DESENVOLVIMENTO DE UMA METODOLOGIA PARA A CONTRATAÇÃO
DE ENERGIA VIA TÉCNICAS INTELIGENTES
Adriano Ferreira de Faria
CELG Distribuição S/A
Goiânia –74805-180 – GO - Brazil
[email protected]
Germano Lambert-Torres e Claudio Inácio de Almeida Costa
FUPAI – Fundação de Pesquisa e Assessoramento à Indústria
Rua Xavier Lisboa, 27 – Itajuba – 37501-042 – MG - Brazil
[email protected], [email protected]
Carlos Henrique Valério de Moraes
UNIFEI - Universidade Federal de Itajubá
Av. BPS 1303 – Itajuba – 37500-903 – MG - Brazil
[email protected]
Resumo – A previsão da carga elétrica a longo e médio
prazo sempre desempenhou um papel fundamental no
planejamento da expansão e da operação dos sistemas
elétricos. Atualmente, com a desverticalização do setor,
ela também desempenha um papel importante no
mercado de energia. Seu papel cria os subsídios
necessários para estabelecer os níveis de compra de
energia. Este artigo apresenta um Sistema Integrado de
Previsão de Carga possibilita sua determinação para
longo e médio prazos, estabelecendo projeções de
mercado e carga para um horizonte de até 10 anos, com
saídas mensais e anuais.
Palavras-Chaves – Previsão de carga, Mercado de
energia, Planejamento de sistemas, Sistemas inteligente.
I. INTRODUÇÃO
A previsão de carga desempenha um papel predominante
em diversas decisões do sistema elétrico. Isto é verdade não
somente para a escolha de investimentos na geração e na
transmissão, mas ela é também utilizada como referência
para: previsão de investimentos financeiros, planejamento do
uso de combustível, operação diária do sistema,
planejamento da capacidade do sistema e planejamento e
implantação da reserva girante. Conseqüentemente, a
importância, para as concessionárias de energia, de uma
previsão da carga confiável é bastante clara. Além disto, uma
boa previsão permite que diversos aplicativos de otimização
do sistema elétrico possam ter resultados mais precisos [1].
Além disto, ajustar a geração ou a compra de energia ao
consumo, em todos os instantes, é um requisito básico no
processo de operação dos sistemas elétricos. Um desbalanço
nesta equação pode levar a desvios indesejados de tensão ou
perda de receita. Com isto, os operadores do sistema devem
antecipar os valores de carga no sentido de preparar as ações
corretivas necessárias (por exemplo, inclusão de geração ou
linhas, corte de carga, entre outras) para operar o sistema
com segurança. Atualmente, os operadores da CELG
utilizam alguns recursos empíricos para prever a carga.
A previsão de carga a longo-prazo serve para que a
empresa possa prever investimentos em seu sistema de
geração e de transmissão. Estuda-se a evolução da carga
alguns anos a frente, sendo que o crescimento apresentado
depende basicamente de elementos econômicos, tais como:
possibilidade de investimentos em certas regiões, política de
desenvolvimento regional, facilidades de acesso, índices
inflacionários e fiscais, entre outras.
Outro horizonte de previsão importante é o de médioprazo, que está mais ligado aos programas de manutenção
que a empresa deve realizar. Usualmente, esta previsão
abrange um espaço de tempo de 1 mês até 1 ano a frente. Sua
previsão depende de algumas condições climáticas gerais
(tais como: período de chuvas ou de estiagem, temperaturas
baixas ou altas, etc.) e de alguns fatores exógenos, como
festas regionais e período de férias.
Com este dois horizontes de previsão trabalhando
harmonicamente e de forma acurada é possível fornecer os
insumos necessários para o correto estabelecimento de
políticas de contratação de energia, fornecendo as bases
necessárias para uma entrada no mercado de energia,
reduzindo custos de aquisição e maximizando os benefícios
do mercado.
Este desenvolvimento visa fornecer uma ferramenta
computacional aos técnicos da CELG que lhes permitam
saber em avanço a carga que o sistema deverá suprir, em
diversos horizontes de tempo, levando em consideração as
características peculiares do Estado de Goiás. Por exemplo,
uma dela está associada a previsão da subclasse Irrigante que
pertence a classe rural e que sofre muita influência das
chuvas. Seu comportamento foge ao convencional e deve ter
elementos próprios de estudo.
A inovação tecnológica deste desenvolvimento é a
proposição de um encaminhamento que unirá o melhor das
ferramentas econométricas e probabilísticas com a
possibilidade de montagem de cenários oferecidas pelas
técnicas de conjuntos difusos. Este sistema foi encapsulado
em uma interface homem-máquina amigável, que permitirá
aos técnicos da CELG realizar as previsões das cargas em
diferentes horizontes de tempo para diversos grupos de
consumidores, estabelecidos por classes de consumidores,
nível de tensão, grupos tarifários, localização geográfica,
entre outros.
Assim, a demanda de energia requerida pela sociedade em
um determinado momento é uma variável determinada pelas
condições socioeconômicas, climáticas e até mesmo
culturais. Portanto, para entender o comportamento do
consumo de energia elétrica, se faz necessário analisar os
seus principais fatores determinantes, dentro do contexto
sócio-regional.
É desta perspectiva que se pode compreender melhor o
comportamento passado e, concomitantemente, elaborar
cenários prospectivos do comportamento futuro desta
importante e complexa variável.
II. APRESENTAÇÃO DA METODOLOGIA
As diversas técnicas de Inteligência Artificial têm
evoluído bastante desde suas proposições iniciais.
Atualmente, a soft computing já é uma realidade na solução
de problemas em diversas áreas, inclusive na de sistemas
elétricos de potência [2].
Não obstante este fato, algumas lacunas continuam a
existir nas diversas técnicas. Algumas têm mais facilidade no
aprendizado, mas apresentam dificuldades nos processos de
explanação de como a resposta foi encontrada. Outra possui
facilidade no tratamento de imprecisões e valores parciais,
porém apresenta grandes problemas em desenvolver processo
de busca global. Uma solução para cobrir estas lacunas
poderia ser o desenvolvimento de estruturas que utilizassem
mais de uma técnica. Com isto, as características mais
adequadas de cada técnica poderiam ser utilizadas
melhorando o desempenho total do sistema e criando
sistemas híbridos.
A integração de técnicas inteligentes tem permitido que
este área ganhe cada vez mais importância na solução dos
problemas dos sistemas elétricos de potência. O pacote
computacional desenvolvido propõe uma metodologia para a
previsão da carga elétrica a curto-prazo baseada nas Técnicas
de Multi-Agentes Inteligentes. Ela une diversas técnicas de
Inteligência Artificial formando sistemas híbridos
inteligentes de acordo com a necessidade da tarefa a ser
desempenhada pelo programa.
O kernel da metodologia é baseado na similaridade
existente entre os diversos dias da semana ao longo de um
dado período. Pode-se verificar que as cargas de um mesmo
dia da semana (por exemplo, terça-feira) têm um caráter
bastante semelhante aos mesmos dias passados (ou seja, às
terças-feiras anteriores). Se se puder descontar entrada/saída
de carga, modulações dinâmicas e contratos especiais de
fornecimento dos dias regulares (salvo feriados), pode-se
verificar que as mudanças que ocorrem são basicamente
devido a alguns fatores principais, tais como: variação de
temperatura e nebulosidade (principalmente, devido a cargas
de iluminação pública).
As técnicas principais que são utilizadas no kernel do
programa são baseadas em sistemas especialistas difusos. Os
sistemas especialistas são sistemas que realizam seu processo
de inferência sobre uma base de conhecimento previamente
armazenada. Esta base de conhecimento contém regras e
fatos sobre um domínio específico do conhecimento. Este
sistema é construído por um engenheiro do conhecimento
que tem a função de extrair de um ou vários especialistas os
conhecimentos de uma determinada área e colocá-los na base
de conhecimento de uma forma palatável para o processo de
inferência.
Por outro lado, a lógica difusa é uma teoria matemática
que tenta representar com mais naturalidade a pertinência de
um elemento a um determinado conjunto [3]. A sua
utilização em sistemas inteligentes acontece principalmente
pela capacidade de poder representar grandezas lingüísticas
correntes no mundo real através de conjuntos desta teoria.
Outras técnicas inteligentes também foram ser utilizadas
de acordo com a necessidade de classificação e qualidade dos
padrões de treinamento e ajuste do pacote computacional. O
desenvolvimento foi realizado para possibilitar que o técnico
responsável por esta atividade possa também introduzir sua
experiência antes da previsão final. Diversas características
de interfaces gráficas foram desenvolvidas e incorporadas
com a finalidade de prover uma interface amigável ao
usuário.
O Sistema Integrado de Previsão de Carga possibilita a
determinação da carga para diversos horizontes de tempo
(longo e médio prazos), estabelecendo projeções de mercado
e carga para um horizonte de até 10 anos, com saídas
mensais e anuais. A metodologia proposta, que foi
concretizada na forma de um programa computacional,
possui três partes principais: um sistema de préprocessamento, um sistema de previsão e um sistema de pósprocessamento. O sistema de pré-processamento lê
automaticamente os dados da base da CELG, avaliando-os,
eliminando daqueles com valores disformes e gerando,
quando necessários, pseudo-dados. Este procedimento é
importante, pois permite que sejam eliminados dados
errôneos (bad data). Em seguida, o sistema baseado em
técnicas econométricas e de probabilidade tem o objetivo de
realizar a melhor previsão possível. Nesta etapa são
construídos diferentes cenários análise. Para isto, são
utilizados conceitos da lógica difusa, que permite expressar
valores não só de forma quantitativa, mas também de forma
qualitativa. Finalmente, existe um sistema de pósprocessamento vai adequar este valor previsto a fatos ou
características especiais da carga.
Os cenários que são desenvolvidos no sistema de previsão
de médio e longo prazos incorporam (tanto mais distante for
o horizonte de previsão) fatores externos às grandezas
elétricas, passando a incorporar grandezas econômicas e de
desenvolvimento, bem como índices de crescimento, ações
políticas e decisões estratégicas da devem ter um tratamento
diferenciado das grandezas puramente numéricas.
O sistema de pré-processamento é composto por regras de
produção que consigam avaliar a qualidade dos dados, bem
como organizá-los automaticamente em conjuntos de
treinamento e conjunto de dados para teste. Este sistema tem
também o papel de definir a metodologia que será utilizada
para a previsão.
O módulo de previsão de carga e mercado tem
características diferentes do módulo passado. Neste tipo de
previsão fatores não-numéricos também devem ser levados
em consideração. Itens tais como, taxas de inflação, valor das
taxas cambiais, taxas de juros, SELIC, PIB, entre outros
devem ser levados em consideração para que se possa
estabelecer o crescimento das cargas para os próximos anos.
Também devem ser levados em consideração, as políticas
desenvolvimentistas
governamentais,
os
fatores
macroeconômicos e as estratégias de expansão da
concessionária. Outros fatores importantes e regionais
próprios da CELG devem ser levados em consideração, por
exemplo, as cargas de irrigação, a influência das chuvas e
outras características próprias das cargas rurais.
Assim, o módulo de previsão a médio e longo prazos tem
uma estrutura capaz de manipular diversos elementos de
forma organizada e racional, tentando relacioná-los,
estabelecendo sua importância para a previsão da carga. São
também tratadas situações de inconsistências e
ambigüidades.
As situações de inconsistências, indefinições e de
conhecimentos parciais surgem naturalmente na descrição do
mundo real, apesar disto, o homem consegue raciocinar
adequadamente, sendo que esse raciocínio não está sob a
visão da lógica aristotélica, ou melhor, aquela visão em que
qualquer afirmação que se faça sobre algo, ou é verdade ou é
falsa. Como as situações reais não se enquadram nas formas
binárias da lógica clássica vários pesquisadores se
esforçaram, no sentido, de encontrar outras formas que
permitissem enquadrar melhor outros conceitos como as
indefinições, ambigüidades e inconsistências, com isso
surgem às lógicas não-clássicas.
A lógica difusa permite que se manipule valores
lingüísticos e conjunto com valores numéricos. Assim,
valores, como grande, pequeno, alto e baixo, passam a ter um
significado preciso e de grande utilidade na determinação na
construção de uma resposta final. Isto é essencial para a
definição de cenários, podendo-se expressar e contabilizar
expressões linguísticas, por exemplo, o crescimento da
economia será pequeno ou os investimentos no setor tendem
a serem altos.
Foi também confeccionada uma interface com o usuário
para que a metodologia e as técnicas utilizadas fiquem
transparentes a ele. Sistemas de exportação de dados, para
alimentar outros programas ou relatórios (como o da ONS)
foram também desenvolvidos.
III. ESPECIFICIDADES DO SISTEMA DE PREVISÃO
O Sistema de Previsão pode ser dividido em diversas
etapas. Em cada etapa são calculadas cumulativamente uma
ou mais das curvas intermediárias que resultarão na curva
final de previsão. As etapas são:
1. Análise do Histórico
Nesta fase é escolhido o intervalo de tempo passado a ser
utilizado como base para a previsão, o chamado Período
Histórico. Os dados disponíveis dentro do Período Histórico
são carregados e formam a curva “Histórico”.
2. Correção dos Agendamentos Passados
Nesta fase, são selecionados do banco de dados os
agendamentos passados (entradas ou saídas significativas de
carga) dentro do Período Histórico. Para igualar o nível de
carga do histórico ao mesmo nível do instante final do
período de Histórico, os valores de carga dos agendamentos
são acrescentados ao histórico, desde o início do período de
histórico até a data do agendamento. Esse cálculo gera a
curva de “Histórico Corrigido”. Esse cálculo tem o objetivo
de eliminar eventuais degraus existentes no histórico,
deixando a curva de Histórico Corrigido apenas com os
valores de crescimento vegetativo da carga.
3. Análise da Média Móvel
Nesta fase é analisada a tendência global de evolução da
carga. O primeiro passo é o cálculo da curva de Média Móvel
sobre o Histórico Corrigido. A operação de média móvel tem
o objetivo de eliminar os efeitos de sazonalidade da carga.
Como a carga normalmente apresenta uma sazonalidade
anual, foi escolhida uma janela de 12 meses. A média móvel
utilizada é do tipo centrada, ou seja, o valor médio de carga
em um ponto é calculado pela média de um conjunto de
pontos anterior e outro posterior ao ponto calculado. Por esse
motivo, a curva de média móvel se inicia apenas seis meses
após o início do período Histórico, e se encerra 6 meses antes
do término do período de Histórico.
4. Análise de Sazonalidade
O coeficiente de sazonalidade indica o quando o valor de
carga de um determinado mês se desvia da média [4]. Seu
cálculo é feito pela divisão do valor de carga do histórico
corrigido pelo valor da média móvel para um determinado
mês do ano. Os índices de sazonalidade refletem um
comportamento cíclico da carga, em relação ao mês do ano.
5. Análise de Tendência
A análise de tendência é feita através da regressão linear
da curva da média móvel. São calculados os coeficientes
angulares e lineares da reta de regressão dos pontos da média
móvel. A reta obtida é então extrapolada para o intervalo de
tempo do Horizonte de Previsão, dando origem a curva base
da previsão. A esta curva base serão acrescentados diversos
itens, até que se obtenha a previsão final.
6. Tendência Corrigida
Semelhante ao que foi feito com a curva de Histórico,
onde os agendamentos passados foram utilizados para o
calcula do Histórico Corrigido, agora serão os agendamentos
futuros que serão usados para corrigir a reta de tendência,
gerando-se a curva de Tendência Corrigida. Assim, caso
exista a previsão de entradas ou saídas de cargas
significativas para ocorrer dentro do horizonte de previsão,
estes valores serão adicionados a curva de tendência, desde a
data prevista do agendamento até o final do horizonte de
previsão. O resultado desta operação normalmente é uma
curva em forma de escada, onde os desníveis ou degraus
aparecem nas datas dos agendamentos.
7. Sazonalidade Prevista
Os índices de sazonalidade passados serão utilizados para
se calcular os índices de sazonalidade futuros. Para isso
utiliza-se uma combinação entre a média e a mediana dos
últimos 5 anos. Foi utilizado um peso 2 para a mediana e
peso 1 para a média dos últimos 5 anos. Este critério
mostrou-se mais estável e robusto em relação a eventuais
erros no histórico. Como os dados históricos são de consumo
“faturado”, eventuais erros de faturamento de um mês podem
ser descontados ou compensados no mês seguinte, levando a
curva a apresentar oscilações artificiais, que não são
características da carga.
8. Erro de Previsão e Ajuste do Coeficiente Alfa
Caso haja dados disponíveis de histórico já dentro do
Horizonte de Previsão, o programa pode calcular o erro % de
previsão. O erro de previsão representa o desvio entre o valor
efetivamente verificado e o valor previsto para um
determinado mês. O objetivo do previsor é minimizar este
erro. Para isso, o usuário pode alterar o comportamento da
curva de tendência, acrescentando uma componente
exponencial de crescimento (alfa>0) ou decaimento (alfa<0).
Conforme se aumenta o valor de alfa, a curva de tendência
prevista cresce mais rapidamente, aumentando sua inclinação
e se curvando um pouco para cima. De modo análogo, ao se
diminuir o valor de alfa, a curva diminui sua inclinação e se
curva para baixo. Os valores típicos de alfa utilizados foram
de -10 até 20, para um horizonte de previsão de 10 anos. O
usuário deve escolher um valor de alfa que minimize o erro
% no intervalo de validação.
IV. APRESENTAÇÃO DO PROGRAMA DE PROJEÇÃO
DE MERCADO E DE CARGA
Com o objetivo de tornar o processo de previsão o mais
rápido e eficiente possível, foi escolhida uma interface
gráfica semelhante ao programa Microsoft Excel, utilizandose uma barra de pastas na parte inferior da tela, conforme
apresentado na Figura 1.
A. Parâmetros da Previsão
O Previsor realiza a previsão de cargas utilizando todos os
anos de histórico considerando um horizonte de previsão de
10 anos à frente. Caso o usuário deseje alterar ou visualizar
estas informações, pode abrir a janela de parâmetro de
previsão, utilizando o menu Previsões/Parâmetros, ou
pressionando o botão na barra de ferramentas (Figura 2).
Figura 2 - Janela de Parâmetros da Previsão
O usuário pode alterar o período do histórico preenchendo
os campos de data na janela acima. Caso seja de interesse,
pode-se também alterar o horizonte de previsão.
Os valores informados são utilizados para todas as classes
de consumidores.
B. Agendamentos e Dados Inconsistentes
Antes de iniciar uma seção de previsão, é sempre
interessante fazer uma verificação nos dados armazenados no
histórico. Uma rápida inspeção da curva do histórico pode
revelar erros de digitação, valores discrepantes, eventos
atípicos, sazonalidades e tendências gerais da carga.
Apenas por inspeção, podem-se notar eventos atípicos e
discrepância dos dados. Por exemplo, uma curva de carga
pode apresentar uma sazonalidade anual típica com finais e
inícios de ano mais fracos e patamares mais altos no decorrer
do ano. Caso se verifique algum salto na curva, aumentos ou
diminuições atípicas, será necessário cadastrar estes eventos
na planilha de agendamentos.
Isso é feito em duas etapas. Primeiro devemos selecionar
uma série do gráfico, clicando sobre a respectiva curva no
gráfico. Quando a série é selecionada, todos os seus pontos
são destacados por pequenos quadrados pretos.
A segunda etapa é clicar novamente na série selecionada,
entrando no modo de seleção de pontos. Neste modo,
movendo-se o mouse, pode-se selecionar uma data
específica. Ao escolher o ponto desejado, o usuário pode
pressionar o botão direito do mouse e exibir o menu da
Figura 3.
Figura 1 - Área de Trabalho do Programa Previsor
Na área de trabalho destacam-se os seguintes elementos:
1 – Barra de Título
2 – Menu Principal
3 – Barra de Ferramentas
4 – Exibição em modo Gráfico
5 – Pastas das Classes de Consumidores
6 – Barra de Status
Figura 3 - Seleção de pontos de uma série no Modo Gráfico
Este menu permite ao usuário editar um valor histórico de
carga, inserir ou excluir um agendamento.
C. Classes de Consumidores
O Previsor utiliza uma interface de pastas para representar
cada Classe de Consumo. As classes são criadas
automaticamente ao se importar os históricos de carga. Para
incluir, editar ou excluir uma classe, o usuário pode clicar
com o botão direito do mouse sobre a barra na parte inferior
da tela, ou utilizar o menu Classes, conforme a Figura 4.
Figura 4 - Menus de opções para Classes de Consumidores
Caso o usuário escolha excluir uma Classe, após
confirmar sua escolha, todos os dados desta classe serão
apagados. Isso inclui o histórico de eventos e o de
agendamentos.
Além das informações importadas do histórico, como o
número da classe e o nome, o usuário pode configurar a
posição desta na barra de pastas.
Nesta janela, o usuário pode também associar os
indicadores a cada subestação. O usuário pode escolher
utilizar até 3 indicadores para cada subestação. Para cada
indicador, o usuário pode associar um peso que indica a
correlação esperada entre o indicador e a carga. Caso não
seja informado o peso, o Previsor calcula a correlação entre
os valores do indicador e da carga no período histórico
disponível e atribui o peso automaticamente.
D. Relatório Final de Projeção de Mercado e de Cargas
A Figura 5 apresenta um exemplo de relatório emitido.
Além do modo relatório, o usuário pode utilizar o modo
Planilha de Previsões. Nesta planilha, os valores são
representados na cor azul, a cor padrão para os dados de
previsão. Isso facilita a identificação desta planilha, e pode
evitar enganos ou confusão com a planilha de históricos.
Figura 5 - Exibição do Relatório de Previsão de Cargas.
V. EXEMPLO NUMÉRICO PARA O CICLO 2010/2019
A demanda de energia requerida pela sociedade em um
determinado momento é uma variável determinada pelas
condições socioeconômicas, climáticas e até mesmo
culturais. Portanto, para entender o comportamento do
consumo de energia elétrica, se faz necessário analisar os
seus principais fatores determinantes.
Podem-se tomar, a título de ilustração, a evolução das
tarifas, as transformações internas do setor produtivo, os
ganhos de eficiência energética e produtiva em função da
introdução de novas tecnologias, a mudança de hábitos, a
evolução do emprego e dos ganhos de renda, além da
própria estruturação da oferta. É desta perspectiva que
podemos compreender melhor o comportamento passado e,
concomitantemente, elaborar cenários prospectivos do
comportamento futuro desta importante e complexa variável.
As seções seguintes trazem um esboço das metodologias
empregadas na elaboração das projeções envolvendo as
diferentes classes de consumo.
A. Residencial
A taxa de crescimento da classe Residencial mostra-se
decrescente ao longo do horizonte de projeção (2010-2019),
fruto da interação entre o crescimento do número de
consumidores com o consumo por consumidor.
A projeção do número de consumidores residenciais da
CELG D segue as tendências demográficas do estado de
Goiás, que vem apresentando algumas nuances e
especialidades que as diferenciam das tendências
demográficas do Brasil. Devido à forte corrente imigratória,
em especial a que ocorre no entorno do Distrito Federal, a
população de Goiás cresce à taxa anual de 2,4%, enquanto a
brasileira cresce em torno de 1,7%.
No entanto, devido à queda no ritmo de crescimento da
taxa anual de fecundidade, que se mostra mais forte do que a
queda verificada na taxa de óbitos por habitante projeta-se
uma redução no ritmo de crescimento populacional. No
estudo da evolução populacional, foram utilizados como
base os dados de censos anteriores (1980, 1991 e 2000), da
Contagem Populacional (2007), bem como das estimativas
populacionais por município, realizadas pelo IBGE para o
ano de 2007.
Para a projeção do número de domicílios do Estado
utilizou-se a PNAD - Pesquisa Nacional por Amostra de
Domicílios – 2007, também elaborada pelo IBGE. Para
determinar a evolução do número de domicílios urbanos no
Estado, correlacionou-se a população com o número de
habitantes por domicílio. Para se alcançar os números da
área de concessão da CELG D, subtraiu-se dos números do
Estado, os domicílios urbanos situados na área de concessão
da Companhia Hidroelétrica São Patrício - CHESP.
De posse dos domicílios urbanos situados na área de
concessão da CELG D, projetou-se a Taxa de Atendimento
Urbana, isto é, a proporção entre o número de domicílios
que terão as condições econômicas para serem contemplados
pelo serviço de fornecimento de energia elétrica, dentro do
universo total de domicílios existentes. Considera-se como
universo de domicílios, os domicílios particulares ocupados,
particulares não ocupados fechados, não ocupados de uso
ocasional e não ocupados vagos. Não foram considerados os
domicílios coletivos.
A Taxa de Atendimento Urbana sofre influência do
crescimento da economia (PIB), bem como da distribuição
de renda (Coeficiente de Gini). A saturação da taxa de
atendimento adotada foi de 0,999, ou seja, 99,90%, evitando
assim uma descontinuidade no cálculo da função
matemática: “função logística”. A taxa de Atendimento
Urbana alcança 98,40% no fim do período de projeção, em
2019.
Pelo fato de considerarmos como domicílios, conforme
explicado anteriormente, não só os domicílios
permanentemente ocupados, como também os não ocupados
fechados, não ocupados de uso ocasional, além de não
ocupados vagos, julgou-se ser bastante otimista uma
prospecção que visualizasse a completa universalização do
atendimento no curto e médio prazo.
Feito esta ressalva entende-se que este estudo contempla o
atendimento do Programa Luz para Todos dentro do
cronograma estabelecido pela Aneel.
O número de consumidores residenciais foi então
projetado pelo produto da taxa de atendimento urbana, com
o número de domicílios urbanos projetados (dezembro de
cada ano).
O Consumo por Consumidor Residencial (CCR) foi
obtido correlacionando-o com o PIB per capita. Como
parâmetro, comparou-se a evolução do PIB per Capita
goiano, com o índice de outros estados. Comparou-se a
relação entre o PIB per Capita e o Consumo por Consumidor
Residencial dos estados de Alagoas, Bahia, Ceará, Distrito
Federal, Espírito Santo, Goiás, Maranhão, Minas Gerais,
Mato Grosso do Sul, Mato Grosso, Pará, Paraíba,
Pernambuco, Piauí, Paraná, Rio Grande do Norte, Rio
Grande do Sul, Santa Catarina, Sergipe, São Paulo e
Tocantins. Especialmente no período pós-racionamento, os
índices de correlação e o poder explicativo do método dos
mínimos quadrados empregado (R-quadrado) mostraram-se
bastante satisfatórios, com índices superiores a 0,90 e 0,80,
respectivamente.
Projetou-se um CCR de Goiás saindo de 136,4 kWh/mês
em 2010, e atingindo o patamar de 153,2 kWh/mês em 2019.
B. Industrial
Foi realizada pesquisa direta via correspondência com
nossos consumidores industriais cativo que apresentassem
cargas e consumos considerados grandes. Por solicitação da
CELG D, os maiores consumidores fizeram suas projeções
de cargas mensal e anual até o ano de 2019.
Os que representavam demanda igual ou maior que 3,0
MW foram considerados como potencialmente livres,
embora ainda fossem cativos até o término de seus
contratos.
Para completar, foram realizadas viagens ao longo do
estado de Goiás, buscando informações sobre o mercado
potencial, tanto na indústria como de outras atividades. As
viagens e as reuniões com as autoridades locais e de classe
foram importantes também para ter uma informação mais
precisa a respeito da data exata em que determinados
projetos listados entrariam de fato em execução.
Foram feitas também pesquisas em diferentes secretarias
do governo, nas áreas de Planejamento, de Indústria e
Comércio, além da área de Infra-estrutura, consultando,
inclusive, projetos de financiamento e de incentivo fiscal,
como o programa PRODUZIR, além de consulta às cartas
aprovadas no Fundo Constitucional do Centro Oeste (FCO),
órgão de financiamento ligado ao Banco do Brasil.
A projeção dos outros consumidores, sobretudo do Grupo
B, foi feita pela correlação com o PIB Goiás.
A projeção total do consumo Industrial foi o resultado
desses três agrupamentos de consumidores: o tradicional, os
grandes consumidores já ligados ao sistema e os outros que
estão incluídos nos projetos do Estado de Goiás para serem
ligados ao sistema elétrico CELG D nos próximos anos.
A projeção dos Consumidores Livres foi feita através de
pesquisa direta junto a esses consumidores, bem como à
análise da tendência de cada consumidor separadamente.
Assim como foi feito com os consumidores especiais,
utilizou-se também uma abordagem microeconômica, no
sentido de discriminar o dinamismo referente a cada setor da
economia.
A projeção dos Consumidores Livres levou em
consideração também as perspectivas futuras quanto à
evolução do Preço de Liquidação de Diferenças (PLD),
devido à sua importância na formulação das estratégias por
parte dos consumidores potencialmente livres quanto a se
transferirem ou não para o Ambiente de Contratação Livre
(ACL).
C. Comercial
Os valores projetados para a classe comercial foram
obtidos por meio de correlação com o consumo residencial e
com o PIB de Goiás. Levou-se em consideração, na atual
projeção, a superioridade das taxas de crescimento da classe
Comercial em relação à Residencial, assentada na crescente
importância do setor de serviços no crescimento econômico
brasileiro e mundial.
Em Goiás, assiste-se a uma profusão de novas redes de
supermercados, shopping centers, centros comerciais, bem
como a um intenso crescimento do setor de turismo, com
forte incremento do setor de alojamento e alimentação.
D. Rural
A projeção da classe Rural consiste na soma das projeções
das sub-classes Rural Tradicional e Rural Irrigante.
Projetou-se separadamente o Rural Tradicional
correlacionando com o PIB total e também pelo PIB do setor
primário. Completou-se com a correlação PIB total com o
consumo por consumidor Rural do Grupo “B”.
O mesmo foi feito também para os consumidores Rurais
Tradicionais do grupo “A”, que é composto pelos níveis de
tensão A3a e A4. Obtivemos a projeção do Rural
Tradicional por duas metodologias diferentes, para em
seguida compatibilizar ambos os resultados. Adicionou-se a
esta metodologia informações e dados sobre o
desenvolvimento do agro-negócio em Goiás, bem como por
pesquisa nas Secretarias da Agricultura, Infra-estrutura,
Indústria e Comércio com relação a outros empreendimentos
a serem realizados no setor agropecuário, como, por
exemplo, a Indústria Rural.
De posse dessa projeção, analisou-se o comportamento
dessa parte do Rural em relação ao Consumo Total obtido
pela correlação com o PIB, embora utilizando ainda os
valores preliminares obtidos até então.
Contemplou-se também a expectativa de evolução do
número de consumidores por conta de programas que visam
à universalização do atendimento do serviço de
fornecimento de energia elétrica na zona rural. Neste
contexto, estimou-se a expectativa de evolução do número
de consumidores, bem como do consumo por consumidor
das residências rurais. Para tanto, foram coletadas
informações junto ao departamento da CELG D responsável
pelo planejamento e execução do programa Luz para Todos.
Levou-se em consideração, para a subclasse Rural
Irrigação, o expressivo crescimento que vem ocorrendo no
número de consumidores, com índices anuais médios, entre
1999 e 2007, superiores a 8,0 %. Embora tenhamos passado
por um significativo desaquecimento no últimos anos,
causado tanto pela “crise do agronegócio”, como sobretudo
pelos altos índices pluviométricos verificados no Estado
durante o período, o consumo também registra altas taxas de
crescimento.
E. Poder Público
Foram levantadas as possíveis novas cargas pelos projetos
do Poder Público para o Estado, como prédios de
prefeituras, fóruns, delegacias, distritos policiais, escolas,
postos de saúde, melhorias nos equipamentos hospitalares e
informatização de escolas e órgãos públicos.
Também
foram
feitas
análises
contemplando
especificamente apenas os clientes Banco do Brasil e Caixa
Econômica Federal.
F. Iluminação Pública
Foi feita a correlação com o consumo e o número de
consumidores residenciais. Foi associada também a
correlação com o fator watt de Iluminação Pública por
consumidor residencial. Para tanto, foram considerados os
programas eficientização energética que a CELG D tem
desenvolvido em parceria com as prefeituras, que visam à
troca de lâmpadas mistas, incandescentes e de vapor de
mercúrio por lâmpadas de vapor de sódio, que consomem
menos energia.
G. Serviço Público
No caso da CELG D, o consumo dessa classe é
basicamente voltado para captação de água e tratamento de
esgotos. O consumo foi também correlacionado com o
consumo residencial, incrementamos os dados e informações
a respeito de futuros domicílios.
H. Consumo Próprio
Foi submetido o número de escritórios da CELG D ao
número de localidades a serem ligadas, bem como à classe
Poder Público, por terem comportamento semelhante.
I. Consumo Total
Correlacionou-se o consumo total com o PIB e obtivemos
a projeção do total. Pela soma das projeções das classes
obtivemos um segundo total de consumo. Compatibilizamos
a soma das classes com o consumo projetado pelo PIB.
Desta forma chegamos à projeção de mercado de consumo
da CELG D por dois caminhos diferentes, mas com valores
equivalentes, ou seja, soma da projeção das classes igual ao
consumo total obtido pela correlação com o PIB de Goiás
ajustado pelos analistas de mercado do Setor de Estudos de
Mercado e Contratação de Energia – DC – SCE.
VI. CONCLUSÃO
O Previsor CELG foi desenvolvido com o objetivo criar
uma ferramenta computacional que execute as inúmeras
funções necessárias a atividade de previsão de carga e
planejamento. Foram desenvolvias rotinas que facilitam a
interação do usuário com os resultados da previsão,
permitindo o pós-processamento dos resultados, através da
modificação e refinamento dos valores previstos, e da
inserção de eventos atípicos e agendamentos.
Através de exemplos de operação do programa, foram
implementadas inúmeras funções no programa. Concluiu-se
que, para uma boa previsão, é imprescindível a existência de
um bom histórico de cargas, que represente as tendências de
crescimento da carga. O ajuste do parâmetro Alfa possibilita
ajustar curvas de previsão com característica não só lineares
como também exponenciais, elaborando diferentes cenários
de crescimento.
Finalmente, mostrou-se que os eventos atípicos podem e
devem ser informados ao programa, permitindo ao programa
descontar eventos ocorridos no passado e adicionar os
previstos para o futuro.
AGRADECIMENTOS
Os autores gostariam de agradecer ao apoio dos seguintes
órgãos de fomento CNPq, CAPES e FAPEMIG. Eles
também agradecem à ANEEL P&D.
REFERÊNCIAS BIBLIOGRÁFICAS
[1] K. Tomsovic & G. Lambert-Torres – On the Use of
Fuzzy Logic Techniques for Addressing Uncertainty in
Power System Problems, PMAPS-RIMAPS Tutorial, 83
pages, 2000.
[2] G. Lambert-Torres, J.M. Abe, M.L. Mucheroni & P.E.
Cruvinel – Advances in Intelligent Systems and
Robotics, IOS Press, 217p, ISBN 1 58603 386-7,
Amsterdam, Holanda, 2003.
[3] G. Lambert-Torres – “Fuzzy Systems”, Modern
Heuristic Optimization Techniques: Applications to
Power Systems, por K.Y. Lee & M.A. El-Sharkawi,
ISBN 0-471-45711-6, Wiley – IEEE Press, pp. 147-170,
DOI 10.1002/9780470225868.ch8, 2008.
[4] A.F. de Faria, L.M. Pinheiro, G.T. Goulart, F.A. de
Melo, E.S. Siqueira, C.I.A. Costa, C.H.V. de Moraes &
G. Lambert-Torres – “Computational Package for Load
Forecasting to Energy Purchase”, 2012 IEEE PES
Transmission and Distribution Conference, Orlando,
USA, May 7-10, 2012.