SNPTEE
SEMINÁRIO NACIONAL
DE PRODUÇÃO E
TRANSMISSÃO DE
ENERGIA ELÉTRICA
GOP-28
19 a 24 Outubro de 2003
Uberlândia - Minas Gerais
GRUPO IX
GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
INFLUÊNCIA DA CLIMATOLOGIA NA PREVISÃO DE CARGA
Ruibran Januário dos Reis*
Wilson Fernandes
CEMIG
Tarcísio Bruzzi de Andrade
Luiz Henrique Muniz de Aquino
Júlio Giovanni
PUC MINAS
RESUMO
O objetivo do estudo foi determinar a influência de
elementos climáticos na carga de energia. Dados de
carga e climatológicos da região metropolitana de
distribuição de energia da Cemig foram avaliados para
os cenários 2000 e 2001. Também foi caracterizado o
índice de desconforto térmico. A partir de redes neurais
verificou-se uma melhoria na precisão do modelo com
a inclusão dos elementos climáticos. As variáveis mais
importantes foram: pressão atmosférica, temperatura,
radiação solar e umidade relativa. Apesar de
proporcionar uma diminuição da precisão do modelo, o
índice de desconforto foi a variável climatológica mais
significativa na modelagem hora a hora.
Jorge Luiz Batista Moreira
INMET
seu acompanhamento. A previsão pelo processo atual,
sem a incorporação de elementos climáticos, pode em
algum momento superestimar ou subestimar a previsão
em torno de 300 MWh.
O impacto das variáveis climáticas sobre o setor
energético foi abordado por alguns autores, tais como:
[1, 2, 3 e 4].
Em relação às escalas de previsão, [2] descrevem que
nos modelos intermediários, que avaliam a demanda
por um período de um mês a cinco anos, agregam-se
variáveis de energia, climáticas e econômicas; nos
modelos mais longos, as variáveis econômicas, de
crescimento demográfico e as mudanças tecnológicas
são mais importantes e determinantes para o modelo.
PALAVRAS-CHAVE
Previsão de carga, elementos climáticos, índice de
desconforto térmico, redes neurais artificiais.
1.0 - INTRODUÇÃO
Este estudo apresenta os resultados da atividade de
pesquisa desenvolvida no âmbito do projeto “Influência
da climatologia na previsão de carga”. A oportunidade
de desenvolvimento deste projeto pela Companhia
Energética de Minas Gerais e da Pontifícia Católica de
Minas Gerais, foi através do Programa de Pesquisa e
Desenvolvimento da Agência Nacional de Energia
Elétrica.
A estimativa de demanda é determinada com o auxílio
de software específico, cuja calibração depende em
alguma medida da experiência do técnico que faz o
o
Nos estudos de previsão de carga, a utilização de
elementos climatológicos é, segundo [5], prática
comum. Para os autores, diversos são os métodos
empregados inclusive modelagem por redes neurais.
Como exemplo de estudo nesta área, pode-se citar [6 e
7].
[8] relatam que, na área de engenharia elétrica, as
redes neurais têm sido aplicadas em predição,
manutenção preventiva, diagnóstico de falhas,
controle, estimação de parâmetros e modelagem.
De acordo com os autores, a rede neural é formada por
um conjunto de elementos processadores simples
(neurônios artificiais), uma rede de interconexão e uma
regra de aprendizado. Maiores detalhes sobre a origem
e evolução dos modelos de redes neurais podem ser
encontrados em [9,10 e 11]
* Avenida Barbacena, 1200 - 14 andar - CEP 30161-970 - Belo Horizonte - MG - BRASIL
Tel.: (031) 3275-3061 - Fax: (031) 3275-3061 - E-MAIL: [email protected]
2
Na visão de [10] além de serem úteis para o
reconhecimento de padrões elas permitem estabelecer
resultados aproximados (fuzzy) a partir de dados
incompletos.
Esta última característica é fundamental para a
utilização desta técnica de modelagem e
reconhecimento de padrão em séries temporais, cujos
dados são falhos ou incompletos.
Estudos de conforto ambiental têm destacado a
correlação entre os efeitos do clima urbano, as
condições climáticas internas dos ambientes
construídos no conforto e na saúde das pessoas e o
consumo de energia. como exemplo podemos citar [12
e 13].
Nesta análise objetivou-se avaliar o impacto dos
elementos climáticos (temperatura, pressão
atmosférica, umidade relativa e radiação solar) e do
índice de desconforto térmico sobre a carga de energia
na região metropolitana.
2.0 - ABORDAGEM METODOLÓGICA
2.1 Área de estudo
A área de estudo deste trabalho refere-se à região
central de distribuição de energia da Cemig, localizada
na porção central do Estado de Minas Gerais,
compreendida pelas seguintes coordenadas
geográficas: 18°37’55,7” e 20°19’44,1” de latitude sul e
43°29’17,1” e 44°39’22” de longitude oeste de
Greenwich (Figura 1)
2.2 Metodologia
Para o desenvolvimento do estudo foram utilizados
dados de carga de energia e de elementos climáticos
(temperatura, umidade relativa, pressão atmosférica e
radiação solar) da estação climatológica de COA,
localizada em Contagem – MG.
Os dados de carga de energia são coletados num
intervalo de 15 minutos nas linhas de transmissão e os
climatológicos a cada hora. Banco de dados com os
valores relativos aos meses de setembro/outubro de
2000 e abril/maio de 2001, meses de, respectivamente,
temperaturas mais elevadas e mais baixas. Foram
excluídas as semanas que apresentavam feriados.
Atributos foram associados aos dados de carga a partir
da análise da curva típica da carga de energia dos
meses analisados. São eles: dia, mês ano, estação do
ano, dia da semana, horário de verão, hora útil, hora,
madrugada, início das atividades, expediente manhã,
expediente tarde, almoço, modulação e fim das
atividades residenciais.
Índice de desconforto térmico foi elaborado a partir de
[13]. Este índice, que é função de temperatura e
umidade relativa, revela a distância euclidiana da zona
de conforto. É obtido através da seguinte equação:
Idct = 3(Ctemp) + 2(Cumid) onde:
IDct – índice de desconforto
CTemp – componente da temperatura
CUrel – componente da umidade
O algoritmo de verificação, denominado de teste de
verificação da zona de conforto, foi elaborado a partir
do gráfico da Figura 2.
FIGURA 1 – LOCALIZAÇÃO DA ÁREA DE ESTUDO
2
Esta área de aproximadamente 13,59 km engloba a
Região Metropolitana de Belo Horizonte, que por sua
vez, concentra o maior aglomerado urbano do Estado.
Em 2000, o peso relativo desta região no consumo de
energia faturada pela Cemig foi cerca de 37,4% para a
classe residencial e 45,1% para a classe comercial.
Neste ano as principais classes de consumo da região
foram industrial, residencial e comercial,
respectivamente, 41,3%, 30,6% e 17,5%.
Fonte: [13]
FIGURA 2 – DIAGRAMA BIOCLIMÁTICO DE BELO
HORIZONTE
Em software de redes neurais efetuaram-se
simulações com os dados completos e de cada hora
separadamente, aproximadamente 10.000 interações.
Para cada variável analisada foi associado um
neurônio não linear (Figura 3).
3
Desta forma, acredita-se que o índice de desconforto
térmico possa afetado por variações microclimáticas
dentro da área de estudo.
O índice possui, também, intima relação com os
aspectos sócio-econômicos. Populações de baixa
renda tendem a suportar maior desconforto e/ou adotar
medidas que implique em elevação menos significativa
do consumo de energia. Por exemplo, utilização de
ventilador ao contrário de ar condicionado.
FIGURA 3 – REDE NEURAL COM OS ATRIBUTOS
DE CARGA
Os resultados das modelagens com os dados de
temperatura, umidade relativa e índice de desconforto
são apresentados no gráfico da Figura 5.
3.0 - RESULTADOS
Nas simulações com os atributos de carga e com os
elementos climáticos, verificou-se que a inclusão dos
elementos climáticos proporcionou uma melhoria de
13% no desvio padrão dos erros observados de carga
real e da carga modelada.
A análise comparativa dos resultados obtidos nas
simulações com os atributos de carga e com a inclusão
de cada variável climática separadamente revela que,
no período analisado, a pressão atmosférica
apresentou a maior influência sobre a carga de
energia, seguida por temperatura, radiação solar e
umidade relativa, com uma diminuição de,
respectivamente, 12,41%, 10,65%, 9,10% e 6,61%.
FIGURA 4 – DESVIO PADRÃO MÉDIO DOS ERROS
OBSERVADOS COM OS DIFERENTES ELEMENTOS
CLIMÁTICOS
[5] destacam que a utilização de pressão atmosférica
em estudos de carga de energia baseia-se no fato de
que, a princípio, mudanças meteorológicas mais
significativas afetam este elemento antes da
temperatura.
A inclusão do índice de desconforto térmico diminuiu a
precisão do modelo, com o aumento de 3,29% no
desvio padrão médio dos erros. Este resultado pode
estar associado ao fato de que na elaboração do
diagrama bioclimático, Assis determinou uma variação
horária da temperatura e da umidade relativa do ar a
partir dos dados médios de temperatura máxima,
média e mínima, e de umidade relativa média na
estação de Belo Horizonte. Além disso, o banco de
dados climatológicos utilizado refere-se à estação
COA, situada em Contagem.
FIGURA 5 – DESVIO PADRÃO MÉDIO OBSERVADO
NAS SIMULAÇÕES COM TEMPERATURA, UMIDADE
RELATIVA E ÍNDICE DE DESCONFORTO.
As associações temperatura e índice de desconforto
térmico e temperatura, umidade relativa e índice de
desconforto térmico proporcionaram um menor desvio
padrão médio dos erros, em comparação ao modelo
resultante da carga sem os elementos climáticos,
respectivamente, -8,47% e –8,32%. No modelo
umidade relativa e índice de desconforto o erro foi
2,09% superior àquele obtido sem os elementos
climáticos. Destaca-se, portanto, o peso relativo da
componente temperatura do índice de desconforto
térmico.
os resultados dos modelos obtidos com os dados de
cada hora revelam que o índice apresenta uma
importância relativa superior aos elementos climáticos,
particularmente no período da madrugada (de 1 até as
4 horas), manhã (6 às 9 e 11 às 12 horas) e noite (21
às 23 horas).
Os elementos climáticos (temperatura do ar, umidade
relativa, pressão atmosférica e radiação solar) e o
índice de desconforto térmico não possuem
importância significativa, inferior a 50%, para o modelo
nos seguintes horários: 0, 5, 10, 14, 16, 17, 19 e 20
horas. Por outro lado, dentre os valores observados, os
mais significativos, em termos de importância relativa,
superior a 80%, refere-se ao índice de desconforto
térmico (2, 10 e 23 horas) e à temperatura do ar (18
horas).
4.0 - CONSIDERAÇÕES FINAIS
Com os resultados obtidos pode-se indicar que a
inclusão de elementos climáticos aumenta a precisão
dos modelos de previsão de carga. O índice de
desconforto térmico, ao contrário de suas componentes
4
temperatura e umidade relativa, não proporcionou uma
melhora na precisão do modelo.
elétricos. Eletricidade Moderna, v.29, n.332, Jan.
2001.
A análise comparativa dos resultados obtidos nas
simulações com os atributos de carga e com a inclusão
de cada elemento climático isoladamente revelou que,
no período analisado, a pressão atmosférica
apresentou a maior influência sobre a carga de energia
seguido por temperatura, radiação solar e umidade
relativa.
(9) KOVACS, Z. L. Redes neurais artificiais:
fundamentos e aplicações. Edição Acadêmica,
Brasil. 1996.
Os resultados dos modelos obtidos com os dados
horários revelam que o índice de desconforto térmico
apresenta uma importância relativa superior aos
elementos climáticos, particularmente no período da
madrugada (de 1 às 4 horas), manhã (6 às 9 e 11 às
12 horas) e noite (21 às 23 horas).
(11) LIPPMAN, R. P. An introduction to computing with
neural nets. IEEE ASSP Magazine, pp.4-22, Abril
1989.
A inclusão do índice de desconforto térmico nos
estudos de carga/consumo de energia elétrica depende
da sua validação. Nesse sentido, novos estudos devem
ser realizados, particularmente para as demais regiões
de distribuição de energia da Cemig.
5.0 - REFERÊNCIAS BIBLIOGRÁFICAS
(1) SEGAL, M.; SHAFIR, M. M.; ALPERT, P.;
BALMOR, Y. Climatic-related evaluation of the
summer peak-hours’ electric load in Israel. Journal
of Applied Meteorology, 19, 1992, 241-246.
(2) WARREN, H; LeDUC, S. Journal of Applied
Meteorology, 20, 1981, 1431-1439.
(3) LeCOMTE, D. M.; WARREN, H. Modeling the
impact of summer temperatures on national
electricity
consumption. Journal of Applied
Meteorology, 20, 1981, 1415-1419.
(4) QUAYLE, R. G.; DIAZ, H. F. Heating degree day
applied to residential heating energy consumption.
Journal of Applied Metereology, 19, 1981, 241-246.
Heating degree day applied to residential heating
energy consumption. Journal of Applied
Metereology, 19, 1981, 241-246.
(5) SOARES, A. P; SOARES, A. P. Utilização de
variáveis meteorológicas na previsão de carga
através de redes neurais. XV Seminário Nacional
de Produção e Transmissão de Energia Elétrica,
Foz do Iguaçu – PR, 1999.
(6) SOARES, A. P.; NASCIMENTO, F. L. do
Modelagem neural na previsão diária de carga. XIV
Seminário Nacional de Produção e Transmissão
de Energia Elétrica, Belém – PA, 1997.
(7) TAYLOR, J. W.; BUIZZA, R. Neural network load
forecasting with weather ensemble predictions.
IEEE Transactions on Power Systems, v.17, n.3,
Ago 2002. pp.626-632.
(8) SOARES, l. A. E.; BRAGA, A. de P. Redes
Neurais artificiais e sua aplicção em sistemas
(10) OSÓRIO, F. S. Simulação de redes artificiais de
neurônios com aprendizado supervisionado. In:
Scientia, v.3, Jan/Jun, 1992, p.45-66.
(12) GIVONI, B. Comfort, climate and building design
guidelines. Energy and Buildings, v.18, p.11-23.
1992
(13) ASSIS, E. S. de Método integrado de análise
climática para arquitetura aplicado à cidade de
Belo Horizonte, MG. VI Encontro Nacional de
Conforto no Ambiente Construído; Anais
eletrônicos. Campinas, Unicamp – ANTAC, 2001,
artigo n.149.