Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO CEARÁ
CENTRO DE TECNOLOGIA
CURSO DE GRADUAÇÃO EM ENGENHARIA ELÉTRICA
RAUL TIGRE DE ARRUDA LEITÃO
PREVISÃO DE CARGA DE ENERGIA ELÉTRICA UTILIZANDO REDES NEURAIS
ARTIFICIAIS
Fortaleza
Junho/2012
RAUL TIGRE DE ARRUDA LEITÃO
PREVISÃO DE CARGA DE ENERGIA ELÉTRICA UTILIZANDO REDES
NEURAIS ARTIFICIAIS
Trabalho final de curso submetido à
Coordenação do curso de Engenharia
Elétrica, como requisito parcial de obtenção
do título de Engenheiro Eletricista.
Área de Concentração: Previsão de carga
elétrica
Orientadora: Prof. Dra. Gabriela Helena
Bauab Shiguemoto
Fortaleza
Junho/2012
A minha família pelo carinho e pela confiança
i
RESUMO
No atual setor de energia elétrica, o planejamento de expansão, de operação e de
comercialização de energia depende de uma boa previsão de carga para servirem como
suporte às tomadas de decisão. Este trabalho tem como objetivo principal o desenvolvimento
de uma metodologia de previsão do requisito de energia elétrica de curto, médio e longo prazo
utilizando redes neurais artificiais com o algoritmo de retro propagação. Realizou-se um
estudo de caso usando a série de consumo de energia do estado do Ceará de 1970 a 2011. A
avaliação do desempenho da abordagem apresentada foi feita através da mensuração e
comparação do erro percentual médio e absoluto, e através da análise dos gráficos das curvas
geradas pelo modelo.
ii
ABSTRACT
In the current electricity sector, the expansion planning, operation and marketing of
energy depends on a good load forecasting to serve as support for decision making. This work
has as main objective the development of a methodology for
forecasting the electricity requirement of the short, medium and long term using artificial
neural networks with the algorithm of back propagation. We conducted a case study
using a series of energy consumption in the state of Ceará from 1970 to 2011. Performance
evaluation of the presented approach was made by measuring and comparing the average
percentage error and absolute, and by analyzing the graphs of the curves generated by the
model.
iii
LISTA DE FIGURAS
Figura 1-Modelo do Setor Elétrico Brasileiro ......................................................................... 7
Figura 2-Planejamento energético. ....................................................................................... 14
Figura 3 - Modelo de previsão de demanda. ......................................................................... 21
Figura 4- População cearense de 2000 a 2010. ..................................................................... 25
Figura 5-Taxas de crescimento populacional e consumo da Classe Residencial. ................... 25
Figura 6- Evolução do Consumo Médio Residencial 1991-2011. .......................................... 27
Figura 7-Taxas de crescimento do PIB Ceará e do Requisito Coelce. ................................... 28
Figura 8- Estrutura de uma Rede Neural Artificial................................................................ 32
Figura 9- Esquemático do treinamento supervisionado em RNA. ......................................... 34
Figura 10- Esquemático do treinamento não supervisionado ................................................ 34
Figura 11-Consumo diário do estado do Ceará em kWh de janeiro de 2000 a janeiro de 2012.
............................................................................................................................................ 38
Figura 12- Consumo mensal do estado do Ceará em GWh de janeiro de 2000 a janeiro de
2012. .................................................................................................................................... 39
Figura 13- Consumo anual do estado do Ceará em GWh de 1973 a 2011. ............................ 39
Figura 14 - Estrutura da RNA .............................................................................................. 41
Figura 15 - Requisito previsto e realizado de 01/03/2012 a 12/04/2012. ............................... 42
Figura 16-Compotamento de consumo de energia em kW dos dias 20/jan/2011 e 19/jan/2012.
............................................................................................................................................ 44
Figura 17- Previsão de requisito em MW com 12 meses à frente e Requisito Coelce realizado
de 2007 até abril/2012. ......................................................................................................... 44
Figura 18- MPE previsto e realizado .................................................................................... 45
Figura 19 - Participação trimestral do requisito, em que os dados de 2012 são valores
previstos. ............................................................................................................................. 45
Figura 20- Crescimento de Requisito de 2008 a 2016. .......................................................... 48
iv
LISTA DE TABELAS
Tabela 1 - Taxas de crescimento do nível de atividade (médias no período). ........................ 29
Tabela 2 – Variação (%) entre valores diários previstos e realizados de 01/03/12 a 12/04/12.43
Tabela 3 - Participação mensal do requisito .......................................................................... 46
Tabela 4- Participação trimestral do requisito ....................................................................... 46
Tabela 5 - Participação semestral do requisito ...................................................................... 46
v
LISTA DE ABREVIATURAS E SIGLAS
ANEEL – Agencia Nacional de Energia Elétrica
COELCE – Companhia Energética do Ceará
CCEAR – Contrato de compra de energia elétrica no ambiente regulado
MME – Ministério de Minas e Energias
PLD – Preço de Liquidações das Diferenças
ACL – Ambiente de Contratação Livre
ACR – Ambiente de Contratação Regulada
CCEAL – Contrato de Compra de Energia no Ambiente Livre
PROINFA – Programa de Incentivo às Fontes Alternativas de Energia Elétrica
BEN – Balanço Energético Nacional
CPNE – Conselho Nacional de Política Energética
CMSE – Comitê de Monitoramento do Setor Elétrico
EPE – Empresa de Pesquisa Energética
CCEE – Câmara de Comercialização de Energia Elétrica
ONS – Operador Nacional do Sistema
SIN – Sistema Interligado Nacional
LPT – Luz para todos
CDE – Conta de Desenvolvimento Energético
RNA – Rede Neural Artificial
MLP – Multilayer Perceptron
vi
SUMÁRIO
1 Introdução ...................................................................................................................... 1
1.1 Definição e justificativa do problema abordado ............................................. 3
1.2 Objetivos ....................................................................................................... 4
1.3 Estrutura do trabalho ..................................................................................... 4
2 Fundamentação teórica ................................................................................................... 6
2.1 Modelo Institucional do Setor Elétrico .......................................................... 6
2.2 Agentes Setoriais ........................................................................................... 8
2.3 Modelos de Mercado – Contratação de energia elétrica ............................... 10
2.3.1 Ambiente de Contratação Regulada ....................................................... 11
2.3.2 Ambiente de Contratação Livre ............................................................. 12
2.3.3 Objetivos do Novo Modelo .................................................................... 13
2.4 Planejamento do setor elétrico ..................................................................... 13
2.4.1 Plano decenal de Expansão de Energia Elétrica...................................... 14
3 Previsão de carga ......................................................................................................... 17
3.1 Séries Temporais ......................................................................................... 17
3.2 Métodos de Previsão ................................................................................... 18
3.2.1 Modelos de Séries Temporais ................................................................ 20
3.2.2 Métodos causais .................................................................................... 20
3.3 Metodologia de Previsão ............................................................................. 21
3.4 Metodologia de Previsão de Carga das Distribuidoras de Energia Elétrica ... 22
4 Fatores de que influenciam o consumo de energia ........................................................ 24
4.1 Características da área de concessão ............................................................ 24
4.2 População .................................................................................................... 24
4.3 Aumento da renda familiar .......................................................................... 26
4.4 Influência da temperatura e do regime de chuvas ......................................... 26
4.5 Eficiência energética e Inovação tecnológica ............................................... 27
vii
4.6 Princípios de macroeconomia ...................................................................... 28
4.7 Setores eletro-intensivos .............................................................................. 29
4.7.1 Demanda Industrial ............................................................................... 29
5 Redes Neurais .............................................................................................................. 31
5.1 Arquitetura das Redes Neurais Artificiais .................................................... 31
5.2 Aprendizado das Redes Neurais Artificiais .................................................. 33
5.2.1 Perceptron Multicamadas (MLP) ........................................................... 35
6 Estudo de caso.............................................................................................................. 37
6.1 Critérios para avaliação da rede neural ........................................................ 37
6.2 Descrição dos dados .................................................................................... 38
6.3 Composição da Rede Neural Artificial ........................................................ 40
6.4 Previsão de médio e curto prazo .................................................................. 41
6.4.1 Previsão horária e diária ........................................................................ 42
6.4.2 Previsão mensal ..................................................................................... 44
6.4.3 Consistência dos dados gerados ............................................................. 45
6.5 Previsão de longo prazo............................................................................... 47
6.5.1 Resultados obtidos para a Previsão de Longo Prazo ............................... 47
7 Conclusão .................................................................................................................... 49
8 REFÊRENCIAS ........................................................................................................... 51
1
1 INTRODUÇÃO
Nas últimas duas décadas, o setor de energia elétrica sofreu sensíveis mudanças no
campo político e econômico. Em 1995, foi iniciado o processo de reestruturação com a
publicação da Lei de Concessões, levando à privatização e a desregulamentação do sistema
elétrico. As principais mudanças no sistema foram a livre concorrência de compra e venda de
energia elétrica e a desverticalização das atividades de geração, transmissão e distribuição
(ANEEL, 2010).
Com o racionamento de 2001, ficou claro para o governo que o modelo em vigência
na época deveria ser corrigido para garantir a segurança do suprimento de energia elétrica no
país. Em 2004, com o Decreto número 5.163/04 cria-se um novo marco regulatório para o
setor e mecanismos que regulamentam a comercialização de energia entre os agentes do
mercado, com o propósito de promover a modicidade tarifária e a universalização do acesso à
eletricidade.
Após reestruturação do setor elétrico as concessionarias são obrigadas a adquirirem
energia através dos leilões em ambientes de contratação regulada, sendo observado o critério
do menor custo. Os Contratos de Comercialização de Energia no Ambiente Regulado
(CCEAR’s) negociados referem-se ao fornecimento de energia em horizontes futuros. Com o
intuito de reduzir o custo da aquisição da energia elétrica a ser repassada aos consumidores e
viabilizar a expansão do setor, os leilão são realizados com antecedência de 1, 3, 5 anos
leilões A-1, A-3 e A-5, respectivamente.
O objetivo de tantas mudanças foi para que o consumidor final pudesse receber
energia elétrica de alta qualidade e continuidade ao menor custo possível. Nesse contexto, a
previsão de carga é um tema de grande relevância para este setor, pois os custos dos erros de
2
previsão acabam por gerar um custo financeiro muito elevado, seja ele por erro de previsão
por excesso ou por falta.
De acordo com o decreto 5.163, de 30 de julho de 2004, as distribuidoras de energia
devem enviar anualmente ao Ministério de Minas e Energia (MME) as previsões do consumo
de energia, em sua área de concessão, em um horizonte de 60 meses. As concessionárias
devem contratar cem por cento dos seus mercados, com um erro máximo de 3% para cima do
montante verificado ao final do período.
A previsão de carga elétrica pode ser dividida em três categorias: previsão de carga de
curto, médio-prazo e longo-prazo (LEONI, 2006). Previsões de curto-prazo normalmente são
de poucos minutos a uma semana à frente. Previsões de médio-prazo abrangem horizontes
que variam de uma semana a um ano, e as previsões de longo-prazo que visam horizontes
maiores que um ano.
Com intuito de aperfeiçoar as previsões de carga de energia elétrica em um mercado
influenciado por diversos fatores como temperatura e economia, várias técnicas são aplicadas.
Dando passos nesta direção, este trabalho apresenta técnicas de modelagem matemática e
computacionais usadas para a previsão de carga.
Os desafios e limitações do estudo são provenientes das diversas relações entre o
mercado de energia elétrica, o consumo de energia, o desenvolvimento econômico e a política
de incentivos às indústrias. Sobretudo, em função do processo e do estágio de
desenvolvimento econômico de Brasil, que demandam do Setor Elétrico a formulação de
metodologias próprias para avaliar a evolução do seu mercado.
Dessa forma, deve ser observado o fato de que projeções de longo prazo envolvem
diversas incertezas e nem sempre consideram os riscos de mudanças políticas, crises
econômicas, inovações tecnológicas e mudanças no comportamento de consumo.
3
1.1 DEFINIÇÃO E JUSTIFICATIVA DO PROBLEMA ABORDADO
As projeções do consumo de energia elétrica realizadas pelas distribuidoras são uma
importante ferramenta de suporte para o planejamento da expansão do sistema elétrico
realizado pelo governo e para o planejamento técnico e financeiro das concessionárias de
energia.
As previsões de mercado auxiliam o Ministério de Minas e Energias (MME) na
tomada de decisões, como: planejamento da expansão dos sistemas de transmissão,
crescimento do parque gerador, programação anual da manutenção de unidades geradoras,
gerenciamento energético de longo prazo, desenvolvimento de estratégias operacionais,
estudos de viabilidade econômica, planejamento dos investimentos e do orçamento, e
pesquisa de mercado. Dessa forma, esses estudos aumentam a segurança do sistema ao evitar
situações de crise e colapso (EPE, 2011).
O mercado por barra das distribuidoras é também realizado a partir de estudos de
previsão de carga. Sendo possível identificar com antecedência os pontos de suprimento de
energia que precisam de investimentos, troca de transformadores e remanejamento de carga.
Assegurando, deste modo, a qualidade e continuidade do suprimento de energia.
Além da importância sob o ponto de vista técnico, a previsão também apresenta
relevância sob o prisma econômico. Com a privatização das empresas distribuidoras de
energia elétrica, tais empresas são obrigadas a trabalhar em níveis elevados de eficiência.
Visto que a previsão de carga está diretamente associada ao planejamento financeiro, alocação
de recursos para iniciativas estratégicas e redução dos custos operacionais.
Uma previsão de carga de baixa qualidade pode gerar uma série de prejuízos às
distribuidoras, pois todo o erro que ultrapasse os limites estabelecidos pela Agência Nacional
de Energia Elétrica (ANEEL) acarreta em perdas e influi diretamente nos resultados
financeiros das mesmas. As perdas financeiras decorrem: das multas aplicadas sobre os erros
4
na previsão, dos custos referentes à devolução da energia sobre contratada e da compra de
energia ao Preço de Liquidação das Diferenças (PLD) que é utilizado para valorar a compra e
a venda de energia no Mercado de Curto Prazo.
Com as mudanças regulatórias que ocorreram no setor, faz-se necessário por parte das
distribuidoras, o investimento em técnicas e metodologias para gerenciar as incertezas
inerentes ao mercado. E, dessa forma, dar suporte técnico à contratação futura e
gerenciamento dos CCEAR’s, já que as concessionarias devem realizar previsões anuais para
a sua série de consumo em um horizonte de até cinco anos e realizar previsões mensais a
cerca do comportamento do consumo de energia.
1.2 OBJETIVOS
Este trabalho abordará o problema de previsão de série temporal de consumo de
energia elétrica mensal e anual por meio da metodologia de Redes Neurais Artificiais.
Os principais objetivos são:
Fazer projeções de requisito de energia elétrica para o estado do Ceará.
Subsidiar estudos para reforço e expansão do setor elétrico, de forma integrada
com o planejamento energético de longo, médio e curto prazo.
Definir os montantes de energia a contratar, para suprir o mercado da área de
concessão.
1.3 ESTRUTURA DO TRABALHO
Este trabalho propõe a realização de previsões de consumo de energia elétrica no
estado do Ceará obtida a partir da resposta computacional utilizando redes neurais artificiais.
5
No capitulo 2 é feito um breve resumo da atual estrutura do setor elétrico brasileiro,
assim como dos compromissos regulatórios das concessionárias.
No capítulo 3 descreve-se os conceitos teóricos, acompanhado de uma revisão da
literatura acerca da previsão, suas técnicas e aplicações, bem como questões voltadas à análise
de séries temporais e os respectivos métodos existentes para previsão das mesmas.
Já o Capítulo 4 apresenta a descrição das principais classes de consumo e as principais
variáveis que influenciam esses setores.
No Capítulo 5 é feita uma breve explanação sobre as Redes Neurais Artificiais, os
tipos de arquitetura e os métodos de treinamento.
O estudo de caso para a previsão de consumo no estado do Ceará é apresentado no
Capítulo 6.
O Capítulo 7 mostra as conclusões, sugestões de melhorias na metodologia
apresentada e futuros trabalhos a serem desenvolvidos.
6
2 FUNDAMENTAÇÃO TEÓRICA
Neste capítulo apresenta-se o modelo institucional do setor elétrico brasileiro, os
agentes participantes, o modelo de contratação de energia elétrica, o planejamento da
expansão da oferta de energia.
2.1 MODELO INSTITUCIONAL DO SETOR ELÉTRICO
A ANEEL é o órgão regulador do setor elétrico. Criada em dezembro de 1996, é uma
autarquia em regime especial vinculada ao MME. Sua missão é “proporcionar condições
favoráveis para que o mercado de energia elétrica se desenvolva com equilíbrio entre os
agentes e em benefício da sociedade” (EPE, 2011).
A ANEEL normatiza as políticas e diretrizes estabelecidas pelo Governo Federal para
o setor elétrico, fiscaliza a prestação do fornecimento de energia elétrica à sociedade e faz a
mediação de conflitos entre os agentes do setor. Cabe ainda à ANEEL conceder o direito de
exploração dos serviços, atividade que exerce sob a delegação do MME.
A Agência também define as tarifas de energia, de acordo com o que está estabelecido
em lei e nos contratos de concessão assinados com as empresas. Outras instituições atuam no
setor elétrico brasileiro, como o Conselho Nacional de Política Energética (CNPE), o MME, o
Comitê de Monitoramento do Setor Elétrico (CMSE), a Empresa de Pesquisa Energética
(EPE), o Operador Nacional do Sistema Elétrico, e a Câmara de Comercialização de Energia
Elétrica (CCEE).
A Figura 1 ilustra o modelo institucional brasileiro no que se refere ao setor energético
e a seguir é descrito a função de cada órgão ligado ao MME.
7
Figura 1-Modelo do Setor Elétrico Brasileiro.
Fonte: EPE, 2011.
CNPE – Conselho Nacional de Política Energética. Órgão de assessoramento
da Presidência da Republica para formulação de políticas nacionais e diretrizes
de energia, visando, dentre outros, o aproveitamento natural dos recursos
energéticos do país, rever periodicamente a matriz energética e estabelecer
diretrizes para programas específicos. É um órgão multi-ministerial presidido
pelo Ministro de Estado de Minas e Energia.
MME – Ministério de Minas e Energia. Encarregado de formulação, do
planejamento e implementação de ações do Governo Federal no âmbito da
política energética nacional.
8
CMSE – Comitê de Monitoramento do Setor Elétrico. Constituído no âmbito
do MME e sob sua coordenação direta, com a função precípua de acompanhar
e avaliar permanentemente a continuidade e a segurança do suprimento eletro
energético em todo o território.
EPE – Empresa de Pesquisa Energética. A EPE é uma empresa pública,
instituída nos termos da Lei n° 10.847, de 15 de março de 2004, e do Decreto
n° 5.184, de 16 de agosto de 2004. Sua finalidade é prestar serviços na área de
estudos e pesquisas destinados a subsidiar o planejamento do setor energético,
tais como energia elétrica, petróleo e gás natural e seus derivados, carvão
mineral, fontes energéticas renováveis e eficiência energética, dentre outras.
CCEE – Câmara de Comercialização de Energia Elétrica Pessoa jurídica de
direito privado, sem fins lucrativos, regulada e fiscalizada pela ANEEL, com
finalidade de viabilizar a comercialização de energia elétrica no Sistema
Interligado Nacional – SIN. Administra os contratos de compra e venda de
energia elétrica, sua contabilização e liquidação.
ONS – Operador Nacional do Sistema Elétrico. Pessoa jurídica de direito
privado, sem fins lucrativos, sob-regulação e fiscalização da ANEEL, tem por
objetivo executar as atividades de coordenação e controle da operação de
geração e transmissão, no âmbito do SIN.
2.2 AGENTES SETORIAIS
Os Agentes Setoriais, por sua vez, também possuem funções distintas no novo modelo
do setor elétrico.
9
Agentes Geradores – São autorizados ou concessionários de geração de energia
elétrica, que operam plantas de geração e prestam serviços auxiliares.
Agentes de Transmissão – Agentes detentores de concessão para transmissão
de energia elétrica, com instalações na rede básica.
Agentes de Distribuição – Operam um sistema de distribuição na sua área de
concessão, participando do Sistema Interligado e sendo usuários da Rede
Básica. Contratam serviços de transmissão de energia e serviços auxiliares do
Operador Nacional do Sistema Elétrico.
Consumidores Livres – Consumidores que têm a opção de escolher seu
fornecedor de energia elétrica, negociando a compra de energia elétrica de
qualquer concessionário, permissionário ou autorizado do sistema interligado.
A energia comprada pode ser para atender a totalidade ou parte da sua
demanda, cliente parcialmente livre.
Consumidores Cativos – Consumidores que não têm a opção de escolher seu
fornecedor de energia elétrica, ficando obrigados a comprar das distribuidoras
de energia locais.
Agentes Importadores – São agentes titulares de autorização para implantação
de sistemas de transmissão associados à importação de energia elétrica.
Agentes Exportadores – São agentes titulares de autorização para implantação
de sistemas de transmissão associados à exportação de energia elétrica.
Agentes Comercializadores – São agentes titulares outorgados pelo Poder
Concedente para vender energia elétrica a consumidores finais e para comprar
e vender energia elétrica no âmbito do CCEE. Geradores e distribuidores são
automaticamente agentes de comercialização.
10
Agente Comercializador da Energia de Itaipu – Itaipu é uma entidade
binacional, pertencente ao Brasil e ao Paraguai. O relacionamento entre os dois
países segue tratados internacionais específicos. A energia de Itaipu recebida
pelo Brasil representa cerca de 30% do mercado de energia da região
sul/sudeste/centro-oeste. A comercialização dessa energia no Brasil é
coordenada pela Eletrobrás.
2.3 MODELOS DE MERCADO – CONTRATAÇÃO DE ENERGIA
ELÉTRICA
No modelo do setor elétrico brasileiro atual existem o Ambiente de Contratação
Regulada (ACR) e o Ambiente de Contratação Livre (ACL).
A contratação no ACR é formalizada através de denominados Contratos de
Comercialização de Energia Elétrica no Ambiente Regulado (CCEAR), celebrados entre
Agentes vendedores que participam dos leilões de compra e venda de energia elétrica, as
concessionarias e os bancos gestores. Os contratos podem ser celebrados para aquisição de
energia na modalidade “Quantidade” ou “Disponibilidade”.
No ACL existe a livre negociação entre os consumidores livres, Agentes geradores,
comercializadores, importadores e exportadores de energia, em que os acordos de compra e
venda de energia são realizados através de Contratos de Compra de Energia no Ambiente
Livre (CCEAL).
Todos os contratos de compra de energia elétrica devem ser registrados na CCEE para
que possa ser feita a contabilização e liquidação das diferenças no mercado de curto prazo.
Uma previsão de carga precisa por parte dos Agentes do Ambiente de Contratação
Regulada (ACR) e dos Consumidores Livres é bastante importante, isto é, as concessionarias
de energia elétrica devem honrar os compromissos regulatórios apresentando cem por cento
11
de cobertura contratual para o atendimento de seu mercado e consumo, estando sujeitos a
penalidades caso não comprovem a existência dessa cobertura junto à CCEE.
Os Agentes de Geração públicos, produtores independentes de energia ou
autoprodutores, assim como os comercializadores, podem vender energia elétrica em ambos
os ambientes, com o intuito de manter uma justa competição e contribuir com a modicidade
tarifária.
De acordo com inciso I do artigo segundo do Decreto 5163/04, os Agentes vendedores
de energia devem apresentar cem por cento de lastro para a venda de energia e potência,
constituído pela garantia física proporcionada por empreendimentos de geração próprios ou de
terceiros, ou seja, se o agente vendedor não conseguir fornecer a energia vendida em contrato
ele deve adquirir energia com outro Agente vendedor através de contratos de compra de
energia ou de potência. A inexistência do referido lastro será passível de multa ou, até mesmo,
o desligamento da Câmara de Comercialização de Energia Elétrica.
2.3.1 Ambiente de Contratação Regulada
As concessionárias de distribuição de energia elétrica que participam do ambiente de
contratação regulada podem adquirir energia elétrica dos Agentes vendedores das seguintes
maneiras, de acordo com o decreto 5.163/04:
Energia proveniente de contratos bilaterais realizados até 16 de março de 2004;
Leilões de compra de energia elétrica proveniente de empreendimentos de
geração existentes;
Leilões de compra de energia elétrica proveniente de novos empreendimentos
de geração.
12
Geração distribuída, desde que a contratação seja precedida de chamada
pública realizada pelo próprio Agente de Distribuição, contratação esta
limitada ao montante de 10% (dez por cento) do mercado do distribuidor;
Usinas que produzem energia elétrica a partir de fontes eólicas, pequenas
centrais hidrelétricas com potência inferior a 30 MW e biomassa, contratadas
na primeira etapa do Programa de Incentivo às Fontes Alternativas de Energia
Elétrica (PROINFA);
Itaipu Binacional, no caso de agentes de distribuição cuja área de concessão
esteja localizada nas regiões Sul, Sudeste e Centro-Oeste.
2.3.2 Ambiente de Contratação Livre
O Ambiente de Contratação Livre é o segmento do mercado no qual se realizam as
operações de compra e venda de energia elétrica, objeto de contratos bilaterais livremente
negociados, conforme regras e procedimentos de comercialização específicos.
Os Agentes de geração, comercializadores, importadores e exportadores de energia
elétrica, consumidores livres e especiais fazem parte do ambiente de contratação livre. Esses
agentes podem determinar qualquer volume de compra e venda de energia, assim como as
tarifas a serem cobradas. No entanto, eles devem celebrar contrato de Compra de Energia no
Ambiente Livre, informando a CCEE os montantes de energia a serem comercializados.
Os consumidores livres que possuem contratos no ACL devem ser agentes da CCEE e
estão sujeitos ao pagamento de todos os encargos, taxas e contribuições setoriais previstas na
legislação. Esses consumidores podem manter parte da aquisição de sua energia de forma
regulada junto à concessionária de distribuição, constituindo assim um consumidor
parcialmente livre.
13
2.3.3 Objetivos do Novo Modelo
O modelo atual do setor elétrico brasileiro possui três objetivos principais, que são
(EPE, 2011):
A garantia da segurança do suprimento de energia elétrica e sua continuidade;
A promoção da modicidade tarifária;
A inserção social no Setor Elétrico Brasileiro.
Para que exista a garantia da segurança e permanência da continuidade do suprimento
de energia as distribuidoras e os consumidores livres devem contratar cem por cento das suas
demandas e informar constantemente as previsões de carga para que os órgãos responsáveis
possam gerir a oferta e demanda de energia no sistema interligado nacional (SIN).
A redução da tarifa para o consumidor final no modelo em vigor prevê a compra de
energia elétrica pelas distribuidoras no ambiente regulado através de leilões, em que a
geradora de energia que oferecer a menor tarifa é a vencedora, objetivando a redução do custo
de aquisição da energia elétrica e contribuído com a modicidade tarifaria.
O modelo possui o objetivo de promover a inserção social no Setor Elétrico Brasileiro
através da universalização do acesso e do uso do serviço de energia elétrica. Para isso são
criadas condições para que os benefícios da eletricidade sejam disponibilizados aos cidadãos
que ainda não contam com esse serviço. Para atingir esse objetivo o governo criou uma série
ações, como o programa Luz para todos (LPT) e oferece desconto nas tarifas para famílias de
baixa renda.
2.4 PLANEJAMENTO DO SETOR ELÉTRICO
A Figura 2 apresenta o esquema do planejamento energético diretivo do governo de
longo prazo e o desdobramento em outros estudos de prazos distintos, alinhados com o longo
14
prazo. Entre eles o estudo da matriz energética Nacional, derivando o BEN – Balanço
Energético Nacional e o Plano Decenal de Expansão de Energia (horizonte de planejamento
de 10 anos).
Figura 2-Planejamento energético.
Fonte: EPE, 2011.
Por haver horizontes distintos de planejamento (longo, médio e curto prazo) é
necessário traçar estratégias de solução para tal planejamento. Quanto maior for o horizonte
de estudo, maiores serão as incertezas e menor será o detalhamento do sistema.
2.4.1 Plano decenal de Expansão de Energia Elétrica
O Plano decenal de Expansão de Energia Elétrica (PDEE) é o resultado final dos
estudos feitos pela EPE. O PDEE incorpora uma visão integrada da expansão da demanda e
da oferta de recursos energéticos para um horizonte de dez anos, definindo um cenário de
referência, o qual sinaliza e orienta decisões dos agentes no mercado de energia, buscando
15
assegurar a expansão equilibrada da oferta energética, com sustentabilidade técnica,
econômica e ambientalmente sustentável.
O modelo atual do Setor Elétrico, como descrito anteriormente, associa a participação
de agentes públicos e privados, com ações delimitadas por regulamentações e contratos junto
a CCEE. As diretrizes e indicações para o horizonte decenal são também instrumentos
estratégicos para garantir a segurança, qualidade e continuidade do atendimento do mercado
de energia elétrica.
Para a determinação do consumo de energia são consideradas as premissas
demográficas, macroeconômicas e setoriais, assim como as relativas à eficiência energética e
à autoprodução, que possuem importante papel no comportamento de vários indicadores.
O consumo de energia no setor residencial, por exemplo, depende de variáveis
demográficas (como população, número de domicílios e número de habitantes por domicílio)
assim como da expansão e distribuição da renda e do PIB. Essas mesmas variáveis
influenciam, também, outros setores de consumo, como o de comércio e serviços.
Para que ocorra a expansão da capacidade de geração do parque gerador e das
instalações de transmissão no Brasil, os agentes compradores decidem o montante de energia
elétrica a contratar, baseado em estudos de previsão de carga.
Com a informação das distribuidoras, a ANEEL organiza leilões de compra de
energia, em que os geradores apresentam propostas de projetos de novos empreendimentos e
preços de venda de sua energia elétrica. São vencedoras dos leiloes aquelas geradoras que
apresentarem o menor preço. Adicionalmente, as geradoras podem ainda vender livremente
montantes de energia para consumidores livres e comercializadoras (ACL).
Com os novos empreendimentos de geração definidos e conhecido o crescimento do
consumo, é estabelecida a expansão do sistema de transmissão (novas linhas de transmissão e
subestações da rede básica) necessária para o transporte de energia elétrica desde as fontes de
16
produção até o consumidor final, buscando sempre atender os critérios de confiabilidade,
continuidade e segurança no abastecimento ao menor custo de investimento.
Dessa forma, os principais papéis na expansão do sistema de energia elétrica
pertencem aos agentes, tanto de geração e transmissão, quanto de distribuição, responsáveis,
respectivamente, pelos investimentos e pela contratação da maior parcela de energia.
Entretanto todas as ações são orquestradas pelos órgãos públicos competentes.
De forma resumida, abaixo estão listadas as etapas do processo de previsão da
demanda de energia (PDEE, 2010):
Diagnóstico do ano base das projeções, tendo como referência os dados de
oferta e demanda de energia do Balanço Energético Nacional e de suas
relações com o contexto macroeconômico;
Avaliação do impacto do cenário macroeconômico sobre o nível de atividade
dos setores agropecuários e de serviços, assim como sobre o perfil de consumo
das famílias;
Avaliação do impacto das premissas setoriais sobre o consumo industrial de
energia;
Elaboração da projeção da demanda de energia por tipo de fonte;
Análise de consistência e consolidação da demanda de energia e
Elaboração da projeção da matriz energética brasileira, relacionando os
principais setores de consumo com as demandas de cada uma das fontes
energéticas.
O planejamento decenal constitui-se, portanto, em instrumento essencial para apoiar o
crescimento econômico sustentável, visto que a expansão do investimento produtivo requer
oferta de energia com qualidade, segurança e modicidade tarifária.
17
3 PREVISÃO DE CARGA
A previsão de uma série temporal é a suposição de valores ao longo de um horizonte
de tempo (LIMA, 2004).
No entanto, a palavra Previsão pode também ser definida como sendo a predição de
algo que ainda estar por acontecer (MORETTIN & TOLOI, 2006). Existem ainda outros
autores que utilizam o nome projeção, já que o processo de previsão, segundo define Lima
(2004), nada mais é do que uma extrapolação feita além do modelo temporal conhecido ou da
série temporal.
De acordo com Morettin & Toloi (2006), “a previsão não constitui um fim em si, mas
apenas um meio de fornecer informações para uma tomada de decisões, visando a
determinação de objetivos”.
3.1 SÉRIES TEMPORAIS
Uma série temporal pode ser definida como um conjunto de variáveis probabilísticas
equidistantes ao longo do tempo temporal. Já segundo Klein (1997), um sinal que depende do
tempo e é medido em pontos particulares no tempo é sinônimo de uma série.
Do ponto de vista da previsão, Newbold (1995) definiu que uma série temporal seria
uma sequência cronológica de observações, de uma variável de interesse particular, que
quando analisadas poderiam ajudar a previsão a partir das características passadas desta série.
Dessa forma, com os dados passados organizados é possível iniciar o estudo de uma
série temporal, levando em consideração uma abordagem matemática e estatística capaz de
modelar equações que traduzam os mecanismos responsáveis pela geração desta série. Assim,
pode-se investigar sua evolução e comportamento.
18
Os principais objetivos da análise e estudo de séries temporais são: a investigação do
mecanismo gerador da série, a realização de previsões de valores futuros a curto/longo prazo e
a descrição do comportamento da série através da verificação gráfica de características tais
como: tendência, ciclo, sazonalidade e periodicidade.
Os dados que formam uma série temporal de demanda de energia elétrica podem
sofrer a influência de fatores macroeconômicos, variações nas condições meteorológicas e
inovações tecnológicas.
3.2 MÉTODOS DE PREVISÃO
Define-se um método de previsão de requisito de energia como sendo uma técnica que
consiste no cálculo matemático ou estatístico empregado para converter dados históricos e
parâmetros em valores de requisito de energia futuro.
Nesse contexto, existem dois métodos de previsão: qualitativos e quantitativos.
Os métodos quantitativos são muito subjetivos e dependem da sensibilidade e da
experiência dos operadores. São técnicas normalmente mais onerosas e que exigem maior
trabalho e dedicação que os métodos quantitativos de previsão de carga elétrica. Este método
é geralmente utilizado quando há disponibilidade de séries históricas consistentes e a
interferência de especialistas se faz necessário.
Já os métodos qualitativos pode-se dizer que são utilizados quando não existem dados
históricos, sendo de difícil representação numérica. Esta situação ocorre, por exemplo, quando
os dados da medição da energia que passa pelas subestações da distribuidora estão incorretos
ou não foram realizados por motivos diversos, podendo assim transformar opiniões,
conhecimentos e intuições em previsões de demandas futuras.
19
As técnicas qualitativas requerem um recurso humano como processador de
informações para substituir os modelos e formulas matemáticas existentes em métodos
quantitativos.
São exemplos de métodos Qualitativos de Previsão:
Consenso do comitê executivo: executivos com capacidade de discernimento,
de vários departamentos da organização, formam um comitê que tem a
responsabilidade de desenvolver uma previsão de vendas.
Método Delphi: usado para se obter o consenso dentro do comitê, podendo ser
obtida uma previsão com a qual a maioria dos participantes concordou, apesar
de ter ocorrido uma discordância inicial.
Pesquisa de equipe de vendas: estimativas de vendas regionais futuras são
obtidas e combinadas para formar uma estimativa de vendas única para todas
as regiões, que deve então ser transformada pelos executivos em uma previsão
de vendas para assegurar estimativas realísticas.
Pesquisa de clientes: clientes individuais são pesquisados para determinar
quais quantidades dos produtos da empresa eles pretendem comprar em cada
período de tempo futuro.
Analogia histórica: o conhecimento das vendas de um produto durante várias
etapas de seu ciclo de vida é aplicado às estimativas de vendas de um produto
similar. Pode ser especialmente útil na previsão de vendas de novos produtos.
Pesquisa de mercado: questionários por correspondência, entrevistas
telefônicas ou de campo formam base para testar hipóteses sobre mercados
reais.
20
As técnicas quantitativas estão divididas em dois grupos: séries temporais e modelos
causais.
3.2.1 Modelos de Séries temporais
Regressão linear e correlação: é um modelo de previsão que estabelece uma
relação entre uma variável dependente e uma ou mais variáveis independentes.
Média móvel simples: um tipo de modelo de previsão com série temporal de
curto prazo, que prevê vendas para o período seguinte.
Média móvel ponderada: é semelhante ao modelo de média móvel, exceto que,
ao invés de uma média aritmética de vendas passadas, a média ponderada das
vendas passadas é a previsão para o período de tempo seguinte.
Exponencial móvel: também um modelo de previsão com série temporal de
curto prazo, que prevê as vendas para o período seguinte. Neste método, as
vendas previstas para o período passado são modificadas pela informação a
respeito do erro previsto do último período.
Exponencial móvel com tendência: o modelo exponencial móvel, mas
modificado para acomodar dados com um padrão de tendência.
3.2.2 Métodos causais
Análise de regressão: semelhante ao método dos mínimos quadrados das séries
temporais, mas pode apresentar múltiplas variáveis.
Modelos de entrada/saída: enfoca as vendas de cada indústria para outras
empresas e governos.
21
Principais indicadores: estatísticas que se movem na mesma direção das séries
previstas, mas se alteram após as séries, como quando o aumento do preço da
gasolina indica um declínio futuro nas vendas de carros grandes.
3.3 METODOLOGIA DE PREVISÃO
De acordo com Tubino (2006), o modelo de previsão da demanda pode ser dividido
em cinco passos conforme mostra a Figura 3.
Figura 3 - Modelo de previsão de demanda.
Fonte: TUBINO, 2006.
A primeira etapa é a definição da motivação de se fazer uma projeção, para que se
possa também determinar o produto que será previsto e o grau de confiabilidade desta
previsão.
A segunda etapa consiste em coletar, organizar e analisar os dados da série históricos,
com o intuito de identificar e desenvolver uma técnica de previsão que melhor se adapte.
Depois de definida melhor técnica de previsão que podem ser qualitativas, baseadas na
opinião de especialistas e as quantitativas que consiste na análise de dados históricos através
de modelos matemáticos, pode-se obter as projeções de demanda. À medida que estas
previsões forem sendo calculadas, deve-se comparar com dados de consumo reais alcançados
para que se possa efetuar um monitoramento do modelo e calcular o erro obtido.
22
3.4 METODOLOGIA DE PREVISÃO DE CARGA DAS DISTRIBUIDORAS
DE ENERGIA ELÉTRICA
A metodologia tradicional de previsão de carga das distribuidoras de energia elétrica
brasileira utiliza modelos estatísticos de previsão, como: o Modelo Box & Jenkins, ARIMA,
ARMA e NARIMA.
A metodologia de Box-Jenkins para a previsão é baseada no ajuste de modelos
ARIMA, ajustando as séries temporais de forma que a diferença entre os valores gerados
pelos modelos e os valores observados resulte em séries de resíduos de comportamento
aleatório em torno de zero.
Os modelos ARIMA (autoregressivos integrados e de médias móveis) são capazes de
descrever os processos de geração de uma variedade de séries temporais para os previsores
(que correspondem aos filtros) sem precisar levar em conta as relações econômicas, por
exemplo, que geraram as séries.
Segundo a sistemática da metodologia de Box-Jenkins os modelos ARIMA descrevem
tanto o comportamento estacionário como o não-estacionário. Dessa forma, pode-se afirmar
que essa é uma metodologia de modelagem flexível em que as previsões com base nesses
modelos são feitas a partir dos valores correntes e passados dessas séries (GRANGER &
NEWBOLD, 1977).
A idéia central do modelo ARIMA é prever o valor de y(k + h) supondo que se
conhecem as observações passadas, isto é.., y(k - 2), y(k - 1), y(k). Nesse contexto, o instante
k é chamado origem das previsões e h é o horizonte das previsões.
Esses modelos possibilitam a elaboração de cenários da atividade econômica, o
comportamento demográfico, pesquisa direta aplicada a grandes consumidores e
monitoramento continuo do desempenho histórico do mercado da área de concessão.
Os principais objetivos das previsões de carga das distribuidoras são:
23
Determinar os montantes de energia elétricas a serem contratados nos lm eilões
de venda de Energia, para atendimento de todos os clientes cativos na área de
concessão;
Sinalizar para os investidores a receita da concessionaria com a venda de
energia para os consumidores cativos e a receita proveniente do uso do sistema
de distribuição pelos clientes livres e especiais;
Subsidiar os programas de investimento para reforço, expansão do sistema
elétrico e remanejamento de carga, bem como os de operação e manutenção;
Apoiar as ações para redução das perdas de energia.
No estudo em análise, é apresentada no capítulo 5 a técnica de redes neurais artificiais
para a previsão de carga utilizando dados da Companhia Energética do Ceará (COELCE).
24
4 FATORES DE QUE INFLUENCIAM O CONSUMO DE ENERGIA
As variações demográficas, macroeconômicas e setoriais, assim como aquelas
relativas à eficiência energética e ambientais, são fatores fundamentais para determinação da
dinâmica do consumo de energia elétrica. No setor comercial, por exemplo, o consumo
depende de variáveis demográficas e econômicas, pois quanto maior o número de pessoas e
maior for à renda familiar, maior será o consumo.
Nos itens a seguir serão citadas as consequências da variação das premissas que mais
influenciam no comportamento do consumo de energia elétrica no Brasil.
4.1 CARACTERÍSTICAS DA ÁREA DE CONCESSÃO
O sistema elétrico brasileiro possui 63 concessionárias de distribuição de energia
elétrica, onde cada uma possui características e peculiaridades próprias, como: número de
consumidores, quilômetros de rede de transmissão e distribuição, densidade populacional e de
carga, tamanho do mercado (quantidade de unidades de consumo atendidas por uma
determinada infraestrutura), custo da energia comprada e tributos estaduais, entre outros.
Dessa forma, cada subsistema dever ser analisado como algo singular para uma precisa
previsão de requisito.
4.2 POPULAÇÃO
O perfil da população do Ceará, nas últimas décadas, vem passando por um processo
de transformação. Isso porque é cada vez maior a proporção do número de pessoas que vivem
na zona urbana em relação com as que vivem na zona rural, apesar do baixo crescimento
populacional cearense nos últimos anos. Entre outros aspectos, tem-se observado menor taxa
25
de fecundidade e maior expectativa de vida ao nascer. Em síntese, pode-se afirmar que a
população cearense continua a crescer, porém a um ritmo menor e está envelhecendo.
Figura 4- População cearense de 2000 a 2010.
Fonte: IPECE, 2011.
Por sua vez, esses diferentes aspectos da evolução demográfica, por conta dos seus
importantes efeitos sociais e econômicos, acabam se refletindo de forma significativa na
quantidade de unidades consumidoras e no consumo de energia elétrica (Figura 5). Assim
sendo, é preocupação básica de qualquer estudo na área de previsão de consumo de energia
estabelecer premissas com relação ao comportamento futuro da população.
Figura 5-Taxas de crescimento populacional e consumo da Classe Residencial.
Fonte: COELCE/ IPECE, 2012.
7.431 7.542
7.655
7.856 7.977
8.097 8.217 8.185
8.451 8.449 8.448
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
População do Ceará em milhares de habitantes
-15,00%
-10,00%
-5,00%
0,00%
5,00%
10,00%
15,00%
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Taxas de crescimento Populacional x Consumo da Classe Residencial
POPULAÇÃO CONSUMO
26
4.3 AUMENTO DA RENDA FAMILIAR
Uma das variáveis relevantes que influenciam no consumo médio residencial é a
evolução da renda. Quando este parâmetro se encontra em crescimento, gera reflexos
positivos sobre o nível de consumo de energia elétrica.
O consumo médio por consumidor apresenta correlação com a renda, com o PIB e
com o PIB per capita. Esta variável sugere o nível de posse de equipamentos elétricos, por
parte das famílias, assim como da intensidade de uso dos mesmos.
Essas mesmas variáveis são também importantes na explicação de outros setores de
consumo, como é o caso da classe comercial (comércio e serviços) e das demais classes de
consumo.
4.4 INFLUÊNCIA DA TEMPERATURA E DO REGIME DE CHUVAS
A temperatura também tem uma grande influência no consumo médio residencial.
Quando se tem altas temperaturas, há um aumento considerável no nível de consumo por
consumidor devido ao maior uso de equipamentos de climatização. Já temperaturas mais
amenas refletem em um consumo médio mais baixo.
O regime de chuvas associada à temperatura influencia diretamente o consumo da
classe rural. Isso porque quanto mais elevada à temperatura média e menor a incidência
pluviométrica, maior será a utilização dos sistemas de irrigação, aumentando
consideravelmente o consumo na zona rural.
27
4.5 EFICIÊNCIA ENERGÉTICA E INOVAÇÃO TECNOLÓGICA
O processo contínuo de avanço tecnológico, refletido na eficiência energética dos
equipamentos, a implementação de campanhas de estímulo à economia e racionalização do
uso, entre outras, diminuem a intensidade de uso dos equipamentos elétricos no interior das
residências, dos comércios e indústrias reduzindo assim, a taxa de consumo total.
Como exemplo da racionalização do uso da energia, pode-se analisar a figura 6, onde
se observa uma queda acentuada no consumo residencial médio por unidade consumidora
com o racionamento. O consumo médio em 2011 é 16,5% inferior em relação à taxa
verificada em 1998. O consumo não voltou ao patamar anterior ao racionamento com o
termino das restrições de consumo, pois houve uma mudança no hábito da população e
melhoria da eficiência energética com a troca de lâmpadas incandescentes por lâmpadas frias.
Figura 6- Evolução do Consumo Médio Residencial 1991-2011.
Fonte: COELCE, 2012.
70,0
80,0
90,0
100,0
110,0
120,0
130,0
140,0
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011
Consumo Médio Residencial 1991-2011 (kWh/Cliente)
28
4.6 PRINCÍPIOS DE MACROECONOMIA
Como comprovado na literatura técnica sobre previsões, a correlação entre a expansão
do consumo total de energia e o nível de atividade econômica é bastante significativa. Dessa
forma, qualquer estudo nessa área deve estabelecer premissas para o crescimento econômico
do país.
Como exemplo da influência da economia no consumo de energia, pode-se analisar a
figura 7, onde as taxas de crescimento do requisito de energia da Coelce acompanham os
índices de crescimento do produto interno bruto do estado do Ceará.
Observa-se também que a influência do consumo na economia é verdadeira, pois em
2001 com o Racionamento de energia, houve retração da economia cearense.
Figura 7-Taxas de crescimento do PIB Ceará e do Requisito Coelce.
Fonte: COELCE/IPECE, 2012.
Os estudos apresentados nesse trabalho consideram a análise de longo prazo do Plano
Nacional de Energia, o PNE 2030, que estabelece, dessa maneira, as condições de contorno
para a trajetória das principais variáveis relacionadas ao setor energético. São também
-15,0%
-10,0%
-5,0%
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Taxas de crescimeto PIB Ceará X Requisito Coelce (2001-2011)
PIB Requisito Coelce
29
analisados os elementos conjunturais, bem como as definições e planejamento de médio
prazo, que podem influenciar parâmetros relevantes no horizonte decenal, em particular, as
taxas de expansão da economia.
A técnica de cenários constitui-se, assim, em importante ferramenta para a projeção do
futuro, uma vez que lida com as incertezas e com as inter-relações complexas que determinam
as trajetórias das diversas variáveis, como sociais, econômicas, financeiras, ambientais e
energéticas, entre outras.
O principal resultado da avaliação qualitativa é que se espera que o crescimento da
economia brasileira esteja acima da média mundial nos próximos 10 anos. Para esse estudo,
será considerado o crescimento do PIB moderado, mostrado na tabela 1 abaixo:
Tabela 1 - Taxas de crescimento do nível de atividade (médias no período).
Fonte: IBGE e FMI (dados históricos) e EPE (projeções)
4.7 SETORES ELETRO-INTENSIVOS
4.7.1 Demanda Industrial
As projeções de expansão da indústria cearense nos próximos anos terão
obrigatoriamente que levar em conta o Programa de Aceleração do Crescimento – PAC,
anunciado em janeiro de 2007 pelo Governo Federal, que possui varias medidas destinadas a
incentivar o investimento do setor privado, aumentar o investimento público em infraestrutura
e estimular o crédito e o financiamento (ANEEL, 2011).
O comportamento do consumo de energia elétrica da classe industrial pode ser
analisado em dois grupos bastante distintos: o dos consumidores não intensivos em energia
30
elétrica, que são a maioria e recebem a designação de tradicionais, e os consumidores
intensivos em energia elétrica.
Entre os consumidores industriais de energia elétrica, é composto em sua maior parte
pelos grandes consumidores, que são caracterizados por possuírem níveis de consumos de
energia elevados e os eletros intensivos, onde a energia elétrica é fundamental para o processo
de produção.
O desempenho do produto industrial é bastante influenciado pela própria dinâmica da
economia nacional e, mais especificamente, pelas mudanças estruturais na formação do
produto nacional. Desse modo, importa definir, em conformidade com as condições de
contorno estabelecidas em cada cenário, a contribuição do produto industrial na formação do
produto interno bruto.
31
5 REDES NEURAIS
Este capítulo apresenta a fundamentação teórica dos sistemas baseados em Redes
Neurais Artificiais (RNA). As redes neurais artificiais são técnicas computacionais que
apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e
que adquirem conhecimento através da experiência (HAYKIN, 1994). Dessa forma, será
possível a realização de tarefas de reconhecimento de padrões e extrapolações de séries
temporais.
As RNA são formadas por elementos de processamento (neurônios) e suas conexões
(sinapses), em que cada conexão possui um peso que determina sua participação na decisão
do disparo, controlando dessa forma, os estímulos (ALTRAN & MINUSSI, 2008). Os dados
recebidos por essas redes são processados usando o paralelismo lógico (na mesma camada) e
as Operações seriais (quando a informação de uma camada é transferida para neurônios de
outra camada).
Nesse trabalho, a rede neural artificial utilizada para a previsão de carga em curto,
médio e longo prazo é uma rede feedforward, do tipo percetron multicamadas, cujo
treinamento é realizado através do algoritmo retro propagação, que é um procedimento
sistemático de adaptação de pesos das redes neurais baseado no método do gradiente
descendente (LEHR, 1990).
5.1 ARQUITETURA DAS REDES NEURAIS ARTIFICIAIS
Geralmente, uma rede neural artificial, possui uma camada de entrada e uma camada
de saída (cada neurônio pode ter várias entradas, porém, somente uma saída). E entre as duas
camadas existem as camadas intermediárias em quantidade variável. Cada saída pode ser
32
utilizada como entrada a vários neurônios (através de ramificações) e cada neurônio pode
receber várias entradas procedente de outros neurônios como pode ser visto na Figura 8. Cada
uma dessas conexões entre os neurônios possuem pesos que determinam suas colaborações
em um disparo controlado, chamados de estímulos (HAYKIN, 1994).
Figura 8- Estrutura de uma Rede Neural Artificial.
Fonte: LOPES, 2005.
A estrutura das redes neurais pode ser classificada em redes recorrentes e não
recorrentes.
Uma rede neural é do tipo recorrente ou feedback, se ela contém laço de
realimentação, ou seja, contém conexões das saídas de uma determinada camada para a
entrada da mesma camada ou de camadas anteriores, elas partem e chegam a um mesmo
neurônio.
Já a rede neural que não contém laço de realimentação é dita não recorrente ou
feedforward, ou seja, cada neurônio recebe sinais somente das camadas anteriores. São redes
que não possuem memória, sendo que sua saída é determinada em função da entrada e dos
valores dos pesos (HAYKIN, 1994).
Os modos em que neurônios artificiais diferem um do outro, e que pode ser
modificados para novo desempenho incluem: mudança da função de transferência e utilização
de novos parâmetros. Já os aspectos que diferem as redes neurais quanto à arquitetura são o
33
número de camadas escondidas, número de processadores na camada escondida e número de
neurônios na camada de saída.
5.2 APRENDIZADO DAS REDES NEURAIS ARTIFICIAIS
O aprendizado das redes neurais é definido com um conjunto de procedimentos bem
definidos para adaptar os parâmetros de uma RNA para que a mesma possa aprender uma
determinada função de treinamento. O objetivo do treinamento é adaptar os pesos das
entradas na rede para que ela produza a saída desejada. O que se tem é um conjunto de
ferramentas representadas por diversos algoritmos, cada qual com suas vantagens e
desvantagens. Estes algoritmos basicamente diferem pela maneira de como o ajuste dos pesos
é feito.
A etapa de aprendizado consiste em um processo iterativo de ajuste de parâmetros da
rede, os pesos das conexões entre as unidades de processamento, que guardam, ao final do
processo, o conhecimento que a rede adquiriu devido à influencia do ambiente em que está
operando.
Diversos métodos para treinamento de redes foram desenvolvidos, podendo estes
serem agrupados em dois paradigmas principais: aprendizado supervisionado e não-
supervisionado.
O treinamento supervisionado é o mais comum no treinamento das RNA’s, tanto de
neurônios com pesos, como os sem pesos. Nesse método, a entrada e a saída desejadas para a
rede são fornecidas por um supervisor externo (professor) como pode ser observado na Figura
9.
No aprendizado supervisionado é necessário um conjunto de treinamento que contenha
os pares de entrada e saída.
34
Figura 9- Esquemático do treinamento supervisionado em RNA.
Fonte: próprio autor
A rede tem sua saída calculada e comparada com o alvo, recebendo informações do
supervisor sobre o erro da resposta atual. A cada padrão de entrada submetido à rede,
compara-se a resposta desejada com a resposta calculada, ajustando-se os pesos das conexões
para minimizar o erro existente.
No aprendizado não supervisionado, como o próprio nome já diz, não há um
supervisor para acompanhar o processo de aprendizagem. No algoritmo, somente os padrões
de entrada estão disponíveis para a rede.
Figura 10- Esquemático do treinamento não supervisionado.
Fonte: próprio autor.
Existem diversos algoritmos para efetuar a aprendizagem de redes neurais artificiais.
Dentre elas destacam-se:
Regra de Hebb;
Regra delta Widrow Hoff;
Regra delta generalizada;
feedforward,;
Algoritmo de aprendizagem retro propagação.
35
5.2.1 Perceptron Multicamadas (MLP)
O perceptron Multicamadas tem sido aplicado vastamente na resolução de problemas
de grande complexidade, pois seu treinamento ocorre de forma supervisionada com a
utilização do algoritmo de retro propagação (HERTZ, 1990).
A MLP é composta por uma camada de nós, uma ou mais camadas de nós
computacionais (neurônios) ocultos e uma camada de saída também composta por nós
computacionais. A camada formada por neurônios ocultos (camada oculta) recebe este nome
porque não há acesso da entrada e nem da saída sobre esta camada. As redes MLP possuem
capacidade de resolver problemas não-lineares.
As não-linearidades são inseridas nos modelos por meio das funções de ativação não-
lineares de cada neurônio e da composição de sua estrutura em camadas sucessivas. A função
de ativação, também chamada de função de transferência, é uma função matemática que,
aplicada à combinação linear entre as variáveis de entrada e pesos que chegam a determinado
neurônio, retorna ao seu valor de saída, ou seja, determina a relação entre entradas e saídas de
cada neurônio da rede.
O modelo Neural de multi-camadas, sendo um aproximador universal de funções, é
capaz de aproximar qualquer função contínua desde que o número de neurônios na camada
escondida seja suficientemente grande (HAYKIN, 1994).
O algoritmo de treinamento de retropropagação do erro, mais conhecido como
backpropagation é o algoritmo mais popular para o treinamento de RNAs multicamadas.
Basicamente o algoritmo consiste de dois passos: a propagação e a retropropagação. No
primeiro passo, um vetor de entradas é aplicado à camada de entrada e o seu efeito se propaga
pela rede produzindo um conjunto de saídas. A resposta obtida pela rede é subtraída da
resposta desejada para produzir um sinal de erro. O segundo passo consiste em propagar esse
36
sinal de erro na direção contrária às conexões sinápticas, ajustando-as de forma a aproximar
as saídas da rede das saídas desejadas.
Em uma rede MLP, basicamente, tem-se como parâmetros de escolha:
O número de neurônios na camada de entrada.
O número de camadas escondidas e o número de neurônios nestas camadas.
O número de neurônios na camada de saída.
Apesar de a literatura citar alguns algoritmos para realizar a escolha destes parâmetros,
não existe uma solução geral que atenda a todos os casos. Dessa forma, essa escolha torna-se
parte do problema e a solução varia de acordo com cada caso e de acordo com a
complexidade de cada processo.
Em resumo, o algoritmo de Retro propagação segue as seguintes etapas:
1. Apresentação de um padrão de entrada (série temporal) à rede, a qual fornece
uma saída;
2. Cálculo do erro (diferença entre o valor desejado e a saída) para cada saída;
3. Determinação do erro retro propagado pela rede associado à derivada parcial
do erro quadrático de cada elemento relacionado aos pesos;
4. Ajuste dos pesos de cada elemento;
5. Apresenta-se um novo padrão à rede e repete-se o processo até que haja a
convergência da rede, ou seja, (erro < tolerância arbitrada).
37
6 ESTUDO DE CASO
Este Capítulo apresenta a metodologia utilizada para a modelagem das séries
temporais de consumo de energia elétrica do estado do Ceará, que é a área de concessão da
Coelce.
Ao longo deste Capítulo serão abordados índices de desempenho que são utilizados
para quantificar o quão satisfatório são os resultados das previsões do modelo proposto. Será
feita a descrição das séries temporais do Ceará.
As projeções de consumo realizadas serão de curto, médio e longo prazo. Em que, as
previsões de curto prazo serão projeções do consumo por dia e por hora, previsões de médio-
prazo abrangem horizontes de meses, e as previsões de longo-prazo que visam horizontes
acima de um ano.
6.1 CRITÉRIOS PARA AVALIAÇÃO DA REDE NEURAL
Em problemas de extrapolação de séries temporais é importante quantificar a
qualidade da projeção obtida. Isso permite, por exemplo, comparar diversas estruturas de
modelos utilizando índices de desempenho. Neste trabalho, os índices de desempenho serão
utilizados de acordo com o prazo da projeção das séries temporais executadas.
Para projeções de curto prazo se utilizará a variação percentual entre a projeção do
consumo horário Yn e o consumo horário realizado:
(1)
Para projeções de médio e longo prazo será usado o erro percentual médio (MPE do
inglês mean percentage error).
38
(2)
Onde a série temporal a ser predita será indicada por Y(k), e a previsão por R(k). A
previsão usada neste trabalho é a predição de k passos-a-frente, em que k pode assumir
valores de um até o horizonte de previsão.
Entretanto, para se avaliar corretamente o desempenho de um determinado método ou
estrutura, qualquer que seja o índice usado, o mesmo precisa ser calculado em um trecho de
dados de validação, ou seja, dados que não foram usados na construção do modelo.
6.2 DESCRIÇÃO DOS DADOS
No estudo de caso são usados dados da Coelce. A base de dados disponibilizada pela
concessionária contempla os valores horários de consumo de energia em kilowatt-hora (kWh)
entre janeiro de 2000 e janeiro de 2012. E a energia anual vendida da empresa desde 1973.
A série temporal de consumo de energia horária total da companhia elétrica do Ceará é
mostrada na Figura 11 e a Figura 12 exibe o consumo total de energia agrupado diariamente e
mensalmente, respectivamente.
Figura 11-Consumo diário do estado do Ceará em kWh de janeiro de 2000 a janeiro de 2012.
Fonte: COELCE, 2012.
0
5000
10000
15000
20000
25000
30000
35000
kW
h
39
Figura 12- Consumo mensal do estado do Ceará em GWh de janeiro de 2000 a janeiro de 2012.
Fonte: COELCE, 2012.
A série temporal de consumo de energia anual da companhia elétrica do Ceará é
mostrada na Figura 13.
Figura 13- Consumo anual do estado do Ceará em GWh de 1973 a 2011.
Fonte: COELCE, 2012.
400
500
600
700
800
900
1000
jan
-00
jul-
00
jan
-01
jul-
01
jan
-02
jul-
02
jan
-03
jul-
03
jan
-04
jul-
04
jan
-05
jul-
05
jan
-06
jul-
06
jan
-07
jul-
07
jan
-08
jul-
08
jan
-09
jul-
09
jan
-10
jul-
10
jan
-11
jul-
11
GW
h
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
8.000
9.000
10.000
1973 1976 1979 1982 1985 1988 1991 1994 1997 2000 2003 2006 2009
GW
h
40
6.3 COMPOSIÇÃO DA REDE NEURAL ARTIFICIAL
Para os procedimentos da RNA, deve ser levados em conta a escolha das entradas do
modelo, escolha do número de neurônios na camada escondida, escolha das saídas,
porcentagem de dados para treinamento e validação.
A escolha do número de neurônios na camada de entrada no problema de modelagem
de séries temporais trata-se basicamente da escolha dos atrasos utilizados como entradas no
modelo. Neste caso, foram escolhidos 5 neurônios para compor a primeira camada da rede
neural artificial. Os dados de entrada são o dia, mês, ano e o tipo de dia, em que o “tipo de
dia” o classifica como útil, sábado ou domingo.
Na escolha da camada de saída foram utilizadas previsões de um passo à frente, em
que essas saídas foram sendo realimentá-las no modelo para obter as previsões no horizonte
maior. Dessa forma, é possível fazer uma previsão em um horizonte maior do que a
amostragem da série.
Neste trabalho usa-se a metodologia de realimentar a topologia do modelo para obter a
previsão de k passos à frente, sendo k o horizonte de previsão, conhecida como simulação
livre. A função de ativação da camada escondida foi à tangente hiperbólica e na camada de
saída foi utilizada a função linear.
O número de neurônios que serão utilizados na camada escondida normalmente é
obtido pelo método de tentativa e erro. Na literatura não se encontrou uma metodologia
coerente para determinar o número de neurônios da camada escondida. Neste trabalho, foram
realizadas várias simulações com o número de neurônios na camada escondida variando de 1
até 500. Para cada quantidade de neurônios foram realizadas 4 simulações, inicializando a
rede em condições iniciais diferentes para tentar evitar que o algoritmo de treinamento
alcançasse um mínimo local. A simulação correspondente ao número de neurônios da camada
41
que apresentou melhor desempenho, em função dos índices de desempenho, que foi a de 70
neurônios na camada intermediária.
Outro importante item a ser definido é a composição dos dados para treinamento e
validação, isto é, quais os dados que serão usados para treinar os modelos, e quais serão
utilizados para validá-los. A literatura sugere que pelo menos 20% da base de dados seja
separado para validar os modelos obtidos na fase de treinamento (BRAGA, 2000).
A figura 14 mostra a estrutura utilizada para simular a rede neural artificial no
MATLAB.
Figura 14 - Estrutura da RNA
Fonte: MATLAB
6.4 PREVISÃO DE MÉDIO E CURTO PRAZO
No planejamento da operação de médio e curto prazo e na programação diária, a
previsão de carga influência diretamente, definindo o despacho de usinas e transferência de
carga, de forma a garantir o suprimento à carga, estabelecendo, desta maneira, a
confiabilidade do sistema, visando o atendimento ao consumidor final.
Dessa forma, em atendimento aos Procedimentos de Rede, Módulo 5, Submódulo 5.6,
as distribuidoras devem enviar as previsões de médio e curto prazo para a elaboração do
Programa Mensal de Operação (PMO).
42
O PMO estabelece as diretrizes eletroenergéticas de curto prazo, de modo a minimizar
os desvios entre os valores previstos em relação aos verificados, otimizando os recursos
disponíveis de geração e transmissão do Sistema Interligado Nacional, segundo
procedimentos e critérios adotados nos Procedimentos de Rede, homologados pela ANEEL.
Para a avaliação de curto prazo da operação são necessários os valores de carga global
de energia ativa em MW médio, carga global de demanda ativa máxima de ponta e fora de
ponta em MWh/h, carga global prevista de energia ativa mensal e semanal em MW médio,
carga global prevista mensal de demanda ativa na ponta e fora de ponta em MWh/h, carga
global prevista semanal de demanda ativa na ponta em MWh/h, carga global prevista de
energia ativa mensal e semanal discretizada em patamares de carga leve, média e pesada em
MW médio, considerando o número de horas para composição dos patamares.
6.4.1 Previsão horária e diária
Para a realização das previsões diárias, foi utilizada a rede descrita no item 6.3. A
Figura 15 mostra os dados de validação de 43 dias à frente do modelo obtido, com 70
neurônios na camada escondida.
Figura 15 - Requisito previsto e realizado de 01/03/2012 a 12/04/2012.
Fonte: próprio autor
0
5
10
15
20
25
30
35
GW
RNA REALIZADO
43
Observa-se que o modelo proposto neste trabalho consegue absorver a dinâmica da
série de requisito diário, representando adequadamente as oscilações. Na tabela 2 observam-se
as comparações entre os valores requisito diários projetados e os realizados.
Tabela 2 – Variação (%) entre valores diários previstos e realizados de 01/03/12 a 12/04/12.
DATA
REALIZADO
(MW)
PREVISTO
(MW) ∆(%)
DATA
REALIZADO
(MW)
PREVISTO
(MW) ∆(%)
01/mar/12 30.122 28.507 5,67%
23/mar/12 31.379 31.700 -1,01%
02/mar/12 30.559 28.505 7,21%
24/mar/12 28.283 28.248 0,12%
03/mar/12 28.142 28.011 0,47%
25/mar/12 25.373 26.724 -5,06%
04/mar/12 24.884 26.400 -5,74%
26/mar/12 30.381 31.189 -2,59%
05/mar/12 30.215 28.356 6,56%
27/mar/12 29.555 30.840 -4,17%
06/mar/12 30.392 28.322 7,31%
28/mar/12 29.118 30.486 -4,49%
07/mar/12 31.059 28.317 6,68%
29/mar/12 29.567 30.174 -2,01%
08/mar/12 31.621 31.344 0,88%
30/mar/12 29.777 29.920 -0,48%
09/mar/12 30.173 28.404 6,23%
31/mar/12 30.792 29.130 5,71%
10/mar/12 26.671 27.497 -3,00%
01/abr/12 25.725 26.961 -4,58%
11/mar/12 24.616 24.107 2,11%
02/abr/12 30.158 30.941 -2,53%
12/mar/12 30.304 28.809 5,19%
03/abr/12 31.180 31.076 0,33%
13/mar/12 31.109 29.032 7,15%
04/abr/12 31.328 31.184 0,46%
14/mar/12 30.636 29.300 4,56%
05/abr/12 29.646 31.275 -5,21%
15/mar/12 29.896 29.608 0,97%
06/abr/12 23.709 26.650 -11,04%
16/mar/12 30.409 29.945 1,55%
07/abr/12 24.864 24.468 1,62%
17/mar/12 28.287 27.861 1,53%
08/abr/12 23.914 24.628 -2,90%
18/mar/12 25.647 26.902 -4,67%
09/abr/12 30.377 30.872 -1,60%
19/mar/12 26.256 27.958 -6,09%
10/abr/12 31.611 30.815 2,58%
20/mar/12 30.616 31.243 -2,01%
11/abr/12 31.688 30.900 2,55%
21/mar/12 31.341 31.475 -0,43%
12/abr/12 31.608 30.995 1,98%
22/mar/12 30.729 31.635 -2,86% Fonte: próprio autor
Os dados de previsões horárias são obtidos de modo estatístico, em que o consumo de
um dia previsto é escalonado proporcionalmente ao consumo registrado ao dia equivalente do
ano anterior. Por exemplo, o dia 19 de janeiro de 2012 terá a mesma distribuição de consumo
44
de energia do dia 20 de janeiro de 2011, pois ambos são quinta-feira e pertencem a terceira
semana do mês. Esse comportamento pode ser observado na Figura 16.
Figura 16-Compotamento de consumo de energia em kW dos dias 20/jan/2011 e 19/jan/2012.
Fonte: próprio autor
6.4.2 Previsão mensal
Com os dados diários produzidos pela RNA é possível fazer previsões mensais. Na
Figura 17 é mostrada a sazionalização do requisito Coelce de 2007 até abril de 2012 e a
previsão de 12 meses à frente. Pode-se notar que o modelo consegue absorver a dinâmica da
série de requisito, representando adequadamente as oscilações. Dessa forma, a metodologia é
coerente em relação aos dados históricos.
A projeção de crescimento do requisito de 2012, de acordo com a metodologia
apresentada, em relação a 2011 é de 9,38%.
Figura 17- Previsão de requisito em MW com 12 meses à frente e Requisito Coelce realizado de 2007 até abril/2012.
Fonte: próprio autor
0
500.000
1.000.000
1.500.000
2.000.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
20/jan/11 19/jan/12
500
600
700
800
900
1.000
1.100
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
MiW
2007 2008 2009 2010 2011 2012 Previsto 2012
45
A Figura 18 contem as variações médias absolutas (MPE) entra o que foi previsto e
realizado entre janeiro/12 e abril/12. Os erros médios das projeções geradas pela metodologia
proposta são inferiores a 1,5%.
Figura 18- MPE previsto e realizado
Fonte: próprio autor
6.4.3 Consistência dos dados gerados
Para se avaliar a consistência dos dados gerados pela RNA foram feitos comparativos
estatísticos da participação mensal, trimestral e semestral do requisito dos últimos 10 anos
como pode ser observado nas tabelas 3, 4 e 5 e na Figura 19.
Figura 19 - Participação trimestral do requisito, em que os dados de 2012 são valores previstos.
Fonte: próprio autor
-1,34% -0,13% -0,32%
0,61%
-5,00%
-3,00%
-1,00%
1,00%
3,00%
5,00%
jan-12 fev-12 mar-12 abr-12
46
Tabela 3 - Participação mensal do requisito
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 MÉDIA
Jan 8,42% 8,03% 8,42% 8,65% 8,57% 8,10% 8,43% 7,96% 7,88% 8,24% 8,33%
Fev 7,33% 7,19% 7,58% 7,55% 7,17% 7,74% 7,32% 7,50% 7,38% 7,53% 7,44%
Mar 7,73% 8,14% 8,40% 8,29% 8,02% 7,87% 7,99% 8,64% 8,07% 8,17% 8,11%
Abr 7,69% 7,90% 8,04% 7,65% 7,79% 7,60% 7,60% 7,87% 7,69% 7,80% 7,74%
Mai 8,16% 8,28% 8,09% 8,10% 8,21% 7,90% 7,79% 8,38% 8,17% 8,22% 8,16%
Jun 7,83% 7,74% 7,79% 7,75% 7,88% 7,83% 7,76% 8,10% 8,05% 8,00% 7,83%
Jul 8,26% 8,21% 8,16% 8,06% 8,37% 8,37% 8,26% 8,39% 8,26% 8,53% 8,26%
Ago 8,68% 8,66% 8,61% 8,48% 8,59% 8,52% 8,54% 8,56% 8,78% 8,75% 8,60%
Set 8,71% 8,65% 8,51% 8,56% 8,46% 8,75% 8,79% 8,45% 8,76% 8,48% 8,61%
Out 9,25% 9,09% 8,88% 9,09% 9,08% 9,29% 9,30% 8,87% 9,06% 8,89% 9,08%
Nov 8,96% 9,00% 8,79% 8,93% 8,94% 9,06% 9,08% 8,81% 8,88% 8,66% 8,94%
Dez 8,99% 9,11% 8,74% 8,88% 8,91% 8,98% 9,12% 8,47% 9,04% 8,75% 8,94%
Fonte: próprio autor
Tabela 4- Participação trimestral do requisito
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 MÉDIA
1ᵒT 23,48% 23,37% 24,40% 24,49% 23,77% 23,71% 23,74% 24,10% 23,33% 23,93% 23,76%
2ᵒT 23,68% 23,92% 23,92% 23,50% 23,88% 23,33% 23,14% 24,35% 23,90% 24,02% 23,89%
3ᵒT 25,64% 25,51% 25,28% 25,11% 25,42% 25,63% 25,60% 25,40% 25,80% 25,76% 25,56%
4 ᵒ 27,20% 27,20% 26,41% 26,90% 26,93% 27,34% 27,51% 26,15% 26,98% 26,30% 26,95%
Fonte: próprio autor
Tabela 5 - Participação semestral do requisito
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 MÉDIA
1ᵒSem 47,16% 47,28% 48,31% 47,99% 47,65% 47,03% 46,89% 48,45% 47,23% 47,95% 47,47%
2ᵒSem 52,84% 52,72% 51,69% 52,01% 52,35% 52,97% 53,11% 51,55% 52,77% 52,05% 52,53% Fonte: próprio autor
Os índices de desempenho revelam que o modelo apresenta bom desempenho para a
previsão livre de 12 meses à frente. Percebe-se também que na tabela 4 e Figura 19 que a
média histórica do primeiro trimestre representa em torno de 24% do requisito anual. Dessa
forma, utilizando métodos estatísticos o crescimento do requisito Coelce em relação ao ano
anterior é de 9,32%, confirmado o resultado sugerido pela rede neural proposta neste trabalho.
47
6.5 PREVISÃO DE LONGO PRAZO
De acordo com o decreto 5163, a partir de 2005, todos os agentes de distribuição
deverão informar ao Ministério de Minas e Energia, até 1º de agosto de cada ano, as previsões
de seus mercados ou cargas para os cinco anos subsequentes.
Com a previsão de requisito das distribuidoras, pode-se definir um cenário de
referência para construção de novas instalações de geração e transmissão, fundamentais para
sustentar o crescimento dos requisitos do mercado, segundo critérios de garantia de
suprimento pré-estabelecidos, de forma socioambiental e aos menores custos possíveis de
investimento.
A previsão de logo prazo irá, portanto, subsidiar: a realização dos futuros leilões de
compra de energia de novos empreendimentos de geração e de novas instalações de
transmissão; a definição de quais estudos de expansão da transmissão deve ser priorizada;
bem como de quais estudos de viabilidade técnica, econômica e socioambiental de novas
usinas geradoras realizar e, eventualmente, quais estudos de inventários deverão ser
atualizados.
Nesse contexto, pode-se perceber que a previsão de carga é peça chave para o
planejamento e a organização do setor elétrico brasileiro.
6.5.1 Resultados obtidos para a Previsão de Longo Prazo
Após a simulação na RNA com a série histórica do Requisito Coelce desde o ano de
2001 até 2011, tem-se os dados previstos para os anos de 2012 até 2017. Na Figura 20 o
crescimento em relação ao ano anterior.
48
Figura 20- Crescimento de Requisito de 2008 a 2016.
Fonte: próprio autor
Observa-se na figura 20 que as projeções realizadas a partir da metodologia
apresentada mantêm a tendência de crescimento do requisito da área de concessão da Coelce.
Com esses dados, pode ser traçada uma estratégia de contratação de energia para que a
concessionária trabalhe dentro dos níveis regulatórios, evitando a exposição ao mercado de
curto prazo e possíveis penalidades.
3,85% 3,64%
13,31%
1,12%
9,04% 8,55% 6,91%
5,05% 3,43%
2008 2009 2010 2011 2012 2013 2014 2015 2016
49
7 CONCLUSÃO
Neste trabalho de conclusão de curso apresentou-se a obtenção de modelos que
estimam o consumo de energia elétrica do estado do Ceará uma metodologia utilizando
inteligência computacional. Para a modelagem usou-se a Rede Neural Artificial com o
treinamento sendo realizado com o algoritmo de retro propagação.
O método desenvolvido foi motivado pela atual sistemática do setor elétrico brasileiro,
em que as concessionárias devem contratar energia por longos prazos e atender 100% do
consumo na sua área de concessão, além de enviar previsões de requisito para os próximos
cinco anos, dos quais o mais recente está sujeito a revisões e ajustes.
As redes neurais apresentam grande habilidade de aprendizagem e generalização, não
sendo necessária a modelagem prévia de carga para efetuar a previsão e por consequência não
são necessários todos os parâmetros (LOPES, 2000).
Com a série temporal de consumo de 1973 a 2011 foram projetados dados de requisito
de energia elétrica, obtendo a previsão para o horizonte de 30 dias, 12 meses e 5 anos. Apesar
da utilização no modelo de redes neurais, optou-se por utilizar os dados a partir de 2000, pois
anteriormente a esse período o mercado de energia elétrica da Coelce comportava-se de forma
distinta. Desta forma, a inclusão de tais dados comprometeria os resultados de estimação,
devido à mudança no padrão de consumo das classes.
A rede neural artificial proposta foi a MLP que possui sua estrutura formada por três
camadas, em que a camada de entrada é composta por 5 neurônios, 70 na camada oculta e 1
neurônio na de saída. A RNA foi treinada com o algoritmo de retro propagação. A função de
ativação da camada escondida foi à tangente hiperbólica e na camada de saída foi utilizada a
função linear.
A análise dos resultados foi feita comparando os valores realizados com os valores
estimados, através da análise dos gráficos das curvas (realizado e projetado) e através da
50
análise de precisão utilizando o erro percentual. Todo esse estudo é apresentado no capítulo 6
por meio de gráficos e tabelas.
A metodologia gerou previsões consistentes, com erros mensais em torno de 1%. As
projeções mantiveram a tendência de crescimento do mercado de energia subsidiando a
tomada de decisão. Esses resultados são considerados bons para previsão, visto que, os
métodos estatísticos, apresentam os melhores resultados por volta de 4%. Dessa forma, a
RNA proposta pode ser importante ferramenta para a previsão do consumo de energia do
estado do Ceará.
Ressalta-se que o desenvolvimento e aperfeiçoamento de modelos de previsão são de
interesse fundamental dos diversos agentes envolvidos no setor elétrico. As empresas de
distribuição necessitam de maior precisão em suas previsões, a fim de reduzirem os erros e as
penalidades. Para fins de planejamento, também necessitam desses estudos, como ferramentas
de tomadas de decisão referentes à alocação de investimentos.
A metodologia proposta poderá servir de subsídio ao planejamento estratégico e
financeiro do setor elétrico, no planejamento da operação de médio e curto prazo e na
programação diária, de forma a garantir a qualidade e continuidade do atendimento do
consumidor final.
É recomendável um aperfeiçoamento no tratamento dos dados inseridos na camada de
entrada da rede neural, pois não existe distinção entre os dias uteis e os feriados nacionais e
estaduais, em que existem diferenças consideráveis de consumo. Acrescentar também dados
históricos de temperatura e níveis pluviométricos.
Outra abordagem para trabalhos futuros poderia ser a previsão por classe de consumo
no sistema da Coelce: industrial, comercial, residencial e outros, para se chegar ao consumo
total, acrescentando a esta série um percentual relacionado às perdas técnicas e comerciais,
obtendo assim o requisito.
51
8 REFÊRENCIAS
ANEEL. Por dentro da conta de energia. Rio de Janeiro, p. 25. 2011.
ANEEL. Procedimento de Distribuição de Energia Elétrica no Sistema Elétrico Nacional
- PRODIST. ANEEL. [S.l.], p. 63. 2011.
BRAGA, A. P. . C. A. C. . E. L. T. B. Redes Neurais Artificiais: teoria e aplicações. [S.l.]:
Livraria Técnica Científica, 2000.
CCEE. VISÃO GERAL DAS OPERAÇÕES NA CCEE. Rio de Janeiro, p. 96. 2011.
CTME, C. T. P. E. D. M.-. Energia Elétrica: Previsão de Carga dos Sistemas Interligados.
Rio de Janeiro, p. 20. 2004.
EMPRESA DE PESQUISA ENERGÉTICA. Balanço Energético Naciona 2011: Ano base
2010. Rio de Janeiro, p. 266. 2011.
EPE. Projeção da Demanda de energia elétrica para os próximos 10 anos. Rio de Janeiro,
p. 114. 2009.
EPE. Plano Decenal de expansão de energia, 2020. Rio de Janeiro, p. 319. 2011.
HAYKIN, S. , Neural Networks: A Compreensive Foudation. New York: Macmillan
College Publishing, 1994.
HERTZ, J. . P. R. K. A. Introdução à teoria da computação neural. 1. ed. [S.l.]: Perseus
Books, 1990.
INC., T. M. Manual de Utilização Do Matlab. [S.l.]. 2010.
LEHR, B. W. A. M. A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and
Backpropagation. Proceeding of the IEEE, v. 78, n. 9, p. 1415-1442, 1990.
LEONE, M. A. Tese de Mestrado,Previsão de carga de curto prazo usando ensembles de
previsores selecionados e evoluídos por algoritmos genéticos. Faculdade de Engenharia
Elétrica e de Computação, Universidade Estadual de Campinas. [S.l.]. 2006.
LOPES, M. L. M. Dissertação de Mestrado, Desenvolvimento de um Sistema Previsor de
Cargas Elétricas via Redes Neurais. Faculdade de Engenharia de Ilha Solteira - UNESP.
[S.l.]. 2000.
MINISTÉRIO DE MINAS E ENERGIA. Matriz Energética Nacional 2030. Brasília, p. 254.
2007.
52
MME, SECRETARIA DE PLANEJAMENTO E DESENVOLVIMENTO ENERGÉTICO,
EPE. Plano Nacional de Energia 2030. Brasília. 2007.
NEWBOLD, G. E. Forecasting Economic Time Series. New York: Academic Press, 1977.
WERBOS, P. J. Beyond Regression: New Tools for Prediction and Analysis in Behavioral
Sciences, PHD Thesis. Harvard University. [S.l.]. 1974.
LOPES, M.L.M; MINUSSI, C. R. and LOTUFO, A. D. P., “Electric Load Forecasting
Using a Fuzzy ART&ARTMAP Neural Network”. Applied Soft Computing, Great Britain,
v. 5, n. 2, p. 235-244, 2005.
MORETTIN, G. A, TOLOI, C. M. “Análise de series temporais”. Edgar Blunher. São
Paulo, 2006.
TUBINO, DALVIO FERRARI. “Manual de Planejamento e Controle da Produção”. São
Paulo. Editora Atlas S.A., 2006.
LIMA, F.G. “Um método de análise e previsões de sucessões cronológicas
unidimensionais lineares e não-lineares”. São Paulo, 2004.
HAYKIN S., “Redes Neurais: princípios e prática”. Bookman, Porto Alegre, segunda
edição, 2001.
Newbold, P., "Statistics for Business & Economics", Prentice Hall, 4th edition,
1995
