Histórico



Baixar 2,23 Mb.
Página1/29
Encontro04.07.2018
Tamanho2,23 Mb.
  1   2   3   4   5   6   7   8   9   ...   29

PREVISÃO DE ENERGIA NO AMBIENTE DE CONTRATAÇÃO REGULADA



Autoria: Érico de Sousa Cardoso & Marcelo Pieri Ferreira
RESUMO: O estudo tem como objetivo apresentar um histórico do setor elétrico até as diretrizes convergentes à obrigação de apresentação da previsão de demanda de energia pelas Distribuidoras dentro do ambiente de contratação regulada, emanadas pelo Novo Modelo de Energia, bem como apresentar um estudo de caso buscando focar o comportamento do modelo univariado ARIMA (Box and Jenkins) de uma série de uma concessionária de energia para previsões mensais de um ano.


  1. INTRODUÇÃO

O Brasil após ter convivido com o período de racionamento de energia elétrica criou o Novo Modelo do Setor Elétrico na perspectiva de reestruturar o sistema de energia elétrica nacional. Neste cenário, as distribuidoras em Ambiente de Contratação Regulada se vêem obrigadas à apresentação das suas previsões de energia. Neste artigo, apresentaremos o modelo Arima e como ele pode ser aplicado a estes estudos de previsão em uma concessionária de energia.


Rodrigues (2002), declara que as séries de consumo são complexas, uma vez que apresentam comportamentos aleatórios devido à influência da temperatura e da estação do ano. Além disso, as características das séries variam em função da região do país e da diversidade dos consumidores, por exemplo, cargas residenciais, rurais, comerciais e industriais. Com esta complexidade, torna-se mais difícil encontrar técnicas capazes de representar a série de forma precisa.
Algumas técnicas têm sido utilizadas para este fim, dentre as quais podem-se destacar os modelos lineares de Box & Jenkins e os modelos de alisamento exponencial. Outras técnicas que também merecem destaque nesta área são métodos de previsão por Lógica Fuzzy, conforme estudado por Neto (1999) e Redes Neurais Artificiais por Lehmann (2002).
Inicialmente estaremos apresentando no item 2 deste trabalho, a metodologia da técnica de previsão Box & Jenkins, tal qual os passos para implantação desse modelo. Em seguida, buscaremos resgatar parte do histórico do setor elétrico até o momento que motivou a criação do Novo Modelo no item 3.

No item 4, através de um estudo de caso focaremos nossa atenção para a análise de uma série de dados extraídos de uma concessionária de energia. Para este estudo de caso, estaremos seguindo a metodologia apresentada no item 2 deste trabalho e analisaremos o comportamento dos dados da série visando concluir a possibilidade de viabilidade da aplicação do modelo para efetiva predição e analogia referente à aplicação da Regressão Linear frente aos dados de carga elétrica.




  1. METODOLOGIA

Esse trabalho abordou valores futuros de uma série de energia elétrica, sendo realizadas previsões de múltiplos passos à frente. Os horizontes das previsões estimadas foram de até 12 passos à frente, uma vez que essas representam um desafio para a maioria dos pesquisadores, uma vez que, quanto mais distante do período corrente, maior a variabilidade do valor verdadeiro.


Os dados da série foram divididos em in sample, também chamados de dados para realizados, e out of sample, dados usados para verificação dos modelos. A figura 2.1 mostra esse procedimento.
SÉRIE TEMPORAL




Dados para Treinamento

Dados para Teste

Figura 2.1 - Diagrama da metodologia adotada


Logo, a primeira parte dos dados é utilizada para encontrar o modelo de previsão, enquanto que a segunda parte dos dados foi utilizada para verificar o quanto a previsão está ajustada à série.
A série temporal estudada neste trabalho refere-se à energia suprida por uma empresa que atende um estado brasileiro, situado na região que abrange o Sistema Interligado. Os dados, medidos em MW médios, são formados pelo histórico de 20 anos de carga mensal, totalizando 240 observações, entre o período de Janeiro de 1983 a Dezembro de 2002.
Aplicando-se a metodologia desenvolvida por Box & Jenkins, realizou-se a previsão do consumo de energia mensal para os anos de 1997 até 2001, sendo posteriormente comparada com os valores observados na perspectiva de verificar a possibilidade de eficiência dos modelos propostos.
Para efeitos de comparação, estimamos também as previsões por Regressão Linear Simples para o mesmo período na perspectiva de perceber qual dos modelos extraiu resultados mais ajustados.


  1. ESTATÍSTICA DE ERRO

A estatística de erro usada para mensurar a eficácia do modelo foi o MAPE (Mean Absolute Percent Error), percentual do erro médio absoluto, que é caracterizado pela fórmula abaixo:





Onde é a previsão para o período i, é o valor observado do processo e n é o número de observações para cálculo do MAPE.


  1   2   3   4   5   6   7   8   9   ...   29


©livred.info 2017
enviar mensagem

    Página principal