Embed Size (px)
Citation preview
Elson Vieira de Arruda Junior
ANÁLISE PROSPECTIVA DE REDES INTELIGENTES NO
BRASIL: UMA ABORDAGEM DE DINÂMICA DE SISTEMAS
Trabalho de Conclusão de Curso
apresentado ao Departamento de
Engenharia de Produção e Sistemas da
Universidade Federal de Santa
Catarina, como requisito parcial para a
obtenção do título de Engenheiro
Eletricista, habilitado em Produção
Elétrica.
Orientador: Prof. Dr. Maurício Uriona
Maldonado
Florianópolis
2018
Ficha de identificação da obra elaborada pelo autor
através do Programa de Geração Automática da Biblioteca Universitária
da UFSC.
Arruda Junior, Elson Vieira de
ANÁLISE PROSPECTIVA DE REDES INTELIGENTES NO
BRASIL : UMA ABORDAGEM DE DINÂMICA DE SISTEMAS /
Elson Vieira de Arruda Junior ; orientador,
Mauricio Uriona Maldonado, 2018.
86 p.
Trabalho de Conclusão de Curso (graduação) -
Universidade Federal de Santa Catarina, Centro
Tecnológico, Graduação em Engenharia de Produção
Elétrica, Florianópolis, 2018.
Inclui referências.
1. Engenharia de Produção Elétrica. 2. Redes
Inteligentes. 3. Difusão da Tecnologia. 4.
Dinâmica de Sistemas. 5. Modelo de Bass. I.
Maldonado, Mauricio Uriona. II. Universidade
Federal de Santa
Catarina. Graduação em Engenharia de Produção
Elétrica. III. Título.
Elson Vieira de Arruda Junior
ANÁLISE PROSPECTIVA DE REDES INTELIGENTES NO
BRASIL: UMA ABORDAGEM DE DINÂMICA DE SISTEMAS
Este Trabalho de Conclusão de Curso foi julgado adequado e aprovado,
em sua forma final, pelo Curso de Graduação em Engenharia de
Produção Elétrica, da Universidade Federal de Santa Catarina.
Local, 29 de novembro de 2018.
________________________
Prof. Marina Bouzon, Dra.
Coordenadora dos Cursos de
Graduação em Engenharia de Produção
Banca Examinadora:
__________________________
Mauricio Uriona Maldonado, Dr.
Orientador
Universidade Federal de Santa Catarina
___________________________
Prof. Eduardo Ferreira da Silva, Dr.
Universidade Federal de Santa Catarina
______________________________
Prof. Lynceo Falavigna Braghirolli, Dr.
Universidade Federal de Santa Catarina
Aos meus pais, pelo apoio recebido
durante a elaboração deste trabalho
AGRADECIMENTOS
Aos meus pais, Elson Vieira de Arruda e Jussara Ribeiro dos
Reis, e a minha irmã Mariana Ribeiro dos Reis Arruda, pelo apoio e
incentivo proporcionado desde do começo da minha graduação. Por me
inspirarem, me ajudarem e me encorajarem a realizar este sonho.
A minha namorada e amiga Jessica Costa, por toda paciência,
compreensão, companheirismo, carinho e amor. Ao meu orientador
Mauricio Uriona Maldonado, pela orientação, disponibilidade e apoio
prestado, tornando possível a conclusão desde trabalho. Agradeço a
todos os professores que me acompanharam durante toda a graduação,
pelo conhecimento fornecido. A Universidade Federal de Santa Catarina
pela oportunidade de concluir esta formação acadêmica.
Aos meus colegas e amigos de trabalho Marcelo Scheibel e
Carlos que comigo compartilharam tantos momentos de incertezas e
alegrias. A todos que contribuíram para a conclusão desta formação, o
meu muito obrigado.
RESUMO
A rede elétrica atual está muito defasada tecnologicamente em
comparação com outras tecnologias correlatas. Esse atraso faz com que a
ineficiência dessa rede seja quase intolerável. A título de exemplo,
considerando apenas os “gatos”, a energia perdida anualmente no Brasil
supriria todo o estado de Santa Catarina por um ano. As redes inteligentes
mitigam muitos dos problemas atuais da rede, principalmente em relação
às perdas energéticas não técnicas. Nos últimos anos houve um aumento
da difusão das redes inteligentes no mundo todo, porém no Brasil esse
aumento não ocorre como o esperado. A rede analógica ainda domina o
mercado no país. Este processo decorre das incertezas geradas pela
escassez de regulamentações específicas para as redes inteligentes.
Portanto, este trabalho modelou a difusão das Redes Inteligentes no Brasil
até o ano de 2060, com o objetivo de analisar a influência de diversas
políticas incrementadoras da difusão dessa tecnologia. A metodologia
utilizada para testar e analisar o modelo foi da dinâmica de sistemas,
utilizando o modelo básico de Bass em conjunto com os complementos
de crescimento do mercado e curva de aprendizado. Políticas como
redução do preço, crescimento do mercado de adotantes, aumento de
ações de publicidade e aumento da taxa de contato foram simuladas,
analisadas e comparadas com o cenário base. Dentro dessas políticas a
que mais incrementou a difusão isoladamente foi o aumento de 60% na
taxa de contato e considerando todos os cenários simulados a melhor
combinação é a do cenário 3, que combina o aumento da taxa de contato
com o aumento das ações em publicidade.
Palavras-chave: Redes Inteligentes. Difusão da Tecnologia. Dinâmica
de Sistemas. Modelo de Bass.
ABSTRACT
A current electrical network is far from technologically compared to other
related technologies. This gap makes the network inefficiency almost
intolerable, for example, considering only the smuggling of electricity,
the energy lost in Brazil would supply the entire state of Santa Catarina
for a year. Smart grids mitigate many of the network's current problems,
especially in relation to non-technical energy losses. In recent years there
has been an increase in the spread of smart networks worldwide, but in
Brazil this increase does not occur as expected, the analogue network still
dominates the market in the country. This is largely due to the
uncertainties arising from the lack of specific regulations for smart grids.
Therefore, this work modeled the diffusion of Intelligent Networks in
Brazil until the year 2060, with the objective of analyzing the influence
of several policies that increase the diffusion of this technology. The
methodology used to test and analyze the model was the system
dynamics, using Bass's basic model in conjunction with the market
growth complements and learning curve. Policies, such as price reduction,
growth of the adopter market, increase of advertising actions and increase
of the contact rate were simulated, analyzed and compared with the base
scenario. Within these policies the one that most increased the diffusion
alone was the 60% increase in the contact rate and considering all the
simulated scenarios the best combination is the scenario 3 that combines
the increase of the rate of contact with the increase of the actions in
advertising.
Keywords: Smart Grids. Diffusion of Technologies. System Dynamics.
Bass Model.
LISTA DE FIGURAS
Figura 1 – Evolução do Percentual de Perdas no Brasil .................................... 18 Figura 2 – Perda de energia nos estados ........................................................... 19 Figura 3 – Evolução da Demanda de energia e da taxa de crescimento
econômico ......................................................................................................... 21 Figura 4 – Previsão da difusão dos medidores inteligentes no Brasil (em
milhões) ............................................................................................................. 23 Figura 5- Funcionamento da Rede Inteligente ................................................... 25 Figura 6 - Medidor Inteligente ........................................................................... 26 Figura 7 - IHDs .................................................................................................. 26 Figura 8 - Plataforma Online de Gestão de Energia .......................................... 27 Figura 9 - Crescimento Anual dos Investimentos em Redes Inteligentes .......... 30 Figura 10 - Localização dos projetos de redes inteligentes na Europa ............. 32 Figura 11 - Projeção de consumo de energia no Brasil ...................................... 36 Figura 12 - Curva de adoção de novas tecnologias ............................................ 39 Figura 13 – Modelo de estoque e fluxo ............................................................. 39 Figura 14 – Modelo Genérico de Bass............................................................... 43 Figura 15 - Comportamento do Sistema ............................................................ 44 Figura 16 - Curva S de adotantes e Curva de adotantes por período ................. 45 Figura 17 - Mudança da dominância do loop .................................................... 48 Figura 18 - Passos metodológicos da dinâmica de sistemas .............................. 52 Figura 19 - Modelo Básico ................................................................................ 54 Figura 20 - Cenário Base x Real ........................................................................ 57 Figura 21 - Curva S .......................................................................................... 59 Figura 22 - Crescimento do número de unidades consumidoras no Brasil ........ 60 Figura 23 - Modelo com Crescimento do Mercado Potencial ........................... 60 Figura 24 – Comportamento do Mercado Potencial .......................................... 61 Figura 25 - Comparação da Difusão entre os Modelos ...................................... 61 Figura 26 – Comportamento do Efeito na Taxa de Adoção............................... 63 Figura 27 – Fração do mercado disposto a adotar ............................................. 63 Figura 28 - Modelo com efeito de aprendizado ................................................ 64
Figura 29 -Preço Real x Preço Estimado ........................................................... 65
Figura 30 – Crescimento do Cenário Atual ....................................................... 66
Figura 31- Curva para publicidade nula ............................................................ 67
Figura 32 - Curva para adoção nula ................................................................... 68
Figura 33 - Curva valor máximo de coeficiente de aprendizado ....................... 68
Figura 34 - Curva valor mínimo de coeficiente de aprendizado ........................ 69
Figura 35 – Difusão das RIs para diferentes valores “p” ................................... 72
Figura 36 - Difusão das RIs para diferentes valores “q” .................................... 74
Figura 37 - Difusão das RIs para diferentes valores de preço ............................ 75
Figura 38 - Difusão das RIs para diferentes valores “m”................................... 76
Figura 39 - Difusão das RIs para diferentes cenários combinados. .................. 79
Figura 40 - Difusão das RIs para cenários variando “p”e “q”............................83 Figura 41 - Difusão das RIs para cenários variando mercado, preço.................84
LISTA DE TABELAS
Tabela 1 – Quantidade de medidores inteligentes instalados por país em 2020 31 Tabela 2- Previsão de Demanda de energia no Brasil ...................................... 36 Tabela 3 – Número de medidores instalados por ano ........................................ 55
Tabela 4- Parâmetros Estimados ...................................................................... 59 Tabela 5 – Métricas de validação ...................................................................... 59 Tabela 6 – Valores dos parâmetros do modelo básico ....................................... 58
Tabela 7 – Preço Médio do Medidor Inteligente ............................................... 67
Tabela 8 – Diferentes valores de “p” ................................................................. 75
Tabela 9 – Diferentes valores de “q” ................................................................. 77
Tabela 10 – Diferentes valores de preço ............................................................ 79
Tabela 11 – Diferentes cenários combinados .................................................... 82
Tabela 12 - Matriz variando os valores de “p” e “q”.........................................83
Tabela 13 - Matriz variando os valores de mercado e preço.............................84
LISTA DE QUADROS
Quadro 1 -Diferenças entre a Rede Atual e a Rede Inteligente. ........................ 16 Quadro 2 - - Benefícios Rede Inteligente .......................................................... 28 Quadro 3 – Caractersticas da dinâmica de sistemas .......................................... 49
LISTA DE ABREVIATURAS E SIGLAS
Abradee Associação Brasileira de Distribuidores de Energia Elétrica
ANEEL Agência Nacional de Energia Elétrica
CCEE Câmara de Comercialização de Energia Elétrica
CGEE Centro de Gestão e Estudos Estratégicos
EUA Estados Unidos da América
EPE Empresa de Pesquisa Energética
IEA International Energy Agency
MIT Massachusetts Institute of Tech
PIB Produto Interno Bruto
RIs Redes Inteligentes
UFSC Universidade Federal de Santa Catarina
WAN Wide Area Network
HAN Home Area Network
IHD In-Home Displays
SUMÁRIO
1. INTRODUÇÃO .......................................................................... 15
1.1 CONTEXTUALIZAÇÃO E PROBLEMA DE PESQUISA .......... 16
1.1.1 Redes Inteligentes ....................................................................... 16
1.1.2 Descrição do Problema .............................................................. 18
1.2 OBJETIVOS ................................................................................... 20
1.2.1 Objetivo Geral ............................................................................ 20
1.2.2 Objetivos Específicos ................................................................. 20
1.3 JUSTIFICATIVAS PARA O ESTUDO ......................................... 20
1.4 ESTRUTURA DO TRABALHO .................................................... 23
2. REFERENCIAL TEÓRICO .......................................................... 23
2.1 REDES INTELIGENTES .............................................................. 23
2.1.1 Vantagens da Rede Inteligente .................................................. 27
2.1.2 Redes Inteligentes no Mundo .................................................... 30
2.1.3 Redes Inteligentes no Brasil ...................................................... 34
2.1.4 Mercado de Energia no Brasil .................................................. 35
2.2 PROSPECÇÃO TECNOLÓGICA COM DINÂMICA DE
SISTEMAS ........................................................................................... 36
2.2.1 Prospecção Tecnológica ............................................................ 36
2.2.2 Difusão e Dinâmica de Sistemas................................................ 37
2.3 MODELOS DE PREVISÃO ......................................................... 40
2.3.1 Modelo Logístico ........................................................................ 40
2.3.2 Modelos de Richard, de Gompertz e de Weibull ..................... 41
2.4 MODELO DE DIFUSÃO DE BASS .............................................. 42
2.4.1 Curva de Aprendizado............................................................... 45
3. PROCEDIMENTO METODOLÓGICO ...................................... 47
3.1 DINÂMICA DE SISTEMAS .......................................................... 47
3.2 ABORDAGEM METODOLÓGICA .............................................. 51
3.3 ETAPAS METODOLÓGICAS ...................................................... 51
3.3.1 Modelagem de Sistemas Dinâmicos .......................................... 51
4.CONSTRUÇÃO DO MODELO ..................................................... 54
4.1 LEVANTAMENTO DOS DADOS HISTÓRICOS ........................ 55
4.2 DETERMINAÇÃO DOS PARÂMETROS DO MODELO ........... 55
4.3 CALIBRAÇÃO DO MODELO ...................................................... 56
4.4 MERCADO POTENCIAL .............................................................. 57
4.5 COMPORTAMENTO DO MODELO ............................................ 58
4.5.1 Modelo Básico ............................................................................. 58
4.5.2 Efeito do Crescimento do Mercado........................................... 59
4.5.3 Efeito do Preço na Taxa de Adoção .......................................... 62
4.5.4 Efeito da curva de aprendizagem .............................................. 63
4.5.5 Cenário Atual.............................................................................. 64
4.6 ANÁLISE SENSIBILIDADE ......................................................... 66
4.6.1 Ação de publicidade nula, p=0 .................................................. 66
4.6.2 Adoção por imitação nula, q=0 ................................................. 67
4.6.3 Valores limites da taxa de aprendizado .................................... 67
4.6.4 Efeito da adoção por diferentes curvas a resposta ao preço ... 69
5. RESULTADOS E DISCUSSÃO .................................................... 70
5.1 POLÍTICAS ALTERNATIVAS ..................................................... 70
5.1.1 Aumento nas Ações de Publicidade .......................................... 71
5.1.2 Aumento na Taxa de Contato .................................................... 72
5.1.3 Redução do preço ....................................................................... 74
5.1.4 Mudanças na taxa de crescimento do mercado ....................... 76
5.2 COMBINAÇÃO DOS DIFERENTES CENÁRIOS ....................... 77
5.3 CENÁRIOS EM MATRIZ ............................................................. 79
6. CONSIDERAÇÕES FINAIS ......................................................... 82
6.1 CONCLUSÕES .............................................................................. 82
6.2 DELIMITAÇÃO DA PESQUISA .................................................. 83
6.3 RECOMENDAÇÕES ..................................................................... 84
REFERÊNCIAS .................................................................................. 85
15
1. INTRODUÇÃO
Cada vez mais a tecnologia da informação está sendo utilizada em
conjunto com outras tecnologias. E isso não é diferente no setor elétrico,
que busca uma quebra tecnológica para trazer maior confiabilidade,
segurança e eficiência para o sistema elétrico.
Neste sentido, as Redes Inteligentes (RIs) vêm para sanar esta
busca. Estas redes trazem um sistema de informação capaz de gerar
feedbacks instantâneos do funcionamento do sistema, proporcionando
maior controle sobre a rede elétrica.
Segundo Oliveira e Vieira (2012), as redes inteligentes utilizam
processamento e análise de grande quantidade de dados da rede,
permitindo aos operadores e consumidores tomarem decisões mais
assertivas a respeito da energia gerada, transportada e consumida.
Essas decisões permitem um melhor gerenciamento da rede,
diminuindo as perdas energéticas por eventuais falhas no sistema,
acarretando em diminuição dos custos totais e maior eficiência de todo o
sistema. Para Lamin (2013), as RIs trazem melhorias para toda a cadeia
energética, desde as empresas geradoras, distribuidoras até o consumidor
final, além de possíveis ganhos fora do setor elétrico.
Com o crescimento acelerado do consumo de energia elétrica nos
últimos anos, a necessidade por um sistema mais eficiente de distribuição
é cada vez mais necessária, tornando-se ponto essencial para a melhoria
da eficiência da rede, evitando a ocorrência de falhas e blackouts.
O Brasil já sofreu com blackouts, a exemplo da crise do apagão
ocorrida em 2001. A expansão da economia associada a um sistema
elétrico ineficiente, culminou na escassez de energia elétrica ocasionando
período crítico de racionamento.
De acordo com Santos (2014), a rede atual necessita de
reestruturação em toda a cadeia de gestão de energia, possibilitando assim
a integração dos diversos tipos de equipamentos, tecnologias e tratamento
de dados.
Nesse contexto de necessidade de inovação tecnológica na rede
elétrica atual, vê-se necessário analisar como esta tecnologia está se
difundido no mercado de energia brasileiro. Entre os modelos de difusão
16
existentes, o mais indicado para a análise da difusão de inovações
tecnológicas é o modelo Bass.
A partir do modelo Bass, este trabalho propõe um modelo de
difusão das redes inteligentes no mercado de energia elétrica brasileiro.
Com o modelo é possível analisar diferentes cenários de difusão das RIs,
de forma a ter melhor entendimento de como esta tecnologia está
crescendo no mercado brasileiro e quais pontos são críticos para o sucesso
da disseminação das RIs no Brasil.
1.1 CONTEXTUALIZAÇÃO E PROBLEMA DE PESQUISA
1.1.1 Redes Inteligentes
Segundo Leite (2017), devido a novos desafios advindos das
mudanças modernas, tais como ameaças à segurança, uso de energias
intermitentes, metas de melhoria dos indicadores de qualidade, redução
dos picos de demanda e aumento da confiabilidade, fica evidente a
necessidade de evolução tecnológica das redes de energia em geral, que
permitam a integração de sensores e medidores inteligentes na rede.
Para Santos (2014), as redes inteligentes se diferenciam das
tradicionais, pois possibilitam a comunicação nos dois sentidos,
permitindo a volta das informações entre todos os pontos de conexão da
rede.
As mudanças necessárias para transformar as redes atuais em
inteligentes estão transcritas no quadro 1.
Quadro 1 -Diferenças entre a Rede Atual e a Rede Inteligente.
Rede Atual Rede Inteligente
Analógico/Eletromecânico Digital/microprocessador
Centralizado (geradores) Descentralizado (geração)
Reativo (propenso a falhas e
blackouts )Proativo
17
Fonte: Adaptado de Santos (2014)
Em países europeus e nos EUA já são
observadas iniciativas implantadas de projetos de
infraestrutura de medição inteligente avançada e de
geração distribuída, que são os passos iniciais para
futura rede de energia elétrica inteligente. Países
como China e Coréia do Sul têm se destacado em
investimentos futuros de médio e longo prazos para
a criação desse tipo de rede elétrica. (CGEE 2012)
Transparência limitada com
consumidores e reguladores
Transparência com
consumidores e reguladores
Controle limitado sobre o fluxo
de potência
Sistemas de controle
pervasivos
Confiabilidade estimada Confiabilidade preditiva
Comunicação direcional (se
houver)
Comunicação
bidirecional/integrada
Poucos sensoresSensores e monitores
ubíquos
Restauração manualManutenção baseada em
desempenho e condição
Manual (restauração de campo)
Semi-automatizado,
automatizado (regeneração
automática)
Preço tomado de uma só vez Preço em tempo real
Sem/escolha limitada do
consumidor
Múltiplos produtos para o
consumidor
18
1.1.2 Descrição do Problema
Como mencionado, a rede atual necessita ser reestruturada, já
que sua utilização só tende a crescer nos próximos anos. Uma pesquisa
realizada pela Empresa de Pesquisa Energética – EPE, em 2015, revela
que a demanda total de energia deve aumentar cerca de 46,5%, para os
próximos 10 anos.
Atualmente a rede elétrica apresenta diversos problemas, como:
inadimplência, perdas técnicas e não técnicas na rede, faltas energéticas,
etc. Esses problemas afetam diretamente a eficiência do sistema elétrico.
Segundo o Conselho Americano para Economia Eficiente de
Energia (ACEE), o Brasil ocupa, dentre as 23 maiores economias
mundiais, a penúltima posição no ranking internacional de eficiência
energética.
De acordo com Marangoni (2018), as perdas técnicas são as
perdas decorrentes do consumo dos equipamentos e as perdas não
técnicas, ou também chamadas de comerciais, correspondem as perdas
por furtos, erros de medição, erros no processo de faturamento e unidades
consumidoras sem equipamento de medição.
A figura 1 ilustra a evolução do percentual de perdas em relação
à energia injetada no sistema. As perdas técnicas de alta, média e baixa
tensão passa dos 8%, já as perdas comerciais de média e baixa tensão já
chegaram em anos mais críticos a 6%. Considerando apenas as perdas
comerciais o prejuízo passa dos R$ 8 bilhões anuais e se for considerada
a inadimplência, o valor ultrapassa os R$ 11 bilhões anuais. (ABRADEE,
2017)
Figura 1 – Evolução do Percentual de Perdas no Brasil
Fonte: ABRADEE
19
Segundo Anel (2017), as perdas de energia por fraudes na rede,
popularmente conhecidos como “gatos”, contabilizaram no ano de 2017,
31,5 mil GW, energia essa suficiente para abastecer o estado de Santa
Catarina por um ano. A figura 2 mostra os estados onde mais se perde
devido aos “gatos”. Os quatro primeiros estados onde mais a energia é
perdida são do Norte, isso ocorre devido à dificuldade no controle e
monitoramento da rede nesta região.
Figura 2 – Perda de energia nos estados
Fonte: Aneel (2017)
Diante dos problemas citados e das perspectivas de crescimento
da demanda energética, torna-se necessário o estudo da difusão das redes
inteligentes no Brasil.
A utilização das redes inteligentes ainda é pouco difundida no
Brasil. A ANEEL estimava que mais de 65 milhões de medidores iriam
ser substituídos até 2020, o que colocava o Brasil na quarta posição dos
países com maiores planos para redes inteligentes. Porém, isso acabou
não acontecendo, muito devido à crise econômica que o país vem
enfrentando nos últimos anos. Um novo estudo publicado pela Innovation
Observatory estima que o Brasil irá substituir cerca de 27 milhões de
medidores até 2030, colocando o Brasil na décima primeira posição no
ranking.
Além dos problemas econômicos, outros fatores agem como
barreiras para a difusão dessa tecnologia no Brasil. Segundo EPE(2012),
barreiras como: falta de regulamentação, política públicas insuficientes,
20
alto custo de implementação, falta de conhecimento por parte do
consumidor das vantagens da nova rede.
1.2 OBJETIVOS
1.2.1 Objetivo Geral
Esta pesquisa tem como objetivo geral projetar a difusão das redes
inteligentes no Brasil até 2060.
1.2.2 Objetivos Específicos
Os objetivos específicos compreendem:
a) Levantar dados históricos sobre a difusão das Redes Inteligentes
no Brasil
b) Desenvolver um modelo da difusão das RIs baseado na dinâmica
de sistemas para o Brasil.
c) Validar o modelo desenvolvido.
d) Criar e analisar a aplicação de diversas políticas de incentivo a
difusão das RIs.
1.3 JUSTIFICATIVAS PARA O ESTUDO
Com o crescente consumo de energia no Brasil, cerca de 4% a.a.,
como ilustra a figura 3 segundo Ministério de Minas e Energia, é essencial
maior eficiência no sistema de geração, distribuição e consumo, de forma
a atender a demanda. Uma forma de melhorar a eficiência do sistema é
utilizar redes inteligentes em conjunto com fontes renováveis, assim
distribuindo a capacidade de geração de energia a vários sistemas e
melhorando o desempenho dessas operações.
21
Figura 3 – Evolução da Demanda de energia e da taxa de crescimento
econômico
Fonte: (EPE, 2016a)
A implementação das redes elétricas
inteligentes cria oportunidades de negócio e têm
impulsionado maior atuação de pequenas empresas
para a prestação de serviços voltado ao consumidor
final de energia. Haverá oportunidades de
desenvolvimento, pesquisa e inovações tanto na área
tecnológica quanto nas ciências em geral. (CGEE,
2012).
Segundo Junior (2011), existem inúmeros benefícios decorrentes
do uso de métodos avançados de controle. Dentre esses benefícios pode-
se destacar:
● Aumento na confiabilidade dos sistemas;
● Recomposição automática após a ocorrência de uma
falta; ● Minimização dos tempos de restabelecimento do
fornecimento de energia elétrica;
● Redução do congestionamento das linhas de
transmissão;
22
● Monitoramento do fornecimento e do consumo de
energia elétrica;
● Integração dos sistemas de geração distribuída;
● Implantação de programas de resposta pelo lado da
demanda;
O método utilizado neste trabalho para entender como a difusão
ocorre é a dinâmica de sistemas que auxilia no planejamento de longo
prazo, identificando pontos críticos para o sucesso da difusão da
tecnologia.
Estudos da dinâmica de sistemas são necessários, para o
entendimento de como ocorre a difusão das novas tecnologias em um
determinado mercado. Além disso, é possível criar modelos que
descrevem o comportamento do sistema, analisando a efetividade de
diferentes políticas para o desenvolvimento dessa tecnologia.
A tecnologia que permite a substituição das redes atuais para as
inteligentes é relativamente nova, entretanto, devido a importância dessa
tecnologia para o mercado energético, alguns estudos já surgem, para
analisar o comportamento da dinâmica de sistemas das redes inteligentes.
Um desses estudos foi o realizado por Morvaj et al, (2011), que
analisaram diversos cenários do uso de redes inteligentes em edifícios
inteligentes.
Outro trabalho relevante para o assunto foi o relatório realizado
pela Abdi (2012), o relatório foi dividido em duas partes, na primeira é
feita uma análise das principais tendências de desenvolvimento das redes
inteligentes no mundo, e na segunda parte foram elencados os desafios e
as oportunidades para a difusão dessa tecnologia no Brasil.
A figura 4 mostra o gráfico da previsão de crescimento da base
de medidores inteligentes no Brasil. Estimava-se um crescimento
acentuado da difusão dos medidores, em menos de 10 anos todos os
medidores seriam inteligentes.
23
Figura 4 – Previsão da difusão dos medidores inteligentes no Brasil (em
milhões)
Fonte: ABDi (2012)
Portanto, o intuito desta monografia é criar uma base de
conhecimento da difusão das RIs por meio da dinâmica de sistemas, com
o intuito de compreender o comportamento da difusão desta tecnologia
no Brasil.
1.4 ESTRUTURA DO TRABALHO
Este trabalho de conclusão de curso está estruturado da seguinte
maneira: No capítulo 1, encontra-se a introdução; no capítulo 2, o
referencial teórico, onde são apresentados os conceitos do tema da
monografia; no capítulo 3, é explanado os procedimentos metodológicos
a serem seguidos; a construção do modelo é explicada no capítulo 4; no
capítulo 5, são apresentados os resultados e a discussão; a conclusão e as
recomendações estão presentes no capítulo 6; e, por fim, as referências
utilizadas.
2. REFERENCIAL TEÓRICO
2.1 REDES INTELIGENTES
Existem diversas definições na literatura para as redes
inteligentes (RIs) ou, em inglês, Smart Grids (SG). Em síntese, as redes
24
inteligentes são um conjunto de ferramentas tecnológicas utilizadas para
a automação das redes elétricas.
As Redes Elétricas Inteligentes podem
ser compreendidas como a rede elétrica que
utiliza tecnologia digital avançada para
monitorar e gerenciar o transporte de
eletricidade em tempo real, com fluxo de
energia e de informações bidirecionais entre o
sistema de fornecimento de energia e o cliente
final (CGEE, 2012).
Segundo Gellings (2009), a rede inteligente é a transformação da
rede atual em sistemas inteligentes, aplicando sistemas de comunicação
de forma a controlar a rede, através de feedbacks regulares, possibilitando
o ajuste constante desta.
Para Falcão (2009), as características atribuídas às Redes
Inteligentes são:
• Auto recuperação: capacidade de automaticamente detectar,
analisar, responder e restaurar falhas na rede;
• Empoderamento dos Consumidores: habilidade de incluir os
equipamentos e comportamento dos consumidores nos processos
de planejamento e operação da rede;
• Tolerância a Ataques Externos: capacidade de mitigar e resistir a
ataques físicos e ciberataques;
• Qualidade de Energia: prover energia com a qualidade exigida
pela sociedade digital;
• Acomodar grande variedade de fontes e demandas: capacidade
de integrar de forma transparente (plug and play) uma variedade
de fontes de energia de várias dimensões e tecnologia;
• Reduzir o impacto ambiental do sistema produtor de eletricidade,
reduzindo perdas e utilizando fontes de baixo impacto ambiental;
• Resposta da demanda mediante a atuação remota em dispositivos
dos consumidores;
• Viabilizar e beneficiar-se de mercados competitivos de energia, favorecendo o mercado varejista e a micro geração.
Para automatizar a rede elétrica é necessário utilizar diversas
tecnologias em conjunto, de forma a possibilitar o monitoramento desta.
A Figura 5 apresenta quais são as tecnologias necessárias para o
25
funcionamento da rede inteligente. A rede funciona como uma teia, onde
todas as pontas se comunicam trocando informações sobre o seu
funcionamento.
Figura 5- Funcionamento da Rede Inteligente
Fonte: PET Elétrica – UFJF.
Segundo Lopes et al (2012), a RI utiliza dois serviços de rede, a
HAN e a WAN. A rede de Área Doméstica (em inglês: Home Area
Network , HAN) é responsável pela coleta e envio dos dados da
residência, os dados são coletados por medidores inteligentes instalados
nas residências. Para Souza (2010), a Rede de Longa Distância (em
inglês: Wide Area Network, WAN) é utilizada na comunicação dos
medidores inteligentes até os Data Concentrator, que são utilizados no
gerenciamento das informações do sistema.
Um medidor inteligente pode ser visto na figura 6, diferente dos
medidores atuais que são analógicos, ele é totalmente digital, o que
possibilita o registro em tempo real do consumo de eletricidade na
residência. Os medidores trabalham com a troca de informação
bidirecional entre os usuários e a central, possibilitando um controle
remoto da rede.
26
Figura 6 - Medidor Inteligente
Fonte: Safespace.
Outro dispositivo utilizado nas RIs é o in-home displays –
(IHDs), que pode ser visto na figura 7. Este equipamento permite
o monitoramento em tempo real do consumo de energia para o
usuário. De acordo com Lamin (2013), o IHD funciona em
conjunto com o medidor inteligente, que transfere as
informações da rede para o IHDs, que por sua vez mostra para o
usuário as informações da rede, possibilitando a este a utilização
da rede de uma forma mais eficiente.
Figura 7 - IHDs
Fonte: DIYTrade
27
Outros modelos utilizados para o monitoramento da rede são
aplicativos que podem ser instalados em dispositivos móveis, visto na
figura 8. A empresa Greenant vende medidores inteligentes e oferece o
serviço de BI (Business Intelligence), o qual atende as necessidades dos
consumidores que buscam ter maior controle sobre o consumo.
Figura 8 - Plataforma Online de Gestão de Energia
Fonte: Greenant (2018)
2.1.1 Vantagens da Rede Inteligente
A RI apresenta diversas vantagens em comparação com as redes
atuais, a principal advém da agregação dos dados referentes de toda a
rede. Os dados são processados e transformados em informações,
possibilitando monitoramento e controle constante da rede.
A disponibilização das informações para os consumidores
possibilita algo inédito para este sistema, o controle em tempo real do
consumo. Isso é possível graças a displays instalados nas residências, que
mostram dados sobre tarifas, consumo diário, demanda, entre outras
informações sobre a rede.
Já para as concessionárias, as redes inteligentes possibilitam a
inviabilização de adulterações na rede, como os famosos “gatos”. Para
Nielsen (2013), as concessionárias poderão rastrear as ligações
28
irregulares na rede elétrica e agir corretivamente, podendo desligar a rede
remotamente em um determinado ponto.
Para Lamin (2013), os três principais motivadores para a
implementação das RIs no Brasil são: redução de perdas não técnicas,
melhoria da continuidade e eficiência energética.
O Quadro 2 apresenta os benefícios da utilização das redes
inteligentes e como os agentes percebem estes benefícios.
Quadro 2 - - Benefícios Rede Inteligente
Categoria do
Benefício
Subcategoria
do Benefício
Benefício Percepção dos
benefícios pelos
agentes
Econômico Melhora da
utilização dos
ativos
Operação
otimizada do
gerador
Distribuidora
Redução nos custos
de serviço auxiliar
Distribuidora
Custo de
congestionamento
reduzido
Distribuidora
Economia de
Capital da
Transmissão e
Distribuição
Redução de falhas
em equipamentos
Distribuidora
Economia de
Transmissão,
Distribuição,
Redução Custo de
manutenção de
equipamentos
Distribuidora
29
Operação e
Manutenção
Redução do custo
da leitura do
medidor
Distribuidora
Redução dos
roubos
Roubo de
eletricidade
reduzido
Distribuidora
Eficiência
Energética
Perdas energéticas
reduzidas
Distribuidora
Economia no
custo da
eletricidade
Custo da
eletricidade
reduzido
Distribuidora
Confiabilidade Quedas de
energia
Redução das
interrupções
prolongadas
Distribuidora
Consumidor
Sociedade
Qualidade Redução de
grandes
interrupções
Distribuidora
Consumidor
Sociedade
Custo de
restauração
reduzido
Distribuidora
Meio Ambiente Poluição do ar Emissões de CO2
reduzidas
Sociedade
30
Segurança Segurança
Energética
Redução do uso de
óleos
Distribuidora
Redução de
blackouts em larga
escala
Distribuidora
Consumidor
Sociedade
Fonte: Adaptado de Lamin (2013)
2.1.2 Redes Inteligentes no Mundo
Até 2020 o mercado mundial de redes inteligentes deve chegar
ao patamar de investimento de US$ 73 bilhões anuais. Segundo Pike
(2017), é esperado que o mercado global das redes inteligentes passe dos
$400 bilhões acumulados para o próximo ano.
Como pode ser visto na figura 9, o crescimento dos
investimentos em redes inteligentes no mundo vem crescendo a uma taxa
de 8,4% a.a. A Ásia, liderada pela China é o maior responsável por esse
crescimento, cerca de 1/3 de todo o investimento mundial nesta
tecnologia é aplicado na China.
Figura 9 - Crescimento Anual dos Investimentos em Redes Inteligentes
Fonte: Pike (2017)
31
De acordo com a pesquisa realizada pela Navigant Research, como
pode ser observado na tabela 1 a China passará dos 400 milhões de
medidores inteligentes instalados até 2020, enquanto que o Brasil chegará
próximo dos 30 milhões. Ou seja, 30% dos medidores instalados serão
inteligentes.
Tabela 1 – Quantidade de medidores inteligentes instalados por país em 2020
País Número de medidores instalados em 2020
China 437.847.228
EUA 132.042.022
Japão 58.750.000
França 35.300.000
Italia 33.600.000
Alemanhã 32.900.000
Brasil 29.576.569
Reino Unido 26.920.000
Espanha 21.800.000
Coreia do Sul 21.328.625
Total 830.064.443
Fonte: Adaptado de Navigant Research
Europa
Na União Europeia, desde 2005 há uma diretiva EU-
2005/89/CE, que normatiza a utilização de sistemas de medição
inteligentes. (COM-EU,2009)
Nos últimos 10 anos já foram investidos mais de 5 bilhões
de euros em mais de 900 projetos voltados para o
desenvolvimento da difusão das redes inteligentes em toda a
Europa, a figura 10 ilustra o local de alguns desses projetos. (EC,
2017b)
32
Figura 10 - Localização dos projetos de redes inteligentes na Europa
Fonte: (EC, 2017b)
De acordo com (COSTA, 2014), a principal justificativa
desses investimentos são as questões ambientais. Isso, deve-se
ao fato das RIs aumentarem a eficiência da rede e auxiliarem na
utilização de energia limpa e renovável, pois melhora o controle
da geração e micro geração dessas usinas.
Itália
A Itália utiliza o sistema Telegestore, com comunicação
bidirecional, até o ano de 2012 foram instalados mais de 22
milhões de medidores inteligentes e 358 mil concentradores pela
Enel. (ENEL, 2012)
Reino Unido
Há uma política no Reino Unido em substituir mais de 50
milhões de medidores, essa substituição será feita pela Data and
Communication Company. (DECC,2012)
33
América do Norte
Estados Unidos
Em 2009 foram disponibilizados mais de US$ 3,4 bilhões
para fomentar o desenvolvimento das redes inteligentes nos
Estados Unidos. (EPRI 2011)
De acordo com Costa (2014), ao contrário da Europa, nos
EUA o principal motivo para difusão das RIs é o incentivo
financeiro que esta tecnologia pode trazer para a economia.
Na cidade de Boulder, no estado de Colorado está sendo
investido mais de 100 milhões de dólares para a instalação de
medidores inteligentes, painéis solares, extensões domésticas
para recargas de automóveis elétricos e sistemas de
monitoramento em mais de 50 mil casas (FLETCHER;
BEAUMONT, 2008)
Outro projeto nos estados unidos é na cidade de Austin,
Texas, o Pecan Street Project, investiu 24,4 milhões para o
desenvolvimento de redes inteligentes em conjunto com o uso de
energias limpas. (ALONSO, 2014)
Canadá
Como no Estados Unidos, a legislação no Canadá é de
competência de cada estado, assim a regulamentação das RIs
difere de estado para estado. Segundo Costa(2014), a principal
razão da utilização das RIs no país é a redução de demanda de
ponta, ocasionando maior eficiência no sistema.
Ásia
China
Na China há projeto de instalar mais de 300 milhões de
medidores inteligentes nos próximos anos pela State Grid
Corporation of China. (SANTOS, 2014)
34
2.1.3 Redes Inteligentes no Brasil
De acordo com Bandeira (2012) a maior motivação da
utilização das redes inteligentes no Brasil é de ordem financeira.
O objetivo é reduzir as perdas não técnicas do sistema, ou seja,
as perdas por fraudes no sistema.
Associação Brasileira de Distribuidores de Energia
Elétrica apontam alguns tópicos como os mais críticos e
desafiadores na implantação real de projetos com Redes
Inteligentes no Brasil. (MCNAMARA, 2013)
Os mais relevantes são:
● A indústria brasileira de energia é diferente da
maioria dos países pelo fato de haver um baixo
consumo de potência per capita;
● Alto volume de perdas, técnicas e não técnicas,
no sistema de transmissão e distribuição de
energia;
● Cada grid de energia deve ser estudado e
adaptado para um melhor aproveitamento do
sistema inteligente;
● Regulamentações sobre Redes Inteligentes,
medidores inteligentes, sistemas de
infraestrutura de tecnologia de informação e
comunicação ainda estão em discussão;
● Aceitação e adaptação dos consumidores ao
sistema, uma vez que estas pessoas passam a ter
papel mais importante sobre a supervisão e
utilização da energia elétrica.
O diretor de engenharia da AES Eletropaulo, Charles
Capdeville, comentou que políticas públicas são necessárias para
alavancar o mercado nacional de medidores inteligentes. “Na
maioria importados, os equipamentos oneram processos de
implantação e expansão de redes inteligentes”.
Nos últimos anos muitos investimentos foram criados para
o desenvolvimento das redes inteligentes no Brasil, um desses é
o Inova Energia. O Inova é um Plano de Apoio à Inovação
Tecnológica no Setor Elétrico criado em 2013, orçado em R$ 3
35
bilhões, ele tem o objetivo de fomentar a implementação de
projetos de redes inteligentes.
Vários projetos foram e estão sendo implementados em
todo o território brasileiro. Dentre os projetos podemos destacar:
Curitiba
A Copel gerencia a distribuição da energia elétrica no
estado do Paraná e está implementando a automatização da rede
em Curitiba, trazendo melhoria na rede com a diminuição das
quedas do fornecimento de energia. (COPEL, 2012).
São Paulo
Em São Paulo a Light instalou mais de 20 mil unidades de
medidores inteligentes e estão com a meta de instalar 1 milhão
até o ano de 2020.
Muitos projetos pilotos estão sendo implementados no
Brasil, nos últimos anos. Dentre eles se destacam: Cidade
Inteligente de Búzios/RJ, Sete Lagoas/MG, Smart City Laguna,
Pedra Branca, Cidades Inteligente de Barueri, Cidade Azul e a
Cidade Inteligente de Vinhedo.
2.1.4 Mercado de Energia no Brasil
O Brasil apresenta cerca de 82 milhões de unidades consumidoras
(ANEEL, 2014). As unidades consumidoras são divididas em indústria,
comercio e residência,
A tabela 2 mostra a previsão de consumo de energia elétrica para
os próximos quatro anos. Atualmente a demanda está em torno dos 480
GWh, como pode ser visto na tabela 2 e a previsão de crescimento é de
4% a.a., conforme figura 11, até o ano de 2022.
36
Tabela 2- - Previsão de Demanda de energia no Brasil
Período Unid. 2018 2019 2020 2021 2022
Previsão G
Wh
478,477 496,563 515,155 535,003 556,444
Fonte: Adaptado de Aneel (2014)
Figura 11 - Projeção de consumo de energia no Brasil
Fonte: Adaptado de Aneel (2014)
2.2 PROSPECÇÃO TECNOLÓGICA COM DINÂMICA DE
SISTEMAS
2.2.1 Prospecção Tecnológica
O estudo da prospecção ou olhar para o futuro ganhou força na
“Guerra Fria”, quando surgiu a necessidade de reconstrução de partes
significativas da Europa e do Japão, onde a definição de uma estratégia
de trabalho implicava em conhecer de forma detalhada os cenários
37
destruídos e os riscos envolvidos nessa reconstrução (BERNARDES;
LAPOLLI, 2006).
Existem diversos métodos e técnicas
para análise prospectiva, como:
Brainstorming, Análise de Correlação,
Análise de Risco, Delphi, AHP, etc. A
reflexão sobre as diferentes abordagens,
métodos e técnicas deve ser vista como meio
para aperfeiçoar a atividade prospectiva e seus
resultados, ou seja, responder adequadamente
às indagações quanto ao futuro, em seus
diversos níveis e interesses. (SANTOS et al.,
2010)
A prospecção tecnológica pode ser definida como um meio
sistemático de mapear desenvolvimentos científicos e tecnológicos
futuros capazes de influenciar de forma significativa uma indústria, a
economia ou a sociedade como um todo. (CARUSO; TIGRE, 2004).
Segundo Coelho (2003), a prospecção tecnológica é definida
como:
● processo e não somente um conjunto de técnicas;
● concentra-se em criar e melhorar o entendimento dos
possíveis desenvolvimentos futuros e das forças que parecem
moldá-los;
● assume que o futuro não pode ser cientificamente
demonstrado a partir de certas premissas. O ponto central é tratar
quais as chances de desenvolvimento e quais as opções para a
ação no presente;
● não se espera comportamento passivo frente ao futuro,
mas um posicionamento ativo. O futuro será criado pelas
escolhas que forem feitas hoje.
Desse modo, a prospecção serve como análise de como o sistema
irá se comportar, ela auxilia no planejamento estratégico, identificando
ameaças e oportunidades futuras.
2.2.2 Difusão e Dinâmica de Sistemas
De acordo com Rogers (1983), difusão é o processo pelo qual uma
inovação é comunicada através de certos canais entre os membros de um
sistema social. Portando a difusão é quando novas ideias são inventadas,
38
difundidas, sendo aderidas ou rejeitadas, acarretando em mudanças
sociais.
Segundo Rogers (1983), o sistema de difusão é dividido em quatro
elementos: inovação, canais de comunicação, tempo e sistemas sociais.
Logo, a difusão da inovação é a troca de informações por canais através
do tempo entre membros da sociedade.
Para Rogers (2003), os adotantes das novas tecnologias podem ser
divididos em 5 categorias:
1. Inovadores: São os que buscam por tecnologias
disruptivas, geralmente são os primeiros a aderirem a uma nova
tecnologia. Rogers (1983) afirma que esse grupo representa 2,5%
da população que adere a inovação. Eles são ousados e estão
dispostos a aceitar um revés, quando a tecnologia acaba não
dando certo.
2. Adotantes iniciais: Representam cerca de
13,5% da população de adotantes. São considerados pelos outros
grupos como referência quando o assunto é a utilização ou não
da nova tecnologia.
3. Maioria inicial: São os que seguem os adotantes
iniciais, percebem que a nova tecnologia está se tornando popular
e decidem fazer parte desse grupo. Para Rogers (1983),
representam cerca de 34% dos adotantes, e se caracterizam por
esperar certo período para decidir se irão ou não adotar a nova
tecnologia.
4. Maioria tardia: Grande parte da população
apresenta uma relutância a aderir a uma nova tecnologia.
Igualmente ao grupo anterior, este constitui cerca 34% da
população, e são considerados céticos, só aceitam a nova
tecnologia com persuasão.
5. Retardatários: São os últimos a aderirem a nova
tecnologia. Cerca de 16% da população é de retardatários,
quando aderem a tecnologia, nova tecnologia já foi lançada e os
inovadores já estão a utilizando.
39
A divisão dos adotantes a novas tecnologias segue uma
distribuição quase normal, como pode ser vista na figura 12. Ainda de
acordo com Rogers (1983), essa é uma característica importante, já que
permite dividir a população de adotantes em categorias, como
mencionado anteriormente.
Figura 12 - Curva de adoção de novas tecnologias
Fonte: Adaptado de Rogers (2003)
A modelagem da dinâmica de sistemas, segundo Sterman (2000),
utiliza como base dois conceitos, o estoque e o fluxo. O estoque são
aglomerações, como, população, produtos, aprendizado, entre outros. O
estoque indica o a situação do sistema. Já os fluxos representam as taxas
de crescimento nos estoques, como, depreciações, mortes.
Os estoque, como ilustra a figura 13, é representado por retângulos,
enquanto que o fluxo é representado por válvulas com setas apontando o
sentido do fluxo. No modelo também são incluídas variáveis auxiliares,
representadas por círculos, estas variáveis geralmente contêm algum
parâmetro que influencia no desenvolvimento do sistema.
Figura 13 – Modelo de estoque e fluxo
Fonte: Autor
40
Com a construção de um modelo de dinâmica de sistemas é
possível observar que na maioria dos casos o resultado da curva de
crescimento é a curva S. De acordo com Sterman (2000), a curva S está
presente em muitos sistemas, é um dos comportamentos mais comuns de
desenvolvimento de sistemas dinâmicos, principalmente no mundo
animal e na difusão de tecnologias disruptivas.
Segundo Sterman (2000), a curva S caracteriza-se por apresentar a
interação das curvas de feedback positivo e negativo de forma não linear.
O crescimento inicial da curva é exponencial, até alcançar o ponto de
inflexão, onde ocorre a mudança de dominância do feedback positivo para
o negativo, desacelerando o sistema, até sua estabilização. Esse ponto é
alcançado quando o número de adotantes da inovação atinge 50% do
potencial de adotantes.
Ainda de acordo com Sterman (2000), um sistema só apresenta
uma curva S se duas condições forem verdadeiras. A primeira diz respeito
ao loop negativo, que não deve incluir atrasos de tempo significativos, a
segunda condição é sobre a capacidade de carregamento, que deve ser
fixa.
2.3 MODELOS DE PREVISÃO
Diversos são os modelos que descrevem o comportamento de
difusão. Neste tópico será dada uma pincelada sobre o modelo logístico e
o modelo de Richard, de Gompertz e de Weibull. Estes modelos servem
de base para o melhor entendimento do modelo de Bass, que é o modelo
utilizado neste trabalho.
2.3.1 Modelo Logístico
De acordo com Sterman (2000), no modelo logístico a taxa líquida
de crescimento decai linearmente em relação a população.
Matematicamente a taxa líquida de natalidade é descrita pela equação 1.
∂p
∂t= g ∗ (1 −
𝑃
𝐶) ∗ P (1)
Onde g é a taxa máxima de crescimento, que ocorre quando a
população é pequena. Já P é a população em um determinado período e C
a capacidade máxima da população. Portanto, quanto maior a população,
41
menor será a taxa de crescimento, sendo o crescimento positivo para
valores de P < C, zero para P = C, e negativo para P > C.
Segundo Sterman (2000), o modelo logístico funciona na maioria
das vezes, já que inclui no processo, o feedback positivo que acelera o
crescimento inicial e o negativo que faz o crescimento diminuir até a
estabilização.
2.3.2 Modelos de Richard, de Gompertz e de Weibull
O modelo Logístico é amplamente utilizado para descrever
crescimento, no entanto, ele apresenta uma limitação, já que a taxa de
crescimento decresce linearmente. O que nem sempre condiz com a
realidade, já que na maioria das vezes a taxa decai não linearmente.
Para contornar esse problema, outros modelos são utilizados,
como, modelo de Gompertz, Richards e Weibull. No modelo de
Gompertz, a curva de crescimento é semelhante da curva produzida pelo
modelo logístico, porém, a diferença entre as duas é que aquela decresce
exponencialmente em função do tempo.
No modelo de Richards, a taxa de crescimento é não linear, e
matematicamente é expressa de acordo com a equação 2.
∂P
∂t=
g ∗ P
(m − 1)∗ [1 − (
𝑃
𝐶)m−1] (2)
Segundo Sterman (2000), para quase todos os valos de m, o modelo
se comporta de forma não linear, apenas para o valor de m = 2 o modelo
se comportará igual ao modelo logístico.
Ainda de acordo com Sterman (2000), quando o valor de m = 1, o
modelo descreve a curva de Gompertz, que segue uma taxa crescimento
que decai linearmente em relação logarítmica da população.
Outro modelo que descreve o crescimento populacional é o a
distribuição de Weibull, que pode ser descrita da seguinte forma:
P(t) =C ∗ [ 1 − e−(
𝑡
𝑏)
𝑎
] (3)
Os parâmetros a e b descrevem a forma e a escala do modelo. Para
Sterman (2000), valores de b, ou seja, de escala cada vez maiores a curva
acaba ficando mais “espelhada”, já para valores maiores de a, a forma da
curva se altera, no entanto, o ponto de inflexão é mantido.
42
Um dos problemas dos modelos citados, Segundo Sterman (2000),
é o problema da difusão de inovações, os modelos supracitados não
explicam como que ocorre os primeiros adotantes. Para superar este
problema Frank Bass desenvolveu um modelo que resolve esse problema.
2.4 MODELO DE DIFUSÃO DE BASS
O modelo de Bass, foi desenvolvido por Frank Bass em 1969, o
modelo inicialmente era utilizado como uma ferramenta para vendas de
novos produtos. (STERMAN, 2000)
No modelo Bass as novas tecnologias são adotadas de duas
maneiras, uma pelo boca-boca e a outra por propagandas. O primeiro
grupo é denominado inovadores e o segundo imitadores.
A função que determina a probabilidade de ocorrer a adoção de
uma nova tecnologia em um determinado tempo é dada por Bass (1969):
𝑓(𝑡)
[1−𝐹(𝑡)]= 𝑝 + 𝑞𝐹(𝑡) (4)
F(t) é a fração cumulativa de adotantes em um determinado
período e f(t) é a função de densidade do tempo para adoção. Quanto
maior a adoção inicial maior será a probabilidade de ocorrer adoção da
inovação. O número de adotantes em um determinado período é
determinado pela equação 5:
𝑝(𝑡) =𝑑𝑃(𝑡)
𝑑𝑡= 𝑝[𝑚 − 𝑃(𝑡)] +
𝑞
𝑚𝑃(𝑡)[𝑚 − 𝑃(𝑡)] (5)
O primeiro termo p[m – P(t)], é referente às pessoas que adotaram
a inovação sem levar em conta o número de pessoas que já haviam aderido
à inovação. Já o segundo termo, q/m P(t)[m – P(t)], são o restante dos
adotantes, ou seja, aqueles que levaram em conta o número dos que já
haviam aderido.
O termo P(t) é a curva S, que pode ser obtida integrando a equação
5.
𝑃(𝑡) = 𝑚 [1−𝑒−(𝑝+𝑞)𝑡
1+𝑞
𝑝𝑒−(𝑝+𝑞)𝑡
] (6) p(𝑡) = 𝑚 [𝑝(𝑝+𝑞)²𝑒−(𝑝+𝑞)𝑡
(𝑝+𝑞𝑒−(𝑝+𝑞)𝑡)²] (7)
𝑃1(𝑡) = 𝑚𝑝
𝑞𝑙𝑛 [
1+𝑞
𝑝
1+𝑞
𝑝𝑒−(𝑝+𝑞)𝑡
] (8)
43
O coeficiente de inovação (p) tem influência externa no modelo, já
o coeficiente de imitação (q), a influência é interna.
P1(t) é o número de adotantes por influência externa. O número de
adotantes por influência interna P2(t) pode ser obtido pela subtração do
número total pelo número de influência externa:
P2 (t) = P (t) − P1(t) (9)
Pode-se também dividir o grupo de adotantes potenciais em dois,
o primeiro de Inovadores Potenciais (m1) e o segundo de Imitadores
Potenciais (m2). Ambos são influenciados pela mídia de massa, e apenas
Potenciais Imitadores são influenciados pelo boca-boca.
Inovador: 𝑑𝑃1(𝑡)
𝑑𝑡: =𝑝1[𝑚1 − 𝑃1(𝑡)] = p1[m1 – P1(t)] (10)
Imitadores: 𝑑𝑃2(𝑡)
𝑑𝑡= p2m2 − P2t + q2p1t + P2t[m2 − P2(t)]2 (11)
A Figura 14 mostra uma estrutura genérica que produz a curva S.
O crescimento só ocorrerá se a fração de ganho for maior que a fração de
perda. Assim, a entrada será maior que a saída, e o sistema apresentará o
crescimento exponencial. Quando o efeito do estoque alcança um valor
maior que 1, a fração de perda aumenta, ocasionando na diminuição da
taxa de crescimento. O sistema estará em equilíbrio quando o valor da
saída se iguala ao da entrada. (MARTINE, 1996).
Figura 14 – Modelo Genérico de Bass
Fonte: Autor
44
O modelo de difusão apresenta dois estoques, os Adotantes
Potenciais e os Adotantes, porém, apenas um dos estoques é
independente, já que a população total é a soma dos adotantes potenciais
com os adotantes.
Esse modelo gera uma curva S, onde no primeiro momento o
crescimento da adesão a nova tecnologia é exponencial, até o mercado
começar a ficar saturado, reduzindo exponencialmente o crescimento até
o equilíbrio.
As figura 15 e 16 ilustram o comportamento de um sistema
dinâmico e também do ponto de inflexão da curva de difusão, ele ocorre
quando o número de potenciais adotantes se igual ao número dos
adotantes. Neste ponto encontra-se a maior taxa de adesão, e a partir desse
ponto a taxa desacelera e o mercado começa a saturar.
Figura 15 - Comportamento do Sistema
Fonte: Adaptado de Sterman (2000)
45
Figura 16 - Curva S de adotantes e Curva de adotantes por período
Fonte: Adaptado de Sterman (2000)
A saturação do mercado é dependente do tamanho do mercado (m),
quanto maior for o mercado mais difícil será ele saturar. Esse fator
modificará o formato da curva S, além do tamanho do mercado, mais dois
coeficientes alteram a forma da curva, o coeficiente de inovação (p) e o
coeficiente de imitação (q). (ISLAM, 2014).
Estudando os parâmetros p e q Lawrence e Lawton (1981),
descobriram que a soma dos coeficientes inovação (p) e imitação (q) fica
na faixa de 0.3 a 0.7. Eles também descobriram que para os anos iniciais
a curva S pode ser expressada como:
𝑚(1−𝑒−(𝑝+𝑞))
[1+𝑞
𝑝𝑒−(𝑝+𝑞)]
(12)
2.4.1 Curva de Aprendizado
Ao passar do tempo os custos de produção diminuem, isso ocorre
pelo acúmulo de conhecimento nos processos produtivos adquiridos.. A
curva de aprendizado é o efeito da experiência na produtividade
reduzindo os custos médios e marginais. (BASTOS, 2015).
46
Segundo Sterman (2000), as equações que gerem a curva de
aprendizado são:
𝑃 = 𝑃0 ∗ 𝐴 (13)
O preço (P) é o produto do preço inicial (P0) com o efeito do
aprendizado (A). O efeito do aprendizado está em função da experiência acumulada
(E), experiência acumulada inicial (E0) e o expoente que determina o quão
forte é a curva de aprendizado, que é geralmente negativo (c). A curva de
aprendizado é proporcional a redução percentual dos custos a cada razão
de aumento na experiência acumulada (f).
𝐴 = (𝐸
𝐸0) 𝐶 (14)
Quando o custo percentual reduz (f)
𝐶 =𝑙𝑛 (1−𝑓)
𝑙𝑛 (𝑒) (15)
Com a descontinuação tecnológica ocorre uma mudança no
sistema, já que os adotantes voltam a ser potenciais adotantes. Segundo
Sterman (2000), a taxa que o produto é descartado e a taxa da mudança
da população adotante para potenciais adotantes depende do número de
adotantes e da média de vida do produto.
Conforme Zurek e Henrichs( 2007), para lidar com a incerteza do
futuro é necessário analisar diferentes cenários. Esses, cenários não
devem ser confundidos com previsões ou projeções. Já que os cenários,
diferentemente das previsões e projeções, assumem que as condições
poderão mudar no futuro.
47
3. PROCEDIMENTO METODOLÓGICO
3.1 DINÂMICA DE SISTEMAS
Dinâmica de Sistemas foi desenvolvida na década de 50 pelo
engenheiro eletricista Jay Forrester do MIT. Forrester utilizou seu
conhecimento adquirido nas forças armadas, usando conceitos da teoria
de controle e servomecanismos para aplicar às ciências administrativas
(VILLELA, 2005)
A dinâmica de sistemas voltada para a difusão é um estudo do
comportamento do sistema, com o intuito de analisar a influência da
aplicação de políticas no desenvolvimento do sistema.
O primeiro e mais importante fundamento para dinâmica de
sistemas é o conceito do servomecanismo, ou sistema informativo de
feedback. As interações entre os componentes do sistema podem ser mais
importantes que os próprios componentes. Um sistema informativo de
feedback existe quanto o ambiente lida para uma decisão que resulta em
uma ação que afeta o ambiente e então influencia uma futura decisão.
Deste modo, o estudo da dinâmica de sistemas possibilita a
compreensão de como o sistema se comporta e como irá se comportar por
meio da modelagem computacional.
Uma das principais características dos sistemas dinâmicos é o
crescimento exponencial. Segundo Sterman (2000), o crescimento
exponencial é causa dos feedbacks positivos. Quanto maior o elemento,
maior será o seu crescimento. Crescimentos puramente exponenciais
apresentam uma propriedade que o estado do sistema dobra em um
período fixo de tempo.
Conforme Martine(1996), um crescimento exponencial verdadeiro
não pode existir no mundo real. Eventualmente todo crescimento irá se
estabilizar no limite de crescimento.
Para Sterman (2000), feedbacks positivos realimentam o sistema,
amplificando o que está acontecendo com este. Já os feedbacks negativos
apresentam uma relação inversa, o sistema se autocorrige, quanto maior
o valor de uma variável menor será o valor da variável correlata.
De acordo com Sterman (2000), feedbacks negativos estabilizam
o sistema, eles agem de forma a corrigir o estado do sistema. Eles levam o sistema ao estado desejado, ou seja, ao equilíbrio.
Essas mudanças na dominância no feedback produzem a curva S,
citada anteriormente. Quando o feedback positivo começa a aumentar, o
feedback negativo também é amplificado, até ocorrer a inversão de
dominância. (MARTINE, 1996).
48
Essas alterações de dominâncias podem ser observadas na figura
17. Inúmeros fatores podem influenciar na difusão de inovações, fatores
como redução do preço, aumento da qualidade do produto, funcionam
como amplificadores da difusão, aumentando a variável crítica, que para
este exemplo pode ser a quantidade de adotantes da inovação. Já fatores
como produtos concorrentes, saturação do mercado, aumento do preço,
acarretam na redução da taxa de crescimento da população de adotantes.
Os fatores que reduzem a difusão são chamados de fatores
estabilizadores, pois irão estabilizar o crescimento do sistema, até o
produto alcançar o estágio de maturação, onde o crescimento será quase
nulo.
Figura 17 - Mudança da dominância do loop
Fonte: Adaptado e traduzido de Martine (1996)
Portanto, todo o sistema é influenciado diretamente por inter-
relações, ou também chamados de feedbacks. Esses feedbacks podem
influenciar positivamente e/ou negativamente o crescimento da difusão.
Portanto, o conceito central para da dinâmica de sistemas é entender como
cada fator do modelo interage entre si.
A análise das variáveis que afetam o sistema no mundo real é
dificultada, pois vários feedbacks, tanto positivos quanto negativos,
interagem simultaneamente (STERMAN, 2000). Não é só as interações
simultâneas que aumentam a complexidade da dinâmica de sistemas,
outros fatores também corroboram para este aumento, como pode ser
visto no quadro 3.
49
Quadro 3 – Caractersticas da dinâmica de sistemas
Característica do Sistema Descrição da
Característica
Dinâmico O sistema nunca está
estagnado, está em constante
mudança
Fortemente atrelado Todos os atores do sistema
estão conectados e interagindo
entre si.
Governado por feedback Todas as decisões causam
efeitos, que por sua vez refletem no
próprio sistema. A dinâmica advém
desses feedbacks.
Não linearidade Nem sempre os efeitos são
lineares as causas.
Histórico dependente Muitas ações são
irreversíveis, assim afetam o
sistema permanentemente.
Auto-organização A dinâmica de sistemas se
desenvolve com a própria estrutura
do sistema.
Adaptativo O sistema e seus agentes
conseguem se adaptar as mudanças
que ocorrem através do tempo.
Contra intuitivo Muitas vezes as interações
do sistema são de difícil
entendimento, não sendo óbvias.
50
Resistente a Políticas A complexidade do sistema
dificulta a solução deste, muitas
soluções podem trazer falhar ou até
piorar a situação.
Caracterizado por trade-offs Trade-offs são comuns em
sistemas complexos, uma melhora
em um fator pode trazer piora em
outro.
Fonte: Adaptado de (VILLELA, 2005)
Pela complexidade dos sistemas a única maneira segura de avaliar
os modelos é pela simulação computacional. Segundo Sterman (2000), a
simulação é a melhor maneira em descobrir como o sistema funciona.
O processo de modelagem começa com a definição do problema,
coleta de dados, formulação do modelo, teste e análises, todo o processo
dever ser continuo sempre analisando o comportamento do modelo
construído. Para Sterman (2000), os passos da modelagem são:
1. Articulação do problema
Para entender melhor sobre a situação é necessário destrinchar o
problema. Deve-se entender o contexto e todas as variáveis que afetam o
modelo, para definir corretamente qual é o problema a ser modelado.
2. Formulação das hipóteses dinâmicas
O segundo passo é desenvolver hipóteses que descrevem o que está
ocorrendo com o sistema, desenvolvendo mapas da estrutura baseada
nessas hipóteses.
3. Formulação de modelo de simulação
Após a construção das hipóteses, é necessário definir quais serão
as regras de decisão, condições iniciais, as relações de comportamento,
etc.
51
4. Teste
Com o modelo construído, é possível testá-lo com modelos de
referência, verificando sua sensibilidade a mudanças de valores iniciais.
5. Avaliação e Política de design
Quais são as possíveis mudanças que o sistema pode sofrer. Deve-
se avaliar diferentes cenários e como os fatores interagem entre si.
3.2 ABORDAGEM METODOLÓGICA
Segundo a classificação da metodologia científica concebida por
Gil (2009), esta monografia pode ser classificada da seguinte forma:
a) Finalidade da pesquisa: Aplicada, tem como característica
fundamental a aplicação em uma realidade específica, neste caso, a
difusão das RIs no Brasil.
b) Nível da pesquisa: Exploratória, visa desenvolver, esclarecer e
modificar conceitos, visando a aproximar modelos da situação real.
c) Forma de abordagem: Quantifica, a avaliação de projetos de
redes inteligentes leva em consideração dados quantitativos, como:
custos e quantidade de usuários.
3.3 ETAPAS METODOLÓGICAS
3.3.1 Modelagem de Sistemas Dinâmicos
O processo de modelagem deve ser simples e assertivo, tendo o
cliente como alvo. O processo de modelagem começa com a definição do
problema, e como este será modelado e solucionado.
A modelagem para Sterman (2000), figura 18, é um processo
contínuo de interação entre problemas, geração de hipóteses, coleta de
dados, formulação de modelo, teste e análises.
52
Figura 18 - Passos metodológicos da dinâmica de sistemas
Fonte: Adaptado de STERMAN (2000)
1. Articulação do problema da difusão das Redes Inteligentes
no Brasil
A primeira etapa metodológica é destrinchar o problema da
difusão das redes inteligentes no Brasil. Esse passo foi descrito no item
1.1 e será desenvolvido no capítulo 4 deste trabalho.
Este passo é o mais importante da construção do modelo, a
definição do problema levará ao sucesso da modelagem. Para o modelo
ser útil, ele deve ser simples e com foco na resolução de um problema
específico.
2. Formulação do estado atual da difusão das redes inteligentes
no Brasil
Neste passo foi estudado como que ocorre o funcionamento da
difusão das redes inteligentes no Brasil, especificando como o sistema é
estruturado e suas regras de interação. Esse passo é descrito no item 2.1.3
e será desenvolvido no capítulo 4.
3. Formulação de modelo de simulação
53
Após a construção das hipóteses, é necessário definir quais serão
as regras de decisão, condições iniciais, as relações de comportamento do
modelo. Esses passos foram descritos nos itens 2.2.1 e 2.5 e serão
aprofundados no capitulo 4.
Após a formulação de hipóteses dinâmicas, estas devem ser
testadas. Como os modelos conceituais são muito complexos, formaliza-
se o modelo através de equações, parâmetros e condições iniciais. A
própria formulação do modelo ajuda na sua compreensão antes mesmo
das simulações serem feitas.
4. Teste
Com o modelo construído, é possível testá-lo com modelos de
referência, verificando sua sensibilidade a mudanças de valores iniciais.
Essa etapa foi descrita no item 2.5 e será investigada no capitulo 4
5. Formulação de Políticas e Avaliação
Deve-se avaliar diferentes cenários e como os fatores interagem
entre si. A política de avaliação inclui a criação de novas estratégias,
estruturas e regras de decisão. Essa etapa será construída no capítulo 5.
54
4.CONSTRUÇÃO DO MODELO
Para construir o modelo, primeiro foi definido qual seria o
melhor método para descrever o comportamento do sistema. Entre os
modelos, o escolhido foi o de difusão Bass, por ser o que melhor relata a
difusão de novas tecnologias.
Seguindo o modelo proposto por Sterman (2000), apresentado no
item 2.4 e com o auxílio do software Stella, foi modelado as primeiras
interações. Já que o mercado é dinâmico e há um aumento constante do
mercado potencial e o preço dos medidores inteligentes com o passar do
tempo apresentam um decaimento, como pode ser visto na figura 19,
foram acrescentados dois complementos no modelo: efeito do
crescimento do mercado e efeito da curva de aprendizagem.
Figura 19 - Modelo de Estoque e Fluxo
Fonte: Autor
55
4.1 LEVANTAMENTO DOS DADOS HISTÓRICOS
Após construir modelo base, foi necessário levantar dados
históricos da difusão das redes inteligentes no Brasil. Foram utilizados
dados obtidos na literatura em relação a quantidade de medidores
inteligentes instalados por ano, ou seja, a quantidade de unidades
consumidoras que utilizam esses medidores. Para o ano de 2018 foram
contabilizados os medidores instalados até o mês de agosto. Esses dados
se encontram na tabela 3.
Tabela 3 – Número de medidores instalados por ano
Ano Número de Medidores
Instalados
2011 243377
2012 405629
2013 650314
2014 955182
2015 1664652
2016 1789155
2017 2439652
2018 3382400
Fonte: Autor
4.2 DETERMINAÇÃO DOS PARÂMETROS DO MODELO
Como a tecnologia é incipiente e não foi encontrado dados
mensais do crescimento das RIs no Brasil, utilizando os dados anuais não
56
foi possível otimizar os valores dos parâmetros: Efetividade das ações de
publicidade (p) e o coeficiente de inovação (q).
Assim, por métodos de tentativa e erro, os melhores valores
encontrados para os parâmetros estão descritos na tabela 4.
Tabela 4 – Parâmetros Estimados
Parâmetro Valor Estimado
p 0,0025
q 0,197
Fonte: Autor
4.3 CALIBRAÇÃO DO MODELO
Para validar o modelo é necessário compará-lo com os dados
históricos, analisando se os desvios são aceitáveis ou não. Para avaliar os
erros de previsão foram utilizados três métricas:
1. Desvio Médio Absoluto (MAD): O MAD é a média dos resíduos,
ou seja, da diferença entre os dados históricos e os simulados.
Com ele é possível ter ideia da variabilidade dos dados.
2. Média Percentual Absoluta do Erro (MAPE): O MAPE expressa
a acurácia do resíduo em percentagem.
3. Raiz do Quadrado Médio do Erro (RMSE): No RMSE os
resíduos afetam de forma quadrática a medida, portanto quanto
maior a o resíduo maior será interferência. Consequentemente, o
RMSE é bastante sensível para outliers.
Na tabela 5 são apresentados os valores obtidos pelas três métricas.
Tabela 5 – Métricas de validação
Métrica Valor Calculado
MAD 28.583,69
MAPE 4,66%
RMSE 31.844,24
Fonte: Autor
57
Como esperado o valor do RMSE é maior que o do MAD, mas a
diferença é pequena, evidenciando que não há outliers. O modelo pode
ser aceito já que os valores do MAD, MAPE e do RMSE são pequenos
em relação aos dados.
A comparação dos dados históricos da difusão das RIs no Brasil,
para os anos de 2011 a 2018, com os dados simulados pode ser vista na
figura 20
Figura 20 - Cenário Base x Real
Fonte: Autor
Como pode ser visto na figura 20, mesmo com um período
pequeno foi possível construir um modelo válido para o sistema de
difusão das Redes Inteligentes no Brasil.
4.4 MERCADO POTENCIAL
O mercado de energia no Brasil só cresce, nos últimos anos o
crescimento foi de 3,5% a.a. Até 2026, estima-se que o consumo de
energia elétrica cresça a uma taxa de 3,7% ao ano, de acordo com dados
da Empresa de Pesquisa Energética (EPE). Portanto, o mercado potencial está em constante mudança, a cada
ano o consumo de energia aumenta, também aumentando a quantidade de
unidades consumidoras. Assim, para ter um modelo mais robusto é
58
necessário utilizar uma função que descreva esse crescimento do
mercado.
No primeiro momento, o mercado potencial (m) foi definido como
estático. O valor do mercado potencial utilizado foi de 2011, onde no
Brasil havia cerca de 68 milhões de unidades consumidoras.
4.5 COMPORTAMENTO DO MODELO
4.5.1 Modelo Básico
O modelo básico, figura 20, espelha-se no modelo básico de
Bass, onde o sistema é influenciado por três parâmetros: efetividade das
ações de publicidade (p), fração de adoção (q), e o tamanho de mercado
potencial (m).
Com os coeficientes de imitação e inovação estimados e o
mercado potencial definido foi possível rodar o modelo de difusão no
Stella.
As equações que modelam este sistema foram descritas no item
2.4, e os valores dos parâmetros estão descritos na tabela 6.
Tabela 4 – Valores dos parâmetros do modelo básico
Parâmetro Valor
Adotantes Iniciais 0
Efetividade das ações por
publicidade (p)
0,0025
Fração de adoção (q) 0,197
Tamanho do mercado
potencial (m)
68000000
Taxa de contato 1 Fonte: Autor
Foi considerado que o número de adotantes iniciais é 0 para o
ano de 2010 com o horizonte de análise até 2060 e com a taxa de contato
constante igual a 1.
Como mencionado no item 2.2.2, a difusão para inovações segue
a curva S, e não poderia ser diferente para a difusão das redes inteligentes
no Brasil, como pode ser visto na figura 21.
59
Figura 21 - Curva S
Fonte: Autor
Nos primeiros anos o crescimento é exponencial, isso ocorre,
pois, o número de adotantes potenciais é alto, já que segundo o modelo, a
quantidade de adotantes potenciais é igual à diferença entre o tamanho do
mercado potencial com o número de adotantes.
O ponto de inflexão da curva, ou seja, o momento que o número
de adotantes supera o de adotantes potenciais ocorre em 2034. A partir
deste ano a taxa de crescimento começa a diminuir, até a saturação do
mercado que acontece em 2051.
Como já mencionado este modelo analisado é básico, pois não
descreve da melhor forma o comportamento do sistema, já que não leva
em consideração alguns fatores como preço, crescimento do mercado e
efeito do aprendizado, entre outros. Nos próximos itens serão discutidos
modelos mais robustos para a difusão das redes inteligentes no Brasil.
4.5.2 Efeito do Crescimento do Mercado
Como mencionado anteriormente o mercado potencial não é
estático, na realidade, como pode ser visto na figura 22, o crescimento de
2010 até 2016 nas ligações residenciais foi de 3,4% a.a e a projeção de
crescimento para os próximos anos é de 2,5% a.a (EPE,2016).
60
Figura 22 - Crescimento do número de unidades consumidoras no Brasil
Fonte: (EPE, 2016b)
Portanto, a taxa de crescimento do mercado potencial utilizada
no modelo será de 3,4% a.a. para os anos de 2011 até 2016 e de 2,5% para
os anos seguintes.
Como pode ser visto na imagem 23, agora o mercado potencial é
um estoque, sendo influenciado por uma taxa fracional de crescimento,
definida no parágrafo anterior.
Figura 23 - Modelo com Crescimento do Mercado Potencial
Fonte: Autor
61
A figura 24 mostra o comportamento do mercado potencial
dinâmico em comparação com o mercado estático, como há uma taxa de
crescimento de 2,5 % a.a. o mercado dobra de tamanho em um pouco
mais de 30 anos, chegando ao patamar de mais de 250 milhões de
unidades consumidoras.
Figura 24 – Comportamento do Mercado Potencial
Fonte: Autor
O modelo demora mais para saturar neste caso, já que o mercado
potencial está em constante expansão. O declínio do crescimento também
ocorre, como pode ser visto na figura 25, de forma mais suavizada.
Figura 25 - Comparação da Difusão entre os Modelos
Fonte: Autor
62
4.5.3 Efeito do Preço na Taxa de Adoção
O modelo básico não leva em consideração o impacto do preço
na difusão das redes inteligentes no Brasil. Com a adição do efeito do
preço no modelo, agora os adotantes potenciais são influenciados
inversamente pelo preço. Quanto menor o preço, maior será o número de
pessoas dispostas a adotar as RIs.
O preço dos medidores inteligentes varia muito dependendo do
modelo de medidor. No modelo, foram utilizados preços médios para
cada ano, conforme tabela 7.
Tabela 7 –Preço Médio do Medidor Inteligente
Ano Preço Médio do Medidor
Inteligente
2011 520,00
2012 473,00
2013 445,00
2014 424,00
2015 405,00
2016 400,00
2017 380,00
2018 370,00
Fonte: Autor
Como pode ser visto na figura 26, a fração do mercado disposta
a adotar as redes inteligentes segue um função não-linear. Com uma
redução de apensa 10% no preço a fração de mercado disposto a adotar
passa de aproximadamente 2% para quase 40% e com uma redução de
50%, a fração disposta a adotar os medidores inteligentes passaria a ser
aproximadamente 83%.
63
Figura 26 – Fração do mercado disposto a adotar
Fonte: Autor
4.5.4 Efeito da curva de aprendizagem
Com o avanço tecnológico ocorre a redução do preço, já que o
conhecimento sobre a produção cresce, portanto quanto maior o
aprendizado sobre os medidores inteligentes menor será o preço destes.
Pode-se observar na figura 27 que neste novo modelo o preço é
o produto do preço inicial como efeito da curva de aprendizado. Já a curva
de aprendizado é influenciada exponencialmente pelo coeficiente de
aprendizado (c), que sempre será um valor negativo de ordem de – 0,08 a
– 0,3.
Figura 27 – Modelo com Efeito de aprendizagem
Fonte: Autor
64
O valor do coeficiente de aprendizado foi estimado com base nos
dados históricos das médias do preço dos medidores inteligentes, e o
melhor resultado encontrado foi para c = - 0,13. A comparação entre a
evolução do preço real com o estimado pode ser vista na figura 28.
Figura 28 – Preço Real x Preço Estimado
Fonte: Autor
O modelo aqui construído levou como base o modelo básico de
Bass, sendo que os parâmetros que o definem foram definidos e testados
no capítulo anterior. Agora é necessário testar o modelo completo, com
todas as suas interações e feedbacks e para cenários extremos, para
entender melhor o funcionamento do modelo, com o objetivo de ser mais
assertivo nas políticas a serem adotadas para estimular a difusão das RIs
no Brasil.
4.5.5 Cenário Atual
Para o cenário atual, foi utilizado o modelo que compreende o
modelo básico de Bass em conjunto com os complementos de
crescimento do mercado potencial, preço, efeito da curva de aprendizado,
figura 30. Todos os parâmetros que afetam o modelo foram determinados
no capitula 4.
65
Com todos os parâmetros definidos foi rodada a simulação apara a
difusão das redes inteligentes no Brasil. O resultado pode ser visto na
figura 29.
Figura 29 -Crescimento do Cenário Atual
Fonte: Autor
Para o cenário base o modelo apresenta o comportamento da curva
S, com um maior crescimento para os anos a partir de 2034. Nos primeiros
anos o crescimento é lento porque a base instalada é pequena, mas com o
passar dos anos o número de adotantes aumenta o que afeta diretamente
a taxa de contato por imitação, acarretando no aumento da taxa de adoção.
Outro fator que ajuda na difusão da tecnologia para os próximos
anos é a redução do preço. Atualmente 5% das unidades consumidoras
utilizam redes inteligentes, isso para um preço atual de instalação dos
medidores na casa dos R$ 400,00. O modelo prevê que para o ano de 2020
o preço cairá para R$ 350,00, o que aumentaria o número de pessoas
dispostas a adotar para 75%.
Se nada se alterar no panorama da difusão das redes inteligentes
no Brasil, o mercado entrará em equilíbrio no ano de 2060. Isso considerando que o mercado apresenta uma oferta infinita, ou seja, a
demanda é sempre suprida e que o mercado continua crescendo
indefinidamente a uma taxa de 2,5% a.a.
66
4.6 ANÁLISE SENSIBILIDADE
Nesta seção serão testados valores extremos para os parâmetros
do sistema com o objetivo de analisar e validar se o modelo se comporta
da maneira esperada.
4.6.1 Ação de publicidade nula, p=0
Para o caso de não haver novos adotantes oriundos das ações de
publicidade o crescimento é mais afetado, como pode ser observado na
figura 30, nos primeiros anos de difusão. Isso ocorre, devido a influência
das adoções por publicidade, nos primeiros anos de difusão, é mais efetiva
que as adoções por imitação, pois esta é dependente da quantidade de
adotantes, que ainda é pequena para os primeiros anos. Porém, conforme
o número de adotantes cresce, esta lógica se inverte e a dominância da
difusão passa a ser das taxas de contato e não mais das ações de
publicidade.
Figura 30 – Curva para publicidade nula
Fonte: Autor
67
4.6.2 Adoção por imitação nula, q=0
Como pode ser visto na figura 31, a difusão das RIs sem a
interferência da adoção por imitação segue um crescimento linear.
Portanto, sem a adoção pelo boca-a-boca, o modelo crescerá seguindo
estritamente o crescimento do mercado.
Figura 31 - Curva adoção nula
Fonte: Autor
4.6.3 Valores limites da taxa de aprendizado
Como já mencionado no item 4.5.4 quanto menor o valor do
coeficiente de aprendizado (c) maior será o decaimento do preço com o
passar dos anos.
Para o primeiro limite, será testado o valor de c = -0,08. A figura 33 ilustra que a curva de difusão para este cenário segue a curva S, como
esperado. Entretanto, em comparação com a curva do modelo base, figura
32, este novo cenário apresenta um crescimento muito mais reduzido.
Essa atenuação no crescimento já é esperada, já que um valor maior de c,
influencia negativamente a difusão.
68
Figura 32 – Curva valor máximo de coeficiente de aprendizado
Fonte: Autor
Para o segundo teste será utilizado o valor de c =- 0,3. Neste caso,
conforme a figura 33, o crescimento é acentuado, já que agora o
aprendizado ocorre mais rápido, e por consequência, o preço também é
reduzido mais rapidamente.
Figura 33 - Curva valor máximo de coeficiente de aprendizado
Fonte: Autor
69
4.6.4 Efeito da adoção por diferentes curvas a resposta ao preço
Na figura 34, pode-se observar que mesmo com uma grande
diferença entre as curvas de resposta ao preço, como visto no item 4.5.3,
a desigualdade entre as difusões não foi significativa. O crescimento teve
uma alteração apenas a partir de 2026 e a maior diferença ocorreu entre o
cenário 1 e o 3, que não passou de 5%.
Figura 34 - Difusão das RIs para diferentes curvas a resposta ao preço
Fonte: Autor
70
5. RESULTADOS E DISCUSSÃO
5.1 POLÍTICAS ALTERNATIVAS
Diferentes políticas de incentivo podem ser adotadas para acelerar
o processo de difusão de nova tecnologia no mercado. Essas políticas
podem advir do próprio mercado, como a redução do preço dos
medidores, aumento da concorrência, ou podem ser originadas por
políticas governamentais, como a isenção de impostos, financiamentos,
regulação impondo a obrigatoriedade da implantação de medidores
inteligentes.
Desta forma, neste capítulo, serão simuladas diversas políticas de
incentivos a difusão das redes inteligentes no Brasil, buscando identificar
quais dessas políticas são as mais efetivas sempre comparando com o
modelo base de difusão, explanado no item 4.5.1.
A primeira e a segunda política a serem testadas são a mudança
dos parâmetros efetividade das ações de publicidade (p) e aumento da
taxa de contato (q*c). A análise da variação desses dois parâmetros é
necessária para o entendimento do comportamento do modelo e para
nortear futuras medidas incentivadoras da difusão dessas redes no Brasil.
Já na terceira simulação será testado diferentes medidas
mitigadoras no preço dos medidores inteligentes. Políticas de incentivo a
compra, como financiamento, são muito comuns no estimulo a utilização
de novas tecnologias, principalmente para o caso de energias renováveis
e limpas.
Outro fator que pode reduzir o preço é a concorrência. Com a
regulamentação dos medidores inteligentes no Brasil, mais empresas
nacionais podem entrar no mercado, o que afetaria o preço da aquisição
dos medidores inteligentes.
Para quarta e última simulação será testado mudanças no
crescimento do mercado potencial. O mercado potencial (m) do modelo
base, como citado no item 4.5.2, foi construído seguindo o crescimento
estimado das unidades consumidoras em todo o país. Entretanto, como o
horizonte de análise é muito longo e o crescimento econômico do
mercado consumidor é muito instável, há a necessidade de analisar o comportamento do modelo a diferentes cenários de crescimento.
Para a análise das políticas será utilizada a taxa média de
crescimento da difusão, ou seja, será analisado a diferença percentual
média entre o novo cenário com o cenário base, que foi descrito no item
4.5.5.
71
5.1.1 Aumento nas Ações de Publicidade
A política de aumentar as ações de publicidade é interessante, já
que atualmente há pouca informação para os consumidores sobre os
diversos benefícios da utilização das redes inteligentes. Serão testados
três valores de incremento, de 20%, 40% e 60% para as ações de
publicidade.
Os valores do parâmetro de efetividade das ações de publicidade
podem ser observados na tabela 8.
Tabela 8 – Diferentes valores de “p”
Cenários Efetividade das ações de
publicidade (p)
Base 0,0025
20% 0,003
40% 0,0035
60% 0,004
Fonte: Autor
Como já esperado, o incremento nas ações de publicidade faz
com que o modelo apresente crescimento mais acentuado nos primeiros
anos, estabilizando-se por volta de 2040. A taxa média de crescimento
da difusão em comparação com o cenário atual é de 8% para um aumento
de 20 % nas ações de publicidade. O aumento é maior nos primeiros anos,
chegando a faixa de 14% no ano de 2021, mas com o passar do tempo a
taxa de adoção por imitação se torna mais relevante para a adoção,
reduzindo a influência das ações de publicidade no modelo.
Dobrando o aumento na efetividade, o modelo já apresenta
crescimento mais acentuado. Em comparação com o cenário de 20% de
aumento, o cenário com 40% quase triplica a taxa média de crescimento
da difusão, alcançando taxa média de 23%.
No último cenário, o aumento de 60% não apresenta o mesmo
desenvolvimento do último caso. Para este aumento o incremento na taxa média é de 26%, é o melhor resultado para estas políticas, porém, em
comparação com o aumento de 40% o resultado dessa medida ficou
aquém do esperado.
Como pode ser observado na figura 35, as ações de publicidade
não têm grande efeito na difusão das RIs no Brasil. Pode-se explicar esse
72
fenômeno pelo fato que atualmente as concessionárias são as tomadoras
de decisão na implementação dos medidores inteligentes, e por
consequência da atualização da rede, portanto a influência das ações de
publicidade é relativamente pequena na difusão das redes inteligentes no
Brasil.
Figura 35 – Difusão das RIs para diferentes valores de “p”
Fonte: Autor
5.1.2 Aumento na Taxa de Contato
As políticas de aumento na taxa de contato seguirão a mesma
lógica do incremento nas ações de publicidade. Três cenários foram
simulados e comparados com o cenário base, como pode ser visto na
tabela 9.
Tabela 9 – Diferentes valores de “q”
Cenários Fração de Adoção (q)
Base 0,197
20% 0,2364
73
40% 0,2758
60% 0,3152
Fonte: Autor
Para o primeiro cenário, a taxa de contato foi aumentada em 20%,
passando de 0,197 para 0,2364. Este aumento faz com que o crescimento
da difusão se acelere, principalmente a partir do ano de 2026, já que a
influência da taxa de contato no modelo é tardia. Em comparação com o
cenário base, o aumento médio da difusão com 20 % de aumento na taxa
de contato é de 17 %. Portanto a difusão crescerá 17% em média a mais
com esse incremento.
As maiores diferenças entre os dois cenários ocorrem nos anos
de 2038 até 2046, após este ano a taxa de crescimento da curva com o
novo cenário tende a se estabilizar e seguir paralelamente a curva do
cenário atual.
Para o segundo cenário foi alterada a taxa em 40% o que gerou
aumento médio de 34% na taxa média de difusão. A maior diferença entre
o cenário com 40% de aumento da taxa de contato e do cenário base
ocorre no ano 2033, onde este apresenta população de adotantes em torno
dos 45 milhões, enquanto que naquela os adotantes passam dos 69
milhões, representando aumento de 55%.
No terceiro e último cenário, o aumento na taxa de contato é de
60%, trazendo um resultado de 40% de aumento na taxa de crescimento
da divisão das redes inteligentes no Brasil. Como pode visto na figura 36,
as maiores diferenças entre o cenário anterior e este ocorrem nos anos de
2030 a 2040. Isso denota que a influência da taxa de contato é maior perto
do ponto de inflexão da curva de difusão para este modelo, ou seja, a
maior diferença entre a quantidade de medidores inteligentes instalados
ocorre no ponto de alternância na dominância do feedback positivo para
o negativo.
74
Figura 36 - Difusão das RIs para diferentes valores de “q”
Fonte: Autor
A política de aumentar a taxa de contato se mostrou mais
eficiente que a política de aumentar as ações de publicidade. A maior
diferença entre essas duas políticas atinge a marca de 40 milhões de
unidades utilizando medidores inteligentes no ano de 2034, para o cenário
com 60% de aumento.
5.1.3 Redução do preço
Para a política de redução do preço dos medidores inteligentes
foram testados três valores percentuais de redução. Como mencionado no
item 5.1 os motivos da redução no preço dos medidores podem vir do
próprio mercado ou de ações governamentais.
A tabela 10 apresenta os valores que foram alterados no modelo
junto com o valor de base.
75
Tabela 10 - Diferentes valores de preço
Cenários Preço Inicial dos Medidores
Base R$ 520,
20% R$ 433,00
40% R$ 371,00
100% 0
Fonte: Autor
Comparando cenário com 20% de redução com o de base, o
incremento na taxa de crescimento foi de 10%. Portanto uma redução de
20% no preço acarreta em um aumento de 10% na difusão das redes
inteligentes.
Como o cenário de 40% de redução, a taxa média de incremento
da difusão é de 12%. Para o ano de 2034 a diferença entre a quantidade
de medidores inteligentes instalados no país é cerca de 8 milhões.
Portando, a redução do preço mostra que pouco influencia na difusão dos
medidores inteligentes, principalmente, comparando-se com o aumento
de 40 milhões da política citada no item anterior.
Para a última simulação foi considerado subsidio total na compra
dos medidores. Portanto o preço agora não é mais empecilho para a
difusão das redes inteligentes. Porém, como pode ser observado na figura
37, mesmo com 100% de subsidio o aumento gerado não é grande,
principalmente em comparação com as políticas adotadas nos itens
anteriores.
Figura 37 - Difusão das RIs para diferentes valores de preço
Fonte: Autor
76
Com esse cenário foi validado a ideia que o preço não tem grande
efeito sobre a difusão das RIs no Brasil. Até com redução de 100 % no
preço o aumento na taxa de difusão foi de apenas 18%, praticamente o
mesmo resultado do aumento de 20% na taxa de contato.
5.1.4 Mudanças na taxa de crescimento do mercado
A redução do PIB afeta diretamente o crescimento da demanda
de energia que por sua vez afeta o crescimento das unidades
consumidoras no país. Além disso, a redução do PIB pode acarretar na
redução da fração do mercado disposta a adotar, já que em períodos de
crise econômica os consumidores tendem a diminuir gastos.
Assim, para este cenário foi considerada a taxa de crescimento
do mercado igual ao do PIB da década de 1980, de 1,6 % a.a. Como ilustra
a figura 38 com a redução do crescimento do mercado a difusão das RIs
no Brasil começa a se estabilizar em 2050. Este cenário é extremamente
pessimista, pois dificilmente o país entraria em uma crise tão longa.
Figura 38 - Difusão das RIs para diferentes valores de “m”
Fonte: Autor
77
5.2 COMBINAÇÃO DOS DIFERENTES CENÁRIOS
Neste item, será analisado diversas combinações das diferentes
políticas aplicadas no item 5.1. A escolha de quais políticas seriam
combinadas levou em consideração fatores como, eficiência e facilidade
da aplicação em conjunto com essas políticas.
O Primeiro cenário será a combinação da política de aumento de
40% nas ações de publicidade em conjunto com a redução em 20% no
preço. Já para o segundo cenário será simulado a combinação do
crescimento moderado do mercado com o aumento de 40% na taxa de
contato. E por fim, será analisado a combinação das políticas de aumento
de 40% das ações de publicidade e da taxa de contato.
Os diferentes cenários junto com as políticas combinadas e seus
respectivos valores dos parâmetros modificados podem ser vistos na
tabela 11.
Tabela 11 - Diferentes cenários combinados
Cenários Política
Adotada
Valor do
Parâmetro
Cenário 1 Aumento de
40% na
efetividade das
ações por
publicidade
(p).
0,0035
Redução de
20% no preço .
R$ 433,00
Cenário 2 Crescimento
Moderado do
mercado
potencial (m).
0,015
Aumento de
40% na fração
de adoção (q)
0,2758
Cenário 3 Aumento de
40% na
0,0035
78
efetividade das
ações por
publicidade
(p).
Aumento de
40% na fração
de adoção (q)
0,2758
Fonte: Autor
Cenário 1: Conjunto das políticas de aumento da efetividade das
ações por publicidade com a redução no preço dos medidores inteligentes.
Para este cenário será considerada uma redução de 20% do custo
de aquisição dos medidores inteligentes, em conjunto com aumento de
40% nas ações de publicidade.
A curva de difusão deste cenário pode ser vista na figura 39, nela
podemos observar que o crescimento é quase linear após 2042, isso se
deve ao crescimento constante do mercado potencial, pois mesmo com a
aplicação dessas novas políticas de incentivo, a difusão das RIs para este
cenário, não alcança a maturidade do produto, isso para um período de
análise até 2060
Neste primeiro cenário, a combinação das duas políticas
supracitadas aumentou em 28% a taxa de crescimento da difusão em
comparação com o cenário base. Portanto, essa associação não se mostra
vantajosa, já que políticas isoladas, como, o aumento da taxa de contato,
apresentam aumento mais significativo, como explanado no item 5.3.2.
Cenário 2: Combinação do crescimento moderado do mercado
potencial com o aumento da fração de adoção.
Este novo cenário utiliza como base o crescimento moderado do
mercado potencial, esse crescimento é mais natural em comparação com
os outros, pois apresenta anos onde há crescimento acentuado seguidos
por anos de declínio. Utilizando esse crescimento em conjunto com a
política de aumento da taxa de contato (fração de adoção), a taxa de
adoção média cresceu 38% em comparação com o cenário base. Para o
ano de 2060 a diferença no número de adotantes entre os cenários é de
cerca de 36 milhões em comparação com o cenário base de 15 milhões
Cenário 3: Conjunto das políticas de aumento na efetividade das ações por publicidade e da fração da adoção.
Para a última simulação foram considerados as duas políticas que
mais surtiram efeito na difusão das RIs no Brasil. Pode-se notar na figura
39, que a curva de difusão deste cenário, apresenta formato mais sigmoide
em comparação com os cenários anteriores. Entre todos os cenários
79
simulados até agora, este é o que apresenta o melhor resultado de
crescimento da taxa média de difusão, que fica em torno de 46% em
comparação com o cenário base.
Figura 39 - Difusão das RIs para diferentes cenários combinados.
Fonte: Autor
5.3 CENÁRIOS EM MATRIZ
Para ter uma melhor ideia do comportamento da difusão das
redes inteligentes no Brasil, foram simulados 32 cenários, divididos em
duas matrizes, como pode ser visto na tabela 12 e 13.
Na primeira matriz os valores alterados foram da taxa de contato
e da fração de adoção. O primeiro cenário diz respeito a difusão das RIs
com os valores dos parâmetros estimados no item 4.2, já os outros
cenários foram obtidos pela combinação das diferentes taxas de
incremento (20%, 40% e 60%) na efetividade das ações de publicidade
(p) e na taxa de contato (q).
80
Tabela 12 - Matriz variando os valores de “p” e “q”
Fonte: Autor
Na figura 40 pode ser observado que os cenários que
apresentaram os maiores crescimentos na difusão foram os com maiores
taxas de incremento, principalmente os cenários 13, 14, 15 e 16, que são
os que apresentam o maior crescimento na taxa de contato.
Figura 40 - Difusão das RIs para cenários variando “p”e “q”
Fonte: Autor
Na segunda matriz foram combinados diferentes valores para o
cresciemento do mercado com a redução do preço. Neste caso, como no
Base 20% 40% 60%
0,0025 0,003 0,0035 0,004
Base 0,197 Cenário 1 Cenário 2 Cenário 3 Cenário 4
20% 0,2364 Cenário 5 Cenário 6 Cenário 7 Cenário 8
40% 0,2758 Cenário 9 Cenário 10Cenário 11 Cenário 12
60% 0,3152 Cenário 13Cenário 14Cenário 15 Cenário 16
p
q
81
anterior, foram considerados 4 valores para cada parâmetro, assim,
foram analisados 16 cenários.
Tabela 13 - Matriz variando os valores de mercado e preço.
Fonte: Autor
Como pode ser visto na figura 41, os cenários com o mercado pessimista
não alcançaram nem 60% do mercado para o horizonte de tempo analisado.
Entretanto, para o caso dos cenários com o mercado moderado o crescimento é
mais acentuado, chegando a alcançar 94% para o ano de 2058. Entre todos os
cenários os que apresentam os melhores resultados de difusão, são os que
combinam a redução de 100% no preço com crescimento do mercado otimista,
sendo que esses chegam a apresentar uma diferença de mais de 20% na difusão
em comparação com a combinação do crescimento moderado e redução de 100%
no preço.
Figura 41 - Difusão das RIs para cenários variando mercado e o preço
Fonte: Autor
Base Pessimista Moderado Otimista
2,50% 1,60% 4,00% 8,00%
Base 520 Cenário 1 Cenário 2 Cenário 3 Cenário 4
20% 433 Cenário 5 Cenário 6 Cenário 7 Cenário 8
40% 371 Cenário 9 Cenário 10Cenário 11 Cenário 12
100% 0 Cenário 13Cenário 14Cenário 15 Cenário 16
Mercado
Preço
82
6. CONSIDERAÇÕES FINAIS
6.1 CONCLUSÕES
Este trabalhou compreendeu o estudo da difusão das redes
inteligentes no Brasil, utilizando simulações pelo modelo da
dinâmica de sistemas. Os parâmetros que afetam o sistema,
como, a efetividade das ações de publicidade (p), fração de
adoção por imitação (q) e o mercado potencial (m) foram
calibrados, testados e validados.
Por meio da revisão da literatura, o primeiro e o segundo
objetivos específicos, levantar os dados históricos e desenvolver
um modelo da difusão das RIs no Brasil, foram alcançados. O
terceiro objetivo especifico também foi alcançado, o modelo
construído com base nos dados históricos foi testado e validado
com os dados históricos da difusão, apresentando um erro
percentual absoluto médio menor que 5%.
Para o último objetivo específico foram analisadas
diferentes políticas para o incremento da difusão das redes
inteligentes no Brasil. Pôde-se observar que o preço pouco afeta
o crescimento da taxa de adoção, mesmo com redução em 100%
no preço, o aumento da difusão foi baixo em comparação com
outras políticas.
A política que mais acelera a difusão das RIs é o aumento
da taxa de contato, mesmo a aplicação dessa política
isoladamente produz um resultado maior que a combinação das
políticas de redução do preço em 20% com o aumento de 40%
nas ações em publicidade. Isso mostra que para este modelo a
maior influência para a adoção dos medidores inteligentes é a
adoção por imitação. Porém, esse fator tem efeito no médio e
longo prazo, pouco afeta a difusão nos primeiros anos.
Com base em todas os cenários testados o que melhor
apresentou resultado foi a combinação do aumento de 40% na
taxa de contato com o incremento de também 40% nas ações de publicidade. O crescimento para este caso foi de quase 50%, o
que é um ótimo resultado
Nenhum dos cenários testados apresentou resultado tão
acentuado, como o esperado pela pequisa da Navigant Research,
que estimava quem em 2020, cerca de 30 milhões de medidores
83
inteligentes estariam instalados no Brasil. Na realidade, na
melhor das hipóteses aqui testadas, isso só ocorreria no ano de
2024.
Para viabilizar esse crescimento estimado pela Navigant é
necessário melhorar a regulamentação existente das redes
inteligentes no Brasil. Com nova regulamentação, novas
empresas poderiam entrar no mercado de medidores inteligentes
o que acarretaria na diminuição do preço. Além disso, em último
caso, poder-se-ia implementar legislações impondo a
obrigatoriedade da substituição da rede atual para a rede
inteligente.
Outro estudo realizado pela Innovation Observatory
estima que o Brasil irá substituir cerca de 27 milhões de
medidores até 2030. Segundo o modelo desenvolvido neste
trabalho, este valor será alcançado no ano de 2032, para o cenário
base, onde não são aplicadas políticas de incentivo. Essa
estimativa é alcançada com uma redução de apenas 10% no preço
dos medidores inteligentes e com o aumento de 20% nas ações
de publicidade. E para superar essa estimativa algumas das
políticas necessárias são: Aumentar em 20% a taxa de contato;
reduzir em 40% o preço e aumentar em 40% as ações de
publicidade. Além disso, todos as políticas combinadas que
foram testadas neste trabalho, superam a perspectiva instalação
supracitada. E no melhor dos cenários, agregação das políticas
de aumento das ações de publicidade e da taxa de contato, a
instalação dos 27 milhões de medidores inteligentes é alcançada
em 2024.
Por fim, percebe-se que difusão das RIs no Brasil
necessita de maiores incentivos, principalmente em relação a
regulamentações na utilização dos equipamentos das redes
inteligentes.
6.2 DELIMITAÇÃO DA PESQUISA
A principal limitação do estudo é referente a baixa
quantidade de dados e informações sobre o processo de difusão
das redes inteligentes no Brasil. Por isso, optou-se por não
analisar fatores que potencialmente influenciam na difusão das
redes inteligentes no Brasil, como, custos de infraestrutura,
84
manutenção, tempo de vida dos medidores, redução da tarifa de
luz, mercado de carbono, entre outros.
6.3 RECOMENDAÇÕES
Recomenda-se que para estudos futuros sejam analisados
outros fatores que também influenciam na difusão das redes
inteligentes no Brasil, como, custo de implantação da
infraestrutura para a utilização das redes inteligentes, custo de
aquisição de outros equipamentos por parte do usuário e das
concessionárias, redução dos custos operacionais, vida útil dos
medidores, tempo de instalação da infraestrutura.
Pode-se também em trabalhos futuros analisar o
comportamento das unidades consumidoras individualmente,
utilizando a subdivisão de unidades: residencial, industrial,
comercial e outras.
Além disso, pode-se agregar no modelo fatores como,
utilização das redes inteligentes em conjuntos carros autônomos,
redução da emissão de CO2, mudança nas tarifas (tarifa branca),
e influência dos consumidores livres.
Por fim, entende-se que há a necessidade em repetir o
estudo da difusão das redes inteligentes no Brasil em um período
futuro, para que se possa ter maior agregação de dados e ter uma
melhor visão estratégica da difusão desta tecnologia para o país.
85
REFERÊNCIAS
ANABDI. Relatório de Acompanhamento Setorial Smart grid. 2012.
ALONSO, A. M. S. SMART GRIDS : TECNOLOGIAS DE
COMUNICAÇÃO E SUA REALIDADE NO BRASIL CONTROLE E
AUTOMAÇÃO. 2014.
ANEEL. Aspectos técnicos e comerciais. 2014.
BANDEIRA, F. DE P. M. Redes de energia elétrica inteligentes (smart
grids). 2012.
BASS, F. A New Product Growth Model for Consumer Durables.
Management
Sciences. Institute for Operations Research and the Management Sciences.
Evanston, XV (5), 1969.
BASTOS https://www.portal-gestao.com/artigos/7692-o-que-%C3%A9-a-
curva-de-aprendizagem.html
CARUSO, L. A. C.; TIGRE, P. B. Modelo SENAI de Prospecção:
documento metodológico. [s.l: s.n.].
CENTRO DE GESTÃO E ESTUDOS ESTRATÉGICOS. Redes Elétricas
Inteligentes: Contexto Nacional. Centro de Gestão e Estudos
Estratégicos, v. 16, p. 172, 2012.
COELHO, G. M. Prospecção tecnológica: metodologias e experiências
nacionais e internacionais. Rio de Janeiro: INT, 2003.
COSTA, S. A. H. DA. OS DESAFIOS DA IMPLANTAÇÃO DA SMART
GRID NO MODELO DE NEGÓCIOS DO SETOR ELÉTRICO. 2014.
EEL - Agência Nacional de Energia Elétrica. Capacidade de Geração do
Brasil. Disponível em
http://www2.aneel.gov.br/aplicacoes/capacidadebrasil/capacidadebrasil.
cfm; Acesso em: 28/05/2018. ANEEL, 2018. EL, E.; BRAS, A. Medidores Eletrônicos em Unidades Consumidoras do
Grupo B. 2011.
86
EPE. DEA 19/2015 - Projeção da demanda de energia elétrica. p. 88, 2016a.
EPE. Anuário Estatístico de Energia Elétrica 2016. Epe, p. 232, 2016b.
FALCÃO, D. Smart grids e microrredes: o futuro já é presente. In:
SIMPÓSIO DE AUTOMAÇÃO DE SISTEMAS ELÉTRICOS, 8.,
2009.
FLETCHER, L.; BEAUMONT, A. Boulder, Colo.: America’s First
“Smart Grid City”. ABC News, 2008. Disponível em:
http://abcnews.go.com/GMA/SmartHome/story?id=6255279. Acesso
em: 19 Ago. 2018
GELLINGS, C. W. The Smart Grid: Enabling Energy Efficiency and
Demand Response. 1. ed. Lilburn: The Fairmont Press, 2009, 299p.
GIL, A. C. Como elaborar projetos de pesquisa. 4ed. São Paulo: Atlas,
2009.
ISLAM, T. Stated innovation diffusion model from stated preference data:
The Case of Photo-Voltaic (PV) Solar Cells for Household Electricity
Generation. Energy Policy, v. 65, p. 340–350, 2014.
JUNIOR, G. M. PPT-PEA5918 – Redes Elétricas Inteligentes e Microrredes
( Smart Grids e Microgrids ) aracterísticas das SmartGrids. Technology,
2011.
LAMIN, H. Análise de Impacto Regulatório da implantação de redes
inteligentes no Brasil. p. 300, 2013.
LAWRENCE, K.D.; LAWTON, W.H., 1981. Applications of diffusion
models: Some empirical results, in results, in Y Wind et al., eds., New
Product Forescasting, Lexington Books, Lexington, MA,USA.
LEITE, J. V. DE A. Estudo E Aplicação Da Smart Grid No Sistema Elétrico
De Distribuição Brasileiro. Seminario Estudantil de Producao
Academica, v. 16, p. 46–72, 2017.
LOPES, Y.; FRAZ, R. H.; MOLANO, D. A. Minicurso para o SBrT ’
2012 : Smart Grid e IEC 61850 : Novos Desafios ˜ es para o em Redes e
Telecomunicac ¸ o Sistema El ´. 2012.
87
MARANGONI https://www.marangoni.com.br/produtoseservicos/smart-
grid/sistema-de-medicao/
MARTINE, L. Exploring S-shaped Growth. System Dynamics Roadmap
D-4476, n. October, 1996.
MCNAMARA, W. Brazilian Smart Grid Markets Need Regulatory
Standards; DNV
MORVAJ, B.; LUGARIC, L.; KRAJCAR, S. Demonstrating smart
buildings and smart grid features in a smart energy city BT - 2011 3rd
International Youth Conference on Energetics, IYCE 2011, July 7, 2011 -
July 9, 2011. n. October 2016, 2011.
NIELSEN, S. Eletropaulo Plans Biggest Brazil Smart Grid to Fight
Theft; Bloomberg, 29 de Abril de 2013; Disponível em:
http://www.bloomberg.com/news/2013-04-29/eletropauloplans-biggest-
brazil-smart-grid-to-fight-power-theft.html. Acesso em: 6 Jan. 2014.
OLIVEIRA, R. D.; VIEIRA JR., J. C. DE M. Benefícios e desafios de redes
inteligentes. Revista Eletrônica de Energia, v. 2, n. 1, p. 3–14, 2012.
PIKE RESEARCH LLC - PIKE RESEARCH. Distributed solar energy
generation. 2017a. Disponível em:
<http://www.pikeresearch.com/wordpress/wp-
content/uploads/2018/10/DSEG-11-ExecutiveSummary.pdf>.
Acesso em: 05 Set . 2018.
ROGERS, E. M. Diffusion of innovations. New York: Free Press, 1983
447p.
SANTOS, M. DE M. et al. Prospecção de tecnologias de futuro: métodos,
técnicas e abordagens. Parcerias estratégicas, v. 9, n. 19, p. 189–230,
2010.
SOUZA, G. B. D. C.; GETÚLIO, P.; DEUS, A. DE. * Revisado por: Prof.
Dr. Getúlio Antero de Deus Júnior (EEEC/UFG). 2010.
STERMAN, J. D. Business Dynamics; Systems thinking and modeling
for a complex world, 2000.
VILLELA, P. R. C. Introdução à dinâmica de sistemas. n. 32, p. 59, 2005.
88
ZUREK, M. B.; HENRICHS, T. Linking scenarios across geographical
scales in international environmental assessments. Technological
Forecasting and Social Change, v. 74, n. 8, p. 1282–1295, 2007.
