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.