norte-Sudeste, em 1999, a predominância
do capital estatal e a introdução da dimensão ambiental no planejamento, foram os grandes
marcos do período de existência do GCPS.
Alguns outros marcos merecem destaque, como a elaboração do Manual de Inventário
e de Viabilidade de Usinas Hidroelétricas, o 1º Plano Diretor de Meio Ambiente (1986) e a
aplicação de novas metodologias de planejamento, considerando cenários de mercado, pla-
nejamento estocástico e planejamento sob incertezas. Ao todo foram publicados, pelo GCPS,
quinze planos decenais entre 1984 e 1999 e dois planos de longo prazo – Plano 2010, em
1987, e o Plano 2015, em 1994.
A partir de 1995 teve início o processo privatização de reforma do setor, tendo com base
a Lei n° 8.987, de 13 de fevereiro de 1995, conhecida como Lei das Concessões, que permitir
a competição na construção de novos projetos o que até então era exclusivo das empresas
estatais.
Já em 1996 foi iniciado o Projeto de Reestruturação do Setor Elétrico Brasileiro Reseb, que
recomendou as seguintes ações: a criação da agência reguladora independente Agência Nacional
de Energia Elétrica – ANEEL (1997), do Operador Nacional do Sistema Elétrico – ONS (1998),
a criação do mercado de livre contratação no suprimento – o Mercado Atacadista de Energia –
MAE (1998), a instituição do planejamento indicativo na geração e determinativo na transmissão
(três anos), sob responsabilidade direta do MME, através Comitê Coordenador do Planejamento
Elétrico – CCPE (1999), sucedâneo do GCPS, a criação do Conselho Nacional de Política Ener-
gética – CNPE (2000).
Além disso, também foi recomendado iniciar o programa de desverticalização das empre-
sas de energia elétrica, separando os segmentos de geração, transmissão e distribuição, incen-
tivar a competição nos setores de geração e comercialização e manter sob regulação os setores
de distribuição e transmissão, considerados monopólios naturais, sob a regulação do Estado.
Um marco importante desse modelo institucional, no que diz respeito diretamente ao
ONS, foi o livre acesso e a competição na transmissão, o que exigiu uma atribuição nova no
SEB, que foi a administração da transmissão, função delegada então ao ONS, além das res-
ponsabilidades de planejar e coordenar a operação do SIN.
Nesse ambiente de grandes mudanças, em 2001, o setor elétrico foi submetido à uma
grave crise de abastecimento, culminando com o racionamento de energia que afetou todos
os consumidores (residencial, industrial e comercial), sendo necessário a implementação de
diversas medidas para o controle do consumo.
Com o racionamento de 2001, e consequentemente, a crise financeira do Setor em 2002
e as expressivas sobras de energia em 2003, foram adotadas medidas emergenciais de curto
prazo e elaborado um novo modelo institucional para o setor, Lei n° 10.848, de 15 de março
16 Planejamento no setor elétrico
igura 1.1
CNPE
Conselho Nacional de
Política Energética
AGENTES
Transmissão, Distribuição, Comercialização e Geração de
Energia, Consumidores Livres, Importador/Exportador de
Energia
descentralizada. Um resumo das mudanças que o setor elétrico brasileiro foi submetido ao
longa das últimas décadas é apresentada na tabela 1.1.
2.1 – Introdução
O presente capítulo é dividido em duas partes. Na primeira parte, é feita uma revisão bi-
bliográfica dos diversos tipos de fontes renováveis e não renováveis de energia, sua origem
na natureza, suas formas de aproveitamento e aspectos técnicos específicos de sua utilização
no Brasil como fonte primária para geração de energia elétrica. Na segunda parte do capítulo,
é feita uma análise detalhada de cada um dos tipos de usinas para geração de energia elétrica
presentes no Sistema Interligado Nacional (SIN), que utilizam as formas de energia primária
tratadas na primeira parte.
A energia elétrica pode ser produzida através da conversão de diversas fontes primárias
de energia. Essas fontes primárias se dividem em dois grandes grupos: energias renováveis e
energias não-renováveis, cujos principais aspectos serão tratados em detalhe nesse item.
Nos últimos anos tem crescido a demanda da sociedade a nível mundial pela utilização de
fontes renováveis de energia. A principal fonte de energia renovável no mundo são as usinas
hidroelétricas, que geram energia elétrica a partir dos seus geradores síncronos, inicialmente
pela transformação da energia potencial da água em potência mecânica em suas turbinas hi-
dráulicas e, a seguir, potência elétrica em seus geradores que são conectados mecanicamente
às turbinas por um eixo.
Existem muitas pesquisas para a utilização de fontes renováveis de energia na matriz ener-
gética, dentre essas linhas de pesquisa, destacam-se:
• Energia geotérmica. Utiliza o calor existente no interior do planeta Terra. Essa ener-
gia térmica teve origem com a formação da Terra, devido a colisões cósmicas, e do
decaimento de materiais radioativos que ainda ocorre nos dias de hoje. O calor é uti-
lizado para obtenção de vapor de água aquecido, através da extração direta ou da
injeção de água no subsolo através de poços artificiais. O vapor de água obtido é utili-
zado como fonte de energia primária para mover uma turbina a vapor, que se conecta
através de um eixo a um gerador síncrono convencional, produzindo energia elétrica; e
• Energia das ondas e marés. Utiliza a energia das ondas e marés como fonte de ener-
gia cinética para geração de energia elétrica. O Instituto Alberto Luiz Coimbra de Pós-
-Graduação e Pesquisa de Engenharia (COPPE), da Universidade Federal do Rio de
Janeiro (UFRJ), [1] desenvolveu um protótipo de usina para aproveitamento da energia
das ondas do mar, próximo ao Porto do Pecém (CE), no Ceará, capaz de gerar 50 kW.
Nesse protótipo, um conjunto de flutuadores e braços mecânicos acionam bombas
hidráulicas, que comprimem um fluido para abastecer e manter elevada a pressão de
uma câmara hiperbárica. A câmara hiperbárica é previamente pressurizada com água e
gás nitrogênio em volume fixo. A vazão da água, que abastece a câmara hiperbárica, é
então liberada na forma de um jato, que aciona uma turbina do tipo Pelton, conectada
O planejamento da operação energética no sistema interligado nacional 21
E = m $ c! (2.1)
Uma vez que a velocidade da luz, c, é de aproximadamente 3 x 108 m/s, essa constante
elevada ao quadrado, faz com que uma pequena quantidade de matéria, m, gere uma enorme
quantidade de energia, E.
Parte da energia gerada como radiação solar é transmitida como uma onda eletromagnéti-
ca em todas as frequências do espectro, incluindo a luz visível, através do espaço até chegar na
Terra. Para avaliar a energia recebida na Terra pelo Sol é definida uma grandeza denominada
Constante Solar (I0), que é uma densidade de fluxo que mede a energia total da radiação rece-
bida na Terra pelo Sol fora da atmosfera terrestre, por unidade de área, em uma superfície te-
órica perpendicular aos raios solares e à distância média da Terra ao Sol (1 UA). Essa medida
é realizada por satélites em órbita terrestre, e seu valor é de 1.362 W/m2, no máximo solar [2].
A Terra recebe uma quantidade total de radiação determinada por sua seção transversal
(π r ) mas, à medida que a Terra gira, essa energia é distribuída por toda a área da superfície
2
esférica (4 π r2). Portanto, a radiação solar média recebida, levando em consideração o ângulo
no qual os raios solares atingem a Terra, e que a qualquer momento metade do planeta não
recebe radiação solar, é um quarto da constante solar (aproximadamente 340 W/m²). A quan-
tidade que atinge a superfície da Terra (como insolação) é ainda mais reduzida pela atenuação
atmosférica. A qualquer momento, a quantidade de radiação solar recebida em um local na
superfície da Terra depende da estação do ano, do estado da atmosfera, da latitude do local e
da hora do dia.
A Figura 2.1 apresenta um diagrama esquemático do plano da órbita da Terra em torno
do Sol, denominado eclíptica. O eixo de rotação da Terra forma um ângulo de 23,45 graus em
relação à eclíptica, como consequências desse ângulo surgem as estações do ano.
22 Geração de energia elétrica
Figura 2.1 – Órbita da Terra em torno do Sol e a inclinação do eixo de rotação da Terra
A Figura 2.2 apresenta um gráfico com o detalhamento das principais tecnologias hoje
existentes para obtenção de energia através da radiação solar, tanto para uso residencial, quan-
to para uso comercial em centrais solares.
Tecnologia fotovoltaica
Nessa tecnologia uma corrente elétrica contínua é gerada de forma direta nos painéis
fotovoltaicos a partir da radiação solar, utilizando o efeito fotovoltaico. Logo após gerada,
essa corrente elétrica contínua (CC) deve ser transformada em uma corrente elétrica alternada
(CA), através de inversores de corrente CC-CA.
O efeito fotovoltaico consiste na criação de tensão elétrica contínua ou de uma corren-
te elétrica contínua correspondente, num material semicondutor, após a sua exposição à luz
solar. Embora o efeito fotovoltaico esteja diretamente relacionado com o efeito fotoelétrico,
ambos são processos distintos. No efeito fotoelétrico, os elétrons são ejetados da superfície
de um material após exposição dele à radiação com energia suficiente. O efeito fotovoltaico
é diferente, pois os elétrons gerados são transferidos entre bandas diferentes (i.e., das bandas
de valência para bandas de condução), dentro do próprio material semicondutor, resultando
no desenvolvimento de tensão elétrica contínua entre dois eletrodos [3]. O efeito fotovoltaico
foi observado pela primeira vez pelo físico francês Antoine Henri Becquerel (1852-1908), em
1839. Ele explicou sua descoberta no Comptes rendus de l’Académie des Sciences, “a pro-
dução de uma corrente elétrica, quando duas placas de platina ou ouro imersas em um ácido,
neutro, ou solução alcalina são expostas de maneira desigual à radiação solar” [4].
24 Geração de energia elétrica
Essa tecnologia, para uso em escala residencial, consiste na instalação de painéis fotovol-
taicos mono ou policristalinos nos telhados, que são acoplados a inversores, com o objetivo
de conectar essa geração à rede de distribuição das cidades. Essa utilização residencial pode
ser considerada o embrião dos smart-grids, considerados uma tendência mundial irreversível.
A utilização de baterias para armazenamento de energia a nível residencial, para redução da
intermitência dessa fonte, ainda é inviável do ponto de vista econômico, no entanto, a revolu-
ção dos carros solares e suas baterias de alta capacidade de armazenamento, prevista para as
próximas décadas, pode se constituir em uma tecnologia disruptiva nesse cenário, podendo
até mesmo afetar significativamente o mercado de distribuição de energia elétrica. Nos países
desenvolvidos, muito tem sido discutido em relação a esse assunto, estando inclusive sendo
estudadas alternativas técnicas para reduzir o impacto nas empresas distribuidoras de energia
elétrica.
Para aplicações em escala comercial existem as centrais fotovoltaicas de concentração.
Nessas centrais, como o próprio nome sugere, existe a concentração da radiação solar através
de uma ótica de reflexão ou mesmo utilização de lentes, previamente a incidência da radiação
solar nos painéis ou células fotovoltaicas. Isso reflete em um melhor aproveitamento da radia-
ção solar devido à concentração, no entanto, não pode haver um grau de concentração muito
elevado, para não haver perda de rendimento, ou até mesmo danos permanentes nos painéis
fotovoltaicos por aquecimento. A tecnologia fotovoltaica de concentração não é muito utiliza-
da em razão do seu elevado custo de implantação e manutenção.
Outra prática muito comum adotada em centrais fotovoltaicas é o agrupamento de painéis
fotovoltaicos em conjuntos, de forma que eles possam “seguir” o caminho aparente do Sol na
eclíptica, mantendo, dessa forma, a incidência da radiação solar perpendicular nos conjuntos
ao longo do dia e, assim, maximizar a geração de energia elétrica. Isso é feito através da utili-
zação de uma estrutura mecânica apropriada que é movida por servomotores controlados por
computador. Existem basicamente dois tipos de acompanhamento (tracking):
Acompanhamento parcial ou acompanhamento de um eixo – acompanhamento do movi-
mento diário e aparente do Sol no sentido leste – oeste. Esse acompanhamento é o mais usado,
pois permite um aumento significativo do rendimento da central, se comparado ao seu custo
de instalação e manutenção; e
Acompanhamento total ou acompanhamento de dois eixos – acompanhamento do movi-
mento diário e aparente do Sol no sentido leste – oeste (tracking parcial), além do acompa-
nhamento do movimento do Sol ao longo das estações do ano no sentido norte (solstício de
junho) → sul (solstício de dezembro) → norte (solstício de junho) (figura 2.1). Para isso, são
necessários dois servomotores, resultando em um custo mais elevado de instalação e manu-
tenção. Nesse tipo de acompanhamento, existe a garantia de que a todo momento a radiação
solar irá incidir de forma perpendicular aos painéis fotovoltaicos, levando a um rendimento
máximo do ponto de vista de posicionamento dos painéis.
O planejamento da operação energética no sistema interligado nacional 25
Tecnologias de aquecimento
Nesta tecnologia solar, a radiação pode ser absorvida através de coletores solares, prin-
cipalmente para aquecimento direto da água que será usada para a higiene pessoal, lavar
utensílios etc. Essa forma de utilização da tecnologia de aquecimento é predominantemente
residencial, mas há uma demanda significativa e aplicações em outros setores, como edifícios
públicos e comerciais, hospitais, restaurantes, hotéis e similares. Esse sistema de aproveita-
mento térmico da energia solar, também denominado aquecimento solar ativo, envolve o uso
de um coletor solar discreto [5]. Outra forma de utilização residencial da energia solar é na
preparação de alimentos por meio da utilização de fornos solares, muito utilizados na Região
Nordeste do Brasil.
Do ponto de vista de aplicações comerciais da tecnologia de aquecimento, destacam-se as
Centrais Termosolares de Concentração (Concentrated Solar Power – CSP). Nessas centrais,
a água, um fluido térmico ou outro meio, como sais fundidos, são aquecidos a elevadas tem-
peraturas (da ordem de centenas de graus Celsius), para armazenamento de energia e futura
produção de vapor. A energia elétrica é gerada através de um gerador síncrono convencional
e uma turbina a vapor como máquina primária. Essa se constitui na principal vantagem dessa
tecnologia, se comparada à tecnologia fotovoltaica, pois a geração de energia elétrica é feita
por meio de uma máquina síncrona, contribuindo para o aumento tanto do nível de curto-cir-
cuito, quanto da inércia, além de proporcionar controle de tensão da rede elétrica em que a usi-
na é conectada de forma direta. Devemos ainda ressaltar o fato de que as áreas elétricas do SIN
com maior índice de irradiação solar são aquelas com baixo nível de curto-circuito e inércia.
Na tecnologia de aquecimento (figura 2.3) destacam-se duas arquiteturas básicas de Cen-
trais Termosolares de Concentração (CSP): a de Receptores de Torre Central e de Receptores
de Calhas Cilindro-Parabólicas. As demais arquiteturas são consideradas tecnologias para fins
de pesquisa e ainda não têm aplicação comercial.
26 Geração de energia elétrica
precisamente na Região Norte do país no deserto de Atacama, onde são observados valores
superiores a 2.500 kWh/m2.
Figura 2.4 – Mapas de Irradiação Solar Horizontal (DNI) da Europa e América do Sul
Q = m ∙ c ∙ Δθ (2.2)
Onde:
Q quantidade de calor armazenado no meio (J).
m massa do meio (g).
c calor específico do meio (J/g°C).
Δθ variação de temperatura (°C).
Perto da superfície terrestre, o atrito faz diminuir a velocidade do vento e faz com que os ven-
tos soprem mais para o interior das áreas de baixa pressão (figura 2.5) [7] [8] [9].
de baixa pressão das regiões de menor latitude dos ventos de oeste. Os ventos polares
de leste, ao contrário dos ventos de oeste, sopram predominantemente a partir de su-
deste no Hemisfério Sul, e de nordeste no Hemisfério Norte [7] [11].
Figura 2.6 – Características dos ventos nas regiões Nordeste e Sul do Brasil
Na Região Nordeste, mais próxima do equador, predominam os ventos alísios, que têm
direção predominante de sudeste, e de características constantes ao longo do ano, sofrendo
uma redução no verão, e uma redução mais acentuada no outono, principalmente no litoral do
Nordeste, e que coincide com os períodos chuvosos nessa região. Na Região Sul predominam
os ventos de rajada que são consequência da entrada na região de sistemas meteorológicos
(frentes frias), que têm origem nas células polares, e se deslocam em direção ao equador. De-
vido a este fato, esses ventos podem sofrer variações significativas em poucas horas.
A Figura 2.7 apresenta um mapa com as velocidades de vento observadas nas diversas
regiões do Brasil. É possível observar que as maiores velocidades de vento estão concentradas
no litoral, principalmente no Nordeste e no Sul, com destaque para o litoral dos estados do Rio
Grande do Norte e do Ceará, com ventos atingindo velocidades de até 8,0 m/s (~30 km/h). Ou-
tra região de destaque no mapa é Região Sudoeste e noroeste da Bahia, onde são observados
32 Geração de energia elétrica
os melhores ventos do Brasil, da ordem de 7,0 m/s (~25 km/h), com elevado fator de capaci-
dade, devido, principalmente, ao clima tropical, ausência de chuvas e relevo da região.
Fator de capacidade
A velocidade do vento não é o único dado importante nos estudos de viabilidade econô-
mica de um empreendimento eólico. O Fator de Capacidade também é muito importante. Em
linhas gerais, esse fator mede, ao longo de um determinado período (em geral ao longo do
ano), o percentual de geração de um parque eólico em relação à sua potência total instalada. É
claro que quanto mais constante o vento em uma determinada região ao longo do ano, maior
será o fator de capacidade dos parques eólicos instalados nessa região.
Na Figura 2.7 é apresentado o gráfico do fator de capacidade das centrais eólicas insta-
ladas no Brasil durante o ano de 2014. É possível observar que o Nordeste tem um fator de
capacidade superior ao Sul, em razão das características dos ventos dessa região, ventos alí-
sios, mais constantes ao longo do ano, que os ventos de rajada, característicos dos sistemas
meteorológicos (frentes frias), predominantes no Sul.
Outro ponto importante em relação ao gráfico do fator de capacidade apresentado nessa
Figura é sua característica de sazonalidade. No Nordeste pode ser observado um sensível au-
mento do fator de capacidade durante o inverno e a primavera, uma redução no verão e uma
redução ainda mais acentuada no outono, que coincide com o período de chuvas nessa região,
fazendo valer o ditado conhecido no Nordeste: “quando chove não venta, quando venta não
chove”. Em relação ao Sul, podemos observar que o fator de capacidade aumenta durante o
inverno, quando é maior a ocorrência de frentes frias, e reduz com a chegada da primavera. As
O planejamento da operação energética no sistema interligado nacional 33
Cabe ressaltar que no SIN os aerogeradores não contribuem para a reserva girante. A cada
instante os aerogeradores geram toda a potência disponível para a velocidade de vento obser-
vada no parque eólico.
$
V!"##"
Scc!"##" = (2.3)
Zeq !"##"
Onde:
Sccbarra nível de curto-circuito da barra (MVA)
Vbarra tensão da barra (kV)
Zeqbarra impedância equivalente de Thévenin vista da barra (Ω)
As áreas do sistema identificadas com baixo nível de curto-circuito podem exigir moni-
toramento ou estudos adicionais, pois indicam condições de baixa resistência do sistema que
podem agravar perturbações e distúrbios do sistema e potencialmente impactar nos ajustes e
coordenação dos relés de proteção.
O Essential Reliability Service Working Group (ERSWG) e o North American Electric
Reliability Corporation (NERC) concluíram que a migração dos recursos de geração de fontes
convencionais baseadas em geradores síncronos, para fontes alternativas baseadas em eletrô-
nica de potência, tem um impacto profundo na confiabilidade da transmissão e exigirá con-
siderações de política energética, planejamento do sistema e operação do sistema à medida
que o percentual de utilização dessas fontes, comparado as convencionais aumenta. Algu-
mas preocupações específicas são: estabilidade e controle de tensão, controle de frequência
e a estabilidade do sistema (ou seja, atraso na recuperação da tensão devido a falhas, além
O planejamento da operação energética no sistema interligado nacional 35
Scc!"##"
SCR !"##" = (2.4)
Pdc$%&'(#)%#
Onde:
SCRbarra relação de curto-circuito da barra
Sccbarra nível de curto-circuito da barra (MVA)
Pdcconversor potência ativa sendo transmitida pelo conversor (MW)
Muito se tem discutido em relação a esses índices e sua aplicabilidade em redes elétricas
fracas com alto grau de penetração de fontes renováveis [13].
sofreu modificações para levar em conta esses aspectos da geração eólica e, consequentemen-
te, dessa geração em uma região, através da inclusão de parcelas relacionadas a essas incer-
tezas. Essas modificações estão detalhadas no submódulo 23.3 dos Procedimentos de Rede
do ONS, item 15 – Diretrizes e Critérios para Estudos de Reserva de Potência Operativa e de
Controle Carga-Frequência [17].
No Sistema Interligado Brasileiro, a programação do despacho das usinas é feita a cada
30 minutos. Para enfrentar a intermitência da geração eólica nesse intervalo, foi introduzida
uma parcela adicional no cálculo da reserva de potência operativa do SIN, denominada Reol.
O dimensionamento da parcela Reol foi realizada por meio de uma extensa pesquisa estatística
do comportamento da geração eólica nas regiões Nordeste e Sul. Os resultados levaram aos
seguintes percentuais para essas parcelas:
• Reol Nordeste = 6% da geração eólica prevista; e
• Reol Sul = 15% da geração eólica prevista.
A parcela Reol deve ser adicionada à reserva de potência para controle secundário (R2)
alocada nas unidades geradoras que participam do Controle Automático de Geração (CAG),
das Áreas de Controle Nordeste e Sul.
Para enfrentar os desvios da geração eólica verificada de seus valores previstos, uma par-
cela adicional da reserva operacional foi introduzida (denominada Deol). Essa parcela é dimen-
sionada como 20% da geração eólica prevista, e é constituído de reserva de prontidão (não
girante) que deve ser sincronizada caso ocorra um desvio.
Cabe ressaltar que, dada a potência dos aerogeradores e suas taxas de falha, após um es-
tudo estatístico detalhado, foi verificado que não há necessidade de modificação no cálculo da
reserva de potência para controle primário (R1) do SIN, devido à geração eólica.
Figura 2.8 – Complementariedade sazonal da energia natural afluente (ENA) e geração eólica
O principal aspecto adverso da utilização em larga escala de geração eólica, assim como
da geração fotovoltaica, é que essas formas de geração, apesar de serem energias renováveis,
requerem outras fontes de geração convencionais, como os geradores síncronos das usinas
hidroelétricas de forma a prover o desempenho dinâmico adequado ao SIN, quando da ocor-
rência de distúrbios.
tensão, devem ser disponibilizados de forma a prover recursos que permitam maior
contribuição desses equipamentos no desempenho do SIN [17].
das gotas de água na forma de chuva, neve ou gelo, que irão formar os rios e lagos, fechando
o Ciclo da Água.
Neste item são descritos os principais tipos de usinas do SIN para a produção de energia
elétrica, que utilizam as fontes primárias de energia descritas no item anterior. Será dado enfo-
que detalhado nos equipamentos dessas usinas e do impacto da conexão desses equipamentos
no SIN. Nesse sentido, será apresentada uma forma inédita em nosso país de geração de ener-
gia elétrica a partir da radiação solar – as centrais termosolares de concentração. A principal
característica desse tipo de usina é que a produção de energia elétrica é feita por gerador sín-
crono, apesar da utilização de uma forma renovável de energia.
energia elétrica que será injetada no sistema elétrico. A Figura 2.10 ilustra uma usina hidro-
elétrica e seus principais componentes.
Reservatório de armazenamento
Para que haja energia potencial na água armazenada é necessário existir uma altura de
queda suficiente para movimentar as turbinas, de forma natural ou imposta nos cursos dos
rios através de barragens. Por meio da construção de uma barragem ocorre o represamento
do curso da água e a formação do reservatório. Alguns reservatórios são denominados "a fio
d'água" pois não dispõe de alta capacidade de armazenamento e são capazes de promover uma
regularização de vazões a jusante da barragem apenas em níveis diário ou semanal.
Reservatórios de regularização dispõe de alta capacidade de armazenamento e promovem
uma regularização de vazões a jusante, no mínimo em nível mensal. De forma geral, os reser-
vatórios de regularização acumulam água em períodos chuvosos e as liberam para compensar
afluências baixas em períodos de estiagem.
É denominado volume morto, o volume de água abaixo do nível mínimo operacional que
restringe a entrada de ar nas turbinas, e, consequentemente, problemas mecânicos nelas. Em
geral, esse volume não deve ser utilizado para geração de energia. O volume útil pode ser ca-
racterizado como a diferença entre os volumes máximo e mínimo operativos. Quanto menor
o volume morto, embora maior seja o volume útil, mais escavado deve ser o local da casa de
força. Dessa formao dimensionamento do reservatório deve atender questões técnicas, econô-
micas e ambientais.
O nível da água de montante do reservatório é uma função não linear de seu volume total
armazenado, resultante das características de relevo do vale no qual o barramento foi cons-
truído e o reservatório foi formado. O nível d'água do canal de fuga também é uma função
44 Geração de energia elétrica
não linear dependente das características da calha do rio a jusante da barragem, representada,
nos modelos hidroenergéticos, por polinômios de quarta ordem. Dependem, ainda, das vazões
defluentes da usina e, eventualmente, dos níveis de montante do reservatório da usina ime-
diatamente a jusante. A Figura 2.11 ilustra o perfil de uma usina hidroelétrica apresentando a
altura de queda bruta e outros componentes básicos.
Figura 2.11 – Altura de queda bruta e outros componentes básicos de uma usina hidroelétrica
Em algumas configurações de cascata, o nível da água do canal de fuga de uma usina hi-
droelétrica pode sofrer influência do nível d'água de montante do reservatório de uma usina a
jusante. Essa influência é chamada de efeito de remanso. A Figura 2.12 a seguir ilustra o efeito
de remanso.
espelho-d’água. A regularização de vazões pode ser horária, diária, semanal, mensal, anual
ou plurianual. O grau de regularização depende da topografia e da disponibilidade hídrica do
local.
Quando se realiza um projeto para formação de um reservatório, a altura de seu barra-
mento é estabelecida a partir da predefinição da cota do nível da água máximo normal ou do
volume a ser armazenado. Dessa forma, nos estudos de Projeto são elaboradas relações de
cota versus área e cota versus volume.
A partir dos levantamentos topobatimétricos na escala adequada, para cada cota de inte-
resse a área de sua curva de nível é mensurada, sendo elaborada uma curva cota versus área
através desses pares de pontos. Através da integração da curva cota versus área é obtida a
curva cota versus volume ao determinar o volume a cada duas curvas de nível consecutivas. A
Figura 2.13 ilustra essas curvas.
Circuito hidráulico
Quando a água passa pelo circuito hidráulico, desde a adução no reservatório até a saída
do tubo de sucção, ela perde energia em acidentes localizados e por atrito contra as estruturas
46 Geração de energia elétrica
do circuito em razão do material utilizado. A queda disponível para geração de energia pela
turbina (queda líquida) é obtida pela diferença entre a queda bruta e o total das perdas de ener-
gia ao longo do circuito hidráulico.
A perda de energia associada a uma unidade geradora pode ainda depender da vazão
turbinada em outras unidades, caso essas unidades tenham uma parte do circuito em comum,
como ocorre em arranjos que envolvem adução em túnel, por onde passa a totalidade da va-
zão turbinada na usina, antes que o fluxo seja distribuído entre as diversas turbinas, através de
bifurcações, repartidores ou derivações sucessivas.
As perdas no interior da turbina referentes ao caracol, rotor e ao tubo são consideradas de
forma indireta no rendimento da turbina. O rendimento de uma turbina hidráulica é uma fun-
ção não linear entre a queda líquida e a vazão turbinada, expresso por curvas de desempenho,
denominadas curvas-colina. A Figura 2.14 ilustra uma curva-colina típica.
Turbina hidráulica
A tomada d'água, uma estrutura hidráulica responsável pela captação e condução da água
aos componentes adutores, se localiza, em geral, no corpo da barragem. Na entrada da tomada
d'água, um sistema de gradeamento impede a passagem de materiais indesejáveis.
A água captada na tomada é conduzida por um canal de adução e/ou sob pressão por tubu-
lações forçadas até a casa de força, onde estão instaladas as turbinas e os geradores. A turbina
é formada por um rotor ligado a um eixo. A força da água sobre as pás do rotor da turbina
produz um movimento giratório no eixo da turbina, transformando a energia hidráulica em um
trabalho mecânico que, por sua vez, aciona o gerador. O gerador, um equipamento composto
O planejamento da operação energética no sistema interligado nacional 47
por um eletroímã e por um fio bobinado, produz um campo eletromagnético em seu interior
gerando uma corrente elétrica.
Em usinas hidroelétricas, dentre os diversos tipos existentes de turbinas hidráulicas no
mercado, usualmente são instaladas turbinas de ação do tipo Pelton, ou turbinas de reação do
tipo Francis ou Kaplan. As turbinas podem ser classificadas em dois grupos: turbinas de ação
ou de reação. O critério utilizado nessa classificação leva em conta a variação de pressão es-
tática. Nas turbinas de ação, a pressão estática permanece constante entre a entrada e saída do
rotor. Nesse caso, a energia potencial hidráulica disponível é transformada em energia cinética
que ao atingir as pás do rotor transforma-se em energia mecânica. Já nas turbinas de reação o
rotor fica completamente submerso. Nesse caso, com o engolimento da água ocorre a redução
da pressão estática ao atravessar o rotor gerando uma velocidade entre a entrada e a saída.
A indicação do tipo de turbina hidráulica a ser instalada na usina leva em consideração a
altura de queda, a vazão e a potência. Porém, também devem ser ponderados fatores, como o
custo do gerador, o custo da obra de construção da casa de força, a flexibilidade de operação
hidráulica, a facilidade de manutenção, e outros. A Figura 2.15 ilustra os tipos mais usuais de
turbina citados anteriormente.
Onde:
gh é a geração de energia hidráulica de uma unidade (MWmédio)
ρ é a produtividade de uma unidade (MW/m³/s)
V é o volume de água armazenada na usina (m³)
qturb é a vazão turbinada da unidade geradora (m³/s)
Qturb é a vazão turbinada total da usina (m³/s)
Qvert é a vazão vertida da usina (m³/s)
(2.6)
ρ V, Q !"#$ , Q %&#! = H'í) V, Q !"#$ , Q %&#! ×ρ&*+
(2.7)
ρ!"# = η$ ×η% ×g×ρá'() ×10*+
Onde:
Hlíq é a altura de queda líquida (m)
ρesp é a produtibilidade específica da usina (MW/ m³/s / m)
ηT é o rendimento da turbina (%)
ηG é o rendimento do gerador (%)
g é a aceleração da gravidade (m/s²)
ρágua é a massa específica da água (kgf/m³)
A altura de queda líquida é dada pela diferença entre o nível de montante, que é uma fun-
ção não linear do volume armazenado, e o nível de jusante, que é uma função não linear da
vazão total turbinada, podendo haver ainda influência da vazão vertida. No cálculo da queda
líquida é abatida, ainda, as perdas de carga hidráulica do circuito de geração.
(2.8)
H!í# = NA$%&' V − NA()* Q ')+, + Q -.+'
Onde:
NAmont é a cota do nível d’água de montante ou apenas nível de montante (m)
NAjus é a cota do nível da água de jusante do canal de fuga ou apenas nível de jusante (m)
O planejamento da operação energética no sistema interligado nacional 49
As cotas dos níveis de montante e jusante são obtidas através das curvas cota-volume e va-
zão-cota de jusante, que normalmente são expressas por polinômios de grau quatro de acordo
com as equações (2.9) e (2.10), respectivamente.
Onde:
PCV(V) é polinômio cota-volume, em razão do volume armazenado na usina.
PVJ(Qturb+Qvert ) é o polinômio vazão-cota de jusante, em razão da vazão turbinada ou da
vazão defluente, dependendo do arranjo da usina.
No cálculo da altura de queda líquida ainda é necessário descontar as perdas de carga hi-
dráulica do circuito de geração, conforme a expressão (2.11):
(2.11)
H!í# = NA$%&' V − NA()* Q ')+, + Q -.+' − perdas
Portanto, a função de produção de uma unidade geradora é dada pela expressão (2.12):
(2.12)
gh V, q !"#$ , Q !"#$ , Q %&#!
= ρ&'( × NA)*+! V − NA,"' Q !"#$ + Q %&#! − perdas
× q !"#$
A Figura 2.16 ilustra uma função de produção hidroelétrica para geração total de uma
usina.
Figura 2.16 – Função de produção hidroelétrica para geração total de uma usina (Fonte: Cepel)
tipos mais antigos contribuem pouco, ou até mesmo não contribuem, com aspectos como con-
trole de tensão e desempenho dinâmico da rede. Esse fato também se justifica dado a crescente
evolução, a nível mundial, da penetração da geração eólica.
Tipo Descrição
Gerador de Indução de Rotor de Gaiola
Tipo 1
Squirrel-Cage Induction Generator (SCIG)
Gerador de Indução de Rotor Bobinado com resistor externo ao rotor
Tipo 2
Wound Rrotor Induction Generator (WRIG) with external rotor resistor
Gerador de Indução Duplamente Alimentado
Tipo 3
Doubly-Fed Induction Generator (DFIG)
Full-Converter
Tipo 4
Full Power Converter Generator
Gerador Síncrono Mecanicamente Conectado Através de um Conversor de Torque
Tipo 5
Synchronous Generator Mechanically Connected Through a Torque Converter
conectado a um inversor CC-CA que, por sua vez, se conecta ao enrolamento do rotor do
aerogerador. Tanto o retificador, quanto o inversor são formados por semicondutores do tipo
IGBT (Insulated-Gate Bipolar Transistors), que permitem o controle do ângulo de disparo
(início da condução de corrente) e do ângulo de extinção (término da condução de corrente).
O sistema de controle do aerogerador adquire variáveis medidas e valores de referência
que são utilizados para controlar tanto o retificador quanto o inversor, que são conectados ao
enrolamento do rotor do aerogerador. Em geral, os conversores têm potência entre 25 e 30%
da potência nominal do aerogerador. Essa tecnologia também permite o controle adequado
da potência reativa terminal, além de variações de velocidade entre +/- 30% da velocidade
síncrona.
Tipo 4 – Full-Converter
Esse tipo de aerogerador, representado esquematicamente na Figura 2.17, caracteriza-se,
nas melhores variantes dessa tecnologia, pela utilização de um gerador síncrono de velocida-
de variável, além de conversores conectados de um lado diretamente à armadura do gerador
síncrono, e do outro lado diretamente à rede elétrica. Por esses conversores é transmitida toda
a potência elétrica (ativa e reativa) gerada pelo gerador síncrono. Atualmente, existem duas
variantes tecnológicas importantes em torno da tecnologia full-converter, dependendo do fa-
bricante do aerogerador:
• Gerador síncrono com rotor excitado (Synchronous generator with excited rotor
(SGER)).
• Gerador síncrono com ímãs permanentes (Permanent magnet synchronous generator
(PMSG)).
Como são utilizados geradores síncronos de velocidade variável nas duas variantes dessa
tecnologia que serão aqui tratadas, a energia mecânica do vento movimenta as pás do aeroge-
rador que são conectadas diretamente ao rotor do gerador síncrono através de um eixo, sem a
necessidade do uso de uma caixa de engrenagens. Esse é o principal atrativo dessa tecnologia,
pois, conforme já comentado anteriormente, a caixa de engrenagens é um componente mecâ-
nico que exige manutenções periódicas de forma a não comprometer sua vida útil.
Diferentemente da tecnologia DFIG, na tecnologia Full-Converter um retificador CA-CC,
que pode ser formado por diodos (tecnologia SGER) ou semicondutores do tipo IGBTs (tec-
nologia PMSG), é conectado diretamente ao enrolamento de armadura do gerador síncrono e,
em seguida, conectado a um inversor CC-CA formado por IGBTs. Os inversores são conecta-
dos a um filtro passa-baixa (low-pass filter) que, por sua vez, se conecta à rede elétrica.
O sistema de controle do aerogerador adquire variáveis medidas e valores de referência
que são utilizados para controlar tanto o retificador (tecnologia SGER), quanto o inversor, que
são conectados ao enrolamento do rotor do aerogerador.
54 Geração de energia elétrica
Devido ao fato de que esse tipo de aerogerador se conecta à rede de forma assíncrona,
exclusivamente através do seu inversor, esse equipamento não contribui com o controle de
frequência, nem com o aumento do nível de curto-circuito na rede elétrica na qual ele é conec-
tado. Para que esse equipamento possa contribuir, mesmo que de forma limitada no controle
de frequência da rede, foi definido no submódulo 3.6 dos Procedimentos de Rede do ONS
[17], um requisito técnico denominado Inércia Sintética, que será detalhado adiante.
Inércia sintética
Considerando o fato de que o Tipo 5 de aerogerador ainda está em fase de desenvolvi-
mento e pesquisa, atualmente somente os Tipos 3 e 4 de aerogeradores, descritos acima, são
capazes de atender os requisitos técnicos do submódulo 3.6 dos Procedimentos de Rede do
ONS [17].
Os aerogeradores DFIG (Tipo 3) contribuem parcialmente, em razão de sua eletrônica de
potência, no controle de frequência do sistema (entre +/- 30% da velocidade síncrona). Por sua
vez, os aerogeradores Full-Converter (Tipo 4), não contribuem com a inércia da rede devido
ao fato de eles serem conectados à rede elétrica através de seus conversores. Para que esses
aerogeradores possam contribuir, mesmo que de forma limitada, no controle de frequência da
rede elétrica, foi definido submódulo 3.6 dos Procedimentos de Rede do ONS um requisito
técnico denominado inércia sintética [17].
O aerogerador que tem esse recurso, seu sistema de controle mede continuamente a frequ-
ência da rede elétrica. Caso a frequência sofra uma redução em relação ao regime permanente,
o controle do aerogerador comanda um aumento de sua potência ativa terminal, de forma a
contribuir com a recuperação da frequência. Esse aumento de potência é realizado através da
utilização de parte da energia cinética armazenada no rotor e pás do aerogerador. Sua contri-
buição é por tempo limitado, evitando provocar o efeito stall do aerogerador e esforços nas
caixas de engrenagem [24]. Hoje esse requisito é obrigatório para todos os aerogeradores que
irão se conectar ao SIN [17].
O planejamento da operação energética no sistema interligado nacional 55
Dada sua velocidade de ação (de 2 a 3 ciclos), a inércia sintética tem condições de contri-
buir no controle de frequência do sistema no momento de uma perturbação, quando somente
a inércia das massas girantes sincronizadas podem contribuir. Por isso, a inércia sintética con-
tribui com a redução da taxa de variação de frequência do sistema (df/dt), até que a ação da
regulação de velocidade dos geradores sincronizados e com reserva primária (R1) atue. A ação
da inércia sintética pode reduzir de forma efetiva a taxa de variação de frequência do sistema,
assim com a frequência mínima atingida em uma perturbação, podendo evitar até mesmo a
atuação de estágios do Esquema Regional de Alívio de Carga (ERAC) [24].
Conexão com a rede elétrica: como visto anteriormente, a conexão dos parques eólicos
offshore com a rede elétrica no continente pode ser feita por meios de cabos submarinos CA
ou CC, dependendo da tecnologia utilizada. Destaca-se que, no caso de utilização da alterna-
tiva CC, existe a necessidade de instalação de subestações retificadora (offshore) e inversora
O planejamento da operação energética no sistema interligado nacional 57
(onshore). Isso aumenta consideravelmente o custo da conexão do parque com a rede elétrica.
Em contrapartida, há uma redução das perdas da alternativa CC se comparada a alternativa
CA, além da operação assíncrona permitir um controle mais efetivo tanto da potência ativa
quanto da potência reativa injetada/absorvida na rede, bem como uma suportabilidade maior
aos distúrbios.
Os custos com a infraestrutura de transmissão (cabos) para conexão dos aerogeradores às
subestações offshore, e sua conexão ao continente, incluindo os custos das próprias subesta-
ções offshore, variam de 15 a 30% dos custos totais do empreendimento [12].
Figura 2.19 – Comparação da composição dos custos de projetos eólicos onshore e offshore
No Brasil ainda existe um grande potencial eólico onshore não explorado, dessa forma,
em razão da complexidade do projeto de engenharia, associado a elevados custos de ins-
talação, a exploração de empreendimentos offshore em escala comercial ainda é inviável
economicamente.
curto-circuito (Short-Circuit Ratio – SCR), necessário para conexão dos inversores, seja aten-
dido de forma que estes possam operar de forma estável. Além disso, eles produzem correntes
harmônicas, que podem necessitar de filtros para que sejam atendidos os critérios de desem-
penho harmônico. A presença desses filtros pode levar a dificuldades no controle de tensão da
área, sobretudo em regiões de baixo nível de curto-circuito.
A Figura 2.20 apresenta o diagrama esquemático de uma central geradora fotovoltaica.
Se comparada com as outras formas de geração de energia elétrica por fontes renováveis, as
centrais fotovoltaicas têm um processo bem mais simples, apesar do fato de que o uso de in-
versores requer aspectos específicos da rede elétrica onde eles são conectados, conforme visto
anteriormente.
distribuidora de energia, não sendo necessário o transformador elevador, reduzindo com isso
os custos da instalação.
Figura 2.21 – UFV São Gonçalo – 475 MW (primeira etapa) – estado do Piauí, Brasil
60 Geração de energia elétrica
Figura 2.22 – Etapas de produção de energia elétrica em uma central termosolar de torre central com armazenamento
térmico em sais fundidos
O receptor solar, situado no topo da torre central, é o principal componente dessa tecnologia.
Muitas pesquisas são realizadas no sentido da utilização de materiais cerâmicos, além da utiliza-
ção de novos arranjos geométricos nos receptores solares. Atualmente, o estado da arte em termos
de receptores solares são os receptores solares do tipo cilíndrico. Esses receptores permitem um
melhor aproveitamento da área do parque solar, pois os heliostatos podem ser dispostos em uma
área circular em torno da torre central, podendo ser apontados em diversas alturas do receptor,
evitando com isso sobreaquecimento do receptor solar. Hoje são comuns receptores que recebem
o equivalente a várias centenas de “sois” concentrados através dos heliostatos do parque solar.
(1) Heliostatos
Inicialmente, a radiação solar incide nos heliostatos que são responsáveis por redirecioná-la
para o receptor solar, localizado no topo da torre central. Os heliostatos são formados por um
conjunto de espelhos planos, podendo chegar a uma área de 100 m2. Esses conjuntos têm suas
posições, ao longo do dia, controladas por dois servomotores elétricos, de elevada precisão no
posicionamento, em uma montagem altitude-azimute, similar ao de telescópios astronômicos, e
são controlados por um sistema de controle computadorizado. Os motores posicionam cada he-
liostato ao longo do dia, de maneira que nem todos os heliostatos apontem para a mesma posição
no receptor solar. Caso isso aconteça, pode haver danos no receptor por temperatura.
Outro fato interessante em relação ao controle dos heliostatos é que, a partir de uma deter-
minada velocidade do vento no parque solar, os servomotores colocam os heliostatos em uma
posição de repouso horizontal, reduzindo o efeito do vento neles e possíveis danos físicos. Os
heliostatos devem ser lavados com frequência, pois a poeira depositada com o tempo reduz a
radiação solar refletida por eles para o receptor. Algumas usinas termosolares desenvolveram,
inclusive, processos automatizados para a limpeza dos heliostatos, reduzido assim o custo de
manutenção, além da quantidade de água para limpeza.
Dependendo do projeto, a quantidade de heliostatos pode variar de centenas até milhares,
todos eles com a posição controlada precisamente por um sistema de controle computadoriza-
do, a fim de otimizar a reflexão da radiação solar para o receptor solar ao longo do dia e do ano.
Ciclo de produção diário de uma central termosolar de receptor de torre central com
armazenamento térmico em tanques de sais fundidos
A principal vantagem de uma central termosolar com armazenamento é o melhor ge-
renciamento da produção de energia elétrica da planta, que permite que ela produza energia
mesmo em períodos sem irradiação solar, representando, portanto, menor intermitência se
comparada a uma central fotovoltaica.
A Figura 2.23 apresenta um gráfico com um ciclo típico de três dias de produção de ener-
gia de uma central termosolar de armazenamento. Na figura, são apresentadas as seguintes
curvas:
• Curva azul traço fino, semelhante a uma parábola, indica o nível de Irradiação Solar
Horizontal (Direct Normal Irradiance – DNI), que incide nos heliostatos do parque
solar durante três dias consecutivos. Esse é o motivo pelo qual há três ciclos, não só na
curva DNI, mas também nas demais curvas da Figura 2.23. Para os três dias observa-
dos, o nível de irradiação solar foi praticamente o mesmo.
• Curvas azuis, que se assemelham ao perfil de dente de serra, indicam a energia térmi-
ca armazenada na central em seu tanque de sais fundidos aquecido. A curva contínua é
o valor verificado, enquanto a curva tracejada é o valor calculado através de um mode-
lo matemático da central. A energia armazenada no tanque de sais fundidos aquecidos
é que é utilizada para gerar vapor para a turbina.
• Curvas vermelhas, que indicam a potência mecânica gerada pela turbina e, conse-
quentemente, a potência elétrica gerada pelo gerador da central termosolar em regime
permanente. A curva contínua é o valor verificado, enquanto a curva tracejada é o
valor calculado através de um modelo matemático da central.
• Curva azul claro, indica a potência do forno de gás natural, utilizado em uma emer-
gência para evitar que a temperatura dos sais fundidos frios atinja valores abaixo da
temperatura mínima dos sais, evitando a solidificação deles dentro do tanque de arma-
zenamento de sais frios e, consequentemente, de danos severos. Durante os três dias
de monitoramento da central, não houve a necessidade de utilização de gás natural
para aquecimento, mesmo tendo sido observada a operação contínua dela.
O planejamento da operação energética no sistema interligado nacional 65
Esse é um fato relevante no aspecto da vida útil da turbina a vapor, conforme já mencionado.
Figura 2.23 – Ciclo de produção diário de uma central termosolar de torre central com armazenamento térmico
em tanques de sais fundidos
À 0 hora do primeiro dia, não existe irradiação solar incidindo sobre os heliostatos, de for-
ma que a potência mecânica gerada pela turbina (curva em vermelho), é obtida exclusivamen-
te pelo vapor obtido a partir da energia térmica armazenada no tanque de sais fundidos aqueci-
dos (curva azul). Podemos, inclusive, notar a linearidade dessa perda de energia térmica, fato
que é previsto segundo a equação 2.4, uma vez que existe a variação de temperatura dos sais
fundidos para geração do vapor que será utilizado na turbina. Por volta de 8 horas da manhã
do primeiro dia, começa a haver incidência de irradiação no parque solar a central, que pode
ser visualizado na Figura 2.23 pelo aumento observado na curva de DNI (curva azul fina).
Até cerca de 10h30, a energia armazenada ainda sofre uma redução, pois a central ainda conso-
me mais energia térmica do que a irradiação solar consegue fornecer. Isso ocorre por dois motivos:
• Existe um aumento da potência da turbina (curva vermelha), com o aumento do DNI
(curva azul fina), fazendo com que haja um progressivo aumento da energia térmica
consumida na central, paralelamente ao aumento do DNI.
• Devemos também destacar o gasto de energia para bombear sais aquecidos para o receptor
localizado no topo da torre central, antes do início da operação da planta. Conforme co-
mentado anteriormente, existe a necessidade diária de esvaziar a tubulação da torre durante
a noite para evitar a solidificação dos sais e, consequentemente, da perda da tubulação.
Figura 2.25 – Usina termosolar Gemasolar – Sevilha, Espanha – Detalhe da torre central e heliostatos
Figura 2.26 – Etapas de produção de energia elétrica em uma central termosolar de calhas cilindro-parabólicas
com armazenamento térmico em sais fundidos
(5) Condensador
O vapor que sai da turbina a vapor é condensado, transformando-se em água que volta
novamente ao ciclo de produção de vapor.
central de receptor de torre central. Isso irá refletir em uma redução no período de geração da
planta sem Sol, considerando que ambas as centrais tenham um mesmo volume de sal fundido.
(9) Caldeira
A caldeira é utilizada para a manutenção da temperatura do fluido térmico do campo solar
em situações extremas.
Figura 2.29 – Usina termosolar Valle 1 e Valle 2 – Cadiz, Espanha – 50 MW – Campo solar 510.000 m2 de calhas cilindro
parabólicas
72 Geração de energia elétrica
Figura 2.30 – Usina termosolar Valle 1 e Valle 2 – Sistema de armazenamento térmico em sais fundidos
Figura 2.31 – Diagrama simplificado de uma central termosolar híbrida calhas cilindro-parabólicas e termoelétrica a gás
natural
Onde:
heat rate: (Btu/kWh)
energia térmica: energia térmica obtida com a utilização da fonte primária (Btu)
energia elétrica: energia elétrica obtida no processo de produção de energia (kWh)
O heat rate no contexto de usinas termoelétricas pode ser considerado como a entrada
necessária para produzir uma unidade de produção. Geralmente, indica a quantidade de com-
bustível necessária para gerar uma unidade de eletricidade. Os parâmetros de desempenho
rastreados para qualquer usina termoelétrica, como eficiência, custos de combustível, fator
de carga da planta, nível de emissões etc., são uma função do heat rate da planta e podem ser
vinculados diretamente [27].
Uma eficiência de 100% implica em energias de entrada (térmica) e saída (elétrica) iguais:
para 1 kWh de saída, a entrada deve ser de 1 kWh. Essa entrada de energia térmica de 1 kWh
= 3,6 MJ = 3.412 Btu. Portanto, o heat rate de uma planta 100% eficiente é simplesmente 3,6
MJ / kWh, ou 3.412 Btu / kWh.
A Energy Information Administration dos EUA fornece uma descrição geral de como
converter um valor de heat rate no valor de eficiência de uma usina [27]. Para expressar a
eficiência de um gerador ou usina como porcentagem, é possível dividir o valor equivalente
em Btu de 1 kWh de eletricidade (3.412 Btu) pelo heat rate. Por exemplo, se a energia de
aquecimento (entrada) for de 10.500 Btu, a eficiência será de 32,5% (3.412 Btu / 10.500 Btu
= 32,5%). Se a energia de aquecimento for de 7.500 Btu, a eficiência é de 45,5% (3.412 Btu /
7.500 Btu = 45,5%). Quanto maior o heat rate (ou seja, quanto mais energia é necessária para
produzir 1 kWh), menor a eficiência da usina.
A maioria das usinas possui um heat rate objetivo em sua fase de projeto. Se o heat rate
real da planta não corresponder ao objetivo, a diferença entre o heat rate real e o heat rate
objetivo é denominado desvio de heat rate.
O planejamento da operação energética no sistema interligado nacional 75
Ciclo de Produção de Energia Elétrica: 23. Gerador síncrono; 24. Transformador ele-
vador; 25. Rede elétrica.
A Figura 2.32 apresenta o diagrama esquemático de uma usina termoelétrica que utiliza
o carvão como combustível. No início do processo da planta, o carvão é transportado através
de esteiras (1) do seu local de armazenamento, moído e transformado um pó muito fino por
grandes esferas de metal na tremonha de carvão (2). Por outro lado, o ar necessário para a
combustão do carvão é admitido pela entrada de ar (3) é pré-aquecido no pré-aquecedor de ar
(4), e acionado pelo ventilador de circulação forçada (5). O carvão triturado (combustível) e o
ar pré-aquecido são então conduzidos para preparação da queima no moinho de combustível
pulverizado (6). A mistura combustível/ar-quente é forçada em alta pressão na caldeira, onde
se inflama rapidamente. Uma parte das cinzas resultantes da queima do combustível precipita
e é processada na tremonha de cinzas (7) para reaproveitamento no moinho de combustível.
A água de alto teor de pureza e desmineralizada, de forma a evitar problemas de incrusta-
ções e corrosões na caldeira, flui verticalmente pelas paredes revestidas com tubos da caldeira,
onde se transforma em vapor, é direcionada para o tambor de vapor da caldeira (8), onde o
vapor é separado da água não transformada em vapor. O vapor formado passa através de um
coletor no teto do tambor para o superaquecedor (9), onde sua temperatura e pressão aumen-
tam rapidamente para cerca de 200 bar e 570°C, o suficiente para fazer as paredes do tubo bri-
lharem de um vermelho opaco. O vapor é então canalizado para a turbina de alta pressão (10),
a primeira de um processo de turbina de três estágios. Uma válvula reguladora de vapor (11)
permite o controle manual da turbina e o acompanhamento automático do ponto de ajuste.
O vapor da exaustão da turbina de alta pressão em pressão e temperatura reduzidos é re-
tornado ao reaquecedor da caldeira (12). O vapor reaquecido é então passado para a turbina
de pressão intermediária (13), e a partir daí é conduzido para o conjunto da turbina de baixa
pressão (14). O vapor que sai, agora um pouco acima do seu ponto de ebulição, entra em con-
tato térmico com a água fria (bombeada da torre de resfriamento) no condensador (15), onde
ele se condensa novamente, criando condições próximas ao vácuo no interior do condensador.
A água condensada é então direcionada pela bomba de extração de condensado (16) para um
desaerador (17), e depois bombeada pela bomba de água de alimentação (18) e pré-aquecida,
primeiro em um aquecedor de alimentação (19), alimentado pelo vapor retirado do conjunto
de alta pressão e depois no economizador (20), antes de retornar ao tambor da caldeira.
A água de resfriamento do condensador é pulverizada dentro de uma torre de resfriamen-
to (21), criando uma nuvem de vapor de água visível das redondezas da central termoelétrica
antes de ser bombeada (22) de volta para o condensador no ciclo da água de resfriamento. Por
sua vez, o gás de exaustão da caldeira é aspirado pelo ventilador de tração induzido (26) através
de um precipitador eletrostático (27) e é então conduzido para a chaminé da planta (28).
O planejamento da operação energética no sistema interligado nacional 77
muito importante para alocação de reserva operativa, para fazer frente à intermitência de
centrais geradoras eólicas e fotovoltaicas. Devido à sua menor eficiência energética, em razão
do ciclo aberto, essas centrais só são viáveis economicamente para geração de energia para o
atendimento da reserva operativa (reserva a frio), ou durante algumas horas do dia para aten-
dimento da carga em períodos de ponta.
Figura 2.33 – Diagrama esquemático de uma usina termoelétrica a gás natural de ciclo combinado
GLOSSÁRIO DO CAPÍTULO
Constante solar (I0) – é uma densidade de fluxo que mede a energia total da radiação recebida
na Terra pelo Sol fora da atmosfera terrestre, por unidade de área, em uma superfície teórica
perpendicular aos raios solares e à distância média da Terra ao Sol (1 UA). Essa medida é re-
alizada por satélites em órbita terrestre, e seu valor é de 1.362 W/m2, no máximo solar.
Efeito fotovoltaico – consiste na criação de tensão elétrica contínua ou de uma corrente elé-
trica contínua correspondente num material semicondutor, após a sua exposição à luz solar.
Embora o efeito fotovoltaico esteja diretamente relacionado com o efeito fotoelétrico, ambos
são processos distintos. No efeito fotoelétrico, os elétrons são ejetados da superfície de um
material após exposição do mesmo à radiação com energia suficiente. O efeito fotovoltaico é
diferente, pois os elétrons gerados são transferidos entre bandas diferentes (i.e., das bandas de
valência para bandas de condução), dentro do próprio material semicondutor, resultando no
desenvolvimento de tensão elétrica contínua entre dois elétrodos [3].
Irradiância ou radiância solar – taxa na qual a energia solar atinge uma unidade de área. A
unidade de medida normalmente utilizada é o W/m2.
Unidade astronômica – distância média entre a Terra e o Sol – cerca de 350 milhões de quilô-
metros, uma vez que a órbita da Terra em torno do Sol é ligeiramente elíptica. Essa distância é
definida como um padrão de medição de distância, sendo denominada 1 unidade astronômica,
ou 1 UA.
82 Geração de energia elétrica
REFERÊNCIAS DO CAPÍTULO
1. Coppe-UFRJ. Planeta Coppe Notícias, Coppe – UFRJ, 19 dezembro 2006. [On-line]. Available: http://
www.coppe.ufrj.br/pt-br/geracao-de-energia-eletrica-pelas-ondas-do-mar-0. Acesso em: 9 dezembro
2019.
2. Kopp G, Lean JL. A New, Lower Value of Total Solar Irradiance: Evidence and Climate Significance.
Geophysical Research Letters; 2011.
3. Böer KW. Solar cells – Chemistry encyclopedia. 2019. [On-line]. Disponível: http://www.chemis-
tryexplained.com/Ru-Sp/Solar-Cells.html. Acesso em: 9 dez. 2019.
4. W. Palz. Power for the World –The emergence of electricity from the sun; W. C. f. R. Energy, Ed., Pan
Stanford Publishing 2010. p. 6.
5. Aneel. Atlas de energia elétrica do Brasil. Brasília; 2002.
6. Chesf. Chesf energiza usina solar flutuante; 4 8 2019. Disponível em: https://www.chesf.gov.br/_
layouts/15/Chesf_Noticias_Farm/Noticia.aspx?IDNoticia=373. Acesso em: 11 jan. 2020].
7. Wikipédia, A Enciclopédia Livre. Disponível em: https://pt.wikipedia.org/wiki/Vento#cite_note-1.
Acesso em: 2 nov. 2019.
8. Infopédia, Enciclopédia de Língua Portuguesa, Porto Editora. Disponível em: http://www.infopedia.
pt/$vento. Acesso em: 16 dez. 2019.
9. JetStream; National Weather Service Southern Region Headquarters. Disponível em: http://www.srh.
noaa.gov/jetstream//synoptic/wind.htm. Acesso em: 24 nov. 2019.
10. Glossary of meteorology; American Meteorological Society, 25 4 2012. Disponível em: http://glos-
sary.ametsoc.org/wiki/Trade_winds. Acesso em: 16 dez. 2019.
11. Ralph Stockman Tarr FMM. Advanced geography, W.W. Shannon: State Printing; 1909. p. 246.
12. 2 Irena. Renewable Power Generation Costs in 2018; Abu Dhabi; 2019.
13. NERC. Short-circuit modeling and system strength. NERC: Atlanta; 2018.
14. P. Kundur. Power system stability and control. New York: McGraw-Hill; 1994.
15. Cigre and IEEE Joint Task Force Report; Guide for planning DC links terminating at AC locations
having low short-circuit capacities, Part I: AC/DC Interaction phenomena; Cigre Publication 68, June
1992.
16. ONS. Conhecimento: glossário. Disponível em: http://www.ons.org.br/paginas/conhecimento/glossa-
rio. Acesso em: 11 jan. 2020.
17. ONS. Procedimentos de rede; 2019. Disponível em: http://www.ons.org.br/paginas/sobre-o-ons/proce-
dimentos-de-rede/vigentes. Acesso em: 11 jan. 2020.
18. Amarante, O. A. C., Brower, M., Zack, J., & SÁ, A. Atlas do potencial eólico brasileiro. 2001. Atlas do
potencial eólico brasileiro; Brasília; 2001.
O planejamento da operação energética no sistema interligado nacional 83
19. Abeeólica. Potencial eólico do Brasil é de 500 GW, segundo DEWI; Abeeólica, 23 8 2016. Available:
http://abeeolica.org.br/noticias/potencial-eolico-do-brasil-e-de-500-gw-segundo-dewi/. Acesso em:
13 jan. 2020.
20. Fapesp. Ventos promissores a caminho. Fapesp, 11 7 2019. Available: https://revistapesquisa.fapesp.
br/2019/01/10/ventos-promissores-a-caminho/. Acesso em: 13 jan. 2020.
21. Barbosa R. Inserção da energia eólica offshore no Brasil: análise de princípios e experiências regula-
tórias. São Paulo, 2019.
22. EPE – Empresa de Pesquisa Energética; EPE realiza workshop: Energia Eólica Marítima, 2 4 2019.
Disponível em: http://www.epe.gov.br/pt/imprensa/noticias/epe-realiza-workshop-energia-eolica-ma-
ritima. Acesso em: 11 jan. 2020.
23. IEC – International Electrotechnical Commission Standard on Wind Turbines – Part 27-1: Electrical
simulation models – Wind turbines, IEC 61400-27-1:2015, February 13, 2015.
24. T. F. Mundstock, A. A. Barbosa, P. E. Quintão, S. L. Sardinha e A. Bianco; Avaliação dos efeitos da
representação da inércia sintética no parque aerogerador; em XXIII SNPTEE – Seminário Nacional de
Produção e Transmissão de Energia Elétrica: Foz do Iguaçu; 2015.
25. ENEL Green Power; Enel Green Power starts construction of 133 MW of new solar capacity in Brazil;
21 8 2019. [Online]. Available: https://www.enelgreenpower.com/media/press/d/2019/08/enel-green-
-power-starts-construction-133-mw-new-solar-capacity-brazil. Acesso em: 11 jan. 2020.
26. U.S. Energy Information Administration; https://www.eia.gov/tools/glossary/index.php?id=H, [Onli-
ne]. Available: https://www.eia.gov/tools/glossary/index.php?id=H. Acesso em: 11 jan. 2020.
27. U.S. Energy Information Administration. What is the efficiency of different types of power plants? 8
8 2019. [Online]. Available: https://www.eia.gov/tools/faqs/faq.php?id=107&t=3. Acesso em: 11 jan.
2020.
28. Siemens; Efficiency record of combined cycle power plant; Disponível em: http://www.siemens.com/
innovation/en/news/2011/efficiency-record-of-combined-cycle-power-plant.htm. Acesso em: 11 jan.
2020.
29. Electric G. HA technology now available at industry-first 64 percent efficiency; 4 12 2017. Disponível
em: https://www.genewsroom.com/press-releases/ha-technology-now-available-industry-first-64-per-
cent-efficiency. Acesso em: 11 jan. 2020.
3
O SISTEMA INTERLIGADO NACIONAL E O
PLANEJAMENTO DA OPERAÇÃO ENERGÉTICA
Em razão de suas características naturais, o Brasil tem vocação própria para desenvolver a
hidroeletricidade. A análise da potência instalada no Brasil indica, de forma inequívoca, que a
expansão do parque gerador ocorreu, principalmente, através da instalação de usinas hidroelé-
tricas. Observa-se que a hidroeletricidade continua, na matriz de energia elétrica atual, como
a principal fonte de geração de energia, embora sua participação no total da potência instalada
do SIN venha sofrendo redução ao longo dos anos, representando hoje cerca de 67,6% da po-
tência elétrica instalada no país, sendo complementada pelas usinas termoelétricas (22,4%),
usinas eólicas (8,9%) e fotovoltaicas (1,1%).
Deve-se observar que a característica de predominância das usinas hidroelétricas na capa-
cidade instalada do SIN, independentemente da oportunidade técnica, estratégica, econômica e
necessária de novas fontes de geração, complementar ou distribuída ao longo da rede, deverá
perdurar por várias décadas, pois as expectativas da escala de crescimento do mercado de energia
elétrica, aliada à vocação natural à hidroeletricidade (vale lembrar que somente 27% do poten-
cial hidroelétrico competitivo existente no país foram aproveitados), conferem ao Setor Elétrico
brasileiro o desafio de implementar, a cada ano, montantes consideráveis de oferta de geração. A
tabela 3.1 demonstra este fato para o horizonte de dezembro de 2018 a dezembro de 2023.
Tabela 3.1– Oferta do SIN
2018 2023 Crescimento 2018-2023
Tipo
MW % MW % MW %
Hidráulica 109.212 67,6 114.585 64,4 5.373 4,9
Nuclear 1.990 1,2 1.990 1,1 - -
Gás/GNL 12.821 7,9 17.861 10,0 5.040 39,3
Carvão 2.672 1,7 3.017 1,7 345 12,9
Óleo/Diesel 4.164 2,9 4.900 2,8 286 6,2
Biomassa 13.353 8,3 13.871 7,7 428 3,2
Outras(1) 779 0,5 1.000 0,6 221 28,4
Eólica 14.305 8,9 17.281 9,7 2.976 20,8
Solar 1.780 1,1 3.626 2,0 1.846 103,7
Total 161.526 100,0 178.041 100,00 16.515 10,2
(1) Usinas Biomassa com CVU
86 O sistema interligado nacional e o planejamento da operação energética
A Figura 3.1 apresenta os montantes de geração verificados em 2018, por fonte de produ-
ção, sendo a geração hidrelétrica responsável por aproximadamente 70% do atendimento da
carga do SIN (66.559 MWmed).
Outra característica singular do SIN é sua dimensão continental, o que lhe confere uma
complexidade operacional, quando comparado aos sistemas de outros países.
Para visualização desta característica, a Figura 3.2 representa, em escala, a inserção da
Rede Básica do Sistema Interligado Nacional no continente europeu. Nesta figura, podemos
observar que a interligação entre os subsistemas do SIN, tendo-se como referência o subsiste-
ma Sul, na cidade de Porto Alegre, e o subsistema Norte, na cidade de Manaus, corresponde
à inserção no continente europeu de uma malha de interligação entre as cidades de Lisboa
(Portugal) e Estocolmo (Suécia).
Submercado/subsistema
Em sistemas elétricos com predominância hidráulica, que é o caso do sistema brasileiro,
o problema fundamental é a produção de energia para atendimento aos requisitos de merca-
do, nos períodos hidrologicamente desfavoráveis. Conforme visto anteriormente, as grandes
bacias brasileiras apresentam uma diversidade hidrológica que proporciona um acréscimo na
energia firme total do país através das interligações elétricas, tornando-as de grande importân-
cia para a otimização do sistema.
O Brasil adotou um modelo de preços por submercados que foram instituídos pelo Decre-
to No. 2.655, de 2 de julho de 1998, que regulamentou a Lei No. 9.648, de 27 de maio de 1998.
O critério determinante para a definição das áreas de mercado seria a presença e duração
de restrições relevantes de transmissão nos fluxos de energia dos sistemas interligados. No
sistema brasileiro, estão definidos quatro submercados, Sul, Sudeste/Centro Oeste, Norte e
Nordeste, havendo, portanto, um preço separado para cada submercado.
De forma semelhante, ao analisar-se a Região Sul, observa-se que o período úmido ocorre
de junho a novembro, período em que as ENAs mensais estão superiores à média anual. Nesse
mesmo período, as Regiões Sudeste/Centro-Oeste encontram-se em seu período seco.
A Figura 3.7 mostra a Rede de Operação do SIN, representada pelas linhas de transmissão
com tensões entre 138 KV e 750 KV.
Em alguns casos, estas linhas de fronteira se estendem em série pelos dois submercados
envolvidos, formando longos troncos de transmissão, como pode ser observado na Figura
3.9. Em alguns casos, todos esses troncos podem impactar de forma significativa o limite da
interligação em questão.
Os limites de intercâmbio entre submercados se constituem em informações importantes
para os programas de otimização energética, que são responsáveis pelo cálculo do CMO/PLD.
Esses valores limites representam o máximo de energia que cada submercado pode exportar
ou importar, com a segurança e a qualidade preconizadas pelos Procedimentos de Rede, para
prover o atendimento ao mercado de acordo com os recursos de geração disponíveis.
Para a determinação dos limites entre os subsistemas que visam subsidiar as análises
energéticas realizadas pelo PEN, são considerados todos os cenários energéticos que podem
ocorrer ao longo do ano.
92 O sistema interligado nacional e o planejamento da operação energética
No cálculo dos limites são considerados cenários energéticos caracterizados a partir da di-
versidade hidrológica entre as bacias hidrográficas. Para cada cenário energético, os intercâm-
bios entre os subsistemas são aumentados até que alguma violação no sistema de transmissão
seja encontrada, podendo essa violação ser de regime permanente ou dinâmico.
Capacidade de armazenamento
A capacidade de armazenamento máximo do SIN, previsto para o ano de 2019 é de
291.547 MWmês, distribuídos pelas regiões, conforme indicado na Figura 3.11. Observa-se a
predominância do subsistema SE/CO, com cerca de 70% do armazenamento total, bem como,
1 Conforme Submódulo 23.3 dos Procedimentos de Rede “Diretrizes e Critérios para Estudos Elétricos.
94 O sistema interligado nacional e o planejamento da operação energética
Em resumo, a natureza do Sistema Interligado Nacional faz com que exista um acopla-
mento espacial e temporal das decisões tomadas na sua operação eletroenergética. O uso, no
presente, mais ou menos intensivo dos estoques de água nos diversos reservatórios, frente às
incertezas das condições hidrometeorológicas e do consumo, irá afetar a operação futura do
Sistema, em termos de garantia de atendimento e em termos de custos ao consumidor final.
Por outro lado, as decisões operativas no presente dependem de como se imagina a confi-
guração futura do Sistema – quantas usinas, quantas linhas de transmissão, qual é o mercado
a ser atendido, enfim, pode-se usar mais ou menos a “poupança energética dos reservatórios”
no presente dependendo da expansão prevista da rede de transmissão e da oferta de energia
elétrica.
Essas características, aliadas ao fato de que a expansão da geração e da transmissão de-
manda longos tempos de maturação, fazem com que a operação em tempo real do SIN seja
precedida de uma etapa de Planejamento da Operação, de forma a garantir, ao menor custo,
a confiabilidade do sistema, a qualidade e a quantidade de energia requerida pelo mercado
consumidor.
96 O sistema interligado nacional e o planejamento da operação energética
A Função de Custo Imediato (FCI), ilustrada na Figura 3.14, é utilizada para representar o
benefício do uso imediato da água. Observando a FCI é possível verificar que o custo operati-
vo imediato de gerar energia a partir do desestoque de água dos reservatórios é nulo, já o custo
imediato obtido a partir da geração termoelétrica é dado pelo custo do combustível utilizado,
que é significativamente mais alto.
Por outro lado, o custo futuro de um reservatório vazio tende a ser alto, pois espera-se gas-
tar mais combustível no futuro. O reservatório cheio, por sua vez, tende a ter um menor custo
futuro, pois há um estoque de água que dispensará geração térmica. Dessa forma, o benefício
de armazenar a água nos reservatórios no presente para o seu uso futuro pode ser representado
através de uma Função de Custo Futuro (FCF), como mostrado na Figura 3.15.
Nas Figuras apresentadas, o eixo das abscissas representa o estado do sistema que, neste
exemplo ilustrativo, é dado pelo volume final armazenado nos reservatórios das usinas hi-
droelétricas do sistema, e o eixo das ordenadas representa os valores do custo futuro e custo
imediato expressos em unidades monetárias.
A Função do Custo Total de Operação (FCT), por sua vez, corresponde à soma das fun-
ções de custo imediato (FCI) e custo futuro (FCF), conforme equação (3.1). O custo total de
operação tem um valor mínimo, que corresponde ao uso ótimo da água armazenada, e pode
ser obtido calculando-se o ponto onde as derivadas da FCI e da FCF com relação ao armaze-
namento se igualam em módulo, de acordo com (3.2) e como mostrado na Figura 3.16.
98 O sistema interligado nacional e o planejamento da operação energética
Assim, observando a Figura 3.16 pode-se verificar que o despacho energético que conduz
ao menor custo total é obtido ao se equilibrar a geração hidráulica e térmica de forma a igua-
lar o valor da água (custo futuro) ao custo de geração da térmica mais cara que estiver sendo
acionada (custo imediato).
O custo imediato corresponde às despesas decorrentes das decisões presentes, tais como o pa-
gamento do combustível a ser utilizado para a geração em usinas termoelétricas. Logo, é possível
determiná-lo sem grande dificuldade. Mas para determinar qual é o custo futuro, por sua vez, é ne-
cessário saber o que ocorrerá nos próximos anos. Dadas as características já mencionadas do SIN, o
custo futuro depende fortemente das afluências que irão ocorrer nos rios em que estão instaladas as
usinas hidrelétricas. Como as vazões afluentes têm alto grau de incerteza, uma forma muito comum
para representar esta variável aleatória ao longo do horizonte de planejamento é através de uma ár-
vore de cenários obtida a partir da discretização da variável aleatória. Na Figura 3.18 (a) é ilustrada
uma árvore de cenários construída para um problema de quatro estágios e três realizações desta
variável aleatória por período, totalizando 27 cenários ou trajetórias possíveis. Cada realização do
conjunto de realizações da variável aleatória também é conhecida como abertura.
Uma alternativa para se obter os cenários que compõem a árvore é fazer uso de cenários
de afluência gerados sinteticamente por um modelo estatístico baseado no histórico conhecido
de vazões afluentes. Com base nos diversos cenários possíveis de afluência futura, é possível
construir uma aproximação da função de custo futuro e assim determinar uma política ótima
de operação para o sistema. A metodologia utilizada para a modelagem da incerteza hidroló-
gica será abordada no Capítulo 6 deste livro.
Diversos métodos e estratégias têm sido propostos para a solução do problema de plane-
jamento da operação energética. Neste livro, trataremos da estratégia e do método de solução
adotados nos modelos computacionais utilizados atualmente pelo ONS. Todavia serão forne-
cidas referências bibliográficas para que o leitor possa se aprofundar nos temas abordados ao
longo do capítulo.
100 O sistema interligado nacional e o planejamento da operação energética
é realizado para o horizonte de cinco anos à frente com discretização mensal, para a definição das
políticas de geração hidrotérmica e dos intercâmbios de energia entre os subsistemas.
A segunda etapa, referenciada como etapa de curto prazo, tem caráter tático e corresponde
à fase da programação mensal. Nesta etapa, contemplando as estratégias definidas pelo planeja-
mento da operação energética e as condições operativas atuais, como níveis de armazenamento,
vazões antecedentes verificadas e cargas previstas a serem atendida, são estabelecidas as metas
de geração individualizada do parque gerador, de níveis finais de armazenamento dos reserva-
tórios e de intercâmbios entre os subsistemas, levando em conta as características dos sistemas
e restrições de natureza hidráulica, elétrica e ambiental. Atualmente, a programação mensal é
realizada com o horizonte de dois meses, na qual são vistos em detalhes o sistema gerador das
usinas e os principais troncos de transmissão, discretizando-se o período de programação em
etapas semanais, durante o primeiro mês. Essa fase é consubstanciada no Programa Mensal de
Operação – PMO e suas revisões semanais, que será abordado no Capítulo 9.
Por último, a fase da programação diária da operação (PDO) contempla, no horizonte de
uma semana, considerando informações como as previsões de curto prazo da carga, das afluên-
cias, das gerações eólicas, os tempos de viagem da água entre aproveitamentos em cascata, as
disponibilidades de equipamentos e os desligamentos de elementos do sistema de transmissão.
São ainda atendidas restrições hidráulicas locais, ambientais e elétricas da rede, com o
detalhamento por todos os barramentos de interesse e, finalmente, estabelecida a programação
de despacho de geração, por usina, a cada meia hora para o próximo dia, a ser implantada na
operação em tempo real.
A estratégia de divisão de um problema altamente complexo em diversas etapas, que tro-
cam informação entre si, é adotada na cadeia de modelos computacionais [23] desenvolvida
pelo Cepel, ilustrada na Figura 3.20, e utilizada pelo ONS para o planejamento e operação
energética do SIN. Os modelos desta cadeia transmitem ao modelo imediatamente subsequen-
te na cadeia informação sobre a condição futura do sistema, através da Função de Custo Futu-
ro. Desta forma, ao final do último período do horizonte o modelo de curto prazo se acopla à
FCF construída pelo modelo de médio prazo, conforme ilustrado na Figura 3.21.
posterior em que este se esvazia completamente, supondo o atendimento sem déficit de uma
determinada carga média ao longo de todo o período histórico. Esta carga é livremente ajus-
tada para esta condição, e a geração destinada a atender esta carga é definida como a energia
firme para este conjunto de usinas [13]. Na região geoelétrica Sudeste/Centro-Oeste, o perío-
do crítico compreende os anos de 1952 a 1956.
O planejamento da operação iniciou-se então com o traçado de uma curva-limite, que de-
terminava o nível dos reservatórios acima dos quais, mesmo ocorrendo as vazões do período
crítico, seria possível garantir o atendimento da carga prevista para o sistema até o final do
quinto ano do horizonte de planejamento. O mesmo se fazia com todas as demais regiões,
cada uma com seu período crítico. Cada vez que a energia armazenada se situava em pontos
abaixo da curva-limite, todas as térmicas eram acionadas na sua capacidade máxima. O único
critério considerado era, portanto, a segurança do atendimento.
Em pouco tempo, porém, a partir de 1979, este critério foi substituído pelo mínimo cus-
to total esperado. Ao invés de se considerar apenas o cenário mais crítico, de 1952 a 1956,
foi extraído do histórico de vazões um conjunto de índices estatísticos que inclui a média, o
desvio padrão e a correlação temporal das vazões medidas nos postos hidrológicos em que
atualmente estão situadas as usinas hidroelétricas. Estes índices foram introduzidos na técnica
de Programação Dinâmica Estocástica (PDE), que determinava, a cada mês, o montante de
geração térmica que deveria ser despachado para minimizar o custo total esperado ao longo
de todo o horizonte de estudo, considerando todas as possibilidades de afluência [43]. Intro-
duziu-se no algoritmo um custo para o déficit de energia, estipulado como um valor superior
ao custo de geração da usina termelétrica mais cara disponível. Cada região era representada
pela agregação de todos os reservatórios de suas usinas em um único reservatório equivalente
de energia. O algoritmo da PDE utilizado tratava um reservatório equivalente por vez, as tro-
cas de energia entre as regiões seguiam uma regra heurística que buscava a igualdade entre os
custos marginais de cada região.
A consideração de um único reservatório equivalente por vez se devia à dificuldade cau-
sada pela dimensão do problema. A solução do planejamento da operação por PDE exige a
discretização do armazenamento dos reservatórios equivalentes e da tendência hidrológica
(vazões dos meses anteriores). Para exemplificar, se cada reservatório é discretizado em cem
intervalos, e a tendência hidrológica a cada reservatório em dez intervalos, tem-se, para quatro
104 O sistema interligado nacional e o planejamento da operação energética
reservatórios, 1 trilhão de estados a serem estudados, o que, com o estado da arte da capacida-
de de processamento da década de 80, era algo que não se concebia implementar.
Entretanto, ao ser lançada a interligação das regiões Norte e Nordeste com o Sudeste/
Centro-Oeste, no final da década de 1990, conforme a Figura 3.23, passou a ser fundamental
a otimização simultânea dos quatro reservatórios equivalentes de energia.
A consideração de subsistemas interligados no cálculo da estratégia passou a ser possível
com o desenvolvimento da técnica de Programação Dinâmica Dual Estocástica (PDDE) [35],
a partir da década de 1990. O uso da PDDE permite uma redução drástica na discretização uti-
lizada para a varredura dos estados de cada reservatório equivalente, possibilitando represen-
tar explicitamente as interligações entre os diversos subsistemas. Desde 1998, a PDDE passou
a ser o algoritmo de solução empregado no modelo oficial utilizado para o planejamento da
operação energética de médio prazo do setor elétrico brasileiro.
a ser resolvido pode envolver apenas a minimização de custos ou também incorporar medidas
de aversão a risco [22], [31] e [37], que serão abordadas no Capítulo 4 deste livro.
Para facilitar o entendimento destas metodologias, inicialmente será apresentada a pro-
gramação dinâmica tradicional (PD), um método de solução para problemas que envolvem
decisões sequenciais, cujos fundamentos principais podem ser estendidos para PDD e PDDE.
• os estados devem transmitir informações suficientes para tomar decisões futuras sem
levar em consideração sobre como o processo alcançou o estado atual;
• o número de variáveis de estado deve ser pequeno, dado que o esforço computacional
associado à abordagem de programação dinâmica é proibitivamente caro quando mui-
tas variáveis de estado são envolvidas na formulação do modelo.
Esse último ponto é conhecido como “mal da dimensionalidade” e pode limitar conside-
ravelmente a aplicabilidade da programação dinâmica na prática.
Considere um problema de planejamento da operação energética com um horizonte de
planejamento composto por T estágios, para o caso determinístico e com um único reservató-
rio, conforme formulação simplificada dada em (3.3).
"
s.a.
vt = v(t-1) + at - ght - vertt t = 1,...,T
ght + gtt + deft = demt t = 1,..,T (3.3)
0≤ vt ≤ vmax t = 1,...,T
Onde:
T é o número de estágios do horizonte de planejamento
vt é a energia armazenada no final do estágio t
vt-1 representa a energia armazenada no final do estágio t-1, que equivale à energia arma-
zenada no início do estágio t
at é o montante de energia afluente no estágio t
ght é o montante de energia hidráulica gerada no estágio t
vertt é o montante de energia vertida no estágio t
gtt é o montante de energia térmica gerada no estágio t
deft é o montante de energia não suprida no estágio t
demt é a demanda a ser atendida no estágio t
CTt ,CDt representam o custo da geração térmica e de déficit
das usinas termoelétricas e penalidades pelo não atendimento à carga. A primeira restrição é
chamada de restrição de balanço de energia e representa a equação de transição da variável de
estado. A segunda restrição é conhecida como atendimento à demanda, e a terceira restrição
representa os limites da variável energia armazenada no final do estágio.
O problema descrito anteriormente é um problema recursivo e separável no tempo, assim,
podemos resolvê-lo recursivamente utilizando a equação de recursão de Bellman, de acordo
com (3.4), para t = 1,...,T. O estado do sistema é representado pela a energia armazenada no iní-
cio do estágio, ou de outra forma, pela a energia armazenada no final do estágio anterior (vt-1).
s.a.
vt = v(t-1)+at - ght - vertt
ght + gtt + deft = demt (3.4)
0 ≤ vt ≤ vmax
Onde:
α(t+1) (.) é a função de custo futuro construída em t+1
A função α(t+1) (vt) representa o custo futuro esperado associado ao estado de armazena-
mento ao final do estágio t. Esse custo traduz o custo total de operação esperado a partir do
próximo estágio até o final do horizonte de planejamento. Dessa forma, para cada estágio de-
seja-se minimizar o custo total de operação do estágio composto pela soma do custo presente
(CTt * gtt + CDt * deft) e do custo futuro (αt+1 (vt).
Deve-se determinar a melhor decisão a cada estágio, de acordo com a situação (estado) em
que se encontra o sistema. Essa decisão também pode ser obtida através da avaliação de di-
versas possibilidades de operação, ao invés da solução de um problema de otimização. Neste
caso, a variável geração térmica é fixa em alguns valores pré-estabelecidos (ΩtGT), para cada
estado de armazenamento são calculados o balanço de energia e o custo de operação para cada
valor de geração térmica, e então é escolhida a opção que fornece o mínimo custo. Esta forma
de calcular a FCF é simples, mas requer a discretização de mais uma variável, o que aumenta
ainda mais a complexidade computacional do problema quando o número de variáveis cresce.
A resolução do problema inicia-se pelo último estágio, e para tanto, é necessário estabele-
cer uma função de custo futuro para o final do horizonte de estudo αT. Usualmente, é conside-
rada uma função igual à zero, conforme ilustrado na Figura 3.24.
O planejamento da operação energética no sistema interligado nacional 109
Figura 3.26. Observe que para cada corte adicionado à FCF é possível determinar sua incli-
nação, que como visto anteriormente, é chamada de valor da água.
O valor da água (VA) pode ser calculado a partir da inclinação de cada reta que compõe
a FCF, conforme Figura 3.27.
Seguindo o processo recursivo, o próximo estágio a ser resolvido é o T-1, conforme apre-
sentado na Figura 3.28. O procedimento é bastante similar ao descrito acima, porém a função
de custo futuro que será utilizada para resolver os problemas deste estágio é a função αT (.),
construída em T. Notem que a otimalidade de cada decisão é baseada no conhecimento prévio
de todas as possibilidades futuras e suas consequências.
O planejamento da operação energética no sistema interligado nacional 111
Este processo é repetido até que se chegue no estágio inicial do horizonte de estudo. Ao
final do processo estarão disponíveis funções de custo futuro para todos os estágios.
Para uma boa representação da FCF é necessário que a discretização da variável de estado
seja bem refinada. Suponha uma representação acurada do reservatório seja alcançada dividindo-
-o em 100 faixas de armazenamento, desta forma, no exemplo acima 100 estados serão visitados
para compor a função de custo futuro. Porém, para representar de forma mais realista o sistema
gerador, é necessário representar mais reservatórios. Quanto mais reservatórios, maior será o
número de combinações de estados para serem incorporadas na função de custo futuro. Por
exemplo, se são representados dois reservatórios, 10.000 estados deverão ser visitados, para três
reservatórios, o número de estados sobe para 1.000.000, para quatro reservatórios, 108 estados!
Neste ponto reside o principal problema da PD, conhecido como “mal da dimensionalidade”.
No problema (3.3) a afluência a cada estágio era conhecida, porém, ocorre que o proble-
ma de planejamento da operação é estocástico, não se conhecendo previamente as energias
afluentes futuras, mas apenas sua distribuição de probabilidades. Para estes casos, torna-se
necessário o uso da Programação Dinâmica Estocástica.
isto é, a afluência de um estágio não é influenciada pelos valores observados nos estágios
passados, ou como eventos correlacionados temporalmente. Neste caso, a afluência em um
estágio é uma função das afluências em estágios passados.
Na Programação Dinâmica Estocástica, o processo de cálculo das funções de custo futu-
ro, ou das tabelas contendo o custo futuro, também é iniciado no último estágio, avaliando
recursivamente todos os períodos até o início do horizonte de estudo, ou seja, do futuro para
o presente. Em geral, a função de custo futuro observada pelo último período é considerada
igual a zero.
Para o caso de afluências sem dependência temporal, a PDE é uma extensão direta da PD,
conforme ilustrado na Figura 3.29. Nesta situação, ao invés encontrar uma única decisão por
estado, são tomadas diversas decisões, uma para cada um dos cenários de afluências no está-
gio. O custo de operação associado ao estado de armazenamento inicial é dado pela média dos
custos de operação obtidos em cada cenário de afluência considerado. A partir dos custos de
operação médios é construída uma aproximação da função de custo futuro, ou de uma tabela
de custos futuros associados aos estados de armazenamento do sistema.
Para a situação onde as afluências são representadas como eventos correlacionados tem-
poralmente, a variável afluência no estágio anterior (ou estágios anteriores, se considerada
uma dependência maior) deve ser representada como uma nova variável de estado. Assim, a
cada período do horizonte de estudo são definidos estados dados pela combinação dos níveis
de armazenamento inicial do reservatório a ser analisado e das afluências observadas no está-
gio anterior. Note que o número de combinação de estados a ser visitado aumenta bastante ao
incluir novas variáveis de estado.
O problema a ser resolvido pode ser formulado de acordo com duas abordagens: supon-
do-se conhecido os cenários de afluência no início do estágio e então tomando-se as decisões
O planejamento da operação energética no sistema interligado nacional 113
α! v!"# , a!"# = Min * p$! ∗ CT! ∗ gt $! + CD! ∗ def!$ ! + α!%# (v!$ , a$! )
$(#
s.a.
v!$ = v!"# + a$! − gh$! − vert $!
gh$! + gt $! + def!$ = dem!
(3.5)
0 ≤ v!$ ≤ vmax (3.5)
Onde:
a"! = ∅ ∗ a!#$ + ε"! é modelo autorregressivo ordem 1 utilizado nesta formulação
simplificada para representar as afluências no estágio t
p"! é a probabilidade de ocorrência da afluência 𝑎𝑎!"
Esta abordagem “acaso-decisão” está ilustrada na Figura 3.30 e recebe este nome, pois
supõe que ao início de cada estágio se conhece a energia afluente que irá ocorrer nesse estágio.
O estado do sistema é dado pelo par energia armazenada no início do estágio e afluência no
estágio anterior. Cada cenário de afluência é avaliado separadamente, resultando em diferen-
tes soluções ótimas individuais. Isto poderia levar a obtenção de diferentes custos de operação
para um mesmo estado do sistema, porém, o custo a ser atribuído ao estado é o valor esperado
(média) dos custos relacionados a cada cenário de afluências.
A partir de valor médio de custo de operação obtido para cada estado do armazenamento
e afluência passada é possível obter um corte representado por um plano, no caso de um único
reservatório, assim traçar a curva de custo futuro.
114 O sistema interligado nacional e o planejamento da operação energética
Vt
Vt-1
Decisões Resultados obtidos da
ut=[gh, gt, def, vert, v] equação de transição
ut1 ut2... ut1,na (balanço de energia)
Vt-1
At-1 At
Energia armazenada
Distribuição de probabilidade
no final do mês anterior
at-1 da energia afluente no mês,
condicionada a afluência
do mês anterior (at-1)
Energia afluente
no mês anterior
P (At Iat-1)
&'
α! v!"# , a!"# = Min CT! ∗ gt ! + 0 p$! ∗ CD! ∗ def!$ ! + α!%# (v!$ , a$! )
$(#
s.a.
v!$ = v!"# + a$! − gh$! − vert $!
gh$! + gt ! + def!$ = dem!
(3.6)
0 ≤ v!$ ≤ vmax
Onde:
a$! = ∅ ∗ a!"# + ε$! (3.6)
Vt-1
At-1 At
Energia armazenada
no final do mês anterior Distribuição de probabilidade
at-1
da energia afluente no mês,
condicionada a afluência
Energia afluente do mês anterior (at-1)
no mês anterior
P (At Iat-1)
2º estágio
α2 (x1) = Min c2 x2
Sujeito a (3.8)
A2 x2 ≥ b2 - E1 x1
O problema do 1º estágio é então formulado como em (3.9). Este problema pode ser visto
como uma equação de recursão da Programação Dinâmica, onde c1x1 representa o custo ime-
diato e α2(x1) o custo a partir do estágio seguinte.
1º estágio
α1 = Min c1 x1 + α2 (x1)
Sujeito a (3.9)
A1 x1 ≥ b1
O planejamento da operação energética no sistema interligado nacional 117
A função α2(x1) representa o valor ótimo do problema de segundo estágio (3.8) e, como
observado anteriormente, depende diretamente da decisão x1 tomada no primeiro estágio. Se
esta função for conhecida, a solução ótima do problema (3.9) será igual à solução ótima obtida
no problema (3.7). A função α2(x1) é chamada de função recurso ou função de custo futuro.
Vimos que no processo de solução por Programação Dinâmica é necessário calcular α2(x1)
para diversos valores de x1, sendo que a discretização do vetor de estados era o ponto crítico
deste processo para a obtenção das funções de custo futuro. No entanto, quando utilizamos o
método de decomposição de Benders, podemos caracterizar analiticamente a função de custo
futuro α2 sem recorrer a discretizações.
Da teoria de otimização, sabemos que há um problema dual associado a qualquer proble-
ma de programação linear [28], desde que este seja convexo. O problema dual associado ao
problema de programação linear do 2º estágio é dado por (3.10).
Sujeito a (3.10)
π2 A2 ≤ c12
Sujeito a (3.11)
A função α2(x1) do problema (3.11) é dada pelo o máximo de funções lineares, ou seja, é
uma função linear por partes, como ilustrado na Figura 3.33. Cada função linear , i = 1,..,n,
representa um hiperplano suporte da função α2(.).
Desta forma, o problema (3.11) pode ser reescrito como o problema de programação line-
ar dado em (3.12).
α2 (x1)= Min α
Sujeito a (3.12)
α≥ π"! b! − E" x"
O problema de dois estágios (3.7) pode ser reescrito como em (3.13), em razão das variá-
veis e x1 e α. Como x1 é uma variável de decisão no problema (3.13), esta foi colocada no lado
esquerdo das restrições que representam a função de custo futuro.
Min c1x1 + α
Sujeito a (3.13)
A1 x1 ≥ b1
α + π22 E1 x1 ≥ π22 b2
...
α + πn2 (E1 x1 ) ≥ πn2 b2
Diferentemente do que foi visto na PD, na PDD podemos obter a função de custo futuro
α2 (x1) sem precisar discretizar a variável x1, bastando conhecer todas as soluções viáveis do
problema (3.10), que correspondem aos coeficientes π2i dos hiperplanos utilizados represen-
tação da função de custo futuro via função linear por partes.
Em geral o conjunto de restrições que representam a função de custo futuro apresenta uma
dimensão muito elevada tornando a solução do problema (3.13) intratável computacionalmente.
Uma forma eficiente para resolver o problema é aplicar a técnica de relaxação ao proble-
ma, isto é, ir inserindo de forma iterativa as restrições no problema.
Desta forma, a função de custo futuro α2 (.) passa a ser representada por uma função
aproximada α "! . , dada por (3.14). O conjunto de restrições em (3.14) é um subconjunto das
restrições de (3.12). Ao longo do processo iterativo, novas restrições irão sendo incorporadas
a (3.14) de forma a aprimorar a qualidade da aproximação da FCF. Como já mencionado an-
teriormente, na literatura as restrições que representam a FCF são conhecidas por cortes de
Benders.
α
"2 x1 = Min α "
Sujeito a (3.14)
" ≥ π"! b! − E" x"
α
Sujeito a (3.15)
A! x! ≥ b!
Como estamos utilizando uma aproximação da função de custo futuro real, não é possível
afirmar que a solução ótima de (3.15) será igual à solução ótima do problema original de dois
estágios dado em (3.7). Como α "! . é um limite inferior da função de custo futuro α "! . ,
uma vez que o problema (3.15) é uma relaxação do problema original, podemos calcular um
limite inferior z para o valor ótimo do problema (3.7), a partir da solução ótima x!∗ ; α$∗ obti-
da pelo problema (3.15), de acordo com (3.16).
(3.16)
(∗
z = c! x!∗ + α
O limite superior z para o valor ótimo do problema (3.7) é obtido resolvendo-se o proble-
ma (3.8), considerando a decisão x!∗ , e calculado conforme (3.17).
+∗
z − z = c! x!∗ + α# (x!∗ ) − c! x!∗ + α +∗
= α# x!∗ − α (3.18)
O problema será considerado resolvido se esta diferença for menor que uma tolerância
pré-estabelecida, ε> 0. Caso contrário, a aproximação da função de custo futuro deverá ser
aprimorada adicionando novos cortes à função α "! . . O novo corte estará associado à variá-
"#$
vel dual π! e à decisão x1k+1 obtidas na solução ótima do problema (3.15).
O planejamento da operação energética no sistema interligado nacional 121
Passo (2). Etapa Forward: Resolver o problema de 1º estágio aproximado, obtendo a solu-
ção 𝑤𝑤1𝑘𝑘 , 𝑥𝑥1𝑘𝑘 , 𝛼𝛼%2𝑘𝑘 . A solução do primeiro estágio será utilizada no segundo estágio conforme
a ilustrado na Figura 3.34.
w! = Min c! x! + α
+"
Sujeito a
A! x! ≥ b!
w2 = Min c2 x2
Sujeito a
A! x! ≥ b! − E" x"# (π#$"
! *
122 O sistema interligado nacional e o planejamento da operação energética
Passo (5). Calcule o limite superior a partir das soluções de primeiro e segundo estágios.
A solução x!", x#" é uma solução viável, mas não necessariamente é a solução ótima do pro-
blema (3.7).
z = c1 x1k + c2 x2k
Este algoritmo pode ser estendido o problema multiestágio ilustrado na Figura 3.36, con-
forme algoritmo abaixo.
W1 = Min c1 x1+ α
"2
Sujeito a
A1 x1 ≥b1
" "
"! + π ! (E1 x1) ≥ π ! b2
α i = 1,...,k
$
Dado x!"# , resolva o problema aproximado de estágio t, obtendo a solução ótima
wtk , xtk , α
%kt+1 .
wtk = Min ct xt + α
+t+1
Sujeito a
k
At xt ≥ bt − Et−1 xt−1
)t+1 + πit+1 (Et xt ) ≥ πit+1 bt+1
α i = 1,...,k
Passo (5). Calcule o limite superior a partir das soluções obtidas em todos os estágios t
= 1 a t = T. O vetor de solução é uma solução viável, mas não necessariamente é a solução
x!", … , x#" ótima do problema multiestágio.
124 O sistema interligado nacional e o planejamento da operação energética
T
k
z = $ ct xtk
t=1
! !
Passo (6). Se z − z ≤ ε , então podemos considerar que o problema já atingiu a solu-
ção ótima e o processo é encerrado. Caso contrário, faça k = k + 1, e vá para o Passo (7);
Sujeito a
k−1
At xt ≥ bt − Et−1 xt−1
$"#
O novo corte construído x!"# está associado ao estado e sua inclinação é dada pela vari-
ável dual πkt , de acordo com:
α ≥ π"#$
! b! − E!#$ x!#$
Ou de outra forma:
α ≥ wtk + πkt Et−1 xt−1
k −x
t−1
Sujeito a (3.21)
A1≥
A1 x1 x1 b
1 ≥ b1
E1 x1 + A2 xE2s
1 x≥
1+ As2 x∈2sS≥
b2s 2 b2s s ∈ S2
Onde:
S2 é o espaço amostral dos cenários do segundo estágio. S2 = {a2,1, a2,2 ,..., a2,s}
|S2| é a cardinalidade de S2
x1 é vetor de decisões do primeiro estágio
x2s é o vetor de decisões do segundo estágio para o cenário s
p2s é probabilidade do cenário s
126 O sistema interligado nacional e o planejamento da operação energética
Sujeito a (3.22)
A2 x2j ≥ b2j − E1 x1
1º estágio
α! = Min c! x! + α" (x! )
Sujeito a (3.23)
A! x! ≥ b!
s
π2 = # p2j ∗ π2j
j=1
Assim, o problema relaxado de primeiro estágio pode ser escrito como (3.25).
w! = Min c! x! + α
+"
128 O sistema interligado nacional e o planejamento da operação energética
Sujeito a (3.25)
A! x! ≥ b!
# #
&" ≥ w" + π" E! x!∗# − x!
α i = 1, ..., k
Onde:
k é o número de cortes de Benders adicionados até a k-ésima iteração do algoritmo
x1*i é o estado para o qual o i-ésimo corte foi construído
O método L-Shaped é um processo iterativo, onde a cada iteração um novo corte é adi-
cionado ao problema de primeiro estágio. A convergência do processo é alcançada, na teoria,
quando os limites inferior e superior se igualam. Na prática, porém, o processo de convergên-
cia é concluído quando a diferença entre os limites é menor que uma tolerância (ε>0) pré-es-
tabelecida. Assim, a cada iteração do algoritmo, é realizado o seguinte teste apresentado em
(3.26).
!
z − z! ≤ ε (3.26)
Onde:
k é o contador de iterações
!
z = c" x"! + p#" c# x#" ! !
+ ⋯ +p#$ c# x#$
z ! = c" x"! + α
*# x"! = w"!,
Sujeito a (3.27)
A! x! ≥ b!
Observe na Figura 3.39 que, quanto maior o número de estágios, maior será a cardinalida-
de da árvore de cenários, apresentando um crescimento exponencial do número de cenários.
Desta forma, a PDD não é indicada para problemas com horizonte muito extenso. A árvore
de cenários não precisa ser necessariamente simétrica, isto é, o conjunto de nós descendentes
(nós-filho) não precisa ser igual em cada nó antecessor (nó-pai), P(2,1) ≠ P(2,2) ≠ P(2,3).
Sujeito a A! x!" ≥ b!
$ $
+"# ≥ w# + π# E! x!∗$ − x!"
α i = 1, ..., k
∗'
Dada a solução obtida pelo nó antecessor (nó-pai) na iteração anterior x!"#,% !,# , resolva
o problema aproximado do estágio t e do nó s, obtendo a solução ótima w!" ∗$ ∗$
%∗$
, x!" , α!%&," .
# #
w!" = Min c!x!" +#!$%,"
+α
Sujeito a
# ≥ b − E ∗#
A!x!" !" !$% x!$%,'(",$)
Passo (5). Calcular o limite superior a partir das soluções obtidas em todos os estágios t =
1 a t = T. O vetor de solução de cada estágio e nó é uma solução viável, mas não necessaria-
mente é a solução ótima do problema multiestágio.
'
! ∗!
z = $ $ p"# c"x"#
"() #∈&!
132 O sistema interligado nacional e o planejamento da operação energética
Dada a solução obtida pelo nó antecessor (nó-pai) na iteração anterior do Passo Forward
∗(
x!"#,%& ,, resolva o problema aproximado do estágio t e do nó s, obtendo a solução ótima
∗k
w!" e a variável dual πts .
∗$
# #
w!" = Min c! x!" +#!$%,"
+α
Sujeito a
# ≥ b − E
A!x!" ∗#
!" !$% x!$%,"'
Ou de forma condensada:
% % ∗%
α ≥ w!,#$ + π!,#$ E!&' x!&',#$ − x!&',#$
Onde:
w%!,#$ = # p!# w!&∗%
#∈)!"#,%&
ilustrado na Figura 3.42. Neste contexto, define-se cenário como o caminho que vai do nó raiz
até o nó folha T.
Figura 3.42 – (a) Árvore completa, (b) Árvore incompleta e (c) Árvore incompleta “pente”
Os métodos para construir uma árvore de cenários que represente adequadamente o pro-
cesso aleatório é um tema de muita relevância e bastante abrangente. Alguns métodos têm
sido propostos para melhorar a construção da árvore de cenários no contexto do planejamento
da operação energética, com, por exemplo, [17], [30] e [34]. Em [29]são apresentados apri-
moramentos para o algoritmo de decomposição de Benders aplicado a problemas estocásticos
multiestágios.
Os cenários podem ser gerados considerando dependência temporal entre os estágios, ou
de forma independente, onde a realização de um estágio não depende da realização do estágio
anterior. Apesar da derivação original da PDDE proposta em [35] não levar em conta a inter-
dependência temporal, mas esta importante característica pode ser incorporada à derivação da
PDDE, conforme mostrado em [27] e [26]. Neste caso, o vetor de variáveis de estado deve
incluir também a informação sobre as realizações passadas do cenário. A construção dos ce-
nários para tal aplicação será discutida em mais detalhes no Capítulo 6.
No modelo NEWAVE, adotado para o planejamento da operação de médio prazo, os ce-
nários utilizados para representar a incerteza hidrológica possuem correlação temporal e por-
tanto, o vetor de variáveis de estado do problema é composto pelo nível de armazenamento
no início do estágio e pelas afluências passadas. A Função de Custo Futuro passa a variar de
acordo com o armazenamento e com as afluências anteriores, conforme ilustrado na Figura
3.46, e os cortes de Benders agora são representados por um hiperplano ao invés de uma reta,
conforme (3.28).
Onde:
k é o k-ésimo corte (hiperplano) do conjunto de cortes que representam a FCF
"
πv! é o coeficiente do k-ésimo corte associado à variável de estado energia armazenada
inicial
k
πat é o coeficiente do k-ésimo corte associado à variável de estado energia afluente
passada
∗%
earmf!"# é o estado (armazenamento) a partir do qual o k-ésimo corte foi construído
earmf!"# é a energia armazenada final do estágio t-1, ou energia armazenada inicial em t
!"# é o estado (afluência passada) a partir do qual o k-ésimo corte foi construído
ena∗%
ena!"# é a energia afluente no estágio t-1 (afluência passada)
w! é o termo constante do k-ésimo corte
"
Uma questão que se coloca é como parar o algoritmo. Para o algoritmo L-Shaped ou para
PDD, o critério adotado em geral consiste em comparar a diferença entre o limite superior e
inferior (comumente chamado de gap). Para problemas de pequeno porte, nos quais é possível
percorrer todos os cenários, o gap tende a zero após algumas iterações conforme ilustrado na
Figura 3.47. Entretanto, o comportamento para o algoritmo PDDE é diferente: não há incerte-
za no limite inferior, que tende para a solução ótima à medida em que o número de iterações
cresce, mas o limite superior é um estimador da solução do problema que pode apresentar
oscilações, embora seja não-viesado, conforme ilustrado na Figura 3.48.
Em problemas de grande porte, quando o algoritmo está próximo da convergência, em
geral observa-se (i) um crescimento lento do limite inferior, (ii) a média do limite superior
oscilando em torno do limite inferior e (iii) as soluções primais e duais do problema próximas.
Por outro lado, na prática muitas vezes não se dispõe de tempo suficiente para que todos es-
ses comportamentos sejam observados e opta-se por parar o algoritmo considerando critérios
138 O sistema interligado nacional e o planejamento da operação energética
alternativos tais como a estabilidade do limite inferior ou ao se observar o limite inferior den-
tro de um intervalo de confiança calculado para o limite superior.
A conversão de água em energia dos reservatórios pertencentes a um REE supõe que toda
a água armazenada nestes reservatórios passará pelas turbinas da própria usina e em seguida
pelas turbinas de todas as demais usinas a jusante, até atingir o mar. A hipótese adotada pela
modelagem a sistema equivalente para transformação da água em energia é de que todos os
reservatórios de um mesmo REE serão esvaziados em paralelo.
A energia hidráulica produzida por uma usina é função do volume de água turbinada em
um instante de tempo, da altura de queda líquida e da sua produtibilidade específica, de acordo
com (3.29).
(3.29)
EH = ρ!"# ×H$%& × Q '()* × t
EH = ρ!"# ×H$%& × ∆V
Onde:
Hlíq é a altura de queda líquida (m)
ρesp é a produtibilidade específica da usina (MW/ m³/s / m)
Qturb é a vazão turbinada da usina (m³/s)
∆V é o volume de água turbinado em um instante de tempo (m³)
Como visto, a altura de queda líquida é obtida em função da cota de montante, obtido pelo
polinômio cota-volume, da cota de jusante ou nível do canal de fuga, calculada a partir do
polinômio vazão-nível de jusante, e das perdas no circuito hidráulico. No intervalo de tempo
mensal, como aquele utilizado no planejamento de médio prazo, o nível de canal de fuga será
mantido constante, isto é, não será considerado o polinômio vazão-nível de jusante no cálculo
da altura líquida.
(3.30)
H!í# = PCV V − PVJ Q $%&' + Q ()&$ − perdas
ou
H!í# = PCV V − canalfuga − perdas
Supondo o deplecionamento de uma usina, desde seu volume máximo até seu volume
mínimo, podemos calcular a EH resolvendo a integral dada em (3.31):
$%&'
Onde:
Vmax é o volume máximo da usina (hm3)
Vmin é o volume mínimo da usina (hm3)
PCV(V) é o polinômio cota-volume (m)
Definindo a altura equivalente (Heq) conforme (3.32), pode-se calcular a energia máxima
acumulada na usina como em (3.33).
!"#$
1
Heq = - PCV V dV − canalfuga − perdas (3.32)
Vmax − Vmin
!"%&
Onde:
C é uma constante que depende do sistema de unidades adotado. No modelo NEWAVE
esta grandeza corresponde a 1/2.63.
R conjunto de reservatórios do sistema;
Ji conjunto de usinas a jusante do reservatório i inclusive;
142 O sistema interligado nacional e o planejamento da operação energética
As usinas hidroelétricas que integram o sistema podem ser classificadas de acordo com
sua capacidade de regularização. De acordo com a discretização temporal em cada estudo
energético, algumas usinas são consideradas como usinas de regularização e outras como usi-
nas a fio d’água, isto é, sem capacidade de acumulação. Assim, existem usinas de regulariza-
ção mensal, usinas de regularização semanal e usinas de regularização diária. Para a operação
diária todas as usinas são consideradas como usinas de regularização.
afluente às usinas com capacidade de regularização é chamada de controlável uma vez que a
decisão de estocar ou utilizar esta água está sob o controle do operador. Já a vazão que chega
às usinas a fio d’água será turbinada ou vertida, pois não há a possibilidade de armazená-la.
Onde:
R é o conjunto de reservatórios do sistema
Fi é o conjunto de usinas a fio d’água entre a usina i e o próximo reservatório a jusante
Qi,t é a afluência natural ao reservatório i durante o período t (m3/s)
Hi é a altura do reservatório i, a 65% do volume útil (m)
hj é a altura de queda líquida da usina a fio d’água j (m)
Pespj é o rendimento global do conjunto turbina-gerador da usina j (MW/m3/s/m),
EC!"#$$ é a energia controlável do REE iree durante o período t (MWmês)
Observe que a altura de queda líquida considerada na equação (3.36) é uma altura média.
Assim, o montante de energia controlável está associado à energia armazenada média do REE.
Todavia, ao longo do cálculo da política o armazenamento do REE irá variar, sendo neces-
sário corrigir o valor de energia controlável associado a neste novo nível de armazenamento
do REE. Esta correção é realizada através de parábolas de correção, que são polinômios de
segundo grau ajustados a partir de níveis de armazenamento do REE. Para maiores detalhes
sobre as parábolas de correção, consulte [6] .
A soma das vazões que chegam às usinas sem capacidade de acumulação é transformada
em energia e chamada de Energia fio D´água Bruta (EFIOB) e é dada pela seguinte equa-
ção (3.37), dado um mês t. Como uma parcela da vazão afluente à usina a fio d´água já foi
144 O sistema interligado nacional e o planejamento da operação energética
A Energia Fio D’água “Líquida” representa a máxima quantidade de Energia Fio D´água
que pode ser turbinada, considerando a capacidade máxima de engolimento da turbina. Para
calcular a energia à fio d’água líquida de um REE, num mês k, temos(3.38):
Onde:
Finalmente, a soma da energia fio d´água bruta com a energia controlável de um REE é
denominada Energia Natural Afluente (ENA), dada em (3.40)
ENA"#$$
! = EC!"#$$ − EFIOB!"#$$ (3.40)
de vazão mínima é calcula considerando que a energia é gerada pelo reservatório e todas as
usinas fio d’água a jusante até o próximo reservatório, exclusive, de acordo com (3.41).
(3.41)
EVMIN!"#$$ = ' Qmin",! ρ$&'! H" + ' ρ$&'" h(
"∈+
(∈*"
Onde:
Qmini,t é o requisito de vazão mínima obrigatória do reservatório i durante o período t
(m /s)
3
EDESVc!"#$$ = ∑i∈R Qdesv",! ρ$&'! H" + ∑(∈*" ρ$&'" h( + ∑k∈F Qdesv+,! ∑,∈-.$ ρ$&'# h, (3.42)
Onde:
Ji é o conjunto de usinas a jusante do reservatório i
Nfk é o conjunto de usinas a jusante do primeiro reservatório, inclusive, a jusante da usina
fio d’água k
Qdesvi,t é vazão desviada a montante da usina i durante o período t (m3/s])
Qdesvk,t é vazão desviada a montante da usina fio k durante o período t (m3/s)
EDESVc!"#$$ é a energia de desvio controlável do REE iree durante o período t (MWmês)
EDESVf!"#$$ é a energia de desvio fio do REE iree durante o período t (MWmês)
Para as usinas com reservatório deve-se calcular o montante de energia armazenada que é
perdido devido à evaporação. Esta energia é calculada considerando que o montante de água
evaporada em um reservatório poderia ter sido utilizado em todas as usinas a jusante deste re-
servatório, inclusive, para gerar energia, conforme (3.44). O coeficiente de evaporação a cada
mês pode variar bastante, inclusive assumindo valores negativos.
146 O sistema interligado nacional e o planejamento da operação energética
1
EVAP!"#$$ = C +"∈+ cevap",!A",!
2630
+ ρ$&'! H( (3.44)
(∈*"
Onde:
C uma constante que depende do sistema de unidades adotado. No modelo NEWAVE esta
grandeza corresponde a 1/2630.
Ai,t é o área do reservatório i durante o período t (km2)
cevapi,t é Coeficiente de evaporação do reservatório i durante o período t (mm/mês)
EVAP!"#$$ é a energia evaporada do REE iree durante o período t (MWmês)
A mesma observação sobre parábola de correção feita para energia controlável é válida
para energia de vazão mínima, energia de desvio e energia evaporada.
Onde:
a&'((,* &'((,* &'((,*
!"#$% , b!"#$% , c!"#$% são os coeficientes do polinômio do REE iree no instante t;
Onde:
R é o conjunto de usinas com reservatório do sistema
F é o conjunto de usinas a fio d’água
teifhi é a taxa média de indisponibilidade forçada da usina hidroelétrica i
iphi é a taxa média de indisponibilidade programada da usina i
nmaqi(j) é o número de máquinas do conjunto j da usina i
pefi(j) é a potência efetiva de cada máquina do conjunto j da usina i
Hliqi é a altura de queda líquida da usina i
hncji(j) é a queda nominal de cada máquina do conjunto j da usina i
kturbi é uma constante que depende do tipo de turbina (= 1,5 se o tipo da turbina é Francis
ou Pelton; = a 1,2 se o tipo da turbina é Kaplan)
Os três pontos necessários para o ajuste do polinômio de geração hidráulica máxima são
obtidos substituindo a altura de queda de todas as usinas na equação (3.46) pelas alturas de
148 O sistema interligado nacional e o planejamento da operação energética
Min f(x)
s.a
g(x)=0 (3.48)
h(x)≤0
x≤x≤x
O problema de despacho ótimo resolvido que faz parte do planejamento da operação ener-
gética pode ser escrito de forma sucinta, de acordo com (3.49). Para resolver este problema,
conforme foi visto na seção anterior, utilizamos métodos de programação linear. Restrições
não lineares são representadas através de funções lineares por parte, como é o caso da função
de custo futuro e da função de produção.
O planejamento da operação energética no sistema interligado nacional 149
parcela relativa ao custo futuro é multiplicada por uma taxa de desconto, que tem o propósito
de trazer este custo a valor presente.
Adicionalmente, pode-se representar na parcela de custo imediato os custos associados à
violação de restrições impostas ao problema, como restrições de defluência mínima obrigató-
ria, desvio de água para usos consultivos, etc.
(*+, (*+,
Onde:
CTtit,isbm é o custo de geração da UTE it, pertencente ao submercado isbm
gttit,isbm é o montante despachado da UTE it, pertencente ao submercado isbm
CDtisbm é o custo de déficit do REE iree, dado pela função de custo de déficit
deftisbm é o montante de energia não atendida (déficit) do submercado isbm
β é o fator de desconto, calculado a partir de uma taxa de desconto mensal txdesc (β=1/
(1+txdesc))
αt+1 é o custo futuro associado ao período t
NTisbm é o conjunto de térmicas pertencentes ao submercado isbm
NSBM é o número de submercados representados na configuração
qdef!"#$% = qturb"#$%
! + qvert "#$%
! (3.51)
qa#l"#$%
! = QINC!"#$% + + qdef!& = QINC!"#$% + + qturb&! + qvert &!
&∈(!"#$ &∈(!"#$
(3.52)
v!"#$% = v!&'
"#$% + qa&l"#$% − qdef "#$%
! !
v!"#$% = v!&'
"#$% + QINC "#$% − qturb"#$% − qvert "#$% + /
! ! ! qturb(! + qvert (! (3.53)
(∈*!"#$
Onde:
vtiuhe é o volume armazenado no final do período t para UHE iuhe
v (t-1)
iuhe
é o volume armazenado no final do período t-1 para UHE iuhe, que equivale ao vo-
lume armazenado inicial do período t
QINCtiuhe é a vazão incremental durante o período t para UHE iuhe
qturbtiuhe é a vazão turbinada durante o período t para UHE iuhe
qverttiuhe é a vazão vertida durante o período t para UHE iuhe
Miuhe é o conjunto de usinas imediatamente a montante da UHE iuhe
qafltiuhe é a vazão afluente durante o período t para UHE iuhe
qdef t
iuhe
é a vazão defluente durante o período t para UHE iuhe
152 O sistema interligado nacional e o planejamento da operação energética
A vazão afluente (3.52) não considera tempo de viagem entre as usinas. Caso houvesse
tempo de viagem o volume defluente da usina de montante pode levar algum tempo até chegar
como vazão afluente à usina de jusante. Portanto, neste caso é necessário fazer uma composi-
ção entre a vazão defluente da usina de montante do período atual e do período anterior (um
ou mais períodos anteriores).
Assim, a energia hidroelétrica gerada por uma usina durante o período t é obtida consul-
tando-se os cortes da FPHA e limitada ao seu montante máximo de geração, de acordo com a
equação (3.55). Um corte, ou hiperplano, da FPHA é dado pela função em (3.56).
O planejamento da operação energética no sistema interligado nacional 153
gh"#$%
! ≤ CorteFPHA"#$%
& v!"#$% , v!'(
"#$% , qturb"#$% , qvert "#$%
! !
k = 1,...,ncor_fpha (3.55)
gh"#$%
! ≤ GH!"#$%
CorteFPHA"#$%
! .
v+"#$% + v+,-
"#$%
= α γ"#$%,!
& + γ"#$%,!
()* + γ"#$%,! "#$% + γ"#$%,! qvert "#$%
+#./ qturb+ (%.+ + (3.56)
2
k= 1,...,ncor_fpha
Onde:
ghtiuhe é a geração hidrelétrica decidida no período t para usina iuhe
CorteFPHAkiuhe (.) é o k-ésimo corte da função de produção hidroelétrica aproximada da
usina iuhe
ncor_fpha é o número de cortes da FPHA da usina iuhe
"#$%,' "#$%,' são coeficientes do k-ésimo corte da FPHA
α, γ"#$%,'
! , γ"#$%,'
()* , γ+#,- , γ(%,+
! gt "!,"$%&
!
"!∈()!"#$
Onde:
NHisbm é o conjunto de hidrelétricas pertencentes ao submercado isbm
impt(isbm,j) é a energia importada do submercado j pelo submercado isbm durante o período t
expt(isbm,j) é a energia exportada do submercado isbm para o submercado isbm durante o
período t
Sisbm é o conjunto de submercados interligados ao submercado isbm
exctisbm é o excesso de energia do submercado isbm durante o período t
DEMtisbm é a demanda de energia do submercado isbm durante o período t
GPEQtisbm é o montante de geração de usinas não simuladas do submercado isbm durante
o período t
Caso seja considerado patamares de carga, haverá tantas equações do tipo (3.57) quan-
to for o número de patamares. Neste caso, as variáveis de decisão relacionadas à geração
O planejamento da operação energética no sistema interligado nacional 155
k = 1, ..., ncorfcf
Onde:
ncorfcf é o número de cortes da FCF construída pelo DECOMP no período t+1 (e consul-
tada no período t e cenário s)
NUHE é o número total de usinas com reservatórios considerado na configuração do SIN
π$%&'
!,# é o coeficiente associado à variável volume armazenado inicial da usina iuhe no
período t + 1 do k-ésimo corte da FCF
wk,t é o termo constante do k-ésimo corte da FCF construída no período t + 1
Como visto, o acoplamento entre as etapas de planejamento de médio e curto prazo é rea-
lizado através da função de custo futuro. Diferentemente do modelo de curto prazo, a função
de custo futuro do modelo de médio prazo é válida para todos os nós (cenários) de um período,
conforme equação (3.59).
Como o modelo de médio prazo considera uma representação agregada da configuração
hidrelétrica, é necessário fazer uma transformação de variáveis, isto é, deve-se calcular a
energia armazenada e a energia afluente do reservatório equivalente de energia a partir os
montantes de armazenados e afluentes às usinas individualizadas, de acordo com (3.60). Ape-
sar do modelo de curto prazo utilizar apenas a variável armazenamento inicial como variável
de estado, é necessário calcular as variáveis relacionadas às energias afluentes passadas, dado
que para o modelo de médio prazo estas variáveis também são variáveis de estado e, portanto,
fazem parte da função de custo futuro.
156 O sistema interligado nacional e o planejamento da operação energética
k = 1, ..., ncor_fcf_nw
Π!'())
",$%& é o coeficiente associado à variável energia armazenada inicial do REE iree no
período T + 1 do k-ésimo corte da FCF
Π!,# #())
$,%&' é o coeficiente associado à variável energia afluente no i-ésimo período passado
do REE iree no período T+1 do k-ésimo corte da FCF
ENA%&''
!"#$% é a energia afluente do REE no período T + 1-i
ρ%#&'
!"#$ é a produtilibilidade acumulada da usina iuhe, considerando uma altura equivalente
As usinas hidrelétricas possuem restrições físicas que limitam seu turbinamento máximo,
por outro lado a imposição de um montante mínimo de vazão deplecionada em geral está re-
lacionada com o atendimento aos usos múltiplos da água. A consideração de limites mínimos
e máximos para vazão afluente e vazão defluente são decorrentes da necessidade de represen-
tação de restrições hidráulicas no problema de despacho. Na equação (3.62) são apresentadas
as restrições para as variáveis mencionadas.
QTUR"#$%
! ≤ qtur!"#$% ≤ QTUR"#$%
!
QAFL"#$%
! ≤ qa3l"#$%
! ≤ QAFL"#$%
!
Limites máximos e mínimos também podem ser declarados para geração de energia hi-
drelétrica e termelétrica, assim como para o montante de energia escoado pelos troncos de
interligação, de acordo com (3.63), (3.64) e (3.65), respectivamente.
GH!"#$% ≤ gh"#$%
! ≤ GH!"#$% (3.63)
158 O sistema interligado nacional e o planejamento da operação energética
IMP!"#$%,' ≤ imp"#$%,'
! ≤ IMP!"#$%,'
(3.65)
EXP!"#$%,' ≤ exp"#$%,'
! ≤ EXP!"#$%,'
Vale a pena ressaltar, que usinas térmicas despachadas apenas em sua inflexibilidade não
influenciam no custo marginal de operação.
Restrições elétricas envolvendo os recursos utilizados para atender a demanda podem ser de-
claradas no problema de despacho, assim como restrições hidráulicas envolvendo todas as usinas
pertencentes a um reservatório equivalente de energia ou um subconjunto destas usinas. Uma
restrição muito comum de ser representada nos problemas de planejamento da operação energé-
tica é de armazenamento mínimo nos reservatórios equivalentes de energia. Neste caso, a energia
armazenada em todas as usinas que fazem parte do REE em questão é comparada com o limite
imposto pela restrição. A formulação matemática de todas as restrições consideradas no problema
de planejamento de curto prazo, adotada pelo modelo DECOMP pode ser consultada em [7].
(*+, (*+,
Min % % CT!"!,"$%& ∗ gt "!,"$%&
! + % CD"$%&
! ∗ def!"$%& + β ∗ α!/. (3.67)
"$%&-. "!∈()!"#$ "$%&-.
earmf!"#$$ = earmf!%&
"#$$
+ γ"#$$
! ENA"#$$
! − gh"#$$
! − evert "#$$
! − evap"#$$
! (3.68)
Onde:
𝛾𝛾!"#$$ é um fator de separação que divide a energia natural afluente gerada pelo modelo
de geração de cenários sintéticos em energia controlável e energia fio d´água.
evertf!"#$$ ≥ a"#$$
%,! 1 − γ"#$$
! ENA"#$$
! − b"#$$
%,! (3.69)
k = 1, ...,nretas
ghf!"#$$ = 1 − γ"#$$
! ENA"#$$
! − evertf!"#$$ (3.70)
"#$$
gh"#$$
! + ghf!"#$$ ≤ ghmax(earmf!%&
"#$$
,! (3.71)
k = 1, ..., ncor_fcf
IMP!"#$%,' ≤ imp"#$%,'
! ≤ IMP!"#$%,'
(3.76)
EXP!"#$%,' ≤ exp"#$%,'
! ≤ EXP!"#$%,'
162 O sistema interligado nacional e o planejamento da operação energética
Para fazer este acoplamento são necessárias duas transformações. A primeira transfor-
mação tira proveito do enfoque de árvore completa do DECOMP, em que se conhece com
exatidão quais são as afluências anteriores ao acoplamento com o NEWAVE. Pode-se, então,
eliminar os eixos da FCF relacionados às afluências anteriores, considerando apenas a pro-
jeção dos cortes associada às afluências anteriores conhecidas sobre o plano Custo Futuro
versus Energia Armazenada, como mostra a Figura 3.58.
A Energia Natural Afluente passada para fins de acoplamento deve ser calculada de acordo
com a formulação apresentada (3.77a).
O planejamento da operação energética no sistema interligado nacional 163
biomassa, usinas eólicas (UEE) e usinas fotovoltaicas (UFV). Tais fontes geradoras não são
controladas pelo ONS.
As estimativas da disponibilidade das usinas não simuladas para o SIN são agregadas por
subsistema e informadas aos modelos matemáticos, sendo abatidas diretamente da carga do
subsistema correspondente.
Com o intuito de unificar todo arcabouço regulatório relacionado à elaboração do PMO,
bem como endereçar problemas observados nas resoluções vigentes, em 2 de abril de 2019, a
ANEEL emitiu a Resolução Normativa nº 843/2019, que estabelece critérios e procedimentos
para elaboração do Programa Mensal da Operação e formação do Preço de Liquidação de
Diferenças (PLD).
Entre gerar a mesma quantidade de energia em uma usina termoelétrica hoje ou daqui
a cinco anos, considerando que o custo do combustível não se altere, qual seria a melhor
decisão?
Certamente, o dinheiro com que se compraria o combustível hoje poderia ser aplicado,
rendendo juros durante cinco anos, e o combustível que fosse comprado daqui a cinco anos
consumiria apenas uma parte do dinheiro aplicado. Isso leva à necessidade de atualizar todos
os custos para o valor presente, de forma a tomar decisões enxergando custos comparáveis.
O mesmo conceito se aplica à Função de Custo Futuro, que a cada mês é depreciada a
uma taxa que representa exatamente a rentabilidade real à aplicação do dinheiro. Esta taxa é
denominada Taxa de Desconto. Por determinação da ANEEL, atualmente a Taxa de Desconto
está em 12% ao ano.
O custo marginal de operação serve como referência para o cálculo do Preço de Liquida-
ção de Diferenças (PLD), cujo valor é utilizado para valorar energia comercializada no Mer-
cado de Curto Prazo. Neste caso, o PLD é calculado e divulgado pela CCEE a partir de um
caso sem restrições de transmissão internas aos submercado, e limitado por preços mínimo e
máximo.
O período pós-estudo é composto por cinco anos, horizonte considerado suficiente para
que o sistema não seja afetado pelo “efeito de fim de mundo”. Vale ressaltar a configuração do
sistema durante o período pós-estudo é estática.
Já no planejamento de curto prazo (modelo DECOMP) este problema não existe, pois
ao final do seu horizonte de planejamento é acoplada a função de custo futuro do NEWAVE,
conforme visto anteriormente.
168 O sistema interligado nacional e o planejamento da operação energética
REFERÊNCIAS DO CAPÍTULO
17. Homem-de Mello T, Matos VL, Finardi EC. Sampling strategies and stopping criteria for stochastic
dual dynamic programming: a case study in long-term hydrothermal scheduling; Energy Systems,
2(1):1–31, Mar 2011.
18. Infanger G, Morton DP. Cut sharing for multistage stochastic linear programs with interstage depen-
dency; Math. Program. 75, 241–256 (1996).
19. Kleywegt A J, Shapiro A, Homem-De-Mello T. The sample average approximation method for sto-
chastic discrete optimization. SIAM Journal of Optimization, 12:479–502, 2001.
20. Kligerman AS, Pereira MVF. Operação ótima de subsistemas hidrotérmicos equivalentes utilizando
programação dinâmica estocástica dual; XII SNPTEE – Seminário Nacional de Produção e Transmis-
são de. Energia Elétrica: Recife; 1993.
21. Kligerman AS. Operação otima de subsistemas hidrotérmicos interligados utilizando programação
dinamica estocastica dual. 1992. Dissertação (mestrado) – Universidade Estadual de Campinas, Facul-
dade de Engenharia Eletrica, Campinas, SP.
22. Maceira MEP, Marzano LGB, Penna DDJ, Diniz AL, Justino TC. (2014, August). Application of CVaR
risk aversion approach in the expansion and operation planning and for setting the spot price in the
Brazilian hydrothermal interconnected system. In 2014 Power Systems Computation Conference (pp.
1-7). IEEE.
23. Maceira MEP, Terry LA, Costa FS, Damazio JM, Melo ACG. “Chain of optimization models for
setting the energy dispatch and spot price in the Brazilian system”, Proceedings of the Power System
Computation Conference – PSCC’02, Sevilla, Spain, June 2002.
24. Maceira MEP, Penna DDJ, Diniz AL, Pinto RJ, Melo ACG, Vasconcellos CV, et al. Twenty Years of
Application of Stochastic Dual Dynamic Programming in Official and Agent Studies in Brazil – Main
Features and Improvements on the NEWAVE Model, 20th PSCC – Power Syst. Comp. Conf., Dublin,
Ireland, June, 2018.
25. Maceira MEP, Duarte VS, Penna DDJ, Moraes L, Melo ACG. Ten years of application of stochastic
dual dynamic Programming in official and agent studies in Brazil-Description of the NEWAVE pro-
gram, 16th PSCC, Glasgow, July 2008.
26. Maceira MEP, Damázio JM. The use of PAR(p) model in the stochastic dual dynamic programming
optimization scheme used in the operation planning of the Brazilian hydropower system. In: 8th In-
ternational Conference on Probabilistic Methods Applied to Power Systems, Iowa State University,
Ames, Iowa, Sept 2004;12–16.
27. Maceira MEP. Programação Dinâmica Dual Estocástica Aplicada ao Planejamento da Operação Ener-
gética de Sistemas Hidrotérmicos com Representação do Processo Estocástico de Afluências por Mo-
delos Autorregressivos Periódicos, Relatório Técnico CEPEL 237-1993.
28. Maculan N, Fampa MHC. Otimização linear. Brasília: Editora UNB; 2006.
29. Morton DP. An enhanced decomposition algorithm for multistage stochastic hydroelectric scheduling.
Ann. Oper. Res 1996;64:211–235.
30. Oliveira W, Sagastizábal C, Penna DDJ, Maceir, MEP, Damázio JM. Optimal scenario tree reduction
for stochastic streamflows in power generation planning problems. Optimization Methods and Softwa-
re 2010;25(6):917–936.
170 O sistema interligado nacional e o planejamento da operação energética
31. Philpott AB, Matos VL. Dynamic sampling algorithms for multi-stage stochastic programs with risk
aversion. European Journal of Operational Research 2012;218(2):470-483.
32. Philpott AB; Guan Z. On the convergence of stochastic dual dynamic programming and related me-
thods. Operations Research Letters 2008;36(4):450-455.
33. Penna DDJ, Maceira MEP, Diniz AL, Melo ACG, Cruz CB. Avanços na Reamostragem de Cenários
Hidrológicos Aplicada ao Planejamento da Operação Energética de Médio Prazo, XIV SEPOPE, Re-
cife – PE, 2018.
34. Penna DDJ. Definição da árvore de cenários de afluências para o planejamento da operação energética
de médio prazo. Rio de Janeiro. Tese [Doutorado em Engenharia Elétrica] –PUC; 2009.
35. Pereira MVF, Pinto LMVG. Multi-stage Stochastic Optimization Applied to Energy Planning – Ma-
thematical Programming 1991;52:359-375.
36. Santos LCB. Accelerating Dual Dynamic Programming applied to Hydrothermal Coordination pro-
blems, UFRJ/COPPE/Programa de Engenharia de Sistemas e Computação; 2018.
37. Shapiro A. Tekaya W, Costa JP, Soares MP. Risk neutral and risk averse stochastic dual dynamic pro-
gramming method. European Journal of Operational Research 2013;224(2):375-391.
38. Shapiro A. Analysis of stochastic dual dynamic programming method. European Journal of Operatio-
nal Research 2011;209:63-72.
39. Shapiro A, Dentcheva D, Ruszczynski A. Lectures on Stochastic Programming. Modeling and Theory,
volume 9 of MPS-SIAM series on optimization. SIAM and MPS, Philadelphia; 2009.
40. Slyke RMV, Wets R.. “L-Shaped Linear Programs with Applications to Optimal Control and Stochas-
tic Programming”, SIAM Journal on Applied Mathematics 1969;17(4):638.
41. Souza RC, et al. Planejamento da operação de sistemas hidrotérmicos no Brasil: geração de cenários e
otimização. Rio de Janeiro: PUC-Rio; 2014.
42. Tcheou MP, Cabral RN, Penna DDJ, Maceira MEP. Modelagem da função de perdas a fio d’água
através do MARS (Multivariate Adaptive Regression Splines). Symposium of Specialists in Electric
Operational and Expansion Planning 2012.
43. Terry LA, Pereira MVF, Araripe Neto T A, Silva LFCA, Sales PRH. Coordinating the energy gene-
ration of the Brazilian national hydrothermal electrical generating system. Interfaces 1986;16: 16-38.
44. Terry LA, Gomes FBM, Pereira MVF, et al. Modelo a Sistema Equivalente – Descrição Geral. Relató-
rio Técnico. Rio de Janeiro: CEPEL; 1980.
45. Wallace SW, Fleten SE. Stochastic programming, volume10 of Handbooks in Operations Research and
Management Science, chapter Stochastic programming models in energy, pp. 637–677. NorthHolland
(2003).
46. Hui Z, Vijay V, Heydt G. An aggregated multi-cut decomposition algorithm for two-stage transmission
expansion planning problems. In: IEEE Power & Energy Society General Meeting. IEEE, 2015. p. 1-5.
47. A. L. Diniz and M. E. P. Maceira, "A Four-Dimensional Model of Hydro Generation for the Short-
-Term Hydrothermal Dispatch Problem Considering Head and Spillage Effects," in IEEE Transactions
on Power Systems, vol. 23, no. 3, pp. 1298-1308, Aug. 2008, doi: 10.1109/TPWRS.2008.922253
4
SEGURANÇA ENERGÉTICA
A resolução GCE nº 109, de 24/1/2002, estabeleceu, como uma das primeiras medidas
adotadas, a criação de um mecanismo de aversão ao risco de racionamento e sua incorporação
nos modelos de otimização energética. Nesse contexto, foram estabelecidas as Curvas Bianu-
ais de Aversão ao Risco, as quais estabeleciam requisitos mínimos de energia armazenada, em
base mensal, adotados como referência de segurança para o atendimento do SIN, utilizando
os recursos energéticos de custos mais elevados, de forma a preservar a segurança do atendi-
mento à carga.
Sua incorporação nos modelos de otimização teve como objetivo a determinação de es-
tratégias operativas, representadas pelas funções de custo futuro, admitindo a possibilidade
do acionamento de geração térmica adicional mediante a violação dos requisitos de armaze-
namento indicados pela CAR.
Posteriormente, a resolução nº 10 do Conselho Nacional de Política Energética – CNPE,
de 16/12/2003 e a resolução nº 686 da ANEEL, de 24/12/2003, estabeleceram que, para fins de
atendimento aos critérios de segurança do SIN, o ONS poderia determinar, antecipadamente,
o despacho de usinas térmicas, tendo em vista a probabilidade de violação das CAR, dentro
172 Segurança energética
dos períodos de vigência dos PMO e suas revisões. Esse, portanto, é o princípio fundamental
de construção das CAR, ou seja, considerando as premissas de expansão do SIN – carga e
oferta, e o cenário hidrológico para qual se quer proteger o sistema, todos os recursos devem
ser utilizados, independente da ordem de mérito.
Logo, o método para a estimativa da CAR consistia em determinar, de forma recursiva no
tempo para cada subsistema e ao longo de um período predefinido de dois anos, os requisitos
mínimos de armazenamento de energia necessários ao atendimento pleno da carga prevista,
na hipótese de repetição das afluências críticas escolhidas em sua determinação, levando-se
em conta as características de sazonalidade e complementaridade hidrológica, capacidades de
intercâmbios inter-regionais e da geração térmica programada, de forma a garantir um nível
mínimo de armazenamento ao final do período de segurança definido.
Esquematicamente, a Figura 4.1 ilustra o processo de construção da CAR.
Destaca-se que o uso de uma CAR no modelo de otimização de médio prazo indica que,
na simulação da operação, armazenamentos iguais ou inferiores aos estabelecidos em uma
determinada CAR implicarão em um custo adicional de operação, representado pelas penali-
dades de violação dessa curva, ou seja, no processo de otimização da operação energética de
médio prazo, que é baseado na minimização do custo total de operação, as CAR representam
restrições de armazenamento mínimo que só deveriam ser violadas para se evitar um déficit
O planejamento da operação energética no sistema interligado nacional 173
Nível mínimo de segurança ao final do período seco – NSPS: Representa o nível de ar-
mazenamento de energia do subsistema, ao final do período seco, para o qual valores inferio-
res ao mesmo resultam na operação a fio-d’água em alguns aproveitamentos, em decorrência
da diversidade hidrológica entre as bacias, não visualizada na representação a reservatório
equivalente de energia. O NSPS poderá ser diferente para o primeiro e segundo ano do biênio
em apreço.
Onde:
m mês em curso para o cálculo da CAR;
176 Segurança energética
Onde:
O valor de CAR(m) tem que considerar recursos hidráulicos realmente disponíveis no sis-
tema em cada configuração, devendo, portanto, estar limitado GHmax (m + 1), que é obtido a
partir de um polinômio de segundo grau, função de próprio valor de CAR(m).
Da equação (4.2), Req(m+1), é definido como (4.3):
Req m + 1
= carga m + 1 + volmorto m + 1 + Expo m + 1
(4.3)
− Impo m + 1 − GTerm m + 1 − NSimul m + 1
− submot m + 1
Onde:
carga(m + 1) carga própria de energia do mês m+1, estimada pelo ONS e pela EPE para o
Planejamento Anual da Operação Energética e suas revisões. No caso do Sudeste/Centro-O-
este, a carga inclui a parcela do mercado da ANDE atendido por Itaipu e o consumo interno
do setor de 50 Hz da UHE Itaipu;
O planejamento da operação energética no sistema interligado nacional 177
A Figura 4.3 ilustra a metodologia de obtenção da CAR para cada subsistema, uma vez
definidos os parâmetros básicos e as premissas básicas e específicas.
A Figura 4.4 apresenta, como exemplo de uma CAR, a curva que foi adotada para o biênio
2013/2014, no subsistema Sudeste/Centro-Oeste.
178 Segurança energética
Normativa nº 351 da ANEEL, de 17/2/2009, cujo objetivo era preservar os estoques dos re-
servatórios, através da gestão dos recursos (intercâmbio entre regiões e despacho de geração
térmica) de forma antecipada ao sinal econômico dos modelos de otimização.
O POCP era realizado a cada PMO e em suas respectivas revisões, sendo composto das
seguintes etapas:
1. Estabelecimento do Nível Meta;
2. Obtenção da Série de Referência;
3. Obtenção dos Níveis de Segurança Mensais;
4. Determinação da necessidade de aplicação dos Procedimentos Operativos de Curto Prazo;
5. Decisão de despacho termoelétrico adicional para atender o Nível de Segurança.
1ª situação:
Não houve necessidade de utilização de geração térmica adicional – GTA para se atingir
os Níveis Meta ao final de novembro.
Nesta situação, a própria trajetória de armazenamentos resultante da simulação definia o Ní-
vel de Segurança Mensal para o mês de elaboração do PMO, conforme mostrado na Figura 4.6.
182 Segurança energética
2ª situação:
Houve necessidade de utilização de geração térmica adicional – GTA para se atingir os
Níveis Meta ao final de novembro.
Nesta situação, os Níveis de Segurança Mensais obtidos diretamente pelo modelo não refle-
tiam os requisitos de armazenamento mensais para se atingir os Níveis Meta, pois seria necessária
uma geração térmica adicional, que não estava, de fato, disponível. Assim, faz-se necessário cor-
rigir os Níveis de Segurança Mensais incorporando-se, de forma linear, o valor da geração térmi-
ca adicional – GTA, que correspondia à diferença entre a geração térmica necessária para atingir
o Nível Meta e a geração térmica disponível (GTA = GT necessária – GT disponível).
Destaca-se que essa correção reflete a necessidade de antecipação de geração térmica
disponível de forma a reduzir os riscos de se ter que utilizar, no futuro, montante maior de
geração térmica e de maior custo de operação.
A Figura 4.7 ilustra como a GTA, em base mensal, era utilizada para a correção do Nível
de Segurança do mês do PMO.
Pelos resultados, observar-se que o volume de Geração Térmica Adicional (GTA) neces-
sária para atingir o Nível Meta foi de 1.048 MWmed/mês. Essa GTA corresponde a um valor
de armazenamento adicional ao final do mês do PMO de maio/08 de 3,3% EARmáx da região
SE/CO. Portanto, o Nível de Segurança de 82% EARmáx, obtido pela simulação para essa
região, deverá ser alterado para 85,3% EARmáx (82%+3,3%).
Os Níveis de Segurança Mensais eram determinados a cada mês, por ocasião da elabora-
ção do PMO.
Figura 4.8 – Situação de nível de armazenamento do PMO acima do Nível de Segurança Mensal
184 Segurança energética
Por outro lado, caso o nível no PMO estivesse abaixo do Nível de Segurança, era neces-
sária a aplicação de Procedimentos Operativos por meio da antecipação de geração térmica
segundo o mérito econômico e da utilização de intercâmbios de energia, em valor suficiente
para possibilitar a recuperação do armazenamento para o Nível de Segurança Mensal. Esta
situação é ilustrada na Figura 4.9.
Figura 4.9 – Situação de nível de armazenamento do PMO inferior ao Nível de Segurança Mensal
O montante de geração que era utilizado pelo ONS para atingir os Níveis de Segurança
Mensais deveria respeitar a ordem de mérito de custo, considerando a sistemática que se
segue:
O planejamento da operação energética no sistema interligado nacional 185
Transitoriamente, ficou estabelecido que fosse adotada uma CAR quinquenal – CAR5, em
substituição à curva bianual utilizada até então, desde a primeira semana operativa de abril de
2013 até a implementação da metodologia para internalização de mecanismos de aversão ao
risco nos programas computacionais.
O desenvolvimento e avaliação desses mecanismos de aversão ao risco internalizados
nos modelos de otimização energética ocorreu no âmbito da CPAMP, com a participação do
ONS, CCEE, CEPEL, EPE, ANEEL e MME, resultando no Relatório Técnico intitulado “De-
senvolvimento, implementação e testes de validação das metodologias para internalização de
mecanismos de aversão ao risco nos programas computacionais para estudos energéticos e
formação de preço”, de 17/09/2013. Das metodologias avaliadas, foi recomendado o uso do
Coditional Value at Risk - CVaR, nos modelos NEWAVE e DECOMP.
Em 27/8/2013, o despacho do Diretor Geral da ANEEL nº 2.978, aprovou o uso de novas
versões dos modelos NEWAVE e DECOMP com a adoção do CVaR, a partir do PMO de se-
tembro/2013. Adicionalmente, a Resolução Normativa ANEEL nº 576, de 27/8/2013, revogou
todas as disposições normativas atinentes à Curva de Aversão ao Risco de Racionamento e aos
Procedimentos Operativos de Curto Prazo.
Apesar da adoção do CVaR nos modelos de otimização energética de médio e curto prazo
ter por consequência reduzir as chances de operação heterodoxa para manutenção de níveis
seguros de energia armazenada nos subsistemas (uso de POCP), perde-se a referência de quais
são esses níveis de segurança, uma vez que esses mecanismos de aversão estão internos aos
programas computacionais e as CAR foram extintas, bem como os POCP. Ressalta-se que
essa metodologia não garante que algum subsistema opere a níveis de armazenamento baixos,
uma vez que restrições de armazenamento mínimo deixaram de fazer parte do problema ma-
temático. Dessa forma, é importante que o ONS, ao acompanhar a operação do SIN, monitore
o quão distante os reservatórios estão de níveis de armazenamento seguros. Esse tipo de mo-
nitoramento viabiliza a avaliação para que eventuais medidas operativas heterodoxas sejam
recomendadas ao Comitê de Monitoramento do Setor Elétrico (CMSE), objetivando aumentar
a segurança operativa do SIN em situações hidrológicas adversas. Com a incorporação do me-
canismo CVaR, os cenários de afluências mais críticos passam a ter maior relevância para a es-
timativa da função de custo futuro. Para isso, o paradigma de minimização do valor esperado
do custo total de operação se torna a minimização de uma ponderação entre o valor esperado
do custo total de operação e o valor esperado do custo operativo dos α cenários mais críticos,
onde o valor de α corresponde ao percentual desses cenários. Tanto o valor de α quanto o va-
lor da ponderação do CVaR (denominada de λ) são estabelecidos pela CPAMP. Inicialmente,
foi-se adotado os valores de α = 50% e λ = 25%.
A Figura 4.10 compara o processo de otimização com e sem a consideração do CVaR.
O planejamento da operação energética no sistema interligado nacional 187
O CVaR é uma metodologia em que o custo de operação médio das diversas possibilida-
des de afluência (cenários) utilizadas para a decisão de despacho hidrotérmico é calculado,
considerando uma ponderação na qual os cenários de custo mais elevados recebem maior
peso. Assim, de forma a se precaver contra esses cenários, o processo de otimização define
um maior despacho térmico, proporcionando mais segurança energética. No item 4.3.3 será
discutido como o mecanismo CVAR foi incorporado ao modelo NEWAVE.
O mecanismo de aversão a risco CVaR, introduzido em setembro de 2013, respondeu
adequadamente até meados de 2015, quando o SIN vivenciou um período de baixas afluências
nos principais subsistemas geradores, Sudeste e Nordeste. A partir de meados de 2015, quando
houve melhora nas afluências e o gradativo reenchimento dos reservatórios, os parâmetros do
CVaR não corresponderam à percepção de risco do CMSE, nem ao objetivo de atingimento
de valores de níveis meta para o final da estação seca.
Durante o ano de 2015, o CMSE indicou à CPAMP que seria necessário reavaliar a ade-
quação dos parâmetros atuais da metodologia CVaR utilizados nos modelos de simulação de
otimização energética, de forma a verificar se a solução de equilíbrio entre custos operacionais
e segurança energética ainda era adequada. Em reunião do CMSE, realizada em março de
2016, este Comitê deliberou pelo encaminhamento à CPAMP de solicitação de análise refe-
rente à avaliação de tais parâmetros.
Após análise da CPAMP, o MME determinou, por meio da Portaria MME nº 41 de 7 de
fevereiro de 2017, a atualização dos parâmetros α e λ para 50% e 40%, respectivamente, e uso
a partir do PMO de maio/2017.
188 Segurança energética
Apesar de esta ser uma alternativa intuitiva, existem algumas dificuldades técnicas da propos-
ta de restrições probabilísticas:
• É não convexa.
• Não distingue entre as diferentes magnitudes de invasão da região insegura.
• Podem resultar inviáveis.
Este último item merece destaque, pois não é possível garantir que para qualquer escolha
de nível de confiança seja sempre viável atender a restrição probabilística. Um exemplo ex-
tremo é p = 1, onde exigimos que em todos os cenários a restrição imposta deve ser atendida,
o que em geral é inviável.
A segunda técnica de modelagem e que também possui relação com restrições probabilís-
ticas é a restrição de CVaR. O CVaR é uma função que associa uma distribuição de probabili-
dade a um valor real ao tomar a média de um percentual dos maiores valores da distribuição,
como ilustrado na Figura 4.11. Tal percentual é chamado de VaR, e o VaR de parâmetro α é
o valor acima do qual se encontra (100⋅α)% da distribuição de X, enquanto que o CVaR de
mesmo parâmetro é a média da distribuição de X condicionada aos valores acima do VaRα[X].
Apesar do CVaR ser definido como a média dos maiores custos, também é possível cal-
cular a média de um percentual dos menores. Isso pode ser feito ao multiplicar a variável X
por −1, pois tal operação reflete a distribuição de X ao longo do eixo y, e com isso o valor
CVaRα[−X] torna-se a média dos (100⋅α)% menores custos de X mas com o sinal trocado,
conforme ilustrado na Figura 4.12. Para ter o valor correto, basta multiplicar por −1 novamen-
te, isto é, a média dos (100⋅α)% menores custos de X é igual a -CVaRα[-X].
Após a introdução dos conceitos básicos do CVaR, a utilização desta medida será exem-
plificada em um caso onde se deseja garantir um nível mínimo de armazenamento. Suponha
que é desejado garantir que o valor de energia armazenada Earm fique acima de Esafe para certa
proporção de cenários, por exemplo 80%. Para isso, deve-se dividir a distribuição de valores
de energia armazenada Earm em duas regiões, os 80% maiores e os 20% menores valores de
energia armazenada. Observe que cada um dos 80% maiores valores é maior do que cada um
dos 20% menores e, em particular, é maior do que a média dos 20% menores. Portanto, se for
exigido que a média dos 20% menores valores de energia armazenada seja maior do que Esafe,
por transitividade, é garantido que em 80% dos cenários o valor de energia armazenada Earm
fique acima de Esafe. Por meio da medida CVaR, é enunciada a restrição em (4.5) que exige que
a média dos 20% menores valores de energia armazenada seja maior do que Esafe:
Em outras palavras, ao atender a restrição de CVaR em (4.2) com parâmetro α = 0,2 tam-
bém é garantido atender a restrição probabilística (4.4) com nível de confiabilidade p = 0,8 de
se manter na região segura. No caso geral, a relação entre os parâmetros do CVaR e da restri-
ção probabilística para que haja uma relação de inclusão entre as respectivas regiões viáveis
é p = 1 - α.
190 Segurança energética
Alguns comentários são relevantes para a restrição de CVaR. Em [1] é avaliada outra pro-
posta de restrição de CVaR e que é aplicada à variável déficit ao invés de à energia armazena-
da. Observa-se também que a restrição de CVaR pode ser interpretada como uma aproximação
convexa interna da região viável definida pela restrição probabilística. Por último, pode-se
destacar que a magnitude da violação da região insegura também é levada em consideração na
restrição de CVaR já que, se um dos valores em um conjunto de cenários aumenta, a respecti-
va média também aumenta. Em resumo, as seguintes características da restrição de CVaR são
enunciadas:
• É convexa.
• Distingue entre as magnitudes de invasão, porém,
• O resultado pode ser inviável.
Este último item se deve ao fato da região viável da restrição de CVaR estar incluída na
região viável da restrição probabilística. Já que ambas as propostas possibilitam a existência
de inviabilidades, evidencia-se a motivação de introduzir uma abordagem alternativa que é o
CVaR custo.
O CVaR custo é uma forma alternativa de sintetizar o custo futuro, pois, como será apre-
sentado adiante, a função objetivo de cada estágio de decisão de um problema de programação
estocástica consiste na soma do custo imediato e de uma estimativa, normalmente a média,
dos custos dos estágios seguintes em diante. A proposta do CVaR custo [2][3] consiste em
substituir a média da definição da função de custo futuro por uma média de proporção dos ce-
nários mais caros de custo. Dessa forma, as decisões ótimas obtidas tendem a ser mais conser-
vadoras em termos de custo, pois são dimensionadas para uma porção pessimista de cenários.
Como estados de baixa energia armazenada estão indiretamente associados a custos elevados
de déficit (corte de carga) ou de térmica, o CVaR como uma medida de aversão ao risco de
custo exercerá um controle indireto sobre a frequência e a magnitude de tal invasão. A vanta-
gem desta alternativa é sempre produzir uma política operativa viável e a desvantagem é que a
confiabilidade de se manter dentro da região operativa segura é um efeito indireto promovido
pelo critério. Abaixo são resumidas as características do CVaR custo:
• É convexo.
• Distingue indiretamente entre as magnitudes de invasão.
• É sempre viável.
Por se tratar de uma forma robusta de controle de baixos níveis de energia armazenada
e possuir o requisito de convexidade necessário para o emprego da Programação Dinâmica
Dual Estocástica (PDDE), o CVaR foi adotado no programa NEWAVE de planejamento de
longo prazo em sua formulação variacional que é a mais apropriada para o uso em problemas
O planejamento da operação energética no sistema interligado nacional 191
A formulação em (4.6) é dita neutra ao risco (de custo), pois o índice associado ao custo
futuro pondera os cenários caros e baratos proporcionalmente às probabilidades.
A proposta do CVaR na função objetivo consiste em substituir o valor esperado de (4.6)
pela função CVaR. Essa nova formulação é dita avessa ao risco, pois como visto na seção
anterior, o CVaR responderá à distribuição de probabilidade de modo que o índice associado
ao custo futuro seja o valor esperado condicionado a um percentual dos cenários mais caros
de custo. É possível observar que a medida de risco empregada na prática é uma combinação
convexa entre o valor esperado e o CVaR, isto é, utiliza-se uma função ρλ,α [∙] dada por (4.7).
A partir disso, define-se a função de custo futuro 𝒬𝒬"!"# x! do estágio t como o valor espe-
rado das funções de custo total do estágio t+1, ou seja, 𝒬𝒬"!"# x! = 𝔼𝔼$!"# Q !"# x!, b!"# , o que
permite enunciar a relação de recorrência (4.9), chamada de programação dinâmica:
$
(4.10)
corte"! = ( p# corte#! j=1.,,,m
#%&
O planejamento da operação energética no sistema interligado nacional 193
Onde: corte"! é o corte médio do j-ésimo estado, considerando todos os cenários ba-
ckward (aberturas), n é o número de aberturas, m é o número de estados visitados (cenários
forward) no instante t, e pi é a probabilidade associada à i-ésima abertura. No caso equipro-
1
vável, p! = .
n
Na abordagem avessa ao risco, o corte representativo é calculado, conforme apresentado
na equação (4.12), como uma ponderação entre o corte médio calculado em (4.10) e corte mé-
dio dos α% cenários mais críticos, representados pelos cenários com custo de operação mais
elevado, de acordo com (4.11). Na Figura 4.14 é ilustrado o processo de cálculo de um corte
de Benders representativo para um caso avesso a risco.
"
corte_α! = ) p# corte$! (4.11)
$∈&'
j = 1.,,,m
"
Onde: nα representa o conjunto dos α% cenários mais críticos e corte_α! é o corte médio
deste conjunto de cenários.
A superfície de Aversão ao Risco (SAR) foi proposta inicialmente pela PSR em 2008,
cuja formulação é baseada no estabelecimento de condições mínimas para o atendimento de
requisitos de armazenamento mínimo nos reservatórios equivalentes de energia ao final dos
períodos seco e úmido, denominados níveis meta, dado uma condição hidrológica crítica pré-
-estabelecida. É uma abordagem análoga à curva de aversão ao risco, sendo que os requisitos
mensais mínimos são estabelecidos iterativamente pelo próprio modelo matemático, de forma
multivariada. Assim como ocorre no caso da curva de aversão ao risco, penalidades são adi-
cionadas ao custo da função objetivo, no caso de violação dos níveis estabelecidos pela SAR.
A implementação dessa metodologia foi feita pelo Cepel em 2013, cuja avaliação foi
feita pela CPAMP e os resultados confrontados aos obtidos com a aplicação do CVaR. Mes-
mo sendo uma abordagem promissora, principalmente por tratar diretamente as restrições
físicas de segurança estabelecidas pela operação, ela foi preterida por apresentar resultados
não aderentes à operação real do SIN, como a ocorrência de cortes de carga preventivos para
a preservação dos níveis meta.
Em 2016, evoluções a essa metodologia foram apresentadas pelo Cepel, que denominou
essa funcionalidade de aversão ao risco de Nova SAR. Mais detalhes sobre a metodologia
e a formulação matemática da Superfície de Aversão a Risco, assim com sua aplicação em
estudos do planejamento da operação energética de médio prazo, podem ser consultados em
[5] e [6].
O planejamento da operação energética no sistema interligado nacional 195
REFERÊNCIAS DO CAPÍTULO
1. Costa Jr LC. Representação de restrições de aversão a risco de CVaR em Programação Dinâmica Dual
Estocástica com aplicação ao planejamento da operação de sistemas hidrotérmicos. Tese de doutorado
– Universidade Federal do Rio de Janeiro – Coppe/UFRJ; 2013.
2. Shapiro A, Tekaya W, Costa JP, et al. Risk Neutral and Risk Averse Stochastic Dual Dynamic Program-
ming Method. European Journal of Operational Research 2013;224:375-391.
3. Diniz AL, Tcheou MP, Maceira MEP, Penna DDJ. Uma abordagem direta para consideração do CVAR
no problema de planejamento da operação hidrotérmica. In: SEPOPE 2012, Rio de Janeiro. Proceedin-
gs of the XII SEPOPE, 2012.
4. Maceira MEP, Marzano LGB, Penna DDJ, Diniz AL, Justino TC. Application of CVaR Risk Aversion
Approach in the Expansion and Operation Planning and for Setting the Spot Price in the Brazilian
Hydrothermal Interconnected System. International Journal of Electrical Power & Energy Systems
2015;72:126-135.
5. Vasconcellos CLV. Aprimoramentos na metodologia de superfície de aversão ao risco (SAR) para o
problema de planejamento de médio/longo prazo da operação de sistemas hidrotérmicos. Dissertação
de mestrado – Universidade Federal do Rio de Janeiro – Coppe/UFRJ.
6. Diniz AL, Maceira MEP, Vasconcellos CLV, et al. A combined SDDP/Benders Decomposition Appro-
ach with a Risk-Averse Surface Concept for Reservoir Operation in Long Term Power Generation
Planning, Annals of Operations Research (2019).
5
PREVISÃO DE CARGA
Para execução das atribuições do ONS, é essencial que se tenha pleno conhecimento do
comportamento e da evolução da carga de energia e de demanda que será atendida nos proces-
sos de planejamento e operação do SIN.
As previsões de carga são insumos fundamentais para os estudos elétricos, energéticos e
eletroenergéticos, nos horizontes de curto, médio e longo prazos, para atendimento ao SIN.
Todos os estudos do ONS se utilizam de dados de carga previstos e verificados como dados
de entrada.
Na Figura 5.1 está ilustrado o processo de consolidação da previsão de carga, responsável
por gerar os insumos para os estudos de planejamento e programação da operação eletroener-
gética e para os estudos de ampliações e reforços.
Assim, o ONS apura os valores de carga sob a ótica da oferta com base na geração ve-
rificada de todas as usinas conectadas aos sistemas de transmissão e distribuição. Portanto,
a Carga representa toda a energia que transita nos sistemas de transmissão e distribuição no
SIN, de acordo com a Figura 5.2.
O planejamento da operação energética no sistema interligado nacional 199
entre as entidades ONS/CCEE na obtenção da Carga Global composta pelos valores de gera-
ção (oferta) e intercâmbio.
O processo do Programa Mensal da Operação (PMO) do SIN do ONS necessita das previ-
sões de carga dois meses à frente (podendo se estender até doze meses à frente, conforme for
determinado pela ANEEL), com descrição semanal (semana operativa) para o primeiro mês,
concomitantes com as informações atualizadas sobre o cronograma de expansão da geração
e transmissão, o estado de armazenamento dos reservatórios, previsões de carga de energia
distribuídas por patamar, análise das condições meteorológicas verificadas e previstas nas
principais bacias do SIN e previsões de afluências aos aproveitamentos hidrelétricos. Essas
informações constituem parte do conjunto de dados necessários para que o ONS possa elabo-
rar o PMO do SIN, no qual são traçadas as políticas operativas de curto prazo que englobam
as metas de intercâmbio, as metas de armazenamento dos reservatórios, a política de operação
das usinas térmicas e os custos marginais de operação.
Os estudos de otimização e simulação da operação do SIN são realizados em base men-
sal, com discretização em etapas semanais e por patamar de carga. Estabelecem políticas de
geração térmica, intercâmbios inter-regionais para as semanas analisadas, fornecem metas
e diretrizes a serem seguidas pela Programação Diária da Operação Eletroenergética e pela
Operação em Tempo Real. São realizadas regularmente revisões semanais que incorporam in-
formações atualizadas sobre o estado do sistema, as condições meteorológicas e as previsões
de carga e afluências.
Nota-se que, em razão do critério de utilização de dados semanais de energia (MWmé-
dios), utilizando-se do critério da semana operativa, haverá, na maioria dos meses, a comple-
mentação de valores semanais que correspondem ao mês imediatamente anterior (m-1) e o
mês seguinte (m+1).
Na Figura 5.4 é ilustrado o horizonte das previsões de carga para a elaboração do PMO.
5.3.3 – Metodologia
Nos modelos 3, 4 e 5, a carga global por subsistema é definida pela seguinte equação:
Ressalta-se que o ajuste (treinamento) dos modelos é precedido pelo tratamento dos dados
de carga e temperatura.
1 – Método geral
Como ponto de partida, devem-se tratar as séries a serem utilizadas para o cálculo dos
fatores sazonais. Expurga-se das séries os valores correspondentes aos dias de feriados, em
razão da atipicidade presente nesses dias, para a obtenção de uma série chamada “isenta”.
Após análise detalhada dos fatores diários, foi identificado que o mesmo dia da semana
DS (Dom, Seg,Ter, ..., Sab) tem características diferentes de acordo com o seu decêndio.
Logo, para cada decêndio k (k = 1, 2, 3) do mês j (j = 1, 2, 3, 4, ..., 12) são estabelecidos fatores
para cada dia da semana.
Ex:
DOM12 , SEG12 , TER12 , QUA12 , QUI12 , SEX12 , SAB12
DOM22 , SEG22 , TER22 , QUA22 , QUI22 , SEX22 , SAB22
DOM32 , SEG32 , TER32 , QUA32 , QUI32 , SEX32 , SAB32
Onde:
CI .j = carga média do dia I no mês j
Nj* = número de dias do mês j presentes na série isenta
Onde:
Fi,j = fator bruto do dia i do mês j
3 – Para cada dia I, define-se o dia da semana que ele corresponde DS (DOM, SEG, TER,
QUA, ..., SAB). Calcula-se a média aritmética dos fatores referentes a cada dia da semana DS,
de acordo com decêndio Dk.
Ressalta-se que, embora possa existir repetição de dias dentro do mesmo decêndio “Dk”,
será calculado somente um fator, ou seja, se dentro de um determinado decêndio existirem
duas quartas-feiras, o fator de desagregação a ser utilizado será o mesmo.
∗ F! .$
F! .$ = . N$
N$∗
O planejamento da operação energética no sistema interligado nacional 209
Onde:
Nj = número total de dias do mês j
A seguir é apresentado como são obtidas as médias diárias e semanais utilizando os fato-
res sazonais:
∗
C! .$ = C$ . F! .$
∑'!() C! .$
C& so =
7
Onde:
Ci .j = carga média do dia i do mês j
Cs(so) = carga média da semana operativa
so = número da semana operativa do mês j, 1 ≤ so ≤ 6
6 – Validação final
Após a realização das etapas anteriores, são obtidos os valores previstos de carga média
semanal para todas as semanas operativas do mês “j”. Contudo, é necessário que a carga men-
sal Cj, seja igual à média ponderada prevista das semanas, considerando o número de dias do
mês “j” presentes em cada semana operativa.
Com isso, foi desenvolvido um processo de validação final da seguinte maneira:
1. cálculo da média ponderada semanal;
210 Previsão de carga
2. comparação da carga média mensal Cj com a média ponderada das semanas operati-
vas. Se os valores forem iguais, o processo é encerrado;
3. caso contrário, é calculada a diferença entre a média ponderada das semanas operati-
vas e a carga prevista para o mês;
4. a diferença verificada no item 3 é dividida pelo número de Semana Operativa do mês
“j”, e o resultado deverá ser somado a todas as semanas operativas do mês. E retorna-
-se ao item 1.
Figura 5.8 – Fluxograma do processo obtenção dos valores previstos mensais desagregados em valores semanais
Assim, frente a diversos ensaios realizados para compensar, por exemplo, o efeito da
ocorrência de temperaturas atípicas na carga, a seleção recaiu sobre o ensaio que mais au-
mentou a correlação da série ajustada com o PIB e/ou que diminuiu de forma mais acentuada
volatilidade da série ajustada produzida.
Em uma descrição resumida, a metodologia da carga ajustada consiste em ajustar as bases
de comparação, observando os seguintes passos:
1. Tratar dados diários para ajustar o efeito do calendário e da temperatura.
2. Calcular um fator de ajuste da carga mensal com base no ajuste efetivamente realizado
na carga diária de um dado mês.
3. Aplicar o fator de ajuste aos componentes da carga que estão disponíveis apenas em
frequência mensal (geração distribuída e descontinuidades de medição).
4. Retirar da carga mensal por subsistemas as perdas da rede básica estimadas.
O planejamento da operação energética no sistema interligado nacional 213
Como se pode observar na Figura 5.9, a curva da evolução representativa da carga segue o
mesmo movimento da curva que representa a produção industrial, pois como já foi pontuado
anteriormente, esse setor sofre pouca influência das variações de temperatura, o que é bastante
previsível uma vez que o consumo da classe residencial e da classe comercial sofrem bastante
influência da temperatura. Portanto, retirando-se o efeito do fator temperatura, a influência so-
bre o comportamento da carga dar-se-á, basicamente, por conta do setor produtivo industrial.
Patamar de carga é a classificação das horas do mês, de acordo com o perfil de carga de-
finido pelo ONS.
A curva de carga diária se caracteriza por apresentar três tipos de patamares de carga:
• Patamar de carga Leve – período do dia composto pelos horários em que se observam
as menores demandas/consumo de energia elétrica.
• Patamar de carga Média – período do dia composto por horários em que se observam
comportamento semelhantes durante o dia, após o patamar de carga leve.
214 Previsão de carga
• Patamar de carga Pesada – período do dia composto por horários em que se observam
comportamento semelhantes durante o dia, após o patamar de carga média. Observa-
-se que esse patamar ocorre durante o período noturno até antes das 24 horas.
Anualmente, em razão do comportamento dos consumidores com base nos hábitos de consu-
mo e uso de equipamentos demandantes de energia elétrica, é necessário que se faça uma aferi-
ção dos períodos utilizados como patamares de carga no SIN. Em julho de 2018 foi apresentada,
pelo nos, à Comissão Permanente para Análise de Metodologias e Programas Computacionais
do Setor Elétrico (CPAMP), uma proposta de atualização do cálculo dos patamares, que resultou
em Relatório Técnico – 5566/2019 “Reavaliação dos intervalos de duração dos patamares de
carga”, Centro de Pesquisa em Energia Elétrica (Cepel), considerando as visíveis alterações na
curva de carga diária do SIN. Para esse cálculo é necessário o uso de perfis de curvas típicas de
carga (perfis de carga) horária para representar em patamares as previsões semanais e mensais,
cujas durações estão representadas no mapa coroplético da Figura 5.13 e definidas na tabela 5.3.
No referido relatório técnico está descrito toda a metodologia adotada para a reavaliação
para atualização dos patamares de carga. A reavaliação considerou o período 2014-2018 para
cada mês, quando foram calculadas as demandas médias horárias em p.u. da demanda média
mensal. Na sequência, o método K-Means foi aplicado em todas as observações horárias de
um mesmo mês. Assim, foram realizadas 12 análises de agrupamentos, uma para cada mês do
ano, nas quais as observações horárias foram classificadas em três clusters (mesmo número de
patamares). Para cada cluster obtido calculam-se o total de elementos e a média das observa-
ções pertinentes (centroides). Apesar da associação entre os três clusters e os três patamares
de carga, vale destacar que os patamares não correspondem exatamente aos clusters. Assim,
os centroides dos clusters são apenas uma primeira estimativa do valor em p.u. do patamar de
carga, enquanto a frequência relativa de observações classificadas em cada cluster fornece uma
indicação prévia da duração do patamar que representa a hora pertencente a cada patamar.
Na sequência, os perfis de carga, em cada mês, foram segregados nos tipos 1 (dia útil) e
tipo 2 (sábados, domingos e feriados), conforme figura 5.10. A definição dos intervalos das
durações dos patamares é realizada por meio da aplicação de algoritmo e, resumidamente,
descrito a seguir na análise dos loadplots, com representação visual de todas as observações
horárias para um mesmo mês, ao longo do período considerado:
• O patamar médio é composto pelas horas não classificadas como pesadas ou leves.
Os intervalos horários indicados dos patamares de carga identificados estão na tabela 5.2.
Tabela 5.2 – Patamares de carga – caso exemplo/janeiro
Patamar Pesado Médio Leve
Perfil de carga tipo 1 –
11 - 18 9 - 10 1-8
dias úteis
Perfil de carga tipo 2 –
21 - 23 1 – 20 e 24
demais dias
Uma vez apurado os respectivos patamares de carga diário e mensal, é necessária uma
avaliação dos resultados obtidos, considerando os distintos períodos do ano, caracterizados
pelo comportamento da carga em razão dos sinais de consumo que compõem a curva de car-
ga diária, sujeitas ao comportamento sazonal. Nesse sentido, monta-se um mapa coroplético
com os dados mensais, composto de horas apuradas que formam os patamares. A partir desse
ponto é essencial a avaliação e análise dos dados obtidos para se chegar ao agrupamento dos
períodos de duração dos patamares. Observa-se que há pelo menos três períodos distintos: um
que engloba os meses de temperatura mais elevada que podemos chamar de verão. O segundo
O planejamento da operação energética no sistema interligado nacional 217
predomina nos meses de inverno e um terceiro que se caracteriza por meses de transição sem
uma tipicidade de carga dominante.
Figura 5.13 – Mapas coropléticos dos perfis típicos diários de carga de energia
Curvas típicas
A determinação de curvas típica é fundamental para os cálculos dos patamares de carga,
como também veremos a seguir, para cálculo dos fatores de profundidade e, consequentemen-
te, a energia alocada em cada patamar.
As séries temporais de carga com resolução horária apresentam múltiplos ciclos sazonais,
i.e., padrões que se repetem diariamente, semanalmente e mensalmente (Taylor e Snyder,
2012). As curvas horárias típicas são representações dos padrões sazonais presentes em uma
série temporal de carga.
As curvas horárias típicas podem ser obtidas a partir de uma série histórica de carga com
resolução temporal horária. Inicialmente, os registros horários são segmentados em perfis de
carga formados por 24 registros horários, um perfil para cada dia. Na sequência, os perfis de
carga são classificados em grupos (clusters), de tal forma que os perfis em cada grupo sejam
218 Previsão de carga
semelhantes entre si e, concomitantemente, diferentes dos perfis nos demais grupos. As curvas
horárias típicas correspondem aos perfis médios (centroides) ou medianos dos grupos.
A presença de dados discrepantes (outliers) e feriados podem afetar o cálculo do perfil
médio em cada grupo que formará uma curva típica. A solução consiste em separar os feriados
e perfis atípicos do cálculo do perfil médio. Contudo, uma estratégia mais simples e robusta
toma como curvas típicas os perfis medianos em cada grupo, i.e., a coleção dos valores media-
nos da carga ao longo do dia. A Figura 5.14 apresenta, como exemplo, as curvas típicas (me-
dianas) para um dia da semana, útil (segunda-feira), sábado e domingo, calculada no período
2012-2017 no mês de janeiro no subsistema Sudeste. Nota-se que, no período, ocorreram dois
feriados de 1º de janeiro no domingo, portanto muito discrepante do perfil de um domingo
“normal”.
resolução temporal horária. O resultado desta primeira etapa é um conjunto de 96 curvas tí-
picas, isto é, oito curvas para cada mês do ano expressas em p.u. da demanda média mensal:
um para cada dia da semana (sete perfis) e um perfil adicional relativo aos feriados no mês.
Na sequência, as profundidades dos patamares em cada mês são calculadas a partir dos res-
pectivos perfis típicos previamente identificados, dos intervalos horários dos patamares e das
frequências de dias úteis, fins de semana e feriados em cada mês do horizonte de estudo. Res-
salta-se que os perfis típicos e intervalos horários dos patamares permanecem os mesmos ao
longo dos anos do horizonte de estudo, a mudança reside no calendário, i.e., nas frequências
de dias úteis, fins de semana e feriados em cada mês do horizonte de estudo. Na Figura 5.15,
tem-se um esquema do cálculo dos patamares de carga.
As durações dos patamares são obtidas diretamente da tabela 5.3. Adicionalmente, neste
trabalho a hora h = 1 corresponde ao intervalo horário entre 00:00 h e 01:00 h, a hora h = 2
corresponde ao intervalo entre 1 e 2 h e assim sucessivamente até a hora h = 24, relativa ao
intervalo entre 23 e 24:00 h.
Se o mês M pertence ao período de verão, isto é, se M corresponde aos meses novembro,
dezembro, janeiro, fevereiro ou março, as profundidades dos patamares devem ser calculadas
por meio das seguintes equações:
∑"!#$ N! ∑%#'(
%#'' P%,!
T),*+,ã. ∑"!#$ N!
O planejamento da operação energética no sistema interligado nacional 221
A soma das durações dos patamares (Dp + Dm + Di) é igual ao total de horas do mês.
Assim, a profundidade média dos patamares é dada por:
PU!,∗ D! + PU$,∗ D$ + PU%,∗ D%
"=
X
D! + D$ + D%
Anualmente, o ONS, em conjunto com a EPE e a CCEE, elabora previsões de carga para o
planejamento anual da operação energética para os cinco anos subsequentes ao ano em curso.
Essas previsões, além de avaliar a evolução recente dos valores de carga global, conta com
a participação dos agentes, distribuidoras e consumidores livres conectados na Rede Básica,
que fornecem dados de carga previstos para o período, agregando informações importantes
para a evolução do mercado de energia elétrica no SIN.
222 Previsão de carga
Nesse processo, é relevante o comportamento da economia nos próximos anos, dado que será
o principal balizador das projeções de consumo de energia elétrica elaborado pela EPE. Agre-
ga-se a isso, variáveis de importância como população, número de domicílios, grandes projetos
industriais, e as tendências do mercado de energia como participação da geração distribuída,
avaliação da posse e hábitos de consumo, programas de racionalização energética, evolução tec-
nológica dos equipamentos que consomem energia elétrica, condições climáticas, entre outros
aspectos, alguns deles também vinculados direta ou indiretamente ao crescimento da economia.
Alguns desses fatores tem uma influência mais acentuada nas oscilações de curto prazo
da demanda de energia elétrica, como é o caso da temperatura, enquanto outros implicam em
alterações do perfil de consumo de eletricidade de mais longo prazo e de forma mais perma-
nente, como ocorre, por exemplo, com avanços tecnológicos ou novos projetos industriais.
Outro fator de incerteza no total da carga que tem chamado muito a atenção dos órgãos
setoriais e que impactam nas previsões, são o comportamento das perdas técnicas e não téc-
nicas, essa última muito significativa em razão da crescente utilização de energia por ligações
irregulares ou mesmo de prática ilegal, o que leva às empresas de distribuição a adotarem
programas de recuperação e combate a essas práticas, mas de resultados aquém do previsto.
O processo de previsão com amplos estudos é executado no final do ano. Existem ainda
duas revisões quadrimestrais desses valores durante o ano, quando os valores de carga passam
por avaliações analíticas relativas ao desempenho da economia e seus possíveis efeitos sobre
o comportamento da carga, podendo resultar em ajustes das projeções de carga em função do
comportamento da carga observadas durante o ano e até mesmo a se a chegar à atualização das
premissas adotadas no estudo anual, conforme Figura 5.16.
Com esse objetivo, o ONS, EPE e CCEE elaboram as previsões de carga global e de con-
sumo, sob a ótica das premissas macroeconômicas apresentadas pela EPE e acordadas entre
as três empresas em reuniões específicas.
Figura 5.16 – Processo de previsão de carga para o Planejamento Anual e suas revisões quadrimestrais
O planejamento da operação energética no sistema interligado nacional 223
Além disso, as projeções de carga, encaminhadas ao ONS pelos agentes para o período de
cinco anos, também são utilizadas para nortear as projeções (figura 5.17).
desses parâmetros, considera-se as médias móveis das taxas de crescimento de cada uma das
variáveis e do PIB para o período histórico e as correspondentes elasticidades.
Por outro lado, há parcela de consumo, oriunda de plantas industriais grandes consumi-
doras de energia que, por vezes, está associada não apenas ao mercado interno como também
à dinâmica internacional. Dependendo do segmento, o aumento do consumo de eletricidade
associado à produção física incremental pode culminar em um pequeno aumento no valor adi-
cionado industrial. Dessa forma, alterações na dinâmica de produção destes eletrointensivos
geram impactos diretos na relação entre PIB e Carga de Energia.
A seguir estão listadas as equações básicas utilizadas para o cálculo dos parâmetros nos
quais o Modelo de Projeção da Demanda de Eletricidade (MDE), utilizado pela EPE, se baseia.
Equações básicas
ɛ = (β0 + nºdp0 x dp0) + (β1 + nºdp1 x dp1) x (1/(∆%PIB))
∆%CPC = ɛCPC x ∆%PIB
∆%IT = ɛIT x ∆%PIB
∆%CC/Pop = ɛCC/Pop x ∆%PIB
∆%CO/Pop = ɛCO/Pop x ∆%PIB
NCR:
NCR = NCR/Pop x Pop
NCR/Pop = K/(1 + exp(A));
A = β0* + nºdp0 x dp0 + (β1 + nºdp1 x dp1) x T
Onde
nºdpX: número de desvios-padrão adotados para o parâmetro X
dpX: desvio-padrão do parâmetro X
CPC: consumo médio por consumidor residencial
IT: industrial tradicional
Pop: população
CC: consumo comercial
CO: consumo outros
NCR: número de unidades consumidoras residenciais
K: nível de saturação
b0*: parâmetro β0 ajustado de acordo com o último valor verificado.
T: ano, onde 1985 = 0
ɛ: elasticidade-renda
O planejamento da operação energética no sistema interligado nacional 229
A previsão de carga de curto prazo tem por objetivo inferir curvas de carga diária para o
planejamento da operação. Uma curva de carga diária representa o comportamento do consu-
mo de energia elétrica numa residência, comércio ou indústria, contudo, para o ONS e demais
agentes do setor elétrico, o interesse está em avaliar tal comportamento de forma agregada,
por exemplo, nos barramentos, áreas, subsistemas e SIN, no caso do ONS, ou por unidade
consumidora, redes de distribuição, subestações e barramentos, no caso dos demais agentes.
As curvas de carga diária também expressam características próprias de cada região, haja
vista que o Brasil é um país de dimensões continentais com uma extensão territorial que
abrange inclusive diferentes fusos horários. Algumas dessas características podem ser encon-
tradas nas curvas de carga através das variações nas mesmas, como:
1. Efeitos da diversidade do clima: devido à variação das temperaturas e incidência de
chuvas.
2. Efeitos da diversidade socioeconômica e cultural:
• Posses de eletrodomésticos e de hábitos de consumo;
• Participação relativa das classes de consumo na curva de carga: residencial, co-
mercial e industrial;
• Nível de renda da região;
• Valores tarifários, impostos, perdas comerciais etc.;
• Densidade demográfica.
3. Efeitos da regulação e das medidas econômicas no setor elétrico:
• Mudanças no sinal tarifário e inclusão de novas modalidades tarifárias.
• Incentivos fiscais para aquisição de aparelhos eletrodomésticos da linha branca.
• Uso intenso de aparelhos de refrigeração.
• Uso de aparelhos de aquecimento, sobretudo na Região Sul.
• Uso de gás natural para aquecimento de água, em substituição ao chuveiro elétrico
nos novos empreendimentos imobiliários nas principais capitais e cidades.
• Aumento da micro e mini geração distribuída, com destaque para a geração foto-
voltaica residencial e comercial.
O Submódulo 5.1 dos Procedimentos de Rede do ONS define os conceitos básicos relati-
vos ao processo da previsão de carga e estabelece a sistemática do fornecimento dessas pre-
visões para os estudos realizados no operador, que abrangem desde os estudos de ampliações
e reforços na rede básica até os que tratam do planejamento da operação elétrica e energética
em seus diversos horizontes. Especificamente, o Submódulo 5.4 define as responsabilidades
e estabelece a sistemática para o processo da Consolidação da Previsão da Carga Diária para
o atendimento às necessidades e prazos do Submódulo 8.1– Programação diária da operação
eletroenergética, e do Submódulo 6.5 – Programação de intervenções em instalações da Rede
de Operação. Como observação, esses procedimentos estão sendo revisados para atender os
novos requisitos da programação com o Preço Horário.
O tópico seguinte visa caracterizar as curvas de carga diária com base nos exemplos ob-
servados. Cabe destacar que análises, deduções e/ou inferências acerca de uma determinada
variável dependem exclusivamente da amostra de dados e, por isso, é fundamental que ela
contenha um volume considerável de dados observados, a fim de capturar a maior variedade
de características dos objetos contidos na amostra.
Exemplos de curvas de carga diária podem ser vistos nas Figuras 5.20 e 5.21, referentes
ao subsistema SE/CO. No gráfico, a escala vertical está em p.u. – por unidade da carga média
diária, a fim de evidenciar somente as formas das curvas. De antemão, percebe-se o comporta-
mento característico de cada tipo de dia: dia útil, sábado, domingo e feriado, dentro e fora do
horário de verão, além de um dia considerado especial devido à ocorrência de um jogo da se-
leção brasileira em copa do mundo (curva atípica). Nota-se também que a carga varia devido
à sazonalidade, pois no verão o valor máximo de consumo nos dias úteis tem ocorrido durante
as tardes devido ao uso intensivo de aparelhos de refrigeração, enquanto que no inverno e
nos dias mais frios do outono e primavera o maior valor de consumo ocorre no final da tarde
e início da noite. Essas formas de curvas expressam características do subsistema em ques-
tão, porém elas vêm sofrendo modificações ao longo dos anos devido a uma série de fatores,
principalmente econômicos. Portanto, cabe dizer que os impactos sistêmicos da mini e micro
geração também modificarão a forma da curva de carga diária, causando o efeito conhecido
como “curva do pato”,1 aumentando de forma substancial a incerteza associada à previsão de
carga de curto prazo.
Em relação aos feriados (figura 5.20), a curva de carga pode ser caracterizada, grosso
modo, como uma curva similar à de um final de semana, isto é, uma curva que varia entre uma
de sábado e domingo de um mesmo período sazonal. Para fins de inferência, as curvas de fe-
riados e dias pontes podem ser representadas, respectivamente, por meio de uma combinação
1 http://www.gesel.ie.ufrj.br/app/webroot/files/publications/46_tdse79.pdf ou https://en.wikipedia.org/wiki/
Duck_curve
O planejamento da operação energética no sistema interligado nacional 233
linear convexa2 entre curvas típicas de sábado e domingo, e entre curvas típicas de dia útil e
de sábado de um mesmo período sazonal. Entretanto, feriados como natal, ano novo e Carna-
val, bem como os dias que os antecedem e sucedem, apresentam curvas com características
distintas, cujo método de combinação não se aplica. Em relação aos dias especiais (figura
5.21), nota-se também a característica distinta e peculiar da curva de carga e, por isso, vem
sendo tratados com maior antecedência para fins de previsão. Cabe destacar que nesse tipo de
curva, a parte crítica para a operação do sistema elétrico são as variações excessivas de carga
que ocorrem num curto intervalo de tempo. No exemplo ilustrado a seguir, essas variações
ocorrem no início e no final dos jogos.
Figura 5.20 – Curvas de carga diária – dentro do horário de verão (Fonte: ONS)
2 A combinação linear convexa exige a seguinte restrição aos seus coeficientes: ai ≥ 0 e Sai = 1, ai Î Â
234 Previsão de carga
Figura 5.21 – Curvas de carga diária – fora do horário de verão (Fonte: ONS)
As curvas de cargas apresentadas nas Figuras acima, isto é, relativo ao exemplo dado,
apresentam um comportamento que pode ser considerado regular, típico ou padrão, entretan-
to, mudanças nas temperaturas e/ou no clima ao longo do dia devido à entrada de uma frente
fria podem afetar o consumo de carga repentinamente, e, por conseguinte, a forma da curva
de carga diária. Esse efeito pode se agravar em áreas ou regiões onde a participação de cargas
residenciais é majoritária, já que essa categoria é mais sensível às mudanças de temperatura
e/ou clima do que as cargas comerciais e industriais. Assim, mudanças abruptas nas curvas de
carga ocorrem devido à saída ou entrada de um grande volume de aparelhos de refrigeração.
A Figura 5.22 ilustra esse efeito observado numa curva de carga de um agente distribuidor da
Região Sudeste. Nota-se a mudança brusca na curva de carga do dia seguinte, quando a frente
fria se configurou com maior intensidade a partir do final da manhã reduzindo a temperatura e
provocando chuvas e, por conseguinte, induzindo um grande número de consumidores a des-
ligarem seus aparelhos de refrigeração. Daí, previsões de carga que contemplam tais efeitos
dependem exclusivamente de previsões meteorológicas precisas sobre a ocorrência de even-
tos dessa natureza para o dia da operação bem como de uma base de dados contendo curvas
observadas em dias similares.
O planejamento da operação energética no sistema interligado nacional 235
Figura 5.22 – Curvas de carga diária – entrada de frente fria (Fonte: ONS)
Os efeitos provocados pelo horário de verão (HV) na curva de carga também são relevan-
tes para fins de previsão, já que a medida afeta os hábitos dos consumidores devido ao maior
aproveitamento da iluminação solar ao longo do dia. Na entrada do HV o horário é adiantado
em 1 (uma) hora provocando de antemão, respectivamente, avanços e atrasos na entrada de
algumas cargas, ou seja, alguns consumos de carga são antecipados durante a manhã devido à
falta de iluminação solar e outros são postergados devido à iluminação solar perdurar por mais
algum tempo durante algumas atividades humanas. Por exemplo, no final da tarde a entrada da
iluminação pública fica postergada, o consumo de energia devido ao uso de chuveiros elétri-
cos fica reduzido bem como o da iluminação residencial, dentre outros. O principal efeito do
HV, portanto, é a redução da demanda no horário da ponta noturna. Em termos de variação no
consumo de energia, cabe destacar que os efeitos do HV tem sido nulos. A Figura 5.23 ilustra
tal efeito, exibindo curvas típicas de carga diária do subsistema SE/CO relativas a um dia útil
dentro e fora do HV. Pela figura, fica evidente a redução na demanda em alguns horários no
final da tarde e da noite.
236 Previsão de carga
Por fim, pode-se afirmar que curvas de carga diária apresentam padrões diversos e que
variam de acordo com diversos fatores, exigindo do tomador de decisão conhecimentos es-
pecíficos acerca do comportamento da carga para a elaboração das previsões para o processo
da PDE. Além disso, as curvas exemplificadas acima referem-se às séries temporais de cargas
observadas num determinado subsistema e agente distribuidor, respectivamente. Outros sub-
sistemas, agentes distribuidores e consumidores livres apresentam cargas com características
próprias, diferentes do exemplo citado acima, já que o país ocupa um território extenso, com
diversidade no clima, no relevo, na economia, na cultura, nos hábitos dos consumidores etc.,
sendo necessário, portanto, conhecer cada uma dessas características especificamente.
O tópico seguinte visa definir séries temporais com base na teoria de Análise de Séries
Temporais. Esta teoria define conceitos, estatísticas, modelos e diagnósticos para a análise dos
dados dessa natureza.
Ademais, ela fornece algoritmos computacionais que reproduzem os modelos matemáti-
cos e/ou estatísticos com a finalidade de auxiliar na identificação e estimação dos fatos estili-
zados3 das séries temporais para fins de tomada de decisão.
3 Fato estilizado é uma aproximação teórica de um fenômeno observado empiricamente e ele pode ter maior
ou menor sucesso em prever o comportamento da variável estudada. O termo fato estilizado é usado nas ciências
sociais, principalmente na Economia. Em séries temporais, os fatos estilizados são: tendência, sazonalidade, ciclo,
heterocedasticidade, outliers, quebras estruturais etc.
O planejamento da operação energética no sistema interligado nacional 237
Uma série temporal é um conjunto de observações de uma dada variável, ordenadas se-
gundo o parâmetro tempo, geralmente em intervalos equidistantes (Souza e Camargo, Ref.
[1]). Se Yt representa o valor da variável aleatória Y no instante t, denota-se a série temporal
por Y1, Y2,...,Yn onde n é o tamanho da série. Séries temporais podem ser classificadas em
discretas (quando o conjunto de observações for finito ou infinito enumerável), contínuas
(quando o conjunto for infinito não enumerável), determinísticas (quando os valores futuros
da série são expressos por meio de uma equação matemática), estocásticas (quando os valores
futuros da séries são expressos em termos probabilísticos), multivariadas (se cada observação
da série é representada por um vetor de ordem r´1, e.g. para r = 3, Yt = [Y1t, Y2t, Y3t]) e mul-
tidimensionais (se o parâmetro t de Yt é um vetor de ordem p´1, e.g. para p = 3, t = [tempo,
latitude, longitude]).
Características relevantes das séries temporais são: a) dependência entre observações vi-
zinhas, isto é, valores passados da série contém informação para estimar valores futuros; b)
tendência, isto é, elementos de longo prazo relacionados com a série de tempo; c) ciclo e/
ou sazonalidade, isto é, ondas mais ou menos regulares, em torno da linha de tendência; d)
termo aleatório ou resíduo, isto é, demais efeitos que não foram incorporados pela série via
os componentes anteriormente citados. Daí o interesse em identificar, analisar e modelar tais
características.
Exemplos de séries temporais de cargas podem ser vistos nas Figuras 5.24 e 5.25, cujas
séries referem-se às cargas observadas no subsistema SE/CO nos períodos 18/2/18 a 4/3/18 e
1/1/13 a 18/2/17, em intervalos de meia hora e diário, respectivamente, cujos valores estão em
MWmédio (no ONS o menor intervalo das séries temporais de carga é minuto a minuto). De
antemão, destacam-se: na Figura 5.24, o comportamento cíclico semanal da série e a magni-
tude das cargas que varia principalmente com as temperaturas; e na Figura 5.25, o comporta-
mento sazonal da carga haja vista que no verão ela é mais alta devido às altas temperaturas e
vice-versa no inverno.
238 Previsão de carga
Figura 5.24 – Série temporal – carga diária meia hora (Fonte: ONS)
Os modelos utilizados para descrever séries temporais são processos estocásticos, isto é,
sistemas que evoluem no tempo e/ou espaço de acordo com leis probabilísticas (Morettin e
Toloi, Ref.[2]). Um processo estocástico pode ser pensado como um conjunto de trajetórias
que poderiam ter sido observadas ou como um conjunto de variáveis aleatórias, uma para
cada tempo t. Assim, dado T um conjunto arbitrário, um processo estocástico é uma família
Y = {Yt, tÎT}, tal que, para cada tÎT, Yt t é uma variável aleatória (v.a.). Se T é tomado
como o conjunto dos inteiros Z = {0,±1,±2,...} e, para cada tÎT, YtÎÂ, , então o processo é
de parâmetro discreto, porém se T º Â, então o processo é de parâmetro contínuo.
µ! = 𝔼𝔼 Y! → Média (5.1)
𝔼𝔼 Y! = 𝔼𝔼 Y!"# = µ, ∀t (5.4)
4 Os símbolos , Var e Cov significam, respectivamente: Esperança Matemática (ou Valor Esperado), Variância e
Covariância.
240 Previsão de carga
por uma quantidade t não tem efeito na distribuição conjunta, dependendo apenas dos inter-
valos entre t1,...,tk.
A Figura 5.26 exibe as funções de Autocorrelação e Autocorrelação Parcial,5 respectiva-
mente para as séries temporais de carga média diária e horária do exemplo acima. Na Figura
5.26, (a) e (b) as defasagens (lags) 1 e 7 apresentam as maiores autocorrelações, indicando que
os termos da série de carga média diária têm forte dependência (relação) com o dia anterior e
com o mesmo dia da semana anterior (efeito cíclico semanal). Já em (c) e (d) os lags 1 e 24
apresentam as maiores autocorrelações, indicando que os termos da série de carga horária têm
forte dependência com a hora anterior e com a mesma hora do dia anterior (efeito cíclico di-
ário). Mais detalhes sobre os conceitos acima podem ser obtidos nas Referências de [1] a [5].
Figura 5.26 – Função Autocorrelação e Autocorrelação Parcial – carga média diária e horária (Fonte: Forecast Pro)
Um modelo tem por principal finalidade reproduzir o mecanismo gerador da série tem-
poral, ou seja, o processo estocástico que gerou a amostra de dados observados. Ademais,
um modelo destaca as características mais relevantes do processo através dos seus compo-
nentes, sendo por isso utilizado para explicar o efeito desses componentes na variável anali-
sada ou prever valores futuros da série temporal. Neste tópico destacaremos alguns modelos
5 A autocorrelação parcial no lag k é a autocorrelação entre Yt e Yt-k eliminando a dependência produzida pelos
lags intermediários (t-1 até t-k+1). As autocorrelações parciais são úteis na identificação da ordem de um modelo
autoregressivo.
O planejamento da operação energética no sistema interligado nacional 241
paramétricos para séries temporais, cuja análise é feita no domínio do tempo. Alguns dos
modelos frequentemente usados são: modelos de amortecimento exponencial (decomposição
em componentes não observadas), modelos autorregressivos e de médias móveis (ARMA,
ARIMA, SARIMA), modelos de regressão dinâmica e os modelos não lineares de redes neurais.
Outros modelos normalmente utilizados em análise e previsão de séries temporais podem ser
vistos nas Referências de [6] a [10], dentre eles: modelos estruturais, bayesianos, Fuzzy e
funcionais.
As respectivas componentes são obtidas conforme as equações 5.9, 5.10 e 5.11, sendo as
constantes a, g e d denominadas hiperparâmetros; p é o período sazonal. Os hiperparâmetros
são estimados com base nos dados e eles têm a finalidade de dar relevância (ou ponderar) à in-
formação mais recente em detrimento da componente anteriormente estimada, ou vice-versa.
O método de estimação dos hiperparâmetros é conhecido como amortecimento ou alisamento
exponencial porque os fatores de ponderação decrescem exponencialmente com os termos da
equação (se escrita na forma recursiva).
Y
S! =∝ !&I + 1 −∝ S!"$ + T!"$ (5.9)
!"#
242 Previsão de carga
Um exemplo desse modelo pode ser visto na Figura 5.27, cuja aplicação foi: previsão sete
dias à frente da carga média diária do Subsistema SE/CO. O modelo foi estimado através do
software Forecast Pro XE ® versão 6.0.1.3, licenciado para o ONS.
Figura 5.27 – Modelo de Winters – carga média diária Subm SE/CO (Fonte: Forecast Pro)
O planejamento da operação energética no sistema interligado nacional 243
O gráfico da Figura 5.27 exibe os valores observados da série, valores ajustados pelo
modelo e as previsões 7-dias à frente envolta pelo respectivo intervalo de confiança, estimado
com 95% de probabilidade. A tabela exibe os componentes estimados de nível, tendência e
sazonalidade; os hiperparâmetros (a, g e d) encontram-se sob o título “Peso da Suavização”
e os respectivos valores estimados para o último período da série encontram-se sob o título
“Valor Final”. Os índices ou fatores sazonais (no caso, o período é semanal) seguem sob o
título “Índices Sazonais”. Além disso, algumas estatísticas de ajuste do modelo são apresen-
tadas, com destaque para: MAPE in-sample (Mean Absolute Percentual Error), RMSE (Root
Mean Square Error) e o Ljung-Box (autocorrelação do erro). O objetivo dessas estatísticas é
apresentar um diagnóstico sobre a aplicação desse modelo na série temporal em questão.
Sobre os resultados, o MAPE informa que o modelo apresentou um erro médio absoluto per-
centual in-sample (dentro da amostra) de 2,23%, que pelo RMSE equivale a ±1.267 MWmédio,
isto é, o erro entre os valores ajustados pelo modelo e os valores observados da série temporal.
Cabe observar que a estatística “MAPE out-of-sample” (fora da amostra) seria mais apropriada
para um diagnóstico do modelo, pois trata de aferir o modelo num contexto real de previsão.
Quanto à estatística Ljung-Box, ela indica a existência de autocorrelação nos erros in-sample,
isto é, se existe dependência temporal na estrutura de erros do modelo. Se existe, então cabe
ao analista apurar tal estrutura e a sua magnitude para fins de aperfeiçoamento do modelo ou
substituição do mesmo. A Figura 5.28 ilustra esse resultado e, apesar da estatística Ljung-Box
apresentar um valor significante (p-value6 = 1,00), indicando a presença de autocorrelação nos
erros, a Figura mostra que essa estrutura parece ser de natureza “espúria” ou “fraca”.
Por fim, esse modelo tem seu uso limitado para horizontes de previsão de curto prazo, ou
seja, poucos passos à frente. Logo, ele acaba sendo útil na previsão da carga diária. Sobre as
demais estatísticas do diagnóstico, consulte as Referências de [1] a [5].
Figura 5.28 – Modelo de Winters – autocorrelação dos erros (Fonte: Forecast Pro)
Figura 5.30 – Filtro linear como um modelo para a série temporal (Fonte: ONS)
7 O processo estocástico mais simples é o chamado ruído branco ou puramente aleatório, composto por uma
sequência de variáveis aleatórias independentes com média nula e variância constante.
O planejamento da operação energética no sistema interligado nacional 245
ϕ(B)Y! = µ + e! (5.14)
onde μ é uma constante, os termos θi são coeficientes reais do modelo médias móveis e et
é um ruído branco. Do mesmo modo que no modelo auto regressivo, definindo-se o operador
de retardo B, tal que: Bket = et-k, o modelo pode ser reescrito tal como a equação 5.16:
Y! = µ + θ(B)e! (5.17)
onde μ é uma constante, os termos fi eqi são, respectivamente, os coeficientes reais do mo-
delo autorregressivo e de médias móveis e et é um ruído branco. Tal como nos modelos anteriores,
dado os polinômios (operadores) F(B) = (1 - f1B - … - fpBp) e q(B) = (1 - q1B - … - qqBq)
e os operadores de retardo B, tal que: BkYt = Yt-k e Bket = et-k, então o modelo ARMA pode ser
descrito de forma reduzida tal como a equação 5.19:
ϕ(B)Φ(B !)∇" # !
! ∇ Y$ = µ + θ(B)Θ(B )e$ (5.20)
Onde:
ϕ(B): operador não sazonal auto regressivo.
ϕi: parâmetros autorregressivos não sazonais.
∆d
= (1 –B)d: operador diferença não sazonal de ordem d.
Φ(Bs):operador sazonal autorregressivo.
Φi: parâmetros autorregressivo sazonais.
∆
Ds = (1 –Bs)D: operador diferença sazonal de ordem D.
θ(B): operador não sazonal de médias móveis.
θi: parâmetros de médias móveis não sazonais.
Θ(Bs): operador sazonal de médias móveis.
Θi: parâmetros de médias móveis sazonais.
Um exemplo desse modelo pode ser visto na Figura 5.31, cuja aplicação foi: previsão
7-dias à frente da carga média diária do Subsistema SE/CO, a mesma do caso anterior. O
modelo também foi estimado através do software Forecast Pro XE ® versão 6.0.1.3, cujos re-
sultados serão comparados com o do modelo anterior.
O gráfico da Figura 5.31 exibe os valores observados da série, valores ajustados pelo
modelo e as previsões 7-dias à frente envolta pelo respectivo intervalo de confiança, estima-
do com 95% de probabilidade. A tabela exibe a estrutura do modelo estimado, no caso um
SARIMA (2,1,1)x(1,1,2), e os respectivos coeficientes estimados. No entanto, os parâmetros
vêm acompanhados de um teste estatístico (teste-t) para avaliar a significância dos mesmos,
ou seja, se o coeficiente é estatisticamente diferente de zero (válidos). No caso do exemplo,
todos os parâmetros são válidos.
O planejamento da operação energética no sistema interligado nacional 247
Figura 5.31 – Modelo SARIMA – Carga média diária Subm SE/CO (Fonte: Forecast Pro)
248 Previsão de carga
ϕ(B)Y! = βX ! + e! (5.21)
ϕ B Y! = βX ! + W!
P(B)W!= e! (5.22)
Onde:
Yt = variável dependente (endógena) no instante t;
β = vetor de coeficientes das variáveis causais, que vai ser estimado por mínimos quadrados;
Xt = vetor de variáveis causais (exógenas) no instante t;
εt = ruído aleatório associado ao modelo, onde supomos que os et ~ NID(0,s2);
Wt = ruído associado ao modelo geral, porém com uma estrutura autorregressiva (AR);
ϕ(B) = polinômio autorregressivo de ordem p;
P(B) = polinômio autorregressivo de ordem p1.
Um exemplo desse modelo pode ser visto na Figura 5.33, cuja aplicação foi: previsão
7-dias à frente da carga média diária do Subsistema SE/CO, a mesma do caso anterior. O
modelo também foi estimado através do software Forecast Pro XE® versão 6.0.1.3, cujos
resultados serão comparados com os anteriores.
A Figura 5.33 exibe os valores observados da série, valores ajustados pelo modelo e as
previsões 7-dias à frente envolta pelo respectivo intervalo de confiança, estimado com 95%
de probabilidade. A tabela exibe a estrutura do modelo e os respectivos coeficientes estima-
dos. Os parâmetros também vêm acompanhados de um teste estatístico (teste-t) para avaliar a
significância deles. No caso do exemplo, todos os parâmetros são válidos. O modelo estimado
segue a equação 5.23 abaixo, ou seja, a Carga no instante t, depende de uma constante, da
variável dummy no instante t indicando se o dia é feriado ou não (0 = não, 1 = sim), da tempe-
ratura média diária no instante t, das cargas verificadas nos instantes t-1 e t-14, além dos erros
cometidos pelo modelo nos instantes t-7 e t-14. Cabe destacar que as variáveis exógenas dos
modelos são: temperatura e feriado, portanto, para fins de previsão, ambas devem ser dadas
ou previstas antecipadamente.
Y! = β" + β# Fer! + β$ Fer!%# + β& TM! + β' Y!%# + β( Y!%#' + β) e!%* + β) e!%#' + e! (5.23)
Figura 5.33 – Modelo regressão dinâmica – carga média diária Subm SE/CO (Fonte: Forecast Pro)
Redes neurais artificiais são modelos matemáticos inspirados no cérebro humano cuja
principal finalidade é o aprendizado de máquina e o reconhecimento de padrões.8 Essas redes
geralmente são representadas como neurônios interconectados que computam valores de en-
tradas e produzem saídas desejadas. A aprendizagem ocorre quando a rede neural atinge uma
solução generalizada para uma classe de problemas. Isso é feito através de um processo inte-
rativo de ajustes aplicado aos seus parâmetros (também chamados pesos ou sinapses).
8 O aprendizado de máquina refere-se ao processo pelo qual os modelos desenvolvem a capacidade de aprender
continuamente com os dados, podendo fazer ajustes e previsões sem serem especificamente programados para isso,
permitindo que os modelos se adaptem a novos cenários de forma independente.
O planejamento da operação energética no sistema interligado nacional 251
No que tange ao processo da consolidação da carga diária, o ONS utiliza o modelo de re-
des neurais desenvolvido pelo EPRI (Electric Power Research Institute) chamado ANNSTLF
(Artificial neural-network short-term load forecaster). Este modelo está encapsulado em um
software licenciado para o ONS e vem sendo utilizado para realizar previsões de carga diária
para os subsistemas Sudoeste, Centro-Oeste, Sul, Nordeste e Norte. A arquitetura desta rede
está dividida em 3 (três) módulos, conforme ilustra a Figura 5.36: Rede C(D)LF (Change or
Delta Load Forecaster), responsável pelo aprendizado e previsão das variações diárias da
carga hora a hora; Rede B(R)LF (Base or Regular Load Forecaster), responsável pelo apren-
dizado e previsão do perfil diário da carga; além do módulo RLS (Recursive Least Squares),
responsável pela combinação linear das saídas das redes C(D)LF e B(R)LF e pelo resultado
final do modelo. Além dos dados de carga horária, o modelo também leva em consideração as
temperaturas verificadas e previstas hora a hora, além do tipo de dia da semana. O aprendiza-
do da rede é do tipo supervisionado, ou seja, para cada entrada é fornecida a saída desejada
para o ajuste dos parâmetros.
O planejamento da operação energética no sistema interligado nacional 253
A Figura 5.37 exibe a imagem do ANNSTLF, onde se nota, por exemplo, os dados de
entrada de carga que foram fornecidos pelo operador até às 8hs do dia 3/4/17 e as previsões
horárias subsequentes 9-dias à frente. Detalhes deste modelo estão descritos na Ref. [14]. Es-
sas curvas de cargas previstas são utilizadas no processo da consolidação como referências.
Além do ANNSTLF o ONS também conta com outros modelos de previsão de carga de curto
prazo para fins de referência, formando, portanto, um ensamble de modelos.
O processo da consolidação da carga diária vem sendo efetuado para os subsistemas Su-
doeste, Centro-Oeste, Sul, Nordeste, Norte e áreas de controle. Esse processo utiliza sistemas
computacionais para a obtenção dos dados de cargas e temperaturas verificadas e previstas,
planilhas eletrônicas para a manipulação dos dados, ferramentas estatísticas para análises e
um ensamble de modelos de previsão de carga de curto prazo para gerar cenários de carga.
A leitura/gravação dos dados é feita de forma automática através dos sistemas corporativos,
porém os modelos de previsão de carga são executados a comando do usuário. Durante o
processo decisório, o analista responsável pela consolidação poderá intervir nos resultados,
reprocessando rotinas e/ou modificando valores em razão de informações meteorológicas adi-
cionais de cunho qualitativo e quantitativo. Outra informação relevante são as cargas verifica-
das nas áreas e subsistemas monitoradas on-line pela operação em tempo real.
A Figura 5.38 exibe uma visão do processo da consolidação da carga diária. De acordo
com o fluxograma, o ONS recebe diariamente dados previstos pelos agentes para as respec-
tivas áreas de concessão em intervalos de meia hora, além das temperaturas verificadas e
previstas em intervalos horários, sendo que as verificadas são provenientes de estações meteo-
rológicas instaladas nos principais aeroportos das capitais brasileiras e as previstas são prove-
nientes dos modelos do CPTEC/INPE, no horizonte de previsão de 15-dias à frente, por áreas
reticuladas para todo o território brasileiro. As temperaturas verificadas e previstas precisam
ser compatibilizadas, isto é, as temperaturas previstas para os aeroportos referem-se à área
reticulada na qual o aeroporto se insere. Logo, se dois ou mais aeroportos estiverem dentro
de uma mesma área reticulada, esses terão o mesmo valor previsto, embora tenham valores
verificados diferentes. Pelo fato dos modelos de previsão utilizados pelo ONS considerarem
a temperatura de vários aeroportos para um subsistema, área de controle e até mesmo para
agentes, houve a necessidade de se representar a temperatura dos mesmos. Assim, foi definido
no ONS o conceito de “Temperatura Equivalente”, que representa a temperatura de um subsis-
tema, área de controle ou agente. Essa temperatura é definida como a combinação linear das
temperaturas verificadas nos aeroportos que estão contidos na respectiva área e os pesos da
combinação são aqueles que maximizam a correlação linear ou, opcionalmente, a informação
mútua, entre a carga verificada na área e as temperaturas verificadas nos aeroportos contidos
nela. As correspondentes “Temperaturas Equivalentes Previstas” são obtidas aplicando-se os
mesmos pesos estimados.
Os dados de cargas verificadas originais são provenientes das bases de dados da opera-
ção do ONS e todos os valores obtidos de cargas e temperaturas são armazenados numa base
O planejamento da operação energética no sistema interligado nacional 255
Figura 5.38 – Visão do processo decisório da consolidação da carga diária (Fonte: ONS)
previsões de carga dos agentes. Esse aplicativo exibe em forma de planilha as previsões de
carga dos agentes agrupadas por subsistema, além de uma estimativa das perdas de demanda
de energia elétrica na Rede Básica (rede de transmissão definida e regulamentada pela ANE-
EL). Assim, a previsão de carga para cada subsistema será a soma dos valores previstos pelos
agentes acrescida das estimativas de perdas, e a previsão para o SIN será a soma total das pre-
visões para os subsistemas. O horizonte de previsão varia de 2 a 7-dias à frente, dependendo se
o dia da operação será dia útil, final de semana, ou ambos, precedido ou seguido de feriados.
A consolidação das previsões dos agentes é efetuada antes da consolidação dos subsis-
temas. O processo é feito comparando-se as previsões dos agentes com as dos modelos de-
senvolvidos pelo ONS. A tomada de decisão consiste em aceitar ou ajustar as previsões dos
agentes. Os ajustes, se necessários, são estimados em razão das diferenças encontradas entre
as previsões dos agentes e as dos modelos do ONS, podendo ser aplicado de forma percentual
em toda a curva de carga ou em valores de energia, hora a hora, a critério do analista respon-
sável. A transparência do processo é garantida com a manutenção dos desvios de previsão de
carga obtidos com as previsões dos agentes separados dos desvios cometidos pela PEC. A
Figura 5.39 ilustra um exemplo de planilha de consolidação da carga diária para o Subsistema
SE/CO e as Figuras 5.40a e 5.40b ilustram as previsões 5-dias à frente geradas pelo ensamble
de modelos desenvolvidos em linguagem R pelo ONS.
Na planilha, a primeira coluna representa o somatório das previsões dos agentes que com-
põe o subsistema, já consolidadas; outras colunas exibem curvas de cargas verificadas selecio-
nadas pelo analista para fins de referência – no caso, as referências são curvas de cargas veri-
ficadas do histórico cujas temperaturas verificadas naquele dia foram semelhantes às previstas
para o dia da operação; na sequência, há as colunas com previsões provenientes dos modelos
do ONS escolhidas pelo analista consolidador, do ANNSTLF e as perdas estimadas para o
subsistema, em termos percentuais e em valores em MW. As duas últimas colunas são, res-
pectivamente, a previsão consolidada (agentes consolidado + perdas) e a soma das previsões
dos modelos do ONS para os agentes que compõe o subsistema também escolhidas pelo ana-
lista consolidador. As previsões do ONS são escolhidas do ensamble de modelos, conforme
ilustram as Figuras 5.40a e 5.40b. Por fim, após análises, verificações, simulações e alterações
nas curvas de cargas dos agentes e do subsistema com base nas informações disponíveis, as
previsões consolidadas para os agentes e para as perdas no subsistema são gravadas automa-
ticamente no sistema da programação, finalizando, portanto, o processo da consolidação da
carga diária para o dia da operação.
O planejamento da operação energética no sistema interligado nacional 257
Por fim, a consolidação da previsão da carga diária é fundamental para o processo da PDE,
principalmente quando os cenários de curto prazo apontam para mudanças bruscas nas variá-
veis exógenas que afetam diretamente o comportamento da carga no sistema. Outra situação
que vem exigindo maior atenção em relação à previsão da carga de curto prazo são os cená-
rios de altas temperaturas combinados com baixo volume de água nos reservatórios durante
períodos de crescimento econômico. Em ambos os casos o parque térmico gerador é acio-
nado com maior frequência, exigindo que as previsões de carga de curto prazo não desviem
consideravelmente dos valores observados, sob pena de tornar sem efeito o planejamento da
operação, além de prejudicar a operação do sistema em tempo real. Daí a necessidade cada
vez maior de insumos para a previsão de carga de curto prazo, sobretudo de variáveis climá-
ticas previstas com maior precisão. Avanços tecnológicos em termos computacionais também
são fundamentais para dar agilidade ao processo, a fim de permitir que um número maior de
dados e de modelos possam ser analisados e processados para reduzir os desvios de previsão.
Diante disso, pode-se dizer que os desafios do planejamento de curto prazo do ONS é o de
promover e sustentar redes de desenvolvimento tecnológico para a melhoria das atividades da
consolidação.
258 Previsão de carga
Figura 5.40a – Ensamble de modelos para a consolidação da carga diária (Fonte: ONS)
Figura 5.40b – Ensamble de modelos para a consolidação da carga diária (Fonte: ONS)
O planejamento da operação energética no sistema interligado nacional 259
REFERÊNCIAS DO CAPÍTULO
1. Montgomery DC, Jennings CL, Kulahci M. Introduction to Time Series Analysis and Forecasting.
Wiley; 2015.
2. Box GEP, Jenkins GM. Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day;
1976.
3. Cryer JD, Chan K. Time Series Analysis with Applications in R. 2. ed. New York: Springer, 2008.
4. Souza RC, Camargo ME. Análise e previsão de séries temporais: os modelos Arima. Sedigraf, 1996.
5. Morettin PA, Toloi CMC. Previsão de séries temporais. 2. ed.São paulo: Atual Editora; 1987.
6. Harvey AC. Forecasting, Structural Time series Models and Kalman Filter. Cambrige University Press.
U. K; 1989.
7. Pol, A, West M, Harrison J. Applied Bayesian Forecasting and Time Series Analysis. New York: Cha-
pman & Hall/CRC; 1994.
8. West M, Harrison J. Bayesian Forecasting and Dynamic Models. 2. ed. Springer; 1997.
9. Mendel JM. Fuzzy Logic Systems for Engineering: a Tutorial. IEEE Proc. 1995;83:345-377.
10. Ramsay J; Hooker G; Graves S. Functional Data Analysis with R and MATLAB. Springer, 2009.
11. Taylor, J. W. (2003b); Short-term Electricity Demand Forecasting Using Double Seasonal Exponential
Smoothing. Journal of the Operational Research Society 2003b;54:799-805.
12. Gardner Jr. ES. Exponential Smoothing: the State of the Art – Part II. International Journal of Forecas-
ting 2006;22: 637-666.
13. Haykin S. Neural Networks: a Comprehensive Foundation. 2. ed. New Jersey: Prentice Hall; 1999.
14. Khotanzad A, Afkhami-Rohani R, Tsun-Liang Lu, Abaye A, Davis DJ, Maratukulam M. (1997). AN-
NSTLF – a neural-network-based electric load forecasting system. IEEE Transactions on Neural Ne-
tworks, 1997;8; issue: 4:835-846.
15. Empresa de Pesquisa Energética (EPE), Mercado de Energia Elétrica – 2006-2015.
16. Empresa de Pesquisa Energética (EPE), Nota Técnica EPE DEA 003/2019 – Modelo de projeção da
Demanda de Eletricidade, maio/2019.
17. Santos MP. – Previsão Semanal de Carga Própra de Energia e Demanda das Concessionárias do Sis-
tema Interligado Sul/Sudeste. Dissertação de mestradodo – PUC; 1996.
6
PREVISÃO E GERAÇÃO DE CENÁRIOS DE VAZÕES
pela impermeabilização das superfícies, como é o caso de áreas urbanas. Seus efeitos sobre o
regime fluvial são mais importantes nas grandes cidades.
A implantação e operação de reservatórios e as transposições de vazões são as ações mais
facilmente identificadas e suas influências no regime fluvial em locais abaixo dos reservató-
rios, ou pontos de captação, podem ser determinadas pelo monitoramento nesses locais e pelo
registro de seus dados operacionais.
As captações de água para usos consuntivos são distribuídas em diversos locais nas bacias
hidrográficas e apresentam, portanto, uma dificuldade maior de identificação e de quantifica-
ção. Essas captações vêm sendo implantadas de forma gradativa, com impacto crescente nos
regimes fluviais.
A implantação de reservatórios integrados a usinas hidroelétricas modifica a distribuição
espacial e temporal das vazões. Os maiores reservatórios, em geral, acumulam água nos perí-
odos de maior disponibilidade e liberam o volume acumulado em períodos de menor disponi-
bilidade hídrica, o que provoca um efeito de regularização dos cursos-d’água onde estão im-
plantados, de forma a garantir, ao longo de um período, uma capacidade de geração necessária
para atender à demanda de energia elétrica do SIN. Assim, a vazão em determinado instante
em um ponto de controle de um curso-d’água, a jusante de um reservatório, normalmente,
não é mais aquela que ocorreria caso a bacia contribuinte permanecesse em suas condições
naturais.
Além da operação de acumulação e liberação de água, os reservatórios apresentam outras
alterações no regime natural, como as alterações na quantidade de água evaporada em razão
da implantação do reservatório. A área do reservatório, que anteriormente apresentava uma
perda de água por evaporação do solo e transpiração das plantas, passa a apresentar uma
evaporação de superfície líquida que, dependendo do tamanho do reservatório, das condições
climáticas regionais e da cobertura vegetal original, pode representar uma alteração significa-
tiva, positiva ou negativa.
O setor elétrico tem adotado o termo vazão natural para identificar a vazão que ocorreria
em uma seção do rio se não houvesse as ações antrópicas em sua bacia contribuinte, e o termo
vazão afluente para caracterizar a vazão que chega de fato a um aproveitamento hidroelétrico
ou estrutura hidráulica,sendo influenciada pelas obras de regularização e demais ações antró-
picas existentes na bacia hidrográfica.
A vazão afluente a um aproveitamento, normalmente, é calculada pelo balanço hídrico do
seu reservatório, que corresponde ao balanço das entradas e saídas de água no seu interior,
consideradas as variações efetivas de acumulação. A vazão natural em uma seção de um rio
cuja bacia contribuinte está sujeita ao efeito das ações antrópicas é obtida por meio de um pro-
cesso de reconstituição, que considera a vazão observada no local e as informações relativas
às ações antrópicas na bacia.
São facilmente perceptíveis as influências das ações antrópicas nas bacias mais densa-
mente ocupadas pelo homem, por meio da análise visual das vazões naturais e afluentes a um
O planejamento da operação energética no sistema interligado nacional 263
Figura 6.1 – UHE Jupiá (Rio Paraná) – Vazões naturais e afluentes em 2017 e 2018
A reconstituição das vazões naturais, elaborada diariamente pelo ONS, é essencial para
resgatar as características originais de magnitude e variabilidade dessas séries, o que possibi-
lita seu uso nos modelos de previsão e geração de cenários de vazões e de ENAs, bem como
em diversos outros estudos hidrológicos como o de controle de cheias.
Entre 2002 e 2010, sob a coordenação do ONS, e com participação da Agência Nacional
de Energia Elétrica (ANEEL), da Agência Nacional de Águas (ANA), do Ministério de Mi-
nas e Energia (MME) e dos Agentes de geração hidroelétrica, foram desenvolvidos projetos
de revisão das séries de vazões naturais de todas as usinas em operação e em expansão com
horizonte de até cinco anos, na época do início de cada projeto [1] [2].
Os projetos visaram o desenvolvimento e aplicação de metodologias padronizadas para
o tratamento de dados pluviométricos, fluviométricos e operativos, para a elaboração de esti-
mativas de vazões de usos consuntivos, vazões de evaporação líquida dos reservatórios e as
devidas incorporações dessas estimativas nas vazões naturais.
264 Previsão e geração de cenários de vazões
Cabe ressaltar que é prevista para o final de 2020 a disponibilização oficial, por parte da
ANA, de novas estimativas de vazões de usos consuntivos e de curvas cota-área-volume atu-
alizadas dos reservatórios do SIN. A partir dessas novas informações, o ONS irá desenvolver
um novo projeto de revisão das séries de vazões naturais, com previsão de término no final
de 2022.
O processo de reconstituição das vazões naturais diárias começa a partir do cálculo das
vazões afluentes conforme a expressão a seguir:
Onde:
Q Afl = vazão afluente diária ao reservatório (m3/s);
Q Def = vazão defluente total do reservatório, liberada a jusante do aproveitamento, atra-
vés de turbina, vertedouro, descarregador de fundo, eclusa ou escada de peixe (m3/s);
Q Der = vazão derivada no reservatório, por meio de canal, túnel, estação de bombeamen-
to etc. (m3/s); e
D Vol = variação diária do volume acumulado no reservatório, obtida a partir da tabela
Cota x Volume do reservatório (hm3).
A seguir são calculadas as vazões naturais incrementais brutas referentes à bacia situada
entre o aproveitamento e o(s) aproveitamento(s) de montante:
Onde:
Q Inc = vazão natural incremental bruta entre o aproveitamento e o(s) aproveitamento(s)
de montante (m3/s);
Q Afl = vazão afluente ao reservatório (m3/s);
Q Def mon prop = vazão defluente do(s) reservatório(s) de montante, devidamente propaga-
da(s) em condição de reservatório (m3/s);
Q Ucons = vazão relativa aos usos consuntivos da bacia incremental (m3/s); e
Q Evap Líq = vazão relativa à evaporação líquida do reservatório (m3/s).
Para os reservatórios de maior porte, ou para reservatórios com bacias incrementais rela-
tivamente pequenas, o cálculo das vazões incrementais por balanço hídrico diário pode levar
a hidrogramas de aspecto não natural, com variações bruscas de vazão, mesmo em épocas de
pouca ou de ausência de chuva.
O planejamento da operação energética no sistema interligado nacional 265
Figura 6.2 – UHE Serra da Mesa – Vazões incrementais brutas e consolidadas – 2008
Onde:
QNat = vazão natural no local do aproveitamento (m3/s);
QNat mon prop = vazão natural do(s) reservatório(s) de montante, devidamente propagada(s)
em condição natural (m3/s); e
QInc cons = vazão natural incremental consolidada da bacia entre o local do aproveitamento
e o(s) reservatório(s) de montante (m3/s).
266 Previsão e geração de cenários de vazões
Onde:
Q Ucons = vazão relativa aos usos consuntivos totais da bacia (m3/s);
Q Ucons irr = vazão relativa aos usos de irrigação na bacia (m3/s);
Q Ucons urb = vazão relativa aos usos de abastecimento urbano na bacia (m3/s);
Q Ucons rur = vazão relativa aos usos de abastecimento rural na bacia (m3/s);
Q Ucons ani = vazão relativa aos usos de criação animal na bacia (m3/s);
Q Ucons ind = vazão relativa aos usos de abastecimento industrial na bacia (m3/s);
Q Retirada xxx = vazão captada na bacia para a atividade xxx (m3/s); e
Q Retorno xxx = vazão de retorno na bacia para a atividade xxx (m3/s).
Figura 6.3 – Evolução das vazões de usos consuntivos da água – UHE Xingó
268 Previsão e geração de cenários de vazões
Figura 6.4 – Variação sazonal das vazões de usos consuntivos em 2010 – UHE Xingó
Onde:
Evap.Liq. = evaporação líquida na área do reservatório, a ser considerada na reconstitui-
ção de vazões naturais e nos modelos de programação e planejamento da operação (mm);
Evapo. = evaporação da superfície da água no reservatório (mm); e
Evapot. = evapotranspiração real que ocorreria na área do reservatório, caso o mesmo não
fosse implantado (mm).
Os modelos de previsão de vazões que são/foram utilizados pelo ONS podem ser dividi-
dos em dois grupos. O primeiro, desenvolvido pelo Centro de Pesquisas de Energia Elétrica –
Eletrobrás Cepel, é formado pelos modelos PREVIVAZH e PREVIVAZ e utiliza informações
de vazão para a previsão de vazão. O segundo grupo, desenvolvido para o ONS com apoio de
diversas entidades e consultoras, utiliza informações de chuva observada e prevista para a pre-
visão de vazões da primeira semana operativa. Esse grupo é formado pelos modelos MPCV/
PREVIVAZ, MGB, SMAP/MEL, Fuzzy, Neuro e SMAP/ONS.
O ONS, desde sua criação, vem buscando sistematicamente a melhoria da modelagem
hidrológica, bem como de seus principais insumos. Nesse contínuo aprimoramento, pode-se
destacar a utilização do modelo MPCV/PREVIVAZ para a bacia do rio Iguaçu, em 2006, e
para a bacia do rio Uruguai, em 2007, considerando, pela primeira vez no ONS, a precipita-
ção observada e prevista na bacia e a modelagem chuva-vazão para a previsão de vazões da
primeira semana operativa.
274 Previsão e geração de cenários de vazões
Tabela 6.3 – Características principais dos modelos de previsão de vazões utilizados pelo ONS
Modelo Características principais Uso
PREVIVAZH Vazão-Vazão Estocástico Empírico Concentrado Diário Eventual (*)
PREVIVAZ Vazão-Vazão Estocástico Empírico Concentrado Semanal 1º mês
MPCV/PRE-
Chuva-Vazão Estocástico Empírico Concentrado Semanal 1ª semana
VIVAZ
MGB Chuva-Vazão Determinístico Conceitual Distribuído Diário 1ª semana (**)
SMAP Chuva-Vazão Determinístico Conceitual Concentrado Diário 1ª semana (**)
MEL Chuva-Vazão Estocástico Empírico Concentrado Diário 1ª semana (**)
Fuzzy Chuva-Vazão Estocástico Empírico Concentrado Diário 1ª semana (**)
Neuro Chuva-Vazão Estocástico Empírico Concentrado Diário 1ª semana (**)
SMAP/ONS Chuva-Vazão Determinístico Conceitual Concentrado Diário 1ª semana (**)
CPINS (***) Vazão-Vazão Determinístico Empírico Concentrado Diário 1ª e 2ª semanas
* – Uso não prioritário, ver item 6.2.1
** – Inclui previsão dos dias finais da semana em curso
*** – Modelo de propagação de vazões
Figura 6.5 – Modelos utilizados na elaboração das previsões de vazões para o PMO
276 Previsão e geração de cenários de vazões
Os processos e modelos utilizados para previsão variam de acordo com a agregação tem-
poral utilizada: diária ou semanal.
Os modelos diários (MGB, Fuzzy, SMAP-MEL e SMAP/ONS) preveem não só as vazões
diárias da primeira semana operativa, como também as vazões dos dias restantes da própria
semana em curso, ou seja, em geral as vazões relativas à quinta e à sexta-feira. Para os mode-
los semanais (MPCV/PREVIVAZ e PREVIVAZ), essas vazões são estimadas, em ordem de
prioridade, pelas previsões dos agentes responsáveis pela operação das usinas, pelas previsões
provenientes do modelo PREVIVAZH e pela média das vazões diárias observadas na semana
em curso.
Os modelos chuva-vazão utilizam a chuva observada e prevista para a previsão da primei-
ra semana operativa. A chuva observada é proveniente das estações telemétricas operadas, em
sua maioria, pelos agentes de geração e pelo Instituto Nacional de Meteorologia (Inmet) e da
rede de estações relacionadas ao METAR (Meteorological Aerodrome Report), em aeroportos
brasileiros. Para a chuva prevista são utilizadas, desde 2008, as previsões do modelo ETA-40,
fornecidas pelo Centro de Previsão de Tempo e Estudos Climáticos (CPTEC), do Instituto
O planejamento da operação energética no sistema interligado nacional 277
Nacional de Pesquisas Espaciais (INPE). O modelo ETA-40 fornece uma previsão determinís-
tica de precipitação com horizonte de até dez dias.
A partir de 2017, em razão de bons resultados obtidos em diversos testes de desempenho,
passou-se a utilizar também a previsão do modelo GEFS 1°, fornecida pelo National Centers
for Environmental Prediction (NCEP). Esse modelo utiliza a técnica de previsão por conjunto
e gera 21 cenários de chuva prevista com horizonte de até 14 dias, a partir de perturbações nas
condições iniciais estabelecidas para a atmosfera.
As previsões de ambos os modelos passam por um processo de remoção de viés e de
eventual aplicação de limites máximos para os valores previstos de chuva diária e de chuva
acumulada de dez dias. A chuva prevista, a ser utilizada pelos modelos de previsão de vazões
da primeira semana operativa, é obtida a partir da combinação da previsão do modelo ETA-40
e da média das previsões do modelo GEFS 1°, com uso de pesos proporcionais aos desempe-
nhos obtidos por cada modelo, para cada dia do horizonte da previsão e para cada sub-bacia
envolvida. Maior detalhamento dessa metodologia pode ser obtido em [10].
Em razão de seu bom desempenho, é prevista, em 2020, a incorporação das previsões
de precipitação do modelo por conjunto do ECMWF (European Centre for Medium-range
Weather Forecasting), na combinação de modelos para geração das vazões previstas para a
primeira semana operativa.
As vazões naturais das demais semanas operativas do primeiro mês são previstas pelo
modelo PREVIVAZ, exceto para a segunda semana da bacia do rio São Francisco onde é uti-
lizado o modelo de propagação de vazões CPINS.
Considerando que:
Onde:
Pb(t) = precipitação média na bacia, no instante de tempo t (mm).
P1(t); P2(t); ...;Pn(t) = precipitação observada nos postos pluviométricos considerados na
bacia, no instante de tempo t (mm).
ke1;ke2; ...; ken: coeficientes de representação espacial de cada posto pluviométrico.
No caso da precipitação prevista, o valor de Pb(t) é considerado como a média aritmética dos va-
lores previstos nos pontos de grade dos modelos de previsão de precipitação representativos da bacia.
Após isso, o modelo calcula a precipitação considerada como representativa do dia t – Pd(t) sendo ela
composta por uma ponderação de Pb(t) de diferentes tempos, conforme expressão a seguir:
𝑃𝑃d !
𝑃𝑃d ! = Pb !"# ∗ kt "# + Pb !"#$% ∗ kt "#$% + ⋯ + Pb ! (6.9)
= Pb ∗!"#
kt &∗ kt
+ "#
Pb !$%
+ Pb ∗ !"#$%
kt % + Pb !$' ∗+
∗ kt "#$% kt
⋯ '+ Pb !
∗ kt & + Pb !$% ∗ kt % + Pb !$' ∗ kt '
280 Previsão e geração de cenários de vazões
Onde:
Pd(t) = precipitação representativa do instante de tempo t (mm).
kt(-n); kt(-n+1); kt(0); kt(+1); kt(+2) = coeficientes de representação temporal.
Por fim, o valor de Pd(t) é multiplicado pelo fator Pcof, que ajusta o volume de precipita-
ção na bacia para garantir o equilíbrio hídrico da bacia, conforme a seguinte expressão:
P ! = Pd ! ∗ Pcof (6.10)
Onde:
P(t) = precipitação média na bacia a ser considerada pelo modelo no tempo t (mm).
Pcof = coeficiente de ajuste da precipitação.
Onde:
Ep(t) = evapotranspiração potencial a ser considerada pelo modelo no tempo t (mm).
Epf(t) = evapotranspiração potencial diária estimada para a bacia no tempo (mm).
Ecof = coeficiente de ajuste da evapotranspiração potencial média da bacia.
O planejamento da operação energética no sistema interligado nacional 281
Onde:
Rsolo(t): nível do reservatório de solo no instante de tempo t (mm).
Rsub(t): nível do reservatório subterrâneo no instante de tempo t (mm).
Rsup(t): nível do reservatório de superfície no instante de tempo t (mm).
Rsup2(t): nível do reservatório de planície no instante de tempo t (mm).
P(t): precipitação média, a ser considerada no instante de tempo t (mm).
Es(t): escoamento para o reservatório de superfície no instante de tempo t (mm).
282 Previsão e geração de cenários de vazões
As funções de transferência são calculadas a cada passo de tempo de acordo com as se-
guintes expressões:
#
% ! # &'
#
𝑆𝑆𝑆𝑆 𝑃𝑃 " > 𝐴𝐴𝐴𝐴 =>𝑆𝑆𝑆𝑆 𝑃𝑃
𝑆𝑆 = 𝑆𝑆𝑆𝑆𝑆𝑆 − 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅
=> 𝑆𝑆 "#$ ; 𝐸𝐸𝐸𝐸
= 𝑆𝑆𝑆𝑆𝑆𝑆 " =%
− 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅
% # &'
; 𝐸𝐸𝐸𝐸 𝑆𝑆𝑆𝑆 𝑃𝑃
= % !# &' ( ) ≤ 𝐴𝐴𝐴𝐴 =>
(6.17)
" 𝑆𝑆𝑆𝑆 𝑃𝑃
" > 𝐴𝐴𝐴𝐴 ! # &' ( ) "
"#$ " ≤ 𝐴𝐴𝐴𝐴 =>
# !
&' 𝐸𝐸𝐸𝐸 "" = 𝐴𝐴𝐴𝐴0 => 𝐸𝐸𝐸𝐸
𝑆𝑆𝑆𝑆 𝑃𝑃 ≤ " =0
&' ( )
Se P ! − Es ! > Ep ! => Er ! = Ep !
Se P ! − Es ! ≤ Ep ! => (6.18)
Er ! = P ! − Es ! + Ep ! − P ! − Es ! ∗ Tu !
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
𝑆𝑆𝑆𝑆 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# > ∗ 𝑆𝑆𝑆𝑆𝑆𝑆 =>
100
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 (6.19)
𝑅𝑅𝑅𝑅𝑅𝑅 ! = ∗ 𝑇𝑇𝑇𝑇 ! ∗ 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# − ∗ 𝑆𝑆𝑆𝑆𝑆𝑆
100 100
$%&'
𝑆𝑆𝑆𝑆 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# < #(( ∗ 𝑆𝑆𝑆𝑆𝑆𝑆 => 𝑅𝑅𝑅𝑅𝑅𝑅 ! = 0
#
𝑆𝑆𝑆𝑆 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# > 𝐻𝐻 => 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 ! = (𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# −𝐻𝐻) ∗ 1 − 0.5 %#!
(6.20)
𝑆𝑆𝑆𝑆 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 !"# ≤ 𝐻𝐻 => 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 ! = 0
#
Ed ! = Menor (Rsup !"# − Marg ! ; H1) ∗ 1 − 0.5 %&! (6.21)
#
Ed3 ! = Maior (Rsup !"# − Marg ! − H1; 0) ∗ 1 − 0.5 %&!& (6.22)
O planejamento da operação energética no sistema interligado nacional 283
#
Ed2 ! = Rsup2 !"# ∗ 1 − 0.5 %&! (6.23)
#
Eb ! = Rsub !"# ∗ 1 − 0.5 %%! (6.24)
Rsolo !"#
Tu ! = (6.25)
Str
Onde:
Ai: abstração inicial (mm).
Ep(t): evapotranspiração potencial (mm).
Tu(t): teor de umidade do solo (adimensional).
Capc: capacidade de campo (%).
Crec: parâmetro de recarga subterrânea (%).
H: altura representativa para transbordamento para planícies (mm).
H1: altura representativa para início do segundo escoamento superficial (mm).
K1t: constante de recessão do escoamento para planícies (dia).
K2t: constante de recessão do primeiro escoamento superficial (dia).
K2t2: constante de recessão do segundo escoamento superficial (dia).
K3t: constante de recessão do escoamento de planícies (dia).
Kkt: constante de recessão do escoamento básico (dia).
As constantes de recessão – K1t, K2t, K2t2, K3t e Kkt são associadas à duração do inter-
valo, medido em dias, no qual a vazão do correspondente reservatório cai pela metade de seu
valor, não considerando nova recarga nesse período. O eventual transbordo do reservatório do
solo é transferido para o reservatório de escoamento superficial.
O cálculo da vazão total é dado pela seguinte expressão:
Onde:
Qcalc(t): vazão total calculada pelo modelo no instante de tempo t (m³/s).
Ad: área de drenagem da bacia considerada (km²).
284 Previsão e geração de cenários de vazões
Os parâmetros do modelo são calibrados a partir das vazões diárias observadas nos locais
de interesse, como usinas hidroelétricas e estações fluviométricas, e dos registros de estações
pluviométricas (telemétricas e convencionais). Desde que possível, são utilizados, no mínimo,
dez anos de anos de dados observados para a etapa de calibração do modelo. Os valores dos
parâmetros obtidos na calibração do modelo SMAP/ONS podem ser obtidos em [13].
Na fase operacional, o modelo SMAP/ONS, assim como a maioria dos modelos conceitu-
ais de previsão de vazões, realiza uma etapa prévia denominada assimilação de dados. Nessa
etapa, o modelo recebe dados de um período anterior ao da previsão e procura uma melhor
estimativa das condições hidrológicas da bacia e, se necessário, corrige suas variáveis de esta-
do com o objetivo de diminuir os desvios entre as vazões calculadas pelo modelo e as vazões
observadas. Tal processo busca preservar a compatibilidade entre as tendências de comporta-
mento dos hidrogramas observado e previsto, além de impedir a ocorrência de descolamentos
excessivos entre a última vazão observada e a primeira vazão prevista. No caso do modelo
SMAP/ONS, essa correção das condições da bacia é realizada utilizando um algoritmo de
otimização heurística bioinspirada na ecolocalização de morcegos (Bat Algorithm). Esse al-
goritmo ajusta, dentro de uma faixa estabelecida, os valores iniciais de escoamento de base
– Ebin e de escoamento superficial – Supin, além da precipitação observada – P(t) de acordo
com limites estabelecidos. Maiores informações sobre este processo podem ser encontradas
no Manual de Metodologia do Aplicativo SMAP/ONS [14].
𝔼𝔼 a! = 𝔼𝔼
𝔼𝔼 aa!!"𝕊𝕊= 𝔼𝔼 a!"𝕊𝕊 (6.27)
Cov a!, a!"$
Cov =a!, Cov
a!"$ a= , a!"𝕊𝕊"$
!"𝕊𝕊 Cov a!"𝕊𝕊 , a!"𝕊𝕊"$
t = m + ν𝕊𝕊, (6.28)
!! ()
1 !! ()
𝑙𝑙𝑙𝑙𝑙𝑙 1' a$%&𝕊𝕊 = 𝔼𝔼 a$
!! →# 𝑙𝑙𝑙𝑙𝑙𝑙N$ ' a$%&𝕊𝕊 = 𝔼𝔼 a$ (6.30)
!! →# N&*+ $
!",! () &*+
1 !",! ()
lim 1 ' a,%&𝕊𝕊 a$%&𝕊𝕊 = 𝔼𝔼 a, a$
limN,,$
!",! →# ' a,%&𝕊𝕊 a$%&𝕊𝕊 = 𝔼𝔼 a, a$
!",! →# N,,$ &*+
&*+
288 Previsão e geração de cenários de vazões
6.3.2.1 – Formulação
Um modelo PAR é, em essência, um modelo autorregressivo (AR) para cada estação
m. Em modelos autorregressivos, a observação é explicada por uma combinação linear das
observações passadas mais um erro aditivo ϵt descorrelacionado. Formalmente, um processo
aleatório a! %$!"#$ é dito Periódico Autorregressivo de período 𝕊𝕊 e ordem (Pm) ordem p =
(p1,...,pm), PAR(p), se vale a relação em (6.31) para todo tempo t, onde m é a estação associada
ao tempo t.
&!
𝑎𝑎! = ζ" + % ϕ",$a!%$ + ϵ! (6.31)
$'(
O planejamento da operação energética no sistema interligado nacional 289
Os erros aditivos ϵ! %$
!"#$ do modelo PAR são descorrelacionados e cada componente
possui média zero e variância que depende apenas da estação m, assim como os coeficientes
e a ordem do PAR.
O modelo PAR está em sua forma centrada e reduzida se a relação (6.31) é válida para a
série formada pela variável at subtraída da média μt e dividida pelo desvio padrão σt, de acordo
com (6.32).
&!
a! − µ! a − µ!%$
= & ϕ",$ !%$ + ϵ! (6.32)
σ! σ!%$
$'(
que a expressão (6.33) defina uma variável aleatória com média finita. Decorre de (6.33) a
propriedade de descorrelação entre o erro ϵt e cada variável passada at-ν, dado em (6.33).
'
Observa-se que uma condição necessária e suficiente para a causalidade do PAR, mais
facilmente verificável do que a definição (6.33) é o polinômio característico induzido pelos
coeficientes ϕm,l possuir todas as raízes complexas fora do círculo unitário [16].
, (! +
Assim, quanto menor o valor do critério mais bem ajustado é o modelo em relação a
esta medida. Observe que, se o problema de otimização (6.35) resultar em algum coeficiente
ζ"!, ϕ
& !,# , ϕ
& !,$ , … , ϕ
& !,% negativo, ainda será possível obter um valor negativo para a pre-
!
visão, conforme (6.36).
'!
Prev a!|a !"# = ζ)$ + + ϕ
- $,&a!"& (6.36)
&(#
previsão é sempre positiva, pois supõe-se que o vetor at sempre o é. Admitindo que qualquer
valor positivo de afluência possa ocorrer então os coeficientes serem positivos é uma condição
necessária e suficiente para produzir previsões sempre positivas. Mais detalhes acerca destas
duas opções para estimação dos parâmetros podem ser encontrados em [18].
O planejamento da operação energética no sistema interligado nacional 291
Como os valores verdadeiros dos parâmetros da equação (6.38) não são conhecidos a
priori, o ruído ϵt é não observável. O resíduo, por outro lado, é uma estimativa observável do
erro aditivo ϵt e é definido como a diferença entre o valor observado e o previsto estimado,
conforme (6.39).
&!
ϵ"! = a! − ζ(" + * ϕ
, ",$a!%$ (6.39)
$'(
Vale ressaltar que os resíduos ϵ"! para t de 1 até T são, em geral, dependentes, enquanto
os erros ϵt são, por hipótese, independentes.
Um dos principais usos dos resíduos é na estimação de quantidades que dependem dos
ruídos ϵt. Na próxima seção, descrevem-se alguns modelos de distribuição do ruído ϵt.
"
A primeira opção de modelagem, ϵ! ~𝒩𝒩(0, σ! ) , admite que o erro aditivo possa assumir
qualquer valor real. Com isso, sempre existe a possibilidade de uma sequência de erros nega-
tivos resultar em um valor negativo para at. Nas simulações que consideram esta distribuição
do erro, valores negativos para são observados.
"
A segunda opção de modelagem, ϵ! ~ Δ! + ln𝒩𝒩 u!, σ! , surgiu como uma forma de pro-
duzir valores sempre positivos de at. A proposta de [20] utiliza uma regra para a obtenção de
Δt que depende das observações passadas até t-1, a[t-1] ∶= ( a1,a0,… at-1 ).
ρ! j = $ ϕ",$%ρ!&' ν − j , ∀ ≥ 1. (6.43)
$()
Pela propriedade ρt (j) = ρt-j (-j), pode-se reescrever (6.44) como (6.45),
ou seja, a matriz que multiplica os coeficientes de (6.44) é simétrica, o que reduz o número
de valores que precisam ser estimados. O sistema de equações dado por (6.45) é chamado de
sistema de Yule-Walker. Define-se a autocorrelação parcial periódica ϕm,kk da estação m e lag
k como a última componente da solução do sistema de Yule-Walker.
Na prática, para se estimar o valor da autocorrelação parcial ϕm,kk é preciso antes estimar
os valores da autocorrelação ρt(j). Em (6.46) sugere-se uma forma de estimar ρt(j):
294 Previsão e geração de cenários de vazões
+! "$
( a!, a!"#
Cov 1
ρ"! j = , σ ( a! , a!
,! = Cov $⁄% , µ"! = 1 a'()𝕊𝕊 ,
σ
,! σ
,!"# N'
),-
+",! "$ (6.46)
1
( a!, a!"#
Cov = 1 a'()𝕊𝕊 − µ"! a.()𝕊𝕊 − µ"!"# ,
N.,'
),-
Uma consequência da autocorrelação parcial de uma série temporal que segue um modelo
PAR é que se a ordem do PAR em uma dada estação m é menor do que k, então o valor da
correspondente autocorrelação parcial ϕm,kk é zero. Com essa informação, tem-se a motivação
para usar a autocorrelação parcial para identificar a ordem de um modelo PAR univariado.
Note que, na prática, a variação aleatória amostral e o número finito de dados faz com que o
estimador ϕ " !,## seja não nulo para todo k. Adicionalmente, o respectivo estimador ϕ " !,##
dividido pela raíz quadrada do número de amostras associadas à estação s converge para uma
distribuição normal de média 0 e variância 1, como enunciado pelo teorema a seguir.
%$
Teorema: Seja a! !"#$ um processo aleatório PAR(p) causal de ordem para a estação
m. Então, a autocorrelação parcial periódica estimada ϕ " !,## na escala apropriada converge
em distribuição para a normal padrão, para todo k maior do que pm:
)! →+
ℙ % !,## > z %⁄& H( é válida
N! # ϕ α (6.49)
A ordem pm do modelo PAR(p) univariado para a estação pode ser identificada aplicando
o teste acima para cada ordem candidata p =1,2,…,pmax e admitindo aquela que não for rejei-
tada pelo teste estatístico. Costuma-se utilizar para realizar este teste de hipótese, isto é, zα⁄(2
≈1,96. A Figura 6.9 ilustra a função de autocorrelação parcial correspondente a um modelo
autorregressivo de ordem 1. Observe que os valores de ϕm,kk são estatisticamente nulos para
valores de k maiores do que um.
Existem dois procedimentos que são utilizados para definir a ordem do modelo PAR:
• percorrer as ordens candidatas de maneira crescente e sugerir como ordem do modelo
a anterior à primeira não rejeição da hipótese nula;
• percorrer as ordens candidatas de maneira decrescente e sugerir como ordem do mo-
delo a primeira que rejeita a hipótese nula.
%
a! − µ!
ρ!(0) = & ϕ",$%ρ! 0 + 𝔼𝔼 ϵ! (6.50)
σ!
$&'
Supondo a causalidade do modelo PAR, tem-se que ϵt e (a!"# − µ!"#%⁄σ!"# são descorre-
lacionados, e consequentemente a esperança do produto dessas variáveis é zero. Como a au-
tocorrelação periódica ρt (0) é igual a 1 e Var[ϵt] é igual a E[ϵt2], pois a média do erro ϵt é zero,
conclui-se a equação que relaciona a variância do erro ϵt e os parâmetros do modelo PAR:
%
A partir da equação (6.52) define-se o estimador da variância do erro ϵt por (6.53), onde
ρ"! ν é um estimador da autocorrelação periódica e ϕ " !,##
é um estimador do coeficiente ϕm,kk
do modelo PAR, dado por Yule-Walker, por exemplo.
%
$ (ϵ!) =
Var - ",$%ρ/! ν ,
1− +ϕ (6.53)
$&'
BIC ∶= −2 log f a ! M, φ
1 + n φ
1 log T (6.54)
Por uma convenção de sinal, quanto menor o valor do BIC melhor é o modelo em relação
a este critério.
Em seguida, sorteia-se o ruído e, por meio da mesma fórmula acima, calcula-se a realiza-
ção a partir dos valores das variáveis anteriores. Repetindo-se esse procedimento, obtém-se
uma realização
Interligado Nacional considera a correlação espacial que existe entre as séries de afluências na
distribuição conjunta dos ruídos e o procedimento adotado para isso é descrito abaixo.
Seja ϵt o vetor (multivariado) de resíduos serialmente descorrelatados, normalmente dis-
tribuídos com média 0 e matriz de covariância Σ estimada a partir dos resíduos históricos ob-
tidos a partir dos modelos univariados PAR(p) para cada uma das séries. O vetor ϵt incorpora
a dependência espacial, enquanto o modelo univariado PAR(p) incorpora a dependência se-
rial. Usando a decomposição de Cholesky na matriz de correlação espacial de vazão, Σ=CCT,
obtemos o vetor de erros espacialmente correlatados ϵt por meio da relação ϵt = Cr, onde r é
vetor de variáveis gaussianas padrão independentes. Se o modelo dos ruídos é uma lognor-
mal a três parâmetros, então além do procedimento descrito é somado ut a ϵt, exponenciando
cada componente do vetor resultante e somado Δt para obter o erro 𝛜𝛜"! que segue a lognormal
multivariada a três parâmetros. A partir disso, o procedimento de geração de cenários segue
como o usual.
Como comentado no item 6.2, em 2021, a previsão de vazões para a primeira semana
operativa de todas as bacias hidrográficas do SIN deverá ser realizada exclusivamente pelo
modelo SMAP/ONS.
Em função de seu bom desempenho em todas as bacias nas quais o modelo SMAP/ONS
foi testado, o ONS iniciou, em 2018, estudos para testar a ampliação do horizonte de seu
uso até o final do primeiro mês operativo. O projeto deverá estar concluído em 2020, com o
desenvolvimento de metodologias e realização de testes comparativos de desempenho com
o modelo PREVIVAZ. Em caso de sucesso nesses testes, o modelo SMAP/ONS, de forma
gradativa entre 2020 e 2021, passará a ser o único modelo a ser utilizado para a previsão de
vazões do primeiro mês operativo.
Além disso, desde 2013, o ONS participa de reuniões sistemáticas sobre a crise hídrica das
bacias dos rios São Francisco, Tocantins, Paranapanema, Paranaíba e de rios da região Sul,
sob a coordenação da ANA, sob a coordenação da ANA e participação do Ministério de Minas
e Energia (MME), ANEEL, ONS e diversos usuários de água na bacia. Essas reuniões têm o
objetivo de promover a articulação entre os diferentes atores com atuação na bacia e viabilizar
a tomada de decisão para a mitigação de impactos. Cabe ressaltar que, desde dezembro/2017,
o modelo SMAP/ONS já é utilizado, com sucesso, na geração de cenários possíveis de vazões
afluentes aos principais reservatórios dessas bacias, para simulações de armazenamentos para
um horizonte de até nove meses à frente.
O planejamento da operação energética no sistema interligado nacional 299
REFERÊNCIAS DO CAPÍTULO
1. ONS – Operador Nacional do Sistema Elétrico; Revisão das séries de vazões naturais nas principais
bacias do sistema interligado nacional – Relatório executivo; 2005.
2. ONS – Operador Nacional do Sistema Elétrico; Revisão das séries de vazões naturais em bacias do
sistema interligado nacional – Relatório executivo; 2011.
3. ONS – Operador Nacional do Sistema Elétrico; ONS/NT0144/2018; Metodologia de reconstituição e
tratamento das vazões naturais; 2018.
4. ONS – Operador Nacional do Sistema Elétrico; Consórcio Fahma/Dzeta, Estimativa das vazões para
atividades de uso consuntivo da água nas principais bacias do sistema interligado nacional – Metodo-
logia e resultados consolidados – Relatório final; 2003.
5. ONS – Operador Nacional do Sistema Elétrico; Consórcio Fahma/Dreer, Estimativa das vazões para
atividades de uso consuntivo da água em bacias do sistema interligado nacional – Metodologia e re-
sultados consolidados; 2005.
6. Morton FI. Operational Estimates of Lake Evaporation. Journal of Hydrology 1983;66(114):77-100.
7. Morton FI, Ricard F, Fogorasi S. Operational Estimates of Areal Evapotranspiration and Lake Evapo-
ration – Program WREVAP; National Hydrology Research Institute; Paper nº 24, Enviroment Canada;
1985.
8. ONS – Operador Nacional do Sistema Elétrico, ONS/RE3/214/2004; Evaporações líquidas nas usinas
hidrelétricas.
9. Barth FT; Pompeu CT, Fill HD, Tucci CEM, Kelman J, Braga B P F. Modelos para gerenciamento de
recursos hídricos. Coleção ABRH de Recursos Hídricos, Nobel/ABRH; 1987.
10. ONS – Operador Nacional do Sistema Elétrico, ONS/NT0156/2016; Uso de previsão de precipitação
por conjunto para a previsão de vazões da primeira semana operativa; Rev. 10;2019.
11. Eletrobras Cepel – Centro de Pesquisas de Energia Elétrica; Manual de referência do modelo PREVI-
VAZH: modelos computacionais para previsão de afluências diárias, semanais e mensais.
12. Eletrobras Cepel – Centro de Pesquisas de Energia Elétrica; PREVIVAZ – Modelo de previsão de
vazões semanais afluentes aos aproveitamentos hidroelétricos do sistema brasileiro – Manual de
metodologia.
13. ONS – Operador Nacional do Sistema Elétrico, ONS/NT0097/2018-RV3; Aplicação do modelo
SMAP/ONS para previsão de vazões no âmbito do SIN; 2019.
14. ONS – Operador Nacional do Sistema Elétrico; Aplicativo SMAP – Manual de metodologia; 2017.
15. Lopes JEG, Braga BPF, Conejo JGL. SMAP – A simplified hydrological model, applied modelling in
catchment hydrology. Ed. V.P. Singh, Water Resources Publications; 1982.
O planejamento da operação energética no sistema interligado nacional 301
16. Brockwell PJ, Davis RA. Introduction to time series and forecasting; Springer Science & Business
Media; 2006.
17. Hipel KW, Mcleod AI. Time series modelling of water resources and environmental systems. Elsevier,
1994.
18. Cabral FG. Uma proposta de um modelo periódico multivariado autorregressivo multiplicativo para
geração de cenários de afluência aplicável ao modelo de planejamento do Setor Elétrico Brasileiro;
Dissertação de mestrado, Coppe/UFRJ; 2016.
19. Pereira MVF, Pinto LMVG. Multi-stage stochastic optimization applied to energy planning. Math.
Programming 1991;52(2);Ser. B:359-375.
20. Maceira MEPM, Penna DDJ, Damázio JM. Geração de cenários sintéticos de energia e vazão para o
planejamento da operação energética; cadernos do IME – Série Estatística, UERJ 2006; (21):11-35.
7
PREVISÃO DE GERAÇÃO EÓLICA E FOTOVOLTAICA
• GFS (Global Forecast System), do NOAA (National Oceanic and Atmospheric Admi-
nistration), com resolução espacial de ~25 km e temporal de 1h, estendendo a previsão
para o dia corrente e mais 4 dias à frente.
• HRES (High Resolution) e Ensemble, do ECMWF (European Centre for Medium
– Range Weather Forecasts), com resolução espacial de ~20 km e temporal de 3h,
estendendo a previsão para o dia corrente e mais 5 dias à frente.
• BAM, do CPTEC com resolução espacial de ~20 km e temporal de 1h, estendendo a
previsão para o dia corrente e mais 10 dias à frente.
A expectativa é utilizar os mesmos modelos usados para previsão de geração de fonte eó-
lica na previsão de solar fotovoltaica. Entretanto, para os testes iniciais, os primeiros dados a
serem utilizados para a previsão de geração por fonte solar foram do modelo GFS. No futuro,
pretende-se utilizar o modelo regional WRF e ECMWF.
A Figura 7.1 ilustra um resumo da base de dados construída no ONS para dar suporte as
previsões eólicas e fotovoltaicas.
Resumidamente, os dados obtidos no Módulo 1, após passar pela triagem inicial (não
representada na Figura 7.2), passam por processo de limpeza, em que valores espúrios são eli-
minados. Em seguida, as lacunas são preenchidas, resultando no melhor histórico possível dos
dados verificados de geração e velocidade do vento. Adicionalmente, a velocidade do vento
prevista passa por ajustes, para retirada de viés.
O histórico verificado de vento e geração alimenta um modelo de criação dinâmica das
curvas Vento x Potência. Essas curvas e o vento previsto ajustado são então utilizados pelo
modelo de previsão de geração de fonte eólica (Módulo 2). É gerada então uma previsão com-
binada das previsões resultantes de todos os modelos meteorológicos.
Ao final do processo, tem-se a previsão de geração de fonte eólica para o Nordeste e Sul,
para o dia corrente e para n dias à frente. Cabe aqui um esclarecimento: considerando a apli-
cação da previsão tanto para o Tempo Real quanto para a Programação Diária, o dia corrente é
alvo de previsão. Dessa forma, tal como no Tempo Real, o dia corrente é designado pela letra
D. Em razão disso, os dias posteriores são representados por D+1, D+2 etc. Na Programação
Diária, por sua vez, o alvo é o dia seguinte, que é designado pela letra D. Disso decorre que
para o dia D da Programação Diária se utiliza a previsão de geração eólica para D+1.
O processo de seleção dos dados válidos de vento verificado pode ser resumido da seguin-
te forma:
308 Previsão de geração eólica e fotovoltaica
Maiores detalhes sobre o algoritmo de identificação de dados espúrios podem ser encon-
trados na Nota Técnica do Operador Nacional do Sistema Elétrico [3].
Uma vez que há redundância de informações de geração verificada, do ONS e da CCEE, e
de vento verificado, do ONS e da EPE, é possível montar uma série histórica de geração verifi-
cada em intervalos de 30 minutos com os melhores dados possíveis. Ainda assim, nem sempre
é possível obter os dados medidos para todos intervalos de tempo a partir destas fontes. Para
tanto, foram criados alguns processos de reconstrução das informações de geração verificada.
A Figura 7.3 destaca os processos para composição do Melhor Histórico de Geração (MHG).
(III) Físico Estimado – Se após os passos anteriores o histórico de geração ainda apre-
sentar falhas, uma terceira opção é realizada. De posse do histórico parcial da 1ª e 2ª opção,
calibra-se para esta usina um conjunto de 48 equações que relacionam vento e geração, uma
para cada intervalo de meia-hora do dia. Para isso é necessário um conjunto mínimo de pontos
(geração e vento). A condição necessária para obtenção destes pontos é o histórico possuir
trinta dias com medidas válidas (vento e geração) para cada intervalo de meia hora. No caso
de geração nula, o par vento-geração é sempre considerado como inválido, uma vez que, de
forma geral, representa alguma operação atípica, com restrições. A ordem de escolha do his-
tórico de vento mínimo segue a seguinte ordem: (a) Vento verificado da EPE; (b) Vento veri-
ficado do PI; (c) Vizinhança – se após os passos (a) e (b) ainda não for possível a constituição
de um histórico mínimo de acordo com a condição necessária, são utilizados dados de vento
verificado de usinas próximas, considerando-se até 9 usinas mais próximas em um raio de 7
km, na mesma ordem dos itens (a) e (b). Aplica-se o processo para cada usina i=1 a 9, pela
ordem de proximidade, avançando sempre que a condição necessária não é atendida.
Para o ajuste matemático das curvas do parque, optou-se pelo uso de regressões logísticas,
uma vez que estas se adequam muito bem à curva Vento x Potência. A equação da regressão
logística é escrita como:
T−B
Ger = B + (7.1)
1 + 10! "!"# #"$% &
onde: B e T são parte inferior e superior das assíntotas, respectivamente, b e Vmid são a
inclinação e a coordenada x do ponto de inflexão, respectivamente, e s é um coeficiente.
(IV) Média – se as opções 1, 2 e 3 não forem suficientes para completar todos os dados
faltantes do histórico, estes são calculados tomando a média aritmética dos valores de 3 dias
anteriores e 3 dias posteriores para aquele determinado intervalo em falta do dia. Esta opção é
um último recurso para tornar a série temporal completa. Espera-se, portanto, que seja muito
menos utilizada que as demais, de forma a não comprometer a qualidade do histórico.
Ger − B $%⁄&
ln T−B −1 (7.2)
Ven = V!"# −
b - ln[10]
O planejamento da operação energética no sistema interligado nacional 311
(IV) Vizinhança – se o vento verificado do ponto em questão não for preenchido pelas
opções anteriores, são utilizados dados de vento verificado de usinas próximas, considerando-
-se até 9 usinas mais próximas em um raio de 7 km, na mesma ordem dos itens (a) e (b) para
montagem do melhor histórico de geração.
(V) Média – se as opções 1, 2, 3 e 4 não forem suficientes para completar todos os dados
faltantes do histórico, estes são calculados tomando-se a média aritmética dos valores de 3
dias anteriores e 3 dias posteriores para aquele determinado intervalo em falta do dia. Esta
opção constitui um último recurso para tornar a série temporal completa. Espera-se, portanto,
que seja muito menos utilizada que as demais, de forma a não comprometer a qualidade do
histórico.
Como pode ser observado na Figura 7.5, os gráficos à direita que plotam a dispersão Vento
x Potência utilizando o vento do PI estão em branco. Isso significa que o histórico de vento
do PI desta usina foi completamente eliminado. Embora os gráficos à esquerda mostrem que
o histórico possui valores válidos, como o histórico de vento do PI desta usina apresenta mais
de 80% de dados inválidos, todo este histórico foi descartado.
Já a Figura 7.6 apresenta as curvas de geração e vento para dois dias visando ilustrar o
comportamento de alguns dos problemas ilustrados na Figura 7.5. Para os gráficos superio-
res da Figura 7.6, a curvas representam: em vermelho, o vento do PI; em rosa, o vento do PI
após processo de eliminação de dados espúrios (para os dois dias essa curva é inexistente,
uma vez que todo o histórico de vento do PI foi eliminado); em verde, o vento da EPE; e, em
preto, o melhor histórico de vento. Os gráficos inferiores da Figura 7.6 apresentam as curvas
de geração, sendo: em vermelho, a geração do PI; em rosa, a geração do PI após processo de
eliminação de dados espúrios (para os dois dias essa curva está exatamente alinhada com a
curva em vermelho, dado que os dados estavam coerentes); em verde, a geração da CCEE de
cinco minutos; em azul, a geração da CCEE no patamar de uma hora; e, em preto, o melhor
histórico de geração.
Os arquivos de vento previsto são recebidos por quadrícula, sendo assim é necessário
associar cada usina à sua respectiva quadrícula. Há um algoritmo que gera arquivos associan-
do cada usina à sua correspondente quadrícula em relação aos arquivos de vento previsto. A
Figura 7.7 ilustra as quadrículas para o Sul e Nordeste, respectivamente, advindas do modelo
GFS. Nestas Figuras são marcados pontos em vermelho representando exemplos de usinas
eólicas consideradas pelo ONS.
Existem usinas litorâneas cujos centroides dos modelos de vento previsto encontram-se
no mar. Neste caso, são utilizados centroides vizinhos, em terra, para essas usinas. Primeira-
mente, é calculada a distância euclidiana dessa usina com os centroides das quadrículas vizi-
nhas, sendo utilizado o centroide de menor distância, conforme:
' '
dist = lat !"#$ − lat "%& + long !"#$ − long "%& (7.3)
envolvidas nos modelos Eta, GFS, ECMWF e BAM. Outra particularidade utilizada em [2] é
que, após o cálculo dos coeficientes de correlação e dos coeficientes da equação da regressão
multivariada, são construídas vinte e quatro equações para cada hora do dia. Todavia, obje-
tivando a previsão de geração de fonte eólica, que requisita de uma discretização distinta, de
meia-hora, são construídas quarenta e oito equações de correção a serem aplicadas no vento
previsto.
A grande vantagem desta metodologia é a de produzir bons resultados, necessitando de
um histórico de dados para estimação do modelo relativamente pequeno, diferentemente de
outras metodologias, como redes neurais, que necessitam de longas séries. O período de cali-
bração adotado em [2] foi de vinte e oito dias, enquanto a correção foi aplicada no período de
trinta dias. No caso da correção de vento do ONS, as regressões foram ajustadas com histórico
de trinta dias e a correção foi realizada para a previsão do dia atual e dos nove dias à frente.
Foram testados tamanhos diferentes de históricos, tendo se constatado que uma quantidade
muito pequena de dias do histórico torna a regressão muito volátil. Por outro lado, históricos
muito longos podem não refletir o viés que acomete a previsão de vento mais recente.
Caso o vento previsto fosse exatamente igual ao vento verificado, traçando um gráfico de
dispersão entre eles se tem uma reta de coeficiente angular igual a um e linear igual a zero,
ou seja, y = α∙ x + b, sendo a = 1 e b = 0. Portanto, quanto melhor a previsão do vento, mais
próximo de uma reta é a dispersão destes dados. Isso a princípio justificaria a escolha pela
regressão linear.
Na prática, a relação entre o vento previsto e o verificado não é tão boa, aproximando-se
desta equação quanto melhor a qualidade do vento previsto. Ainda assim, poderia ser a relação
entre o vento previsto e verificado regida por alguma função não linear. Isto posto, foram tes-
tadas algumas regressões não lineares, como polinômios de vários graus, exponenciais, logís-
ticas. Porém, os melhores resultados confirmaram a opção pelas regressões lineares simples.
Outra dificuldade para um bom ajuste ocorre quando o coeficiente angular é muito alto, ou
seja, o ângulo formado pela reta se aproxima de 90. Essa circunstância é muito ruim do ponto
de vista da correção, pois, depois de ajustada a regressão, qualquer desproporção brusca no
vento previsto em relação aos dados de vento previsto que foram usados para o treinamento
pode acarretar valores absurdos. Dessa forma, há necessidade de tratamento quando da ocor-
rência desta situação. Isso ocorre quando no período dos trinta dias a previsão do vento para
aquele determinado horário não sofre muita variação. Quando essa situação acontece, é iden-
tificada e, através de uma heurística, o tamanho da amostra é aumentado. A heurística analisa
se o valor em módulo do coeficiente angular da regressão é maior do que um equivalente para
uma reta de 75°, e ainda se o desvio padrão dos dados desses últimos dias é muito pequeno,
de acordo com a equação:
O planejamento da operação energética no sistema interligado nacional 315
75π
|a| > | tan!" |
180
(7.4)
ou
Onde: dados corresponde ao conjunto de dados dos últimos dias de um período i e σ(da-
dosi) ao desvio-padrão desses dados. O processo de aumento do histórico se repete até que
as restrições sejam atendidas ou se chega a um limite pré-estabelecido. Estes valores foram
escolhidos empiricamente, com base em alguns testes.
Geralmente, o arquivo do dado de vento previsto é recebido na parte da manhã do dia,
sendo fornecido para o dia atual, denominado D, e para os dias D+1, D+2 a D+n, em horário
GMT, devendo os horários ser convertidos para o horário de Brasília, que são a referência para
a previsão a ser feita.
Para que seja feita a correção do vento previsto, os modelos de previsão de geração neces-
sitam do histórico de previsão de vento e de vento verificado. As regressões são ajustadas para
cada intervalo tomando como base o histórico terminando no dia D-1 e iniciando em D-30.
A correção do vento previsto é feita de forma correspondente ao dia da previsão. A corre-
ção do vento previsto para D+2, por exemplo, é feita de acordo com a regressão ajustada com
base no histórico de vento previsto para D+2.
Onde: Erroi, Venverifi, Venprevi, são o erro, o vento verificado e vento previsto respectiva-
mente, para o período i, sendo que i=1 a 48.
A Figura 7.8 ilustra as características dos desvios brutos dos valores previstos e os resul-
tados da correção do vento do tipo D+1, modelo numérico GFS, para uma determinada usina.
As curvas em vermelho representam a velocidade do vento e as curvas em azul e verde repre-
sentam, respectivamente, o vento bruto do GFS e o vento corrigido. Adicionalmente, é apre-
sentado um boxplot com os desvios para algumas horas. O viés varia conforme o intervalo do
dia e períodos do ano, conforme pode ser visto. Esta é então outra razão para uma modelagem
por intervalo, o que acarreta resultados melhores na previsão
316 Previsão de geração eólica e fotovoltaica
Figura 7.8 – Desvios brutos do vento previsto para previsões D+1 de uma usina
Cada região apresenta um viés característico. A Figura 7.9 ilustra para o estado do Rio
Grande do Norte as curvas médias para o vento verificado, previsto Eta e previsto Eta corri-
gido, reforçando as características dos vieses da previsão do vento. Embora, com base nestas
curvas, a correção pareça resolver o problema com extrema qualidade, ainda existe um desvio
significativo, o que não é muito percebido nas curvas médias. A Figura 7.10 ilustra a dispersão
no vento previsto para os estados do Rio Grande do Norte, considerando o mesmo horizonte
de tempo utilizado para o cálculo das séries médias.
O planejamento da operação energética no sistema interligado nacional 317
Apesar de não apresentado os resultados para os outros estados, observa-se que os dois
estados que apresentam maior dificuldade para a previsão do vento são a Bahia e Pernambuco.
Isso ocorre devido a vários fatores físicos.
A análise dos resultados mostrou que a previsão para os 73 conjuntos e para os 25 pontos de
conexão apresentaram desvios muito similares para o total do Nordeste, indicando que o im-
pacto desta consideração não é a mais relevante no processo de previsão. Entretanto, a melhor
escolha é o agrupamento por similaridade de vento..
além de não ser necessária para um bom ajuste, pode capturar algumas características indeseja-
das. Todo equipamento possui uma vida útil e geralmente vai perdendo rendimento com o passar
dos anos. Isso pode alterar as características da curva Vento x Potência. Além disso, outros fato-
res contribuem para mudanças na curva de potência, como equipamentos em falhas, substituição
destes por outros com características levemente diferentes, e ainda fatores de curto prazo, como
quedas de linhas e torres dos aerogeradores, que podem fazer com que as gerações tomem valo-
res diferentes do esperado. Alguns desses efeitos, se conhecidos pelo usuário do previsor eólico,
podem ser mitigados. Entretanto, se não conhecidos, podem causar enormes desvios na previsão.
De forma a mitigar estes efeitos negativos, optou-se por estimar os parâmetros da regres-
são logística com apenas 180 dias. Isso reduz desvios cometidos pela ocorrência de fenôme-
nos que ocorreram fora destes intervalos e não estão presentes quando se faz a previsão. Fo-
ram feitos testes visando observar se essa consideração pioraria a qualidade da curva ajustada.
Concluiu-se que não houve aumento de desvios para o ajuste, e que foram observados ganhos,
como era o esperado.
Embora possa parecer que o número de pontos usados para representar o equacionamento
seja insuficiente, estes refletem melhor o comportamento para o dia seguinte, uma vez que são
as ocorrências mais recentes. Desta forma, caso tivesse ocorrido um fenômeno que distorcesse
a curva num tempo distante, esta não comprometeria a previsão atual.
Para ilustrar um possível efeito indesejado caso o histórico de dados apresentasse algum com-
portamento de geração diferente num passado mais distante para os dias mais recentes, construiu-se
a Figura 7.11. Para simular este efeito considerou-se um ano de dados, sendo que para os primeiros
duzentos e noventa dias a potência produzida foi reduzida pela metade, e a partir do dia duzentos e
noventa e um até os trezentos e sessenta e cinco dias a geração pôde atingir o total da capacidade da
usina. Mesmo não tendo se baseado em condições reais, o exemplo mostra possíveis situações em
que uma usina opera com um certo número menor de aerogeradores em determinados períodos, ou
períodos em que há restrições elétricas devido, por exemplo, a quedas de torres.
A Figura 7.11 apresenta então os pontos plotados até o dia 275 (pontos em vermelho),
e para os dias de 275 a 365 (pontos em azul claro), dado um horizonte de 90 dias. Existem
15 dias dos 90 que estão com a metade da geração para compor os dados para a estimação
da regressão logística. A previsão foi realizada para o próximo dia (pontos em azul), sendo,
portanto, 48 pontos. O gráfico esquerdo da Figura representa a previsão realizada levando
em conta a estimação da regressão logística utilizando todo o histórico, ou seja, com os 365
dias. O gráfico à direita representa a estimação da regressão apenas com os últimos 90 dias. É
possível afirmar com base nesta Figura que o gráfico à esquerda apresenta uma previsão po-
bre do ponto de vista do que está ocorrendo na usina, uma vez que os pontos estimados estão
entre uma curva que seria da usina com a metade da capacidade e outra que seria operando
a plena capacidade. O gráfico à direita, no entanto, já apresenta uma coerência muito maior
na previsão, como pode ser notado, pois, apesar da geração de 15 dias do histórico utilizado
para estimação da curva de potência estar reduzida pela metade, os outros 75 dias estão em
condições que refletem o comportamento atual.
320 Previsão de geração eólica e fotovoltaica
A dispersão Vento x Potência apresenta uma série de características que exigem um tra-
tamento necessário para uma boa estimação da equação de cada usina. A técnica descrita em
[5] visa eliminar os pontos da curva que não representam valores plausíveis, tentando manter
o maior número de pontos corretos.
Sendo assim, cria-se uma função superior e uma inferior, de forma a considerar apenas os
dados que estão dentro desses limites. A criação desses limites é feita com funções sigmoides
– equação (7.7), sendo os parâmetros Ymin, Ymax, X01, Xmax1, X02 e Xmax2. Detalhes em [5].
Y!$% − Y!"# Y!$%
f x = Y!"# + ' − ' (7.7)
& ) *#$%&' &((" & ) *#$%&' &(()
1+ e (!" 1+ e (!)
onde:
De posse dos parâmetros Ymin, Ymax, X01, Xmax1, X02 e Xmax2 é possível, portanto, a criação
dos limites inferiores e superiores para filtragem dos dados. Entretanto, esses parâmetros de-
vem ser estimados tomando as próprias curvas de dispersão dos dados verificados, uma vez
que os parâmetros teóricos nem sempre são compatíveis com os estimados pela curva de dis-
persão real.
Os dados eliminados nem sempre representam problemas de medição. Muitos dados po-
dem ser medições precisas e serem cortados por não estarem dentro dos limites calculados.
Esses dados podem ser originais de restrições operativas diversas, tais como máquinas em
O planejamento da operação energética no sistema interligado nacional 321
Ger − Ger!"#
NGer = (7.10)
Ger!$% − Ger!"#
De forma similar ao feito para a geração, normalizam-se os dados de vento médio. Porém,
neste caso, a normalização é feita com o vento médio e o desvio padrão dessa série temporal,
de acordo com a equação:
Ven − Ven
NVen = (7.11)
σ!"#
Como a equação anterior foi construída em torno de uma série de geração e vento médios,
ainda é necessária a etapa de conversão em geração total. Conforme explicado no item ante-
rior, essa etapa é realizada com um ajuste de uma regressão linear, entre os dados médios e
totais de alguns dias recentes, de acordo com a seguinte equação:
Dessa forma, a equação de Vento x Potência, que é utilizada para conversão do vento previsto
corrigido em potência, pode ser escrita como:
T−B
Ger !"! = α & B+ ) & Ger*+, − Ger*-' + Ger*-' + β
$&'%$&'
# $!"# % (
(7.15)
1+ 10 $%&
T−B
Ger !"! = α & B+ ) & Ger*+, − G
máxima e mínima da série de geração média do grupo de usinas, respectivamente; $&'%$&' e σvem
# $!"# % (
são o vento médio e desvio padrão da série de vento médio do grupo1 + de
10 usinas; α e$%&
β referem-
-se ao coeficiente angular e linear, respectivamente, da regressão ajustada entre a série total e
média da geração do grupo.
7.2.6 – Resultados
Esta seção tem por objetivo descrever alguns resultados obtidos pelo uso operacional do
modelo de previsão de geração eólica.
1 '
ME = & P $
− P&#"!$ (7.18)
N $() !"#$%
Outra métrica muito importante é o erro médio quadrático (root mean square error), des-
crito na equação:
1 (
𝑅𝑅MSE = ( )P!"#$% $ − P&#"!$ )
' (7.21)
N $)*
1 ,
NMAPE!"#$% = %&% ) |(P'()"* " − P+)('" )| ⋅ 100 (7.22)
N ⋅ P"#$% "-.
328 Previsão de geração eólica e fotovoltaica
Também é utilizado o erro percentual médio normalizado pela potência instalada vezes o
fator de capacidade:
1 ,
NMAPE!"#!"# = #'# + |(P()*$! $ − P+*)($ )| ⋅ 100 (7.23)
N ⋅ P$%&# ⋅ fc $-.
A métrica do MAPE dada na equação (7.20) é muito útil na análise de desvios de previsão.
Entretanto, deve-se ter cuidado com seu uso, uma vez que é um somatório de frações onde o
denominador é a geração verificada. O inconveniente disso é que muitas vezes a usina eólica
pode apresentar geração muito baixa, levando à superestimação do valor do somatório. Por-
tanto, o uso do MAPE para usinas individuais ou pequenos conjuntos não é indicado. Porém,
para avaliação de desvios de um conjunto agregado maior de usinas, como por exemplo a
avaliação de desvios por ponto de conexão, por estado, ou para uma região, seu uso pode ser
recomendado.
Outro problema do MAPE é o fato de um mesmo desvio absoluto levar a considerações
de desvio percentual bem distinto. A Figura 7.17 ilustra uma previsão real para o NE onde
a geração verificada é muito maior do que a previsão do modelo utilizando o vento do Eta.
Vale salientar que em um determinado horário o erro chega a 80%, de acordo com o MAPE.
A Figura 7.18 representa um desvio onde a geração é menor que a previsão, sendo que em um
determinado instante o erro chega a 220% de acordo com o MAPE, porém o erro em MW é
menor do que ao apresentado na Figura 7.17. Apesar de a curva do modelo utilizando o Eta ser
mais aderente na Figura 7.18 em relação à Figura 7.17, o desvio médio para o dia é de 65% na
Figura 7.18 contra 30% na Figura 7.17.
Figura 7.18 – Exemplo de erro com verificado mais baixo que a previsão
Para análise dos desvios do subsistema Nordeste, o MAPE pode ser considerado, mesmo
com suas peculiaridades. Todavia, para o subsistema Sul, seu uso não é recomendado, apesar
de nesse capítulo esta métrica ser apresentada. A justificativa deve-se ao fato da geração eólica
no Sul se aproximar de zero com muita frequência gerando desvios altos em percentual, mesmo
que tais desvios sejam baixos em MW (megawatt). A Figura 7.19 ilustra um caso, de 3/4/2018
a 9/4/2018, sendo um período de geração eólica muito baixa, como pode ser observado existem
erros que ultrapassam 2000% segundo a métrica do MAPE, e pelo NMAPE o erro é baixo.
330 Previsão de geração eólica e fotovoltaica
Dado o exposto, pode-se concluir que o uso de apenas uma métrica pode não ser recomen-
dável. O ideal é utilizar todas, de forma a observar o que cada uma está indicando. A preferên-
cia por uma métrica vai depender do objetivo de uso da previsão de geração eólica.
Sendo assim, para avaliar as previsões de geração de fonte eólica com cada um dos modelos
meteorológicos, optou-se por desconsiderar as previsões iniciais.
Deve ser observado que, a menos quando explicitado, todos os gráficos e valores apresen-
tados são relativos às previsões do tipo D+1.
A seguir são apresentados gráficos da avaliação dos desvios de previsão segundo diversas
métricas. Cada gráfico é uma avaliação mensal dos desvios, no período de janeiro de 2017 a
novembro de 2018, para os subsistemas Nordeste e Sul. Esse período foi selecionado por con-
ter o modelo já em funcionamento estável para o subsistema Nordeste, bem como para o Sul,
cuja entrada em operação ocorreu em outubro de 2017. Os gráficos de cada métrica possuem
eixos fixos para ambos os subsistemas, apesar de possíveis grandes diferenças de valores, para
facilitar a comparação entre desvios.
Da Figura 7.20 à Figura 7.21 são exibidos os Erros Médios Absolutos Percentuais (Mean
Average Percentage Error – MAPE). Este erro é obtido de forma similar ao MAE, sendo ex-
presso como um percentual da geração verificada na mesma meia hora, dando uma dimensão
do desvio em relação ao verificado. A análise desta métrica evidencia as vastas diferenças
no regime de vento nas duas regiões. Inicialmente, pode ser notado que, apesar de analisado
em uma janela de tempo mais curta, o subsistema Sul não apresenta sazonalidade do erro tão
acentuada quanto o Nordeste.
Em relação aos erros, observam-se valores muito mais elevados no subsistema Sul. Neste
subsistema, a geração varia bruscamente, indo a quase zero com frequência. Pela formulação
do MAPE disposta na equação (7.20), conforme já mencionado, esta métrica torna-se extre-
mamente sensível e volátil para erros em valores de geração baixos, tornando-se um indicador
fraco para avaliação da previsão no subsistema Sul.
Figura 7.20 – Erro absoluto médio percentual mensal da previsão eólica para o Nordeste
332 Previsão de geração eólica e fotovoltaica
Figura 7.21 – Erro absoluto médio percentual mensal da previsão eólica para o Sul
Da Figura 7.22 à Figura 7.23 são apresentados os Erros Médios Quadráticos Percentuais
Normalizados (Normalized Mean Absolute Percentage Error – NMAPE). A normalização
nestas análises é feita pela potência instalada de cada subsistema. A normalização contem-
plada nesta métrica pretende dar uma visão sistêmica do impacto do desvio, diferente do
MAPE, cuja abordagem é observar o desvio sob a perspectiva do valor verificado, não tra-
zendo nenhuma informação sobre o impacto na operação do sistema. Apesar de duas formas
de normalização foram consideradas: um considerando todo o período de estudo, a potência
instalada final; outra com os valores de desvio normalizados pela potência instalada na época
da geração, na Figura 7.22 e na Figura 7.23 é ilustrado essa última forma de normalização.
Figura 7.22 – Erro médio absoluto percentual, normalizado pela potência instalada evolutiva ao longo do período de estu-
do, mensal da previsão eólica para o Nordeste
O planejamento da operação energética no sistema interligado nacional 333
Figura 7.23 – Erro médio absoluto percentual, normalizado pela potência instalada evolutiva ao longo do período de estu-
do, mensal da previsão eólica para o Sul
A normalização pela potência final oferece uma referência fixa, sendo todos os valores de
desvio percentuais da mesma constante. Por outro lado, em razão da potência instalada final
ser maior do que aquela ao início do período de estudo, é notável um amortecimento, uma re-
dução artificial dos valores de desvio no início do período avaliado, que induzem a conclusão
de que os desvios vêm crescendo ao longo do tempo na região Nordeste. A segunda forma, por
empreender uma normalização por valores variáveis ao longo do período de estudo, apresenta
desvios cujos valores não representam percentuais da mesma constante. Entretanto, estes er-
ros são muito mais realistas que aqueles da primeira abordagem, exibindo o comportamento
real de tendência decrescente do erro ao longo do tempo, refletindo a evolução da modelagem.
É possível utilizar variações da métrica NMAPE, de forma a trazer outras informações de
igual relevância às métricas apresentadas anteriormente. Uma proposta é normalizar o desvio
pelo produto entre fator de capacidade e potência instalada. Esta forma de cálculo apresenta a
vantagem de ser mais realista que a anterior, uma vez que, na geração eólica, a potência insta-
lada está longe de ser a geração que geralmente ocorre. Para esta normalização, foi utilizado
o produto do fator de capacidade diário, mensal e anual de cada registro do período contem-
plado, multiplicado pela potência instalada à época em que o desvio foi verificado. Foram uti-
lizadas, portanto, três métricas NMAPEs utilizando fator de capacidade. Os resultados serão
apresentados em tabelas mais à frente.
Anteriormente, foram mencionadas sucessivas vezes a sazonalidade da geração eólica no
subsistema Nordeste e a alta variabilidade no subsistema Sul, causa de desvios mais elevados
no Sul em relação ao Nordeste. Nas Figuras 7.24 e 7.25 são evidenciadas estas características.
O primeiro e o terceiro gráfico de cada Figura apresentam caixas mensais e diárias, respectiva-
mente, com a borda superior indicando a geração máxima, a borda inferior a geração mínima
e a média pela listra em preto. Para enfatizar e poder comparar entre anos a geração média,
no segundo gráfico, é ilustrado barras de cada mês e cada ano que o modelo de previsão está
em operação.
334 Previsão de geração eólica e fotovoltaica
Confirma-se então que a geração no subsistema Nordeste, Figura 7.24, é fortemente mar-
cada por um comportamento sazonal, diretamente correspondente ao MAPE e NMAPE pela
potência instalada, tendo períodos com maior e menor grau de dificuldade da previsão, em
torno de setembro e abril, respectivamente.
No subsistema Sul, Figura 7.25, por outro lado, conforme já pontuado, é praticamente
imperceptível uma variação sazonal da geração. Além disso, a produção de energia vai brus-
camente a zero frequentemente, oscilando entre próximo de sua potência instalada e zero rapi-
damente. Este comportamento e a baixa potência instalada (em comparação ao Nordeste) con-
ferem ao MAPE baixa confiabilidade como métrica de precisão da geração neste subsistema.
O planejamento da operação energética no sistema interligado nacional 335
A seguir são apresentadas diversas tabelas com todas as métricas apresentadas para cada
um dos subsistemas. O período considerado para obtenção de cada tabela não é o mesmo que
aquele contemplado nos gráficos. Este período, desde janeiro de 2017, incorpora épocas em
que nem todos os modelos encontravam-se ativos, tornando uma comparação consolidada
entre eles injusta.
Em seguida é apresentado, para o SIN como um todo. As tabelas contemplam dois anos,
capturando dois períodos fechados da sazonalidade anual. A tabela 7.1, a tabela 7.2 e a tabela
apresentam os valores das métricas de desempenho para previsões realizadas no dia para o
próprio dia (D), para um dia à frente (D+1) e dois dias à frente (D+2), respectivamente.
336 Previsão de geração eólica e fotovoltaica
Tabela 7.1 – Desvios de previsão de geração de fonte eólica do SIN no período de set/2017 a ago/2019
para previsões do tipo D
Métrica Combinado CPTEC GFS ECMWF1 ECMWF2 BAM
ME (MW) 90,1 119,7 137,5 88,6 102,0 -196,0
MAE (MW) 468,8 840,7 518,4 504,0 493,6 1572,9
MAPE (%) 11,3 19,9 12,3 11,9 11,6 52,2
RMSE (MW) 468,8 840,7 518,4 504,0 493,6 1572,9
NMAPEpf (%) 3,4 6,0 3,7 3,6 3,5 11,3
NMAPEpe (%) 3,7 6,5 4,1 3,9 3,9 12,5
NMAPEfcd (%) 10,7 18,5 11,8 11,3 11,1 46,4
NMAPEfcm (%) 10,1 17,0 11,2 10,7 10,5 37,1
NMAPEfca (%) 8,8 15,2 9,6 9,3 9,1 29,5
Tabela 7.2 – Desvios de previsão de geração de fonte eólica do SIN no período de set/2017 a ago/2019
para previsões do tipo D+1
Métrica Combinado CPTEC GFS ECMWF1 ECMWF2 BAM
ME (MW) 114,1 139,2 183,3 113,3 142,2 -183,0
MAE (MW) 543,4 906,4 610,8 570,6 559,8 1552,7
MAPE (%) 13,3 22,1 14,9 13,9 13,4 52,5
RMSE (MW) 543,4 906,4 610,8 570,6 559,8 1552,7
NMAPEpf (%) 3,9 6,5 4,4 4,1 4,0 11,1
NMAPEpe (%) 4,3 7,1 4,9 4,6 4,5 12,4
NMAPEfcd (%) 12,5 20,5 14,2 13,1 12,8 46,8
NMAPEfcm (%) 11,8 18,7 13,5 12,3 12,1 36,7
NMAPEfca (%) 10,3 16,8 11,5 10,8 10,6 29,3
Tabela 7.3 – Desvios de previsão de geração de fonte eólica do SIN no período de set/2017 a ago/2019
para previsões do tipo D+2
Métrica Combinado CPTEC GFS ECMWF1 ECMWF2 BAM
ME (MW) 187,33 84,19 216,04 167,36 183,66 695,84
MAE (MW) 570,78 742,56 626,37 571,50 564,60 1485,06
MAPE (%) 13,87 18,83 15,32 13,92 13,65 42,56
RMSE (MW) 570,78 742,56 626,37 571,50 564,60 1485,06
NMAPEpf (%) 4,64 6,03 5,09 4,64 4,59 12,07
O planejamento da operação energética no sistema interligado nacional 337
É importante destacar que o modelo BAM entrou em teste a partir de janeiro de 2018,
sendo assim não abrange todos os dias do período apresentado como os demais modelos.
As tabelas anteriores ilustraram desvios para previsões até dois dias à frente. A título de
comparação, na Figura 7.26 são apresentados os NMAPEs, normalizado pela potência instala-
da evolutiva ao longo do período de estudo, mensais das previsões de tipo D até D+9 do SIN
para o período de avaliação de novembro de 2017 a setembro de 2019.
Figura 7.26 – Comparação do NMAPE mensal da previsão eólica de tipos D a D+9 para o SIN
Há previsões do tipo D+1 desde o início de 2017, porém para os outros horizontes não
há previsões em todo o período, como pode ser observado na Figura 7.26. O motivo da falta
destas previsões deve-se ao fato do modelo de previsão de geração eólica ter operado, incial-
mente, com o objetivo de atender à Programação Diária, fazendo previsão para apenas um dia
à frente. Ainda nesta Figura é possível observar uma degradação relevante nas previsões D+6
à D+9, isso é devido ao fato de nestes horizontes as previsões foram feitas apenas com mode-
lo BAM. Recentemente, as previsões D+6 e D+7 passou a contar com os dados do ECMWF,
melhorando o desempenho nestes horizontes.
Nas Figuras 7.27 e 7.28, é apresentado NMAPE normalizado pela potência instalada evo-
lutiva ao longo do período de estudo, separadamente para os subsistemas Nordeste e Sul,
respectivamente. Considerando o período de 2 anos de previsões, estendendo de setembro de
2017 até agosto de 2019. Devido o volume de informações, serão descritas análises apenas
para previsões um dia à frente (D+1).
338 Previsão de geração eólica e fotovoltaica
Figura 7.27 – NMAPE normalizado pela potência instalada evolutiva ao longo do período de estudo para o Nordeste
Figura 7.28 – NMAPE normalizado pela potência instalada evolutiva ao longo do período de estudo para o Sul
Os eixos dos boxplot apresentados nas Figuras 7.29 e 7.30 estão limitados a 60% da po-
tência instalada simulada.
As Figuras 7.31 e 7.32 apresentam como informação adicional a distribuição dos erros
brutos para o Nordeste e o Sul, respectivamente. O período considerado é o mesmo das últi-
mas duas figuras, de janeiro de 2017 a novembro de 2019.
O planejamento da operação energética no sistema interligado nacional 341
O eixo das abcissas dos gráficos das Figuras 7.31 e 7.32 estão limitados a 70% da potência
instalada simulada.
Como pode ser observado, em ambas a maior frequência de erros está centralizada em
torno de zero, conforme o esperado.
Em complementação às análises anteriores, na Figura 7.33 e na Figura 7.34 são apresenta-
das as dispersões entre o valor verificado e o previsto, para o Nordeste e o Sul, respectivamen-
te. Nestas Figuras estão ilustradas as dispersões para previsões de geração eólica para cada
modelo meteorológico.
São marcados em cores diferentes os pontos de horizontes distintos: os pontos em preto
relacionam dados de janeiro de 2017 a novembro de 2019, ou seja, compreende o período de
previsão desde o início de operação até próximo à elaboração da figura; os pontos desenhados
em cinza descrevem dados dos últimos 180 dias deste mesmo período; os pontos em vermelho
descrevem dados dos últimos 30 dias deste mesmo período. Adicionalmente, é apresentada
nestas Figuras uma reta de 45°, curva em azul escuro, e uma reta em azul claro proveniente de
uma regressão linear com os dados totais.
Com o intuito de observar numericamente as características lineares dos dados previs-
tos em relação aos dados observados, é adicionado nestas Figuras o coeficiente de deter-
minação R².
Vale salientar que nessas Figuras os modelos apresentam um bom coeficiente de deter-
minação, com exceção do modelo BAM, que ainda deve passar por ajustes para melhoria de
seus resultados.
Dado as características dos modelos numéricos apresentando anteriormente, é possível con-
cluir que os dois principais modelos são o GFS e ECMWF. A Figura 7.36 ilustra os desvios
acumulados dos principais modelos. Como pode ser observado, embora existam erros maiores, a
grande maioria está abaixo de 1000 MW, sendo a potência instalada total maior que 14000MW.
Figura 7.35 – Desempenho das previsões de geração eólica dos principais modelos
344 Previsão de geração eólica e fotovoltaica
Figura 7.36 – Dispersão para geração verificada x irradiância verificada e geração verificada x temperatura verificada de
uma usina com dados inconsistentes
Para justificar as imperfeições nos dados da Figura 7.36 usou-se a Figura 7.37, que traz
curvas de cada uma das grandezas apresentadas. Nota-se na parte inferior esquerda, relativa
à geração verificada, que, apesar da geração verificada do ONS (curva em vermelho) apre-
sentar coerência, quando comparada com os dados da CCEE 1h e 5 min (curva azul e verde,
respectivamente), verifica-se a incompatibilidade entre as duas informações. O mesmo se
verifica na parte inferior direita da figura. Os dados de irradiância e temperatura também estão
incoerentes.
Figura 7.37 – Irradiância, temperatura e geração verificada para uma usina com dados inconsistentes
O planejamento da operação energética no sistema interligado nacional 347
Figura 7.38 – Correlação das principais variáveis do modelo GFS para a previsão de geração fotovoltaica
de um determinado grupo de usinas do NE
A Figura 7.39 apresenta uma comparação dos dados de geração verificada do ONS e irra-
diância prevista do modelo GFS para um determinado grupo de usinas do Nordeste do Brasil.
Esses dados são plotados sem nenhuma adequação, ou seja, são utilizados apenas para se ter
uma ideia do comportamento e tipos de falhas envolvidas. As curvas não estão sempre em
fase devido às mudanças de curso do Sol ao longo dos dias, meses e às informações do ONS
serem armazenadas em um banco de dados em horário de Brasília, ou seja, ora em GMT-2,
ora em GMT-3. Para uma comparação mais precisa é necessário colocar em fase todas as
curvas, porém o objetivo desta análise preliminar é avaliar o comportamento e em que estado
os dados brutos se encontram e, assim, conseguir estabelecer as regras de tratamento dessas
informações.
Há três elipses (em verde), marcando alguns possíveis erros de medição no gráfico da
parte superior da Figura 7.39, relativo à geração. As duas elipses superiores indicam valores
congelados de dados, enquanto a elipse inferior demonstra valores muito próximos de zero, e
até mesmo negativos, o que indica falha de coleta ou transmissão da informação. Este gráfico
carrega a informação das curvas de geração para diferentes horizontes passados. As curvas em
rosa escuro referem-se a dados dos últimos 600 dias referentes ao dia que a Figura foi cons-
truída. As curvas em rosa claro ilustram informações dos últimos 200 dias. Destacam-se em
vermelho as curvas de geração para os últimos 60 dias de dados. Adicionalmente, em amarelo,
estão as curvas dos últimos dez dias e uma estimativa da geração para o dia seguinte utilizando
informações das previsões do GFS para aquele dia (em roxo).
O planejamento da operação energética no sistema interligado nacional 349
Figura 7.39 – Comparação dos dados de geração verificada do ONS e irradiância prevista do modelo GFS
para um grupo de usinas do NE
A Figura 7.40 explicita a dispersão entre geração verificada do ONS e irradiância prevista
do modelo GFS para um grupo de usinas do Nordeste do Brasil. Como pode ser observado
nas marcações das elipses (em verde), os dados podem ser associados a três grupos de dados
diferentes. O comportamento aparentemente pode ser comparado ao da Figura 7.36, que mos-
tra a dispersão para geração verificada x irradiância verificada, porém a razão não é a mesma,
embora parte desse problema possa vir de erros de medição. Essa característica peculiar se
deve a alguns fatores, tais como: os dados de geração podem carregar limitações operativas;
distorção em relação à irradiância, dado que algumas usinas podem ter rastreadores da posição
do Sol, sendo que a irradiância não segue este efeito; discretização horária do modelo GFS;
comportamento ilustrado na Figura 7.39 para os dados de irradiância no final do dia.
350 Previsão de geração eólica e fotovoltaica
Figura 7.40 – Dispersão entre geração verificada do ONS e irradiância prevista do modelo GFS para
um grupo de usinas do NE
A Figura 7.41 exemplifica a dispersão entre geração verificada do ONS e temperatura prevista
do modelo GFS para um grupo de usinas do Nordeste do país. Para estes dados verifica-se uma
dispersão menor, indicando uma boa correlação entre os dados de temperatura prevista e gera-
ção verificada. A dispersão ainda existente deve-se ao fato da temperatura não possuir o mesmo
comportamento típico da geração fotovoltaica, ou seja, por mais que se tenha uma sazonalidade
característica durante o dia, esta não se apresenta da mesma forma que aquela da irradiância. A
análise desse tipo de Figura deve ser sempre cuidadosa, levando-se em conta a existência um com-
portamento típico, bem linear, entre a curva de irradiância, temperatura e geração. Sendo assim, a
Figura confirma um comportamento linear, mas esse efeito pode não ser generalizado, dado que a
correlação para os dados em um determinado intervalo do dia pode não ser tão relevante.
Figura 7.41 – Dispersão entre geração verificada do ONS e temperatura prevista do modelo GFS para um grupo de usinas
do NE
O planejamento da operação energética no sistema interligado nacional 351
Finalmente, a Figura 7.42 demonstra a dispersão entre geração verificada do ONS e umi-
dade prevista do modelo GFS para um grupo de usinas do Nordeste. Como os valores de
umidade possuem características diferentes entre os períodos do ano, a dispersão dos dados é
extremamente elevada. Todavia, tal situação não inviabiliza um possível uso desta variável no
modelo de previsão de fonte fotovoltaica. Se para um determinado intervalo do dia a umidade
prevista apresentar alguma correlação com a geração verificada, essa informação poderá ser
utilizada.
O uso da dispersão apresentada na Figura 7.42, com todos os intervalos do dia que pos-
suem geração, serve apenas para se ter uma ideia da complexidade da modelagem de trata-
mento das informações. Estas Figuras trazem noções básicas de que o modelo de previsão de
geração fotovoltaica deverá contemplar características de depuração de dados.
Figura 7.42 – Dispersão entre geração verificada do ONS e umidade prevista do modelo GFS para um grupo de usinas do NE
Estes modelos geralmente são utilizados em séries não estacionárias. Para torná-las es-
tacionárias, deve-se transformar a série. Isso é feito, normalmente, diferenciando a série, o
que gera um outro parâmetro do modelo (d). A junção desses modelos é denominada Arima
(Autorregressivo Integrado de Médias Móveis).
Dado o exposto, o método Arima é denotado por Arima (p, d, q): onde p está relacionado
ao número de componentes autorregressivos; d o número de diferenciações necessárias para
tornar a série estacionária; e q é a ordem da média móvel.
Os métodos Arimax (Autorregressivo Integrado de Médias Móveis com Variáveis Exóge-
nas) possuem os mesmos parâmetros do método Arima, adicionada a consideração de variá-
veis exógenas, com o número de variáveis exógenas consideradas no modelo [8]. O método
é explicitado na equação (7.24).
$ & (
𝑔𝑔! = k + % ϕ" g !#" + % ϴ% ε!#% + % β'v' +ε! (7.24)
" % '
determinado lag. Os lags, por sua vez, são definidos como o número de períodos de tempo que
separa os dados. Detalhes podem ser encontrados em [7].
7.3.6 – Resultados
Dos modelos apresentados nas seções anteriores, serão mostrados resultados preliminares
de previsão com modelo de séries temporais Arimax e regressão multivariada utilizando o
modelo numérico GFS. É apresentado também o resultado da combinação desses modelos,
seguindo os conceitos apresentado para a combinação da previsão de geração eólica.
As Figuras 7.44 e 7.45 ilustram as curvas de geração solar fotovoltaica para o Nordeste e
Sudeste, respectivamente. As curvas em vermelho representam a geração verificada do ONS
de todas as usinas simuladas; as curvas em vermelho-escuro a geração verificada do ONS de
todas as usinas solares, incluindo as usinas em testes; as curvas em verde e azul a geração
verificada da CCEE, de 5 min e 1h, respectivamente; as curvas em rosa o melhor histórico
de geração considerado os dados do ONS e CCEE; as curvas em roxo a previsão para o dia
seguinte com o modelo Físico Estimado (regressão multivariada); a curva em azul claro a
previsão com o modelo Arimax; e em preto o modelo combinado.
O planejamento da operação energética no sistema interligado nacional 355
Figura 7.44 – Curvas de previsão do total da geração solar fotovoltaica para o Nordeste
Figura 7.45 – Curvas de previsão do total da geração solar fotovoltaica para o Sudeste
anual. As previsões utilizadas para os cálculos foram para um dia à frente (D+1) para previ-
sões do Sistema Interligado Nacional (SIN).
Figura 7.46 – Desvios de previsão de geração de fonte solar do SIN no período de setembro de 2018 a
agosto de 2019 para previsões do tipo D+1
Figura 7.47 – NMAPE normalizado pela potência instalada evolutiva da geração fotovoltaica do Nordeste
Estão sendo utilizados os resultados do modelo GFS para previsões apenas até cinco dias
à frente, sendo assim, tanto o modelo Físico Estimado quanto o Arimax realizam previsões
até cinco dias à frente. Para o horizonte de D+6 até D+9, as previsões são realizadas com um
modelo Arima, sem a variáveis meteorológicas exógenas. A Figura 7.48 retrata o NMAPE nor-
malizado pela potência instalada evolutiva da geração fotovoltaica do Nordeste para todos os
horizontes até D+9.
Figura 7.48 – NMAPE normalizado pela potência instalada evolutiva da geração fotovoltaica do Nordeste de D a D+9 do
modelo combinado
Figura 7.49 ilustra a alta variabilidade da fonte eólica. A marcação em azul destaca uma ram-
pa crescente de aproximadamente 7000 MW na geração observada (curva em vermelho) em
poucos dias. A marcação em roxo denota uma rampa descendente de aproximadamente 8000
MW também em um curto período de tempo. A previsão (curva em preto), no entanto, deverá
conseguir acompanhar essas variações abruptas.
O Plano da Operação Energética (PEN) tem como objetivo apresentar as avaliações das
condições de atendimento ao mercado previsto de energia elétrica do Sistema Interligado
Nacional (SIN) para o horizonte do planejamento da operação energética, cinco anos à fren-
te, subsidiando assim o Comitê de Monitoramento do Setor Elétrico –(CMSE) e a Empresa
de Pesquisa Energética (EPE) quanto à eventual necessidade de estudos de planejamento da
expansão para adequação da oferta de energia aos critérios de garantia de suprimento preco-
nizados pelo Conselho Nacional de Política Energética (CNPE).
As análises contidas no PEN tomam por base o Programa Mensal de Operação (PMO)
do mês de maio, no que diz respeito à oferta, aos condicionantes referentes à segurança ope-
rativa e as restrições ambientais e de uso múltiplo da água, existentes e previstas nas bacias
hidrográficas. A expansão da oferta de geração teve como referência os cronogramas de obras
definidos pelo MME/CMSE/DMSE para o PMO de maio. Com relação à previsão de carga,
os valores de energia e demanda correspondem às projeções elaboradas para a 1ª Revisão
Quadrimestral da Carga do ano.
A elaboração do PEN após o final da estação chuvosa do SIN permite mitigar a influência
das incertezas do comportamento das vazões ao longo dessa estação do ano e, consequente-
mente, dos armazenamentos iniciais das usinas hidroelétricas, que normalmente são os maio-
res valores observados no primeiro ano da avaliação energética do PEN. Neste momento,
estão definidos quais são os montantes armazenados em cada subsistema que poderão ser
utilizados de forma a garantir o suprimento adequado ao menor custo possível.
As principais diretrizes para a execução das avaliações energéticas (entre as quais a aná-
lise de desempenho do SIN – com base nos riscos de déficit e custos marginais de operação
estão em consonância com os Procedimentos de Rede, Submódulo 7.2 – Planejamento anual
da operação energética e Submódulo 23.4 – Diretrizes e critérios para estudos energéticos,
aprovados pela Resolução Normativa ANEEL nº 756/16 de 16/12/2016.
1. No primeiro horizonte, os dois primeiros anos, foram feitas análises conjunturais de-
terminísticas e probabilísticas, destacando-se as evoluções de armazenamentos de
cada subsistema do SIN. Em geral, nesse período as configurações de usinas e linhas
de transmissão estão definidas e dificilmente há possibilidade de incorporação/anteci-
pação de novos empreendimentos.
2. No segundo horizonte, que compreende os três anos restantes e apresenta um caráter
mais estrutural, são avaliados indicadores como riscos de déficit e custos marginais
de operação. Destaca-se que, nesse período, a expansão da geração e da transmissão
é preponderante para aumentar a segurança do atendimento ao mercado de forma es-
trutural. Mesmo com o equilíbrio entre a oferta de garantia física e a carga prevista
(equilíbrio estrutural), premissa do modelo institucional vigente, situações conjuntu-
rais desfavoráveis de suprimento energético podem ocorrer, em grande parte devido à
conjugação de situações hidrológicas adversas com a gradativa redução da capacidade
de regularização do sistema hidroelétrico brasileiro, fruto da evolução da matriz de
energia elétrica. Nesse contexto, apesar da oferta já estar contratada através dos leilões
de energia nova, pelo princípio básico do modelo institucional vigente, o ONS deve,
se necessário, recomendar ao CMSE/EPE estudos de viabilidade da expansão adicio-
nal e/ou antecipação da oferta já contratada para aumentar a margem de segurança do
sistema, à luz dos critérios de segurança da operação e do nível de reserva energética
que possa ser necessário para enfrentar situações climáticas adversas.
A Figura 8.1 resume a sistemática básica utilizada nos estudos de planejamento da opera-
ção de médio prazo, com horizonte futuro de cinco anos, período no qual a ampliação da ofer-
ta de geração considerada já está contratada, através dos leilões de expansão ao menor custo.
Nos dois primeiros anos, o desempenho do sistema depende basicamente das condições
hidroenergéticas de curto prazo, principalmente dos níveis de partida ao final da estação chu-
vosa. Considerando-se que nesse período qualquer alteração da oferta depende essencialmen-
te da viabilidade da antecipação de obras já em andamento, seja de geração ou transmissão, as
ações sistêmicas para a segurança do atendimento à carga se limitam a “proteger” o sistema
para diferentes hipóteses de severidade das estações seca (maio a novembro) e chuvosa (de-
zembro a abril do segundo ano), através do uso de ações operativas de curto prazo.
Para o primeiro ano desse horizonte são realizadas avaliações prospectivas com o modelo
DECOMP, utilizando previsões de afluências com o modelo SMAP. Dessa maneira, são obti-
das as evoluções dos armazenamentos dos principais reservatórios do SIN e dos subsistemas
equivalentes.
Para o segundo ano desse período, análises probabilísticas e determinísticas, com séries
sintéticas e históricas de energia natural afluente, devem subsidiar eventuais recomendações
de ações operativas de curto prazo e/ou avaliações pelo CMSE/EPE da viabilidade de anteci-
pação de projetos em andamento. Não obstante, reforça-se a necessidade de especial atenção
ao uso das métricas de natureza probabilística, em particular os riscos de déficit, uma vez que
estes são cada vez mais influenciados pelas condições de armazenamento inicial e pela ten-
dência hidrológica do passado recente, como já mencionado anteriormente.
Este é um ponto de destaque nas avalições probabilísticas para o horizonte de médio prazo.
A experiência de 2014 e a avaliação da estação chuvosa de 2015, com um quadro hi-
droenergético bastante desfavorável para diversas bacias hidrográficas das regiões Sudeste/
Centro-Oeste e Nordeste, mostrou claramente que os riscos de déficit sofrem variações no in-
tervalo de até cinco anos, dependendo dos armazenamentos iniciais, mesmo no caso de simu-
lações com função de custo de déficit de um patamar. Avaliando-se os resultados dos PMOs de
2014 e 2015, verificou-se maior impacto nos dois primeiros anos, quando os riscos de déficit
oscilaram dentro e fora do critério de garantia preconizado pelo CNPE. Esta é uma das razões
pelas quais, a partir do PEN 2014, foram apresentadas avaliações de cenários determinísticos
de energias naturais afluentes para os dois primeiros anos, com objetivo de ter-se uma análise
de desempenho do SIN com maior estabilidade e praticidade.
Com relação aos três últimos anos do horizonte de análise, apesar da oferta já estar contra-
tada através dos leilões de energia nova, pelo princípio básico do modelo institucional vigente,
o ONS deve, se necessário, recomendar ao CMSE/EPE estudos de viabilidade da expansão
adicional e/ou antecipação da oferta já contratada para aumentar a margem de segurança do
sistema, à luz dos critérios de segurança da operação e do nível de reserva energética que pos-
sa ser necessário para enfrentar situações climáticas adversas.
Nesse horizonte, ainda são feitas avaliações com cenários sintéticos e históricos de ener-
gias naturais afluentes, utilizando-se o Modelo Newave, avaliando-se a frequência relativa de
séries com algum déficit de energia em cada ano e em cada subsistema para diferentes percen-
tuais de corte da carga projetada – análise de risco. Cabe destacar que, embora nesse horizonte
364 Produtos e processos para o planejamento e programação energética
ainda sejam percebidas variações dos riscos de déficit em razão dos armazenamentos iniciais,
estas têm uma variabilidade bem inferior aos dois primeiros anos de estudo, em razão, basi-
camente, das estações chuvosas subsequentes, que podem permitir reenchimentos dos reser-
vatórios, mesmo que parcialmente. Além de que, como tradicionalmente os riscos de déficit
são avaliados para a ocorrência de qualquer série com déficit no ano de análise, à medida que
o tempo avança no ano em curso a estatística de risco de déficit tende a sofrer reduções pelo
menor do período de análise (número menor de meses) conforme se aproxima a estação seca,
quando as incertezas são menores.
Tendo em vista a duração do período crítico do SIN, cerca de 60 meses, e a elevada capa-
cidade absoluta de armazenamento do sistema hidroelétrico, da ordem de 300.000 MWmed,
que requer afluências favoráveis para seu pleno reenchimento, os estudos de planejamento e
programação da operação contemplam um horizonte de decisão de cinco anos.
Cabe destacar que a expansão da oferta do SIN vem sendo composta por hidroelétricas
com baixa ou nenhuma capacidade de regularização e por uma quantidade expressiva de ter-
moelétricas, cujo custo para despacho relativamente elevado tende a retardar seu acionamen-
to. Esta característica da nova oferta, aliada ao crescimento da carga, tem reduzido gradati-
vamente a capacidade de regularização plurianual do SIN, acentuando seu deplecionamento
ao final da estação seca e aumentando sua dependência das estações chuvosas subsequentes.
Além disso, registra-se a crescente participação da fonte eólica na matriz energética do SIN,
trazendo desafios ligados principalmente à intermitência dessa fonte.
Essa mudança de paradigma no planejamento e programação da operação, em que o esto-
que de energia nos reservatórios aumentou significativamente seu peso na segurança do aten-
dimento energético, especialmente nos dois primeiros anos do horizonte, vem sendo abordada
pelo ONS através da implementação de mecanismos operativos de segurança, descritos no
Capítulo 4.
Nos Planos da Operação Energética recentes, vem-se apontando como um fato relevante
a mudança de paradigma que já se faz necessária na operação do SIN, em razão, basicamente,
dos seguintes aspectos:
• Desde o final da década de 1990 não entram em operação usinas hidroelétricas com
reservatórios de regularização plurianual.
• O uso da geração termoelétrica tem sido mais intenso, mesmo com a ocorrência de
anos hidrológicos próximos à média de longo termo (MLT).
• A continuidade da expansão da transmissão se apresenta como de fundamental impor-
tância, permitindo a importação e/ou exportação de grandes blocos de energia entre
regiões, tirando proveito da diversidade hidrológica existente entre bacias e/ou regiões
e mesmo entre as fontes de geração, como a eólica e a biomassa, fator importante para
a garantia do abastecimento e da redução dos custos de operação.
• A geração termoelétrica também vem sendo necessária para complementação do aten-
dimento à demanda máxima ao final de cada estação seca, em razão da perda de po-
tência por deplecionamento dos reservatórios nas usinas hidroelétricas, bem como no
verão, devido à elevação da temperatura com um consequente aumento no consumo
de energia elétrica.
• A entrada em operação de grandes hidroelétricas a fio-d´água na Amazônia com acen-
tuada sazonalidade, apresentando montantes significativos de geração na estação chu-
vosa e baixa produção na estação seca.
• A expressiva expansão da geração eólica para os próximos cinco anos, exigindo ações
operativas mitigadoras dos potenciais impactos sistêmicos e locais decorrentes da
366 Produtos e processos para o planejamento e programação energética
forte variabilidade/intermitência, intrínseca dessa fonte, bem como da sua baixa pre-
visibilidade de geração.
8.1.2.1 – A sazonalidade
A expansão da hidroeletricidade na Amazônia, com características de grande capacidade
de produção no período chuvoso, sem reservatório de acumulação, e baixa produção no perí-
odo seco, ocasiona uma acentuada sazonalidade da oferta, à semelhança da usina de Tucuruí,
em operação, no rio Tocantins.
Os projetos do Complexo Madeira, Santo Anto Antônio e Jirau, a UHE Teles Pires e a
UHE Belo Monte estão localizados longe dos grandes centros de carga, exigindo extensos
sistemas de transmissão para o transporte de grandes blocos de energia nas estações chuvosas
e pequenos montantes durante as estações secas, aumentando, sobremaneira, a complexidade
operativa do SIN em termos de segurança eletroenergética.
Conforme análise desenvolvida pelo ONS em estudos específicos da integração dessas
usinas da Região Norte, observa-se que no segundo semestre da cada ano, quando a geração
das usinas a fio-d’água da região Amazônica encontra-se em patamares bastante reduzidos,
a geração térmica flexível e a geração de usinas não simuladas individualmente (inflexíveis)
apresentam-se em patamares mais elevados, compensando, juntamente com o depleciona-
mento dos reservatórios do SIN, a redução da geração hidráulica. Essa operação confirma o
papel importante das fontes alternativas complementares na segurança operativa do SIN.
Cabe destacar que a oferta significativa de energia elétrica de origem hidráulica com perfil
altamente sazonal e abundante proveniente das usinas da região Amazônica resulta também
em modificações dos perfis atuais da operação do SIN, com uma tendência de se atingir níveis
cada vez mais baixos de armazenamento ao final de cada estação seca.
Hemisfério Norte, o que permite uma complementaridade de oferta de geração com o GNL,
e vice-versa.
As fontes eólicas, embora estas sejam representadas de forma “inflexível”, abatidas dire-
tamente da carga, apresentam características marcantes de intermitência, em razão do perfil
dos ventos, o que traz desafios importantes, em termos operativos, sendo necessário o provi-
sionamento de energias de backup quando das suas indisponibilidades e/ou reserva operativa
suficiente.
Com relação às fontes a biomassa, embora, em geral, não estejam disponíveis durante o
ano inteiro, ficam sujeitas às safras agrícolas (principalmente bagaço de cana), sendo, no en-
tanto, influenciadas pelas condições climáticas a cada estação. No caso do subsistema Sudes-
te/Centro-Oeste, por exemplo, uma usina a biomassa movida a bagaço de cana de açúcar tem
disponibilidade de combustível em aproximadamente sete meses do ano, durante o período de
safra, de maio a novembro.
A Figura 8.2 ilustra a complementaridade anual das diversas fontes, ou seja, a diversidade
de produção ao longo de um mesmo ano permite mitigar o efeito da sazonalidade da oferta
hídrica, compensando a perda gradual de regularização, desde que suas ofertas sejam firmes e
em montantes equivalentes à redução da oferta hídrica, ou seja, é extremamente importante a
avaliação dessas disponibilidades para efeito de planejamento da operação.
da carga, sua crescente expansão demandará uma representação mais fidedigna com o seu
perfil de geração, que possui diferença relevante de valores entre os patamares leve, médio e
pesado.
Figura 8.3 – Distribuição dos Custos Variáveis Unitários por Fonte [R$/MWh] (Referência – maio/2019)
Outra característica relevante do parque térmico é sua inflexibilidade para despacho, onde
tipicamente, as fontes mais flexíveis são as de CVU mais elevado: GNL, óleo combustível e
óleo diesel. Destaca-se, ainda, que em nossa matriz de energia elétrica não temos incremento
de potência significativo para as térmicas com valores de CVU acima de 800 R$/MWh, o que
acaba colaborando para a volatilidade dos CMOs quando do despacho de geração térmica nes-
sa faixa de custo, o que inclusive pode explicar a alteração de bandeiras tarifárias entre PMOs
ao longo de cada ano, a Figura 8.4 ilustra esse fato.
O planejamento da operação energética no sistema interligado nacional 371
ações sistêmicas para a segurança do atendimento à carga se limitam a proteger o sistema para
diferentes hipóteses de severidade das estações seca (maio a novembro) e chuvosa (dezembro
a abril do segundo ano), através do uso de ações operativas de curto prazo.
Desta forma, estas análises têm como objetivo avaliar as condições de atendimento à
carga do SIN a partir das atuais condições energéticas do sistema. Para tal, a influência da
situação hidroenergética conjuntural é um fator de grande relevância face a proximidade do
final da estação seca e a transição para a próxima estação chuvosa. Logo, o uso de cenários
sintéticos de ENA condicionados ao passado recente é também importante.
Dentre as avaliações conjunturais podem ser feitos os seguintes estudos:
1. Avaliação Prospectiva para o primeiro ano: composta por simulações utilizando diver-
sos cenários de afluência, onde avalia-se a probabilidade de ocorrência dos níveis de
armazenamento previstos para o final do período seco (novembro).
2. Avaliação Prospectiva para o segundo ano: avaliações de requisitos de ENAs em di-
ferentes períodos que permitiriam o atingimento de níveis mínimos de segurança (por
exemplo: 10, 20 e 30% EARmáx) capazes de garantir o atendimento da carga do se-
gundo ano. A Figura 8.6 ilustra esse tipo de avaliação.
Além dos riscos de déficit, são avaliados os custos marginais de operação (valores médios
anuais obtidos com simulações com 2.000 séries sintéticas de energias afluentes e com séries
históricas), os congestionamentos nas interligações, os balanços estáticos de energia e o ba-
lanço estático de demanda.
Entre 2015 e 2017, foi considerada uma representação ainda mais detalhada da interli-
gação Norte/Sul, da UHE Itaipu e dos limites de transmissão associados, que passaram a ser
representados de forma explícita, além de serem adotados cenários probabilísticos de dispo-
nibilidade hidroelétrica, para cada usina do SIN, através de simulação hidrotérmica com o
programa SUISHI (séries históricas) e, para cada um desses cenários, calculados os balanços
estáticos de demanda máxima.
O balanço de ponta tem como objetivo avaliar o atendimento aos requisitos da demanda
máxima em cada subsistema, considerando condições eletroenergéticas conjunturais e aspec-
tos estruturais relevantes, permitindo, assim, uma análise de cunho estratégico, levando-se em
consideração as capacidades de intercâmbios entre as diversas regiões do SIN.
A análise consiste num balanço estático onde são confrontados os requisitos de demanda
com as disponibilidades de potência das diversas fontes de energia que compõem o SIN. O
balanço é denominado estático por não considerar o acoplamento temporal das decisões entre
os meses, o que significa que não será feita a coordenação de recursos hidroelétricos para
atendimento à demanda máxima no período seguinte.
No Ciclo de Planejamento de 2018, considerou-se a nova abordagem, que permitiu me-
lhor caracterização da geração eólica e fotovoltaica no atendimento aos requisitos de deman-
da, uma vez que essas fontes têm acentuada variabilidade e eventual intermitência local ao
longo do dia. Nesta abordagem, em vez de identificar-se a priori a hora de ponta de cada mês
e a contribuição das fontes eólica e fotovoltaica para o atendimento à demanda nessa hora,
elaborou-se, para cada mês e subsistema, uma curva de carga diária típica, baseada no histó-
rico recente. Desta forma, pode-se avaliar o atendimento aos requisitos de demanda para cada
uma das 24 horas diárias.
Além disso, com esta abordagem, puderam ser avaliados cenários de geração eólica e fo-
tovoltaica e, eventualmente, identificados problemas no atendimento aos requisitos de deman-
da não necessariamente na hora de ponta do sistema, mas em momentos de baixa contribuição
das fontes eólica e fotovoltaica ao longo do dia.
No PEN 2019, seguindo o processo contínuo de aperfeiçoamento do processo, foram
ampliados os cenários de geração eólica e fotovoltaica, que continuam tendo como base o
histórico de geração supervisionada pelo ONS do último ano para estas fontes.
Desta forma, será descrito o processo de avalição para o atendimento à demanda máxima
do SIN aplicado no PEN 2019, bem como os resultados.
A análise consiste num balanço estático onde são confrontados os requisitos de demanda
com as disponibilidades de potência das diversas fontes de energia que compõem o SIN. O
balanço é denominado estático por não considerar o acoplamento temporal entre os meses, o
que significa que não será feita a coordenação de recursos hidroelétricos para atendimento à
demanda máxima no período seguinte.
A metodologia proposta está resumida no fluxograma apresentado na Figura 8.8.
O planejamento da operação energética no sistema interligado nacional 377
Figura 8.9 – Previsão mensal de demanda máxima integrada dos subsistemas do SIN(MWh/h)
Para avaliação do atendimento à demanda horária, elaborou-se uma curva de carga diária
típica para cada mês e subsistema, baseada no histórico recente. Para elaboração dessas curvas
típicas, inicialmente foi realizado um levantamento das curvas de carga diárias dos dias úteis
em cada mês e subsistema, como exemplificado na Figura 8.10. As curvas de diferentes cores
representam os perfis de demanda horária verificados nos dias úteis de um determinado mês
e subsistema no passado recente. O perfil de demanda típico (linha pontilhada escura) é obti-
do a partir da média dos perfis de demanda horários levantados, normalizados pela demanda
máxima.
O planejamento da operação energética no sistema interligado nacional 379
Figura 8.10 – Levantamento das curvas de carga diárias para cada mês e subsistema
A definição do perfil típico mensal é obtida a partir da normalização de uma curva identi-
ficada como representativa pela demanda máxima.
Multiplicando-se os valores de demanda máxima mensal pelos valores das curvas de car-
ga diárias típicas obtêm-se os valores de carga, em MWh/h, para cada hora do dia e, dessa
forma, pode-se avaliar as condições de atendimento para cada hora do dia. A título de exem-
plo, a Figura 8.11 apresenta a curva de carga de demanda horária calculada para o mês de
janeiro/2020 para os quatro subsistemas. Admite-se que, para cada mês e subsistema, os perfis
de carga típicos não se alteram nos próximos anos.
380 Produtos e processos para o planejamento e programação energética
A política adotada para priorização das fontes no atendimento aos requisitos de demanda
é apresentada na Figura 8.14.
Para cada mês do horizonte de estudo, foram realizadas simulações com cenários diários
de geração, construídos a partir da combinação das séries coincidentes de geração eólica e fo-
tovoltaica de diferentes subsistemas, conforme ilustrado na Figura 8.15. Dessa forma, consi-
dera-se em torno de 30 cenários mensais de geração eólica e solar horária, variando de acordo
com a quantidade de dias de cada mês.
Observa-se, na Figura 8.16 que entre os meses de maio e agosto a menor folga no atendi-
mento aos requisitos de demanda do SIN ocorre às 18 horas, enquanto que nos demais meses,
entre setembro e abril, ocorre no período vespertino entre as 14 e as 15 horas. Excepcional-
mente, durante o ano de 2023, as menores sobras foram verificadas às 21h para o mês de
fevereiro, e 20h para o mês de novembro.
As avaliações de atendimento à demanda horária realizadas a partir da série hidrológica
de 2016, considerando os cenários de geração eólica e fotovoltaica estabelecidos, não apre-
sentaram nenhum déficit no atendimento à demanda. Entretanto, a baixa disponibilidade de
potência da UHE Belo Monte, em razão de suas vazões naturais afluentes, alterou a operação
do subsistema Sudeste/Centro-Oeste, como será apresentado a seguir.
As Figuras 8.17 e 8.18 apresentam os despachos termoelétricos das usinas a gás e a óleo
combustível, respectivamente, considerando o horário em que foram observadas as menores
folgas de potência do SIN. As barras na cor mais escura indicam o despacho por ordem de
mérito para o atendimento à carga mensal de energia e as barras na cor clara indicam o des-
pacho termoelétrico adicional médio para o fechamento da demanda horária. Adicionalmente,
há barras de erro, indicando o maior e o menor montante despachado para o fechamento da
demanda. As linhas pontilhadas nos gráficos indicam o montante de disponibilidade de potên-
cia a cada mês do horizonte.
386 Produtos e processos para o planejamento e programação energética
Observa-se que há custos adicionais de geração termoelétrica ao longo de boa parte dos
meses do horizonte de simulação, especialmente entre os meses de dezembro e maio, quando
a geração eólica tende a ser mais baixa no Nordeste. Destaca-se que, conforme observado
anteriormente, esse subsistema é onde se verificam os maiores montantes de despacho termo-
elétrico acima do mérito.
A Figura 8.20 apresenta o gráfico contendo as probabilidades mensais de montantes de re-
cebimento (RNE) e/ou fornecimento (FNE) de potência pela Região Nordeste, destacando-se
as situações em que há violação da reserva operativa destinada à perda de unidades geradoras,
desvios de previsão de carga e desvios de previsão de geração eólica e/ou fotovoltaica.
388 Produtos e processos para o planejamento e programação energética
Vê-se que nos meses de dezembro a junho de cada ano há predominância de importação
de potência pela Região Nordeste (barras em verde-claro e verde-escuro), tendo havido pou-
cas séries nas quais foi necessário utilizar a reserva operativa do RNE (barras verde-escuro).
Apesar de haver pouca invasão da folga na limitação do RNE, eventuais atrasos no programa
de reforços de transmissão nessa interligação poderão estender essa condição operativa crítica.
Os resultados da avaliação do atendimento à demanda máxima mostram que, para os ce-
nários simulados, há a necessidade de despachos termoelétricos adicionais aos estabelecidos
pelo modelo de otimização energética, em alguns casos de usinas a óleo/diesel, o que indica
a oportunidade de ações de planejamento para a adequação da matriz de geração térmica com
relação aos custos operativos. A redução dos CVUs do parque térmico não só reduziria o
impacto econômico dos despachos para o fechamento do balanço de atendimento à demanda
máxima, mas também evitaria um excessivo deplecionamento dos reservatórios em condições
hidroenergéticas desfavoráveis.
Com base nessa classificação, os estados de alerta, normalidade e crítico foram definidos
a partir da conversão desses montantes de armazenamento em energia. Esse resultado é apre-
sentado na Figura 8.22.
As avaliações das condições de atendimento de curto prazo através dos ISEN devem ser
realizadas a cada PMO da estação chuvosa (janeiro a maio), considerando apenas os resulta-
dos obtidos do primeiro ano de simulação. Essa premissa se justifica pela maior variabilidade
dos cenários hidrológicos nessa estação.
Com a aplicação dos ISEN, para o ano de 2019, foram obtidos os resultados apresentados
na Figura 8.24 e na Figura 8.25, para o subsistema Sudeste/Centro-Oeste e para o subsistema
Nordeste, respectivamente.
392 Produtos e processos para o planejamento e programação energética
Na Figura 8.24, observa-se que os ISEN estão em estado verde no mês janeiro, passando
para o estado amarelo nos meses subsequentes, para o subsistema Sudeste/Centro-Oeste.
Com relação ao subsistema Nordeste, o diagrama da Figura 8.25 indica que a situação
hidrológica dessa região permanece crítica, sendo o indicador em estado vermelho entre fe-
vereiro e abril.
Nas Figuras 8.26 e 8.27 são mostrados gráficos contendo uma avaliação mais estrutu-
ral das condições de atendimento energético do SIN, através dos indicadores de segurança.
O planejamento da operação energética no sistema interligado nacional 393
REFERÊNCIAS DO CAPÍTULO
O Programa Mensal da Operação Energética (PMO) tem como objetivo principal estabe-
lecer as diretrizes energéticas de curto prazo da operação coordenada do Sistema Interligado
Nacional (SIN), assegurando a otimização dos recursos de geração disponíveis para atendi-
mento da carga.
O PMO é elaborado e coordenado pelo ONS, com apoio da CCEE e participação dos
agentes setoriais, em reunião mensal. As atividades de programação da operação têm como
insumo as estratégias de operação calculadas no planejamento da operação energética, infor-
mações atualizadas sobre o cronograma de expansão da geração e transmissão, o estado atual
de armazenamento dos reservatórios, previsões atualizadas de carga de energia por patamar,
a análise das condições meteorológicas verificadas e previstas nas principais bacias do SIN e
previsões de afluências aos aproveitamentos hidrelétricos.
Os estudos de otimização e simulação da operação do SIN são realizados em base mensal,
com discretização em etapas semanais e por patamar de carga, conforme ilustrado na Figura
9.1. Estabelecem políticas de geração térmica e intercâmbios inter-regionais para as semanas
analisadas e fornecem metas e diretrizes a serem seguidas pela Programação Diária da Ope-
ração Eletroenergética e pela Operação em Tempo Real. São realizadas regularmente revisões
semanais que incorporam informações atualizadas sobre o estado do sistema, as condições
meteorológicas e as previsões de carga e afluências.
armazenada nos reservatórios do SIN em cada estágio de simulação, trazendo esse custo ao
valor presente.
Na etapa de curto prazo, a partir da FCF do modelo NEWAVE, o modelo DECOMP deter-
mina as metas individuais de geração das usinas hidráulicas e térmicas do sistema, bem como
os intercâmbios de energia entre subsistemas. O modelo DECOMP representa de forma deta-
lhada as restrições físicas e operativas associadas ao problema de planejamento da operação
(conservação da água, limites de turbinamento, defluência mínima, armazenamento, atendi-
mento à demanda etc.). A incerteza acerca das vazões afluentes aos diversos aproveitamentos
do sistema é representada através de cenários hidrológicos.
Nas simulações que são base para o PMO, o primeiro mês da simulação é dividido em
etapas semanais e as afluências nestas semanas são consideradas conhecidas, com o problema
sendo considerado determinístico. A partir do estado de armazenamento atingido ao final do
primeiro mês, são abertas as diversas hipóteses na árvore de afluências, como ilustrado na
Figura 9.4. O acoplamento entre os modelos acontece na transição do segundo para o terceiro
mês de simulação, onde os cenários estocásticos do segundo mês do DECOMP acessam a
FCF, que foi calculada com base em um mesmo passado comum.
Tanto a CCEE como o ONS utilizam os mesmos modelos matemáticos, NEWAVE e DE-
COMP, porém as finalidades são distintas: o ONS busca a melhor forma de operar o sistema
elétrico, ou seja, suprir integralmente a demanda pelo menor custo possível para o sistema,
sendo o despacho térmico fornecido pelo DECOMP a base para a Programação diária da Ope-
ração; já a CCEE, visa determinar o Preço de Liquidação das Diferenças (PLD), por submer-
cado e por patamar de carga, que será utilizado na contabilização do mercado de curto prazo
(mercado spot).
Tendo em vista estes diferentes objetivos, são realizadas alterações nos dados de entrada
que a CCEE utiliza na aplicação dos modelos. Essas alterações compreendem a base de dados
do modelo NEWAVE, de periodicidade mensal, e também na base de dados do modelo DE-
COMP, de periodicidade semanal.
O planejamento da operação energética no sistema interligado nacional 401
A CCEE realiza alterações nos dados de entrada fornecidos pelo ONS, suprimindo as
restrições elétricas internas a cada submercado. São exceções os casos em que a restrição im-
pacta na capacidade de intercâmbio entre submercados, e a eliminação da restrição depende
de solução de planejamento ou a previsão de recomposição seja superior a um mês.
As restrições elétricas internas aos submercados são retiradas dos dados de entrada para
que, na determinação do Custo Marginal de Operação (CMO), a energia comercializada seja
tratada como igualmente disponível em todos os pontos de consumo do submercado. Isso é
necessário para que o CMO seja o mesmo em todos os pontos do submercado. Dessa forma, o
modelo fornece para esse submercado, sem restrições internas, a produção em todas as usinas
e o CMO correspondente.
As eventuais diferenças de custos entre o despacho sem restrições e o despacho real são
tratadas pela CCEE quando se realiza o cálculo dos Encargos de Serviços de Sistema por Res-
trições de Operação, que devem ser pagos mensalmente pelos Agentes da CCEE que possuem
carga.
Realizadas as modificações e efetuado o processamento, a CCEE analisa os resultados
a partir dos relatórios de saída dos modelos e obtém um Custo Marginal de Operação por
submercado, diferentes daqueles obtidos pelo ONS. O PLD é este CMO obtido pela CCEE,
submetido às restrições de valores máximo e mínimo estabelecidos anualmente pela Aneel.
ORGANIZADOR
Francisco José Arteiro de Oliveira
AUTORES
Capítulo 1
Mário Daher
Capítulo 2
Paulo Eduardo Martins Quintão
Rodrigo Jose Coelho Pereira
Capítulo 3
Mário Daher
Alberto Sérgio Kligerman
Joari Paulo da Costa
Débora Dias Jardim Penna
Alessandra Mattos Ramos de Oliveira
Maria Alzira Noli Silveira
Luiz Guilherme Barbosa Marzano
Capítulo 4
Mário Daher
Vitor Silva Duarte
Joari Paulo da Costa
Filipe Goulart Cabral
Capítulo 5
Fausto Pinheiro Menezes
Márcia Pereira dos Santos
Evandro Luiz Mendes
Capítulo 6
Rogério Guimarães Saturnino Braga
Joari Paulo da Costa
Filipe Goulart Cabral
Capítulo 7
Paulo Sérgio de Castro Nascimento
Capítulo 8
Maria Aparecida Martinez
Alex Nunes Almeida
Nestor Bragagnolo Filho
Vitor Silva Duarte
Capítulo 9
Maria Aparecida Martinez
Nestor Bragagnolo Filho
Paulo Gerson Cayres Loureiro
Vitor Silva Duarte