Previsão de demanda por energia elétrica
Transcript of Previsão de demanda por energia elétrica
Rio de Janeiro 7 de agosto de 2014
PREVISÃO DE
DEMANDA POR
ENERGIA ELÉTRICA
José Francisco Moreira Pessanha
Uerj - Universidade do Estado do Rio de Janeiro
Cepel – Centro de Pesquisas de Energia Elétrica
GERAÇÂO TRANSMISSÂO DISTRIBUIÇÃO CARGA
Sistema Elétrico de Potência
1 Usina geradora
2 Linhas de transmissão
3 Subestação de distribuição
4 Rede de distribuição primária
5 Transformador de distribuição
6 Sistema de distribuição secundário
Intrincado conjunto de componentes com a finalidade de produzir
e transportar a energia elétrica aos diferentes consumidores,
onde quer que eles estejam e no momento que o desejarem.
Geração de Energia Elétrica (Brasil 2013)
USINA TERMELÉTRICA DE SANTA CRUZ USINA HIDRELÉTRICA DE ITUMBIARA
CENTRAL EÓLICA MUCURIPE
CENTRAL NUCLEAR DE ANGRA DOS REIS
Centrais de geração são responsáveis pela conversão de energia primária
(hidráulica, térmica, nuclear, eólica e solar) em energia elétrica.
87.392 MW
66,97% da
capacidade instalada
37.349 MW
28,62% da
capacidade instalada
1.990 MW
1,52% da
capacidade instalada
3.752 MW
2,88% da
capacidade instalada
11 MW
0,01% da
capacidade instalada
TERMELÉTRICA HIDRELÉTRICA TERMONUCLEAR
EÓLICA SOLAR FOTOVOLTAICA
Capacidade
instalada total
130.494 MW
Fonte: Aneel
Geração de Energia Elétrica (Brasil 2013)
Fonte: EPE, Balanço Enérgético Nacional 2014, Relatório Síntese ano base 2013
https://ben.epe.gov.br/downloads/S%C3%ADntese%20do%20Relat%C3%B3rio%20Final_2014_Web.pdf
Sistema Interligado Nacional (SIN)
Transmissão de Energia Elétrica (2013)
Sistemas isolados
1.6% do mercado
Sistema Interligado
Nacional (SIN)
98.4% do mercado
106.444 km rede
básica (linhas de
transmissão com
tensão 230kV)
Mercado consumidor (2012)
Classe residencial 117.646 GWh (26,3%) 61.697.228 unidades consumidoras
Classe comercial 79.238 GWh (17,7%) 5.270.878 unidades consumidoras
Classe industrial 183.475 GWh (40,9%) 572.821 unidades consumidoras
Classe rural
22.952 GWh (5,1%) 4.129.147 unidades consumidoras
Poderes públicos 14.077 GWh (3,1%) 535.825 unidades consumidoras
Serviços públicos +
consumo próprio
17.813 GWh (3,9%) 87.804 unidades consumidoras
Iluminação pública
12.916 GWh (2,9%) 83.342 unidades consumidoras
Total = 448.117 GWh
Total = 72.377.045 unidades consumidoras
Fonte: EPE (www.epe.gov.br)
Organização do setor elétrico brasileiro
Regula e fiscaliza o setor elétrico
Exercício do poder concedente, planejamento e formulação de políticas para o setor energético
Operação do
sistema elétrico
Agência Nacional de Energia Elétrica - ANEEL (www.aneel.gov.br)
Câmara de Comercialização de Energia Elétrica – CCEE (www.ccee.org.br)
Conselho Nacional de Política Energética - CNPE
Eletrobrás Centrais Elétricas Brasileiras S.A. (www.eletrobras.com.br)
Empresa de Pesquisas Energéticas - EPE (www.epe.gov.br)
Ministério das Minas e Energia – MME (www.mme.gov.br)
Operador Nacional do Sistema – ONS (www.ons.org.br)
Comercialização
de energia
elétrica no SIN
CNPE
Usina Hidrelétrica de Itaipu
Capacidade de 14.000 MW
20 unidades geradas de 700 MW
Produção de energia em 2013 98.630.000 MWh
Simulador de consumo da Light http://www.light.com.br/para-residencias/Simuladores/consumo.aspx
Consumo de energia elétrica (EE)
Simulador de consumo da Light http://www.light.com.br/para-residencias/Simuladores/consumo.aspx
Consumo de energia elétrica (EE)
Total geral 776 kWh/mês
Consumo
médio mensal
simulado
Usos da energia elétrica na classe residencial
SINPHA - Sistema de Informação de Posses e
Hábitos de Uso de Aparelhos Elétricos
http://www.procelinfo.com.br/
Energia elétrica e desenvolvimento
Islândia
Noruega
Luxemburgo
Qatar EUA
Finlândia
Suécia
Austrália
Canadá
Japão
Coréia do Sul
China
Brasil
Índia
Congo Etiópia
África do Sul Rússia
Argentina
Consumo anual per capita (kWh) x PIB per capita (PPP$)
Fonte: Gapminder (http://www.gapminder.org/)
Coréia do Norte
KWh
PPP$
Hans Rosling
Energia elétrica e desenvolvimento
Islândia
Noruega
EUA
Canadá
Austrália
Coréia do Sul
Rússia China
Índia
Congo Etiópia
Brasil
Japão
Consumo anual per capita (kWh) x IDH
Fonte: Gapminder (http://www.gapminder.org/)
KWh
IDH
Energia elétrica e desenvolvimento
Emirados Árabes Unidos
Noruega
Kuwait
Bahrain
Qatar Canadá
EUA
Suécia
Austrália
Japão Índia China
Congo Coréia do Sul
Brasil
Consumo residencial anual per capita (kWh) x IDH
Fonte: Gapminder (http://www.gapminder.org/)
África do Sul
Rússia
KWh
IDH
Gross, G; Galiana, F.D. Short-Term Load Forecasting, Proceedings of IEEE, vol. 75, no. 12, pp. 1558 – 1573, Dec. 1987.
Horizontes de previsão de demanda
Curto Prazo: Até 1 ano de antecedência, em bases
semanais, diárias, horárias ou intra-horárias (Gross &
Galiana, 1987).
Médio Prazo: Até 5 anos de antecedência em bases
mensais
Longo Prazo: Até 10 ou 20 anos de antecedência em bases
anuais ou mensais.
Planejamento da expansão de sistemas elétricos
Fonte: Spatial Electric Load Forecasting
Willis, H. Lee,
Editora Marcel Dekker, 2002
A finalidade do planejamento da expansão é estabelecer o cronograma de entrada
em operação das novas instalações de geração, transmissão e distribuição de
energia elétrica a fim de assegurar um atendimento confiável e de custo mínimo
(modicidade tarifária) à demanda futura de energia elétrica.
Informação básica para o planejamento: previsões de crescimento da demanda
com horizontes de médio e de longo prazo (horizontes de até 30 anos).
Anos á frente (horizonte de planejamento)
Reso
luç
ão
esp
acia
l (á
rea)
Todo o sistema
• Eletrobras e Canambra
• Estudo de mercado de energia elétrica da
região sudeste (Power Mrket Study and
Forecast – PMS & F), outubro de 1969) com
horizonte até 1985.
• Objetivo: fornecer ao Banco Mundial uma
previsão do consumo de energia na região
Sudeste visando o financiamento de obras.
• As projeções de demanda de energia elétrica
foram fundamentadas em quatro coordenadas
econômicas: o crescimento do PIB, o
crescimento da população, a taxa de
urbanização regional e a questão tarifária”
• Dados: séries de 1950 a 1968.
Planejamento da expansão do sistema elétrico brasileiro
Presidente do consórcio Canambra, Jack
Shelton, expõe projeto para as regiões Sul e
Sudeste (Brasil 1971-72) Fonte: O planejamento da expansão do setore de energia elétrica:
a atuação da Eletrobras e do Grupo Coordenador do Planejamento
dos Sistemas Elétricos, Rio de Janeiro, 2002.
• Dois cenários de crescimento do PIB: otimista (6.2% até 1970 e 6.8% até 1985)
conservador (5.7% até 1970 e 5.2% até 1985)
• Crescimento populacional de 2.8% ao ano no período e taxa de urbanização de 75% em 1980
• Níveis tarifários não constituem empecilho para o consumo de energia elétrica
Previsões de mercado
Modelagem da
projeção da demanda
de energia elétrica
da EPE
Projeção da demanda
de energia
elétrica
para os próximos 10
anos (EPE, 2009)
http://www.epe.gov.br/mercado/Do
cuments/S%C3%A9rie%20Estudos
%20de%20Energia/20091222_2.pdf
2018 Sul
Sudeste /
Centro-Oeste
Nordeste
elétrico
Norte
interligado
Norte
isolado Brasil
Residencial
Industrial
Comercial
Rural
Poderes Públicos
Serviços Públicos
Iluminação Pública
Consumo Próprio
Perdas
2010 Sul
Sudeste /
Centro-Oeste
Nordeste
elétrico
Norte
interligado
Norte
isolado Brasil
Residencial
Industrial
Comercial
Rural
Poderes Públicos
Serviços Públicos
Iluminação Pública
Consumo Próprio
Perdas
2009 Sul
Sudeste /
Centro-Oeste
Nordeste
elétrico
Norte
interligado
Norte
isolado Brasil
Residencial
Industrial
Comercial
Rural
Poderes Públicos
Serviços Públicos
Iluminação Pública
Consumo Próprio
Perdas
Previsões de mercado
Previsão de médio e longo prazo com horizontes que variam 5, 10 até 30
anos a frente.
Previsão realizada separadamente para cada classe de consumidores
(abordagem bottom-up): residencial, industrial, comercial, rural, poder
público, serviços públicos, iluminação pública e consumo próprio.
Para o planejamento da expansão do sistema elétrico brasileiro são
necessárias previsões desagregadas por subsistemas: Norte Interligado,
Nordeste Elétrico, Sudeste/Centro-Oeste, Sul e Sistemas isolados.
2008 Sul
Sudeste /
Centro-Oeste
Nordeste
elétrico
Norte
interligado
Norte
isolado Brasil
Residencial
Industrial
Comercial
Rural
Poderes Públicos
Serviços Públicos
Iluminação Pública
Consumo Próprio
Perdas
2014
2015
2020 2023
Previsões de longo prazo
da demanda por energia
elétrica podem ser
encontradas na página da
Empresa de Pesquisa
Energéticas (EPE)
http://www.epe.gov.br
Previsão de consumo de energia elétrica
Fonte: EPE http://www.epe.gov.br/mercado/Documents/S%C3%A9rie%20Estudos%20de%20Energia/20140203_1.pdf
Índice de perdas (%) de energia na distribuição
Fonte: Abradee
http://www.abradee.com.br/setor-de-distribuicao/perdas/furto-e-fraude-de-energia
Projeções para o índice de perdas (%)
Fonte: EPE http://www.epe.gov.br/mercado/Documents/S%C3%A9rie%20Estudos%20de%20Energia/20140203_1.pdf
Previsões de carda de enegia (MWmédio) 2014-2023
http://www.epe.gov.br/mercado/Documents/S%C3%A9rie%20Estudos%20de%20Energia/20140203_1.pdf
Previsão da carga de energia do
Sistema Interligado Nacional
Crescimento médio anual da carga do SIN é de aproximadamente 3.000
MWmed, representando uma taxa média de expansão de 4,2% ao ano.
Previsões de demanda máxima MW 2014-2023
http://www.epe.gov.br/mercado/Documents/S%C3%A9rie%20Estudos%20de%20Energia/20140203_1.pdf
Principais métodos (JANNUZZI & SWISHER, 1997):
Modelos Econométricos
Modelos de uso final ou técnico-econômico
Modelos híbridos
Métodos para previsão de longo prazo da demanda
por energia elétrica
Januzzi, G.M. & Swisher, J.N.P. Planejamento Integrado de Recursos Energéticos, Editora Autores Associados,
Campinas, 1997.
Modelos econométricos
uePkYE E = demanda de energia
Y = renda
P = preço da energia
u = erro
Elasticidade energia-renda
uPYkE lnlnlnln
Elasticidade energia-preço
• Usados para se estudar uma classe completa e homogênea de consumidores.
• Não levam em conta a sua estrutura tecnológica e o uso-final da energia.
• Representa o consumo por uma equação.
• Requerem menos dados.
Especificação mais comum:
Função de produção Cobb-Douglas
0000 K
Modelo especificado por Andrade & Lobão (1997)
Andrade, T.A.; Lobão, W.J.A. Elasticidade renda e preço da demanda residencial de energia elétrica no Brasil,
IPEA, Texto para discussão nº 489, Rio de Janeiro, junho, 1997
Elasticidades
tu
tttt ePYTKC Ct : consumo residencial de
energia elétrica no ano t
Tt : tarifa residencial de energia
elétrica no ano t
Yt : renda familiar no ano t
Pt : preços médio dos
eletrodomésticos no ano t
Modelo econométrico para a classe residencial
500.000
700.000
900.000
1.100.000
1.300.000
1.500.000
1.700.000
1.900.000
2.100.000
2.300.000
2.500.000
1990 1995 2000 2005 2010 2015
Co
ns
um
o d
e e
ne
rgia
elé
tric
a n
a In
du
sri
a (
MW
h)
Histórico
Previsão
tt LnLn VAB_IND8612,00214,6E
Modelo econométrico para a classe industrial
Consumo de energia elétrica nas
indústrias do Estado do Amazonas
Januzzi, G.M. & Swisher, J.N.P. Planejamento Integrado de Recursos Energéticos, Editora Autores Associados,
Campinas, 1997.
Modelos de uso final ou técnico econômicos
n
i
ii IQE
1
• Necessidade de classificar a estrutura de demanda de energia em categorias
homogêneas quanto às atividades econômicas e usos finais de energia
(abordagem bottom-up).
• Mais detalhados que a abordagem econométrica (exigem mais dados), porém
com formulação analítica mais simples.
• Nem sempre existem dados suficientes, ou de qualidade para caracterizar a
estrutura de consumo.
• Permite formular projeções sobre a eficiência energética porque é possível
considerar explicitamente mudanças nos níveis de serviço e na tecnologia.
• Demanda = nível de atividade (Q) x intensidade de energia (I) E = Q x I
• O nível de atividade tem relação com a população, renda e produção.
• A intensidade de energia depende da eficiência energética.
Demanda total de energia resultante de n usos-fianais da energia =
Modelos de uso final
Classificação da
estrutura de demanda
de energia em
categorias
homogêneas quanto
às atividades
econômicas e usos
finais de energia
(JANNUZZI &
SWISHER, 1997)
Modelos de uso final
n
i
ii IQE
1
n usos finais
E demanda total de energia
Qi = Nível da atividade i
Ii = Intensidade de energia para cada unidade de serviço i
Exemplo: um computador consome 80 Wh
iiii MPNQ
Ni = Número de consumidores do uso final i
Pi = Penetração (unidades/consumidor) do serviço do uso final i
Exemplo: % de consumidores com computador
Mi = Magnitude do uso do serviço do uso final i
Exemplo: computador é usado 1000 horas por ano
Novas tecnologias - veículos elétricos
Despesas com combustíveis R$/kWh
Despesas mensais R$
Pecorelli Peres, L.A.; Pessanha, J.M.P,; Serra, J.V.; Particelli, F.M.F.; Caldas, A.C.I. Infrastructure Plan for Charging Stations for
Electric Vehicles in Rio de Janeiro, EVS26, Los Angeles, California, May 6-9, 2012
Palio Weekend Elétrico
Motor elétrico alimentado por uma
bateria Zebra de 19.2 kWh.
Autonomia de 120 km
Rendimento de 6 km/kWh.
Pali Weekend com motor de
combustão interna
Rendimento de 9 km/l.
Modelo híbrido para previsão de
mercado da classe residencial
Decomposição do consumo residencial no ano t , Et
t
t
t
t
tt ND
ND
NC
NC
EE
consumo médio
por unidade
consumidora
consumo de
energia elétrica
nas residências
em um ano t
total de
domicílios
taxa de
atendimento
A projeção do consumo da classe residencial é efetuada com base em
três projeções:
• número de domicílios (premissas demográficas)
• consumo médio (depende do cenário macroeconômico)
• taxa de atendimento até a universalização (metas da ANEEL)
Pessanha, J.F.M. & Leon, N. Uma metodologia para previsão de longo-prazo do consumo de energia elétrica na
classe residencial, Seminários de Metodologias do IBGE, Rio de Janeiro, dezembro, 2012
Modelo híbrido para previsão de
mercado da classe residencial
Classificação dos domicílios
PROJETADOS COM BASE NA PROJEÇÂO POPULACIONAL
PROJETADOS COM BASE NA EXTRAPOLAÇÂO DAS PARTICIPAÇÕES
OBSERVADAS NOS ÚLTIMOS CENSOS
MERCADO
POTENCIAL
DA CLASSE
RESIDENCIAL
NÃO SÂO CLIENTES
DA CLASSE
RESIDENCIAL
NÃO CONSOMEM
ENERGIA ELÉTRICA
Transição demográfica
Redução do peso relativo da população jovem e o aumento
relativo da população idosa
Transição demográfica
Crescimento dos arranjos domiciliares unipessoais
Ano Um morador Dois moradores
Três
moradores
Quatro
moradores
Cinco
moradores
Seis
moradores
Sete ou mais
moradores total
1992 2.669.667 5.468.641 7.279.984 8.054.597 5.668.748 3.148.345 3.745.283 36.035.265
1993 2.784.242 5.744.897 7.495.538 8.535.231 5.574.780 3.124.171 3.699.104 36.957.963
1994 3.005.142 6.006.827 7.766.878 8.807.822 5.704.014 3.066.465 3.606.692 37.963.839
1995 3.226.041 6.268.756 8.038.218 9.080.413 5.833.248 3.008.758 3.514.280 38.969.714
1996 3.263.685 6.498.694 8.246.776 9.357.068 5.999.043 2.989.034 3.391.468 39.745.768
1997 3.475.368 6.636.018 8.582.464 9.705.165 5.936.894 3.018.203 3.290.511 40.644.623
1998 3.629.658 7.026.655 9.115.008 10.057.261 5.972.330 2.930.857 3.107.934 41.839.703
1999 3.800.031 7.446.768 9.336.948 10.208.051 6.097.142 2.927.140 3.035.246 42.851.326
2000 4.103.852 7.914.240 9.997.782 10.594.129 6.211.237 2.924.727 2.933.296 44.679.261
2001 4.407.672 8.381.711 10.658.616 10.980.206 6.325.332 2.922.313 2.831.346 46.507.196
2002 4.607.137 8.742.427 10.954.233 11.304.301 6.237.075 2.940.671 2.772.815 47.558.659
2003 5.091.021 9.544.699 11.610.725 11.726.286 6.192.068 2.824.959 2.722.549 49.712.307
2004 5.411.443 10.062.238 12.118.422 12.097.796 6.449.038 2.906.091 2.706.082 51.751.110
Nº de domicílios
Efeitos da transição demográfica no
consumo de energia elétrica
1) Aumento da demanda per capita da classe residencial com o
envelhecimento da população (YAMASAKI & TOMINAGA, 1997; TONN
& EISENBERG 2007).
Demanda energética anual residencial per capita, nos EUA em 2001:
24,9 MBTUs para pessoas com menos de 25 anos de idade
30,4 MBTUs para pessoas entre 34 e 44 anos
49,6 MBTUs para pessoas entre 65 e 74 anos
54,2 MBTUs para pessoas com mais de 75 anos.
2) Redução da densidade domiciliar em virtude do crescimento dos
arranjos domiciliares unipessoais, o que contribui para reduzir a
demanda por unidade consumidora.
3) Efeitos conflitantes
E. YAMASAKI, N. TOMINAGA, N. “Evolution of an aging society and effect on residential energy demand”, Energy Policy, v. 25, n. 11, pp. 903-932, 1997.
B. TONN, J. EISENBERG “The aging US population and residential energy demand”, Energy Policy, 35, pp. 743-745, 2007.
Método da taxa de chefia para projeção do
número de domicílios (KONO, 1987) A taxa de chefia é calculada por sexo e faixa etária em cada não t
tP
tHtT
s
xn
s
xns
xn População do sexo s, na faixa etária de x a x+n anos
completos
Número de domicílios chefiados por indivíduos do
sexo s e com idade entre x a x+n anos completos
Cada chefe representa um domicílio ocupado.
Total de domicílios chefiados por indivíduos do sexo s e com idades
entre x e x+n anos na data t é o produto: tPtTtH s
xn
s
xn
s
xn
ssexo
s
xn
s
xn
xidade
tPtTtH
O total de domicílios ocupados em um ano t, H(t), é a soma dos
domicílios chefiados por homens e mulheres nos grupos etários acima
de 10 anos de idade.
KONO,S. Headship rate method for projection households. In: BONGAARTS,J.; BURCH,T.K.; WACHTER,K.W. Family Demography:
methods and their applications. Oxford University Press, 1987.
Projeção do número de domicílios ocupados
Projeção do número de domicílios em função das projeções
para a taxa de chefia e da população
ssexo
s
xn
s
xn
xidade
tPtTtH
Projeção obtida pela
modelagem dos efeitos
idade, período e coorte
(Modelo IPC)
Projeção da
pirâmide etária
fornecida pelo
IBGE
Efeitos idade, período e coorte da taxa de chefia E
feito
id
ad
e
Efeito período
• Efeito idade: conseqüência do processo de envelhecimento dos indivíduos
• Efeito período: mudanças da sociedade ao longo do tempo e que afetam
simultaneamente todas as faixas etárias
• Efeito coorte: mudança de comportamento compartilhada pelos indivíduos que
nasceram em uma mesma década
Ta
xa
de
ch
efi
a
Estimação dos efeitos idade, período e coorte da
taxa de chefia
coortes
kk
períodos
jj
idades
ii
ijk
ijkDDD
T
TLn
1
Tijk = taxa de chefia na faixa etária i, no período j e na coorte k
Di =1 se i-ésima idade, caso contrário Di = 0, i=1....,7
Dj =1 se j-ésimo período, caso contrário Dj = 0, j=1....,4
Dk =1 se k-ésima coorte, caso contrário Dk = 0, k=1....,10
é o efeito médio
i é o efeito da idade i, i=1....,7
j é o efeito do período j, j=1....,4
k é o efeito da coorte k, k=1....,10
• Para evitar a multicolinearidade retira-se uma variável dummy de cada efeito.
• Uma quarta variável dummy deve ser retirada em função da dependência linear exata
entre os efeitos idade, período e coorte (DEATON, 1997).
• Variáveis eliminadas: grupo etário com mais de 70 anos, ao ano de 1970 e as duas
coortes mais velhas (coortes 9 e 10).
DEATON, A. The analysis of household surveys: a microeconometric approach to development policy, The World Bank, Washington, 1997.
Projeção da taxa de chefia
Equação de projeção da taxa de chefia
)exp(1
)exp(ˆˆ
kji
kji
ijk
ijk
ijkP
HT
Efeitos de período 5 e 6 2010 e 2020 obtidos por
extrapolação dos efeitos de período 1980, 1990 e 2000
Efeitos de coorte de
nascimento 0 e -1 2010
e 2020 obtidos por
extrapolação dos efeitos
de coorte estimados por
regressão
Projeções de população e taxa de chefia
IBGE: pirâmide etária
Revisão 2008
Resultados obtidos pelos
modelo IPC
Projeções do número de domicílios ocupados
Domicílios ocupados = População x Taxa de Chefia
Total de domicílios em 2010 = 40.659.962 +15.963.674 = 56.623.636
População total em 2010 = 193.252.604
Densidade domiciliar em 2010 = 3,41
Total de domicílios em 2020 = 46.429.447 + 22.652.996 = 69.082.443
População total em 2020 = 207.143.243
Densidade domiciliar em 2020 = 3,00
Mercado potencial da classe residencial
Horizonte de projeção 2010 2020
Número de domicílios ocupados 56.623.636 69.082.443
Participação dos domicílios ocupados no total de domicílios 81,43% 79,89%
Participação dos domicílios não ocupados 18,57% 20,11%
Participação dos domicílios vagos nos domicílios não ocupados 61,96% 58,68%
Participação dos domicílios vagos no total de domicílios 11,51% 11,80%
Participação dos domicílios fechados e de uso ocasional 7,06% 8,31%
Domicílios fechados e de uso ocasional 4.912.596 7.182.665
Domicílios que formam o mercado potencial da classe residencial 61.536.232 76.265.108
Projeções do número de domicílios em 1º
de julho de cada ano
Projeção do número de unidades consumidoras
• Projeção definida com base nas metas de universalização estipuladas
pela ANEEL (Resolução 223/2003).
• Universalização do atendimento prevista para 2015 (Taxa de
atendimento igual a 1 a partir de 2015).
• Taxa de atendimento evolui linearmente até 2015.
• Após a universalização o número de unidades consumidoras é igual
ao total de domicílios.
Taxa de atendimento = Número de domicílios
Nº de unidades consumidoras = Taxa de Atendimento x Nº de domicílios
Projeção obtida pelo método da
taxa de chefia
Projeção com base na
resolução
ANEEL 223/2003
Número de unidades consumidoras residenciais
Projeção do consumo médio mensal Consumo médio
mensal por unidade
consumidora = (CPC)
Consumo anual da classe residencial
12 x Nº de unidades consumidoras residenciais em 1 de julho
O rendimento do domicílio e a difusão de eletrodomésticos são as principais
variáveis explicativas do consumo médio de energia elétrica nas unidades
residenciais.
Em função da desigualdade de renda, decidiu-se estratificar o consumo de
eletricidade em sete faixas de rendimento domiciliar (as mesmas da PNAD).
1) Até 1 salário mínimo
2) 1 a 2 salários mínimos
3) 2 a 3 salários mínimos
4) 3 a 5 salários mínimos
5) 5 a 10 salários mínimos
6) 10 a 20 salários mínimos
7) Mais de 20 salários mínimos
Em cada uma das faixas de rendimento admite-se
uma maior homogeneidade tanto nos estoques
como nos hábitos de consumo e nos gastos das
famílias com energia elétrica.
Histórico da distribuição
do total de domicílios
por faixa de rendimento
% 1995-2008
Participação do nº de domicílios por faixa de
rendimento (%) x rendimento médio (R$)
até 1 s.m.
R2 = 0,58
10%
20%
30%
1.200 1.300 1.400 1.500 1.600
de 1 a 2 s.m.
R2 = 0,77
15%
20%
25%
1.200 1.300 1.400 1.500 1.600
de 2 a 3 s.m.
R2 = 0,02
10%
15%
20%
1.200 1.300 1.400 1.500 1.600
de 3 a 5 s.m.
R2 = 0,04
15%
18%
20%
1.200 1.300 1.400 1.500 1.600
de 5 a 10 s.m.
R2 = 0,83
10%
15%
20%
1.200 1.300 1.400 1.500 1.600
de 10 a 20 s.m.
R2 = 0,91
5%
8%
10%
1.200 1.300 1.400 1.500 1.600
mais de 20 s.m.
R2 = 0,94
0%
3%
6%
1.200 1.300 1.400 1.500 1.600
R$ R$ R$
R$
R$ R$ R$
Correlações entre as
participações das
faixas de rendimento
e o rendimento
médio mensal no
período 1995-2008
Participações acumuladas das
faixas de rendimento P(y faixa i)
observadas em cada ano da PNAD
itttt
t
t DXDXXDDiyP
iyPLn
8822188221 ...
)(1
)(
Dummy para cada faixa de rendimento
rendimento médio mensal no ano t , RMDt
A trajetória futura do rendimento médio mensal familiar é obtida a partir
dos cenários macroeconômicos para o PIB e parcela da renda apropriada
pelos famílias (RAF)
RMDt+s = RADt+S x PIBt+S
12 x Domicíliost+s
RADt+s = RADt0 x (1+rRAF.t+s) Projeção da parcela do PIB
apropriada pelos domicílios (RAD)
Projeção do rendimento médio
mensal para cada ano do
horizonte de projeção
cenários
12 x DOM x RMDPNAD/PIB
Modelo para previsão da participação do número de
domicílios por faixa de rendimento
Projeção da distribuição do total de domicílios por faixa de
rendimento
itttt
t
t DXDXXDDiyP
iyPLn
8822188221 ...
)(1
)(
Rendimento
médio em função
dos cenários de
crescimento da
economia e da
renda apropriada
pelas famílias
RMDt+s = RADt+S x PIBt+S
12 x Domicíliost+s
Para uma dada faixa de renda i no ano t, o Índice de difusão do uso/aparelho j ,
denotado por ID(i,j,t) (GREER, 2011), é calculado da seguinte maneira:
),(
),,(,,
tiDOM
tjiDOMtjiID
onde:
DOM(i,j,t) = total de domicílios na faixa i no ano t que possuem o uso/aparelho j
DOM(i,t) = total de domicílios na faixa i no ano t
Foram considerados seis usos/aparelhos disponíveis na PNAD:
(1) geladeira 1 porta
(2) geladeira 2 portas
(3) freezer
(4) máquina de lavar roupa
(5) Iluminação
(6) TVs (em cores e preto e branco)
Índice de difusão de eletrodomésticos por faixa de
rendimento
O índice de difusão global da faixa de renda
i no ano t é a média geométrica dos índices
de difusão de seis usos/aparelhos:
6/1
6
1 ),(
),,(,
j tiDOM
tjiDOMtiIDG
Valores de CPC disponíveis
apenas para o total das
faixas de rendimento
Valores de difusão disponíveis
para as faixas de rendimento e
total das faixas de rendimento
Estimação do consumo médio por faixa de rendimento
tttt DIDGCPC 21
135
140
145
150
155
160
165
170
175
180
185
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
kW
h/m
ês
estimado
observado
Dt = 1 para o período após
o racionamento (t2001)
ttiti DIDGCPC ˆˆˆˆ,21,
CPC (kWh/mês) Índice de difusão global
Estimação do consumo médio por faixa de rendimento
ttiti DIDGCPC ˆˆˆˆ,21,
CPC (kWh/mês) Índice de difusão global
Previsão do consumo médio por faixa de rendimento
Projeções do consumo da classe residencial segundo
diferentes cenários de conservações
Pessanha, J.F.M. & Leon, N. Uma metodologia para previsão de longo-prazo do consumo de energia elétrica na
classe residencial, Seminários de Metodologias do IBGE, Rio de Janeiro, dezembro, 2012
Operação do sistema elétrico interligado Sistemas hidrotérmicos: geração hidrelétrica + termelétrica (inclusive
nuclear) ligados aos centros de carga através de um sistema de transmissão.
HIDRELÉTRICA TERMELÉTRICA
SISTEMA DE TRANSMISSÂO
Objetivo da operação eletroenergética: determinar uma estratégia de
geração em cada usina de forma a minimizar os custos operativos e o risco de
déficit (problema de otimização).
Custos operativos: custos com combustíveis das usinas termelétricas,
compras de energia de sistemas vizinhos e custos de não atendimento à
carga
CENTRO DE
CARGA
Energia armazenada nos
reservatórios na forma de
volume d’água
ONS é o agente responsável
pela coordenação e controle
da operação das instalações
de geração e transmissão de
energia elétrica
Operação do sistema elétrico interligado
• Mais de 90% da energia elétrica é
produzida em unidades hidrelétricas
• Grande volatilidade da oferta de
energia decorrente da natureza
estocástica das vazões afluentes às
usinas hidroelétricas
• Malha de transmissão de dimensão
continental interliga 4 subsistemas:
Sul, Sudeste/Centro-Oeste, Norte e
Nordeste.
• A interligação dos subsistemas
permite o aproveitamento dos
ganhos sinérgicos proporcionados
pela diversidade hidrológica entre
as bacias hidrográficas de cada
subsistema permitindo a otimização
energética e segurança elétrica.
Operação do sistema elétrico interligado A disponibilidade de energia hidrelétrica está limitada pela capacidade de
armazenamento dos reservatórios, criando uma ligação entre as decisões
tomadas num estágio qualquer e suas consequências futuras.
Necessidade da coordenação da operação das usinas hidrelétricas.
Problema estocástico, pois não é possível conhecer perfeitamente as futuras
afluências aos aproveitamentos hidrelétricos e a futura curva de carga do
sistema.
Operação do sistema elétrico interligado • Operação eletroenergética deve ser planejada para
vários anos a frente, pois existe um acoplamento
das decisões operativas presentes e futuras.
• Existência de várias bacias interligadas e grandes
reservatórios com capacidade de regularização
plurianual.
• A incerteza nas afluências torna incerto o nível de
armazenamento e a altura de queda dos
reservatórios e, portanto, afeta a capacidade de
produção de energia nas unidades hidrelétricas.
• O uso múltiplo da água (navegação, irrigação,
saneamento, etc.) e as regras de segurança para
controle de cheias nas bacias impõem restrições ao
problema de decisão da operação elétrica.
• Não linearidades nas funções de custos térmicos e de produção das usinas
hidrelétricas (vazão x altura de queda).
• Problema de grande porte sujeito a incertezas, impossível de ser acomodado em
um modelo matemático único,
Operação do sistema elétrico interligado
MÉDIO PRAZO (2 a 5 anos) Montantes de geração hidráulica e térmica
Intercâmbios entre subsistemas
CURTO PRAZO (até 12 meses)
Metas de geração por usina
CURTÍSSIMO PRAZO (1 semana)
Desagregação das metas semanais
em diárias para cada usina
Estratégia de solução: Decomposição do problema em subproblemas,
resolvidos por uma cadeia de modelos com diferentes horizontes de
planejamento e graus de detalhamento do sistema.
NEWAVE
DECOMP
DESSEM
Cadeia de modelos
computacionais
desenvolvidos pelo
Cepel
www.cepel.br
Deta
lham
ento
do s
iste
ma
maior
menor maior
menor
Incert
eza
Operação do sistema elétrico interligado Minimiza custo médio de operação (horizonte até 5 anos à frente)
Solução obtida por Programação Dual Dinâmica Estocástica
Usinas hidrelétricas representadas de forma agregada
Representação da rede: interligação entre subsistemas
Incerteza das vazões é representada por 2000 cenários equiprováveis
Estabelece metas de geração hidráulica e térmica do SIN,. bem como os
fluxos de intercâmbio de energia entre os subsistemas visando o menor
custo total de operação preservando a segurança da operação elétrica.
Minimiza custo médio de operação (horizonte até 12 meses à frente)
Solução obtida por programação linear
Usinas hidrelétricas representadas individualmente
Representação da rede de transmissão elétrica considera restrições de
fluxos entre usinas
Vazões afluentes às usinas consideradas conhecidas no 1º mès e
representadas por uma árvore de cenários nos demais meses.
Estabelece metas de geração por usina
NEWAVE
DECOMP
Minimiza o custo de operação (horizonte até 1 semana à frente)
Solução obtida por Programação Dual Dinâmica Estocástica
Unidades geradoras das usinas são representadas individualmente
Representação detalhada da rede de transmissão elétrica (fluxo DC)
Vazões afluentes às usinas consideradas conhecidas
Metas de geração diárias para cada unidade geradora
DESSEM
Operação do sistema elétrico interligado
NEWAVE
DECOMP
DESSEM
Acoplamento entre os modelos é efetuado
pela função de custo futuro
Função de custo futuro: fornece o valor
esperado do custo de operação até o final
do horizonte de planejamento, dada a
tendência hidrológica e os volumes
armazenados ao final de cada etapa.
Esta função permite comparar o custo de
utilizar os resevatórios ou guardar a água
para uma utilização futura.
Função
de custo
futuro
Função
de custo
futuro
Previsão de médio prazo do consumo mensal na
classe residencial do subsistema Sul
Consumo mensal (GWh)
de energia elétrica na
classe residencial entre
janeiro de 1979 e março
de 2003
Racionamento entre fevereiro e
maio de 1986 na região Sul
Racionamento
voluntário de 2001
Pessanha, J.F.M., Laurencel, L.C., Souza, R.C. Modelagem estrutural na previsão do
consumo residencial de energia elétrica, Congreso Latinoamericano de Investigacion de
Operaciones, Ciudad de la Habana, 2004
Previsão do consumo mensal na classe residencial
do subsistema Sul por meio de modelo estrutural
Modelo estrutural básico
Tendência linear local
Slope
Sazonalidade
Equação principal
Previsão do consumo mensal na classe residencial
do subsistema Sul por meio de modelo estrutural
Componentes
tendência slope
sazonalidade
Irregular
• Informação fundamental para todas as etapas do planejamento da
operação (Gross & Galiana, 1987)
• Previsão de carga de 1 hora até
1 semana a frente com resolução
de 10, 15 e 30 minutos.
• Conta com uma ampla variedade
de métodos de previsão.
• A variedade reflete a busca dos
operadores do sistema por
métodos mais precisos.
Previsão de carga no curto prazo
Métodos para previsão de curto prazo
Diferentes abordagens:
Métodos estatísticos
Modelos de regressão linear (Hong et al, 2011)
Modelos de Holt-Winters e ARIMA (Taylor & McSharry, 2007)
Modelos ARIMA
Modelos estruturais (filtro de Kalman)
Métodos de Inteligência computacional
Redes Neurais (Hippert el al, 2001)
Lógica Fuzzy (Manlook et al, 2009)
Máquinas de vetor de suporte (Junfang & Dongxiao, 2009)
Métodos híbridos
Junfang, W.; Dongxiao, N. Short-Term Power Load Forecasting Using Least Squares Support Vector Machines (LS-SVM), Second International Workshop on
Computer Science and Engineering. 2009.
Hong, T., Wang, P., Willis, L. A Naïve Multiple Linear Regression Benchmark for Short Term Load Forecasting, Power and Energy Society General Meeting,
2011 IEEE
Hippert, H.S.; Pedreira, C.E.; Souza, R.C., Neural networks for short-term load forecasting: A review and evaluation, IEEE Trans. Power Syst., vol. 16, no. 1,
pp. 44–55, 2001.
Manlook, R.; Badran, O.; Abdulhadi, E. A fuzzy inference model for short-term load forecasting, Energy Policy, 37,1239–1248, 2009
Taylor, J.W., McSharry, P.E. Short-Term Load Forecasting Methods: An Evaluation Based on European Data, IEEE Transactions on power systems, v. 22, n. 4,
november 2007.
Todos com pacotes
disponíveis no R
Estatística x Inteligência computacional
“Greater statistics” Chambers (1993):
‘everything related to learning from data, from the first planning or
collection to the last presentation or report’. Chambers, J. M. (1993) Greater or lesser statistics: a choice for future research.
Statist. Comput., 3, 182–184.
The fact that distinct names have been coined
for areas such as pattern recognition, machine
learning, data mining, neural networks and
expert systems is a sign of lost opportunities. Hand, D. J Modern statistics: the myth and the magic,
Journal of the Royal Statistical. Society, A (2009) 172,
Part2, pp. 287-306.
Modelagem da carga - Dias da semana
• Demanda menor no fim de semana.
• Sábado, domingo e dias úteis têm perfis horários distintos.
Modelagem da carga – Horário de Verão (HV) A demanda no horário de ponta (máxima) resulta da superposição dos consumos
das diferentes classes de consumidores.
A redução da demanda de ponta contribui para a segurança (menor carregamento
das instalações) e economia (redução da geração térmica) do sistema elétrico.
A defasagem de um hora com a implementação do HV evita a coincidência da
demanda máxima residencial e entrada da carga de iluminação pública com a
demanda industrial/comercial, cuja redução se inicia após as 18 horas.
http://www.ons.org.br/a
nalise_carga_demand
a/horario_verao.aspx
Modelagem da carga – Horário de Verão • Perfis médios normalizados e segundo o período do ano: horário de
verão e horário normal
•
•O horário de verão modifica o perfil horário
verão
Modelagem da carga – Horário de Verão (HV) A demanda no horário de ponta (máxima) resulta da superposição dos consumos
das diferentes classes de consumidores.
A redução da demanda de ponta contribui para a segurança (menor carregamento
das instalações) e economia (redução da geração térmica) do sistema elétrico.
A defasagem de um hora com a implementação do HV evita a coincidência da
demanda máxima residencial e entrada da carga de iluminação pública com a
demanda industrial/comercial, cuja redução se inicia após as 18 horas.
http://www.ons.org.br/a
nalise_carga_demand
a/horario_verao.aspx
Modelagem da carga – Horário de Verão (HV)
O HV visa o melhor aproveitamento da luz do dia durante o verão.
http://www.ons.org.br/analise_carga_demanda/horario_verao.aspx
O HV 2012/2013 reduziu a demanda máxima do SIN
em 2477 MW (4,5%)
Modelagem da carga – Dias especiais
Comportamento da carga do SIN em jogos da seleção realizados em dias
úteis – início 16:00 horas (Fonte:ONS)
Jogo Brasil 4 x Chile 1 na Copa de 1998
CARGA ÁREA SP
3000
5000
7000
9000
11000
13000
15000
17000
00:0
0
01:1
4
02:2
8
03:4
2
04:5
6
06:1
0
07:2
4
08:3
8
09:5
2
11:0
6
12:2
0
13:3
4
14:4
8
16:0
2
17:1
6
18:3
0
19:4
4
20:5
8
22:1
2
23:2
6
HORA
MW
DIA DO JOGO DIA TIPICO
1638,2MW/8 MIN2589,5 MW/09 MIN
4321
Inicio - 16:00
Término - 17:45
Efeito de dias especiais
Modelagem da carga – Dias especiais
Terça-feira 13 de junho
Brasil x Croácia
Domingo 18 de junho
Brasil x Austrália
Modelagem da carga – Efeito da temperatura
Temperatura (F)
Dem
an
da
(k
W)
Em uma área dos EUA
Fonte: Hong, T, Wang, P., Williws, H.L. A naive multiple linear
regression benchmark for short term load forecasting, Power and
Energy Society General Meeting, IEEE, San Diego, 2011.
Carga x temperatura média
na região norte do Brasil
Tendência linear: Contador de horas ao longo do tempo
TMP = Temperatura horária
Hong, T., Wang, P., Willis, L. A Naïve Multiple Linear Regression Benchmark for Short
Term Load Forecasting, Power and Energy Society General Meeting, 2011 IEEE
Modelo de regressão linear – Naive Model (Hong et al, 2011)
Hora, Dia, Mês = Variáveis de calendário modeladas por variáveis dummy
(categórias)
• Sistema constituído por elementos de processamento
interconectados chamados neurônios.
• Parâmetros (pesos sinápticos) estimados por técnicas de
aprendizado.
Neurônio Artificial :Perceptron
Redes Neurais Artificiais (RNA)
Neurônio Biológico
Multilayer Perceptron com 1 camada escondida
Redes Neurais Artificiais (RNA)
Camada
escondida
Camada
de saída Camada
de entrada
Y
X1
X2
Variável dependente
(Saída) Variáveis
Independentes
(Entradas)
Treinamento da rede neural artificial
FASE FORWARD
FASE BACKWARD
padrão de
entrada
cálculo da
saída
erropesos
ajustados
O ajuste dos pesos sinápticos
(w) se dá pela execução da
retropropagação do erro, um
processo de otimização em duas
fases (fase forward e fase
backward), onde os pesos são
definidos de forma a minimizar a
soma dos quadrados dos erros.
ijijij wtwtw 1
ij
ijw
Ew
Taxa de aprendizagem
Derivada do erro em relação aos pesos sinápticos
Movendo-se as janelas de entrada e saída obtém-se os padrões de
treinamento para o ajuste dos pesos da RNA por meio da retropropagação do
erro.
Previsão com redes neurais artificiais
Redes Neurais Artificiais na previsão de séries temporais.
Redes Neurais Artificiais (RNA)
Exemplo: previsão de carga em uma determinada área de controle do SIN
Série com 2001 horas
Redes Neurais Artificiais (RNA)
Previsão uma semana (168 horas) a frente
MAD = 242,59 MW
MAPE = 4 %
Resultados outsample
Modelo híbrido (Pessanha & Justino, 2014)
Filtro
Splines
Série
temporal
da carga
Série da
carga filtrada
Série
temporal da
temperatura
Previsões das demandas máxima e
mínima (MW) até 3 dias a frente
Perfil padronizado da curva
de carga até 48 horas a frente
Registros
de carga
Registros de
temperatura
Previsões
de carga
MW
Previsão de carga (MW) com
resolução temporal de 10, 15 e 30
minutos até 48 horas a frente
Load Forecasting System
Modelo
GMDH
Sistema de
Inferência
Fuzzy
Pessanha, J.F.M., Justino, T.C. Uma Metodologia para Previsão de Carga no Curto-Prazo. In: XIII SIMPÓSIO DE ESPECIALISTAS EM
PLANEJAMENTO DA OPERAÇÃO E EXPANSÃO ELÉTRICA, 2014, Foz do Iguaçu.
Filtragem dos registros de carga Finalidade: preencher lacunas e corrigir outliers.
Baseia-se em técnicas estatísticas: LOESS, normal multivariada, métodos de classificação, Naive Bayes e Análise de agrupamentos (Pessanha et al, 2012).
Pessanha, J.F.M., justino, T.C., Maceira, M.E.P. Metodologia para filtragem de registros de carga. In: XII Simpósio de Especialistas
em Planejamento da Operação e Expansão Elétrica, 2012, Rio de Janeiro.
Lógica Fuzzy
Copo
vazio
Copo
cheio ?
Na verdade o copo está meio cheio e meio vazio.
O copo tem grau de pertinência de 50% no conjunto cheio e
grau de pertinência de 50% no conjunto vazio
Na Teoria dos Conjuntos os elementos são classificados em conjuntos
bem definidos (crisp set), onde cada elemento pertence ou não pertence
a um determinado conjunto.
Lógica Booleana: VERDADEIRO ou FALSO
Mas na situação abaixo, o copo do meio está cheio ou vazio ?
Lógica Fuzzy
Lotfi Asker Zadeh
Baku, Azerbaijão 1921
Introduzida por Lotfi A. Zadeh na década de 60.
Trata de questões associadas à imprecisão na
descrição das propriedades de um fenômeno, por
exemplo, afirmações vagas do tipo:
O consumo é baixo
A demanda é alta
A temperatura está quente
Os exemplos acima são variáveis lingüísticas, ou
seja, sentenças expressas em linguagem natural
(baixo, moderado baixo, médio, moderado alto, alto)
A Lógica Fuzzy fornece os fundamentos para efetuar
o raciocínio aproximado com proposições
imprecisas, permitindo tratar dados vagos ou
imprecisos.
Lógica Fuzzy O grau de pertinência de um elemento a um conjunto fuzzy é um número
no intervalo [0,1]
Um conjunto fuzzy é definido por uma função de pertinência que informa
o grau de pertinência de um elemento ao conjunto.
Por exemplo, modelagem da variável idade:
idade 18 40 55 65
Função de
pertinência
1
0
jovem adulto idoso
30
0,4
0,6
Um indivíduo com idade menor ou igual a 18 anos certamente é jovem.
Um indivíduo com idade superior a 65 anos certamente é idoso.
Mas, o que dizer de um indivíduo com 30 anos de idade: ele é jovem ou adulto?
Neste caso podemos dizer que este indivíduo pertence ao conjunto jovem com pertinência
de 0,4 a ao conjunto adulto com pertinência 0,6 (um indivíduo pode pertencer a vários
conjuntos fuzzy, mas com diferentes graus de pertinência)
Sistema de Inferência Fuzzy
Baseia-se em um conjunto de regras fuzzy:
Se < antecedente > então < conseqüente >
Por exemplo, o problema da gorjeta: Dada uma nota entre 0 e 10 para a
qualidade do atendimento e uma nota entre 0 e 10 para a qualidade da comida
de um restaurante, qual deve ser o valor da gorjeta?
Inicialmente podemos pensar na seguinte base de regras:
SE o atendimento é precário OU a comida é rançosa ENTÃO a gorjeta é pequena.
SE o atendimento é bom ENTÃO a gorjeta é boa
SE o atendimento é excelente OU a comida é deliciosa ENTÃO a gorjeta é generosa
Mas o que é um atendimento precário, uma comida rançosa, um atendimento
bom, um atendimento excelente, uma comida deliciosa, uma gorjeta pequena,
boa ou generosa?
Necessidade de definir os conjuntos fuzzy das variáveis lingüísticas!
http://www.mathworks.com/help/fuzzy/fuzzy-inference-process.html
Lógica Fuzzy
0 10
0 10
0 10
Nota para o atendimento
Nota para o atendimento
Nota para o atendimento
1
1
1
Precário
Bom
Excelente
ATENDIMENTO
0 10 Nota para a comida
1
0 10 Nota para a comida
1
Rançosa
Deliciosa
COMIDA
Gorjeta
Pequena
Boa
Generosa
0 25%
Gorjeta 0 25%
Gorjeta 0 25%
GORJETA
CONJUNTOS FUZZY
Lógica Fuzzy
Excelente
Bom
Precário
Deliciosa
Rançosa
Generosa
Boa
Pequena
Nota do atendimento = 3 Nota da comida = 8
SE atentimento é excelente OU comida é deliciosa ENTÃO gorjeta é generosa
SE atentimento é bom ENTÃO gorjeta é generosa
SE atentimento é precário OU comida é rançosa ENTÃO gorjeta é pequena
Fuzzyficação Aplica operação fuzzy
(max) Aplica implicação (min)
Agrega os
conjuntos fuzzy
dos
conseqüentes
Gorjeta
Lógica Fuzzy
Conjunto fuzzy do
conseqüente para nota
de atendimento = 3 e
nota da comida = 8
A conversão do conjunto fuzzy em um número é um processo denominado
defuzzyficação.
Há várias formas de fazer a defuzzyficação, por exemplo a gorjeta poderia ser definida
como a abscissa do centro de gravidade do conjunto fuzzy do consequente.
Gorjeta
Mas não podemos entregar um
conjunto fuzzy para o garçom !
Gorjeta = 16,7%
Li-Xin Wang • Jerry M. Mendel
Método genérico de geração de regras nebulosas (fuzzy) que combina
informações numéricas e lingüísticas para uso, inclusive, em previsão de
séries temporais.
Extração automática das regras fuzzy a partir dos dados.
Disponível no R
Lógica Fuzzy – Algoritmo de Wang - Mendel
Pacote frbs
Lógica Fuzzy – Algoritmo de Wang - Mendel
Divisão do intervalo de valores assumidos pela série em conjuntos fuzzy
Lógica Fuzzy – Algoritmo de Wang - Mendel
REGRA FUZZY
Extração de regras fuzzy
Exemplo com 3 antecedentes e
1 consequente:
xt = f(xt-1,xt-2,xt-3)
Conjuntos ativados
Grau de ativação da regra
0,65 x 0,55 x 0,83 x 0,55 = 0,1632
Lógica Fuzzy – Algoritmo de Wang - Mendel
Previsão de valores futuros (deffuzyficação)
Para a previsão de valores futuros, os dados de entrada são recebidos e a base de
regras previamente construída é aplicada, cada regra ativada tem um grau de
pertinência.
Um processo de defuzzificação combina as saídas das regras ativadas e calcula o valor
previsto pelo método do centro de gravidade:
Grau de pertinência da
i-ésima regra
Consequente
da i-ésima regra
(média do conjunto
fuzzy no consequente
da regra)
Rede GMDH
As previsões das demandas mínima e máxima diárias são obtidas por
meio de uma rede neural polinomial (Group Method of Data Handling –
GMDH).
m
i
m
j
m
k
m
l
lkjiijkl
m
i
k
m
j
m
k
jiijk
m
i
m
j
jiij
m
i
ii xxxxexxxdxxcxbay1 1 1 11 1 11 11
Na rede GMDH cada neurônio tem duas vaiáveis de entrada xi and xj e
uma variável de saída y .
A função de ativação é linear com 6 coeficientes:
jijiji xFxExDxCxBxAy 22
Dada uma amostra com n observações de y e x1,...,xm, o algoritmo de
treinamento constroe a rede neural gradualmente (self-organizing
network).
xi
xj
jijiji xFxExDxCxBxAy 22
y The coefficients A,B,C,D,E and F
are fitted by OLS
Rede GMDH
Adição da primeira coluna (10 neurônios)
Elimina os piores neurônios
Rede GMDH
Adição da segunda camada
Elimina os piores
neurônios
Examplo com 5 variáveis de entrada
Rede GMDH
As redes são ajustadas para prever as demandas mínima e máxima um dia a
frente.
Uma rede adicional é ajustada para prever as demandas mínima e máxima
nos feriados e dias especiais.
Variáveis de entrada
• demandas mínimas e máximas de p dias anteriores
• temperaturas médias de m dias anteriores
• temperaturas medias de n dias posteriores
• dia da semana
• se dia normal ou horário de verão
Variável de saída
• Demandas mínima e máxima para o dia seguinte
Resultados do modelo híbrido
Previsão da carga do SIN
Conjunto de treinamento: 1/8/2005 - 9/1/2010.
Conjunto de validação: 10/1/2010 – 28/2/2010.
Especificação dos modelos
Modelo Fuzzy
1) Variáveis de entrada
Carga nas horas h-1, h-24, h-48, h-72, h-96 e h-168 (fuzzy variable).
Dia da semana, feriados, hora do dia e horário de verão (crisp variables)
2) Variáveis de saída
Previsões de carga em bases horárias 48 horas a frente (fuzzy variable).
Cada variável fuzzy é associada com 40 conjuntos fuzzy.
Modelo GMDH
1) Variáveis de entrada
Demandas máximas e mínimas nos dias d-1, d-7, d-14, d-21 and d-28.
2) Variável de saída
Demandas mínima e máxima diárias.
Resultados do modelo híbrido
30000
35000
40000
45000
50000
55000
60000
65000
0 30 60 90 120 150 180 210 240 270Intervalos de 10 minutos
MW
Valores observados
Valores previstos
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
1 23 45 67 89 111 133 155 177 199 221 243 265 287
Intervalos de 10 minutos
30000
35000
40000
45000
50000
55000
60000
65000
70000
0 30 60 90 120 150 180 210 240 270Intervalos de 10 minutos
MW
Valores observados
Valores previstos
0%
2%
4%
6%
8%
10%
12%
1 23 45 67 89 111 133 155 177 199 221 243 265 287
Intervalos de 10 minutos
Previsão de carga até 48 horas a frente
Com resolução de 10 minutos
Resultados do modelo híbrido
MAPE < 1% in 18% do período de previsão
MAPE < 5% in 67% do período de previsão
Resultados do modelo híbrido
Previsão de carga do SIN
MAPE < 1% in 22% do período de previsão
MAPE < 5% in 79% do período de previsão
Previsão de carga da área Sudeste
Resultados do modelo híbrido
MAPE < 1% in 21% do período de previsão
MAPE < 5% in 78% do período de previsão
Resultados do modelo híbrido
Previsão de carga do Paraná
Conclusões
A energia elétrica é vital para o desenvolvimento do país.
Previsão de demanda de energia elétrica para diferentes
horizontes de tempo e finalidades
Métodos estatísticos e de inteligência computacional
(“greater statistics”)
Outras oportunidades para aplicação de métodos de previsão
no planejamento e operação de sistemas elétricos:
• Previsão de demanda em pequenas áreas
• Previsões hidrológicas
• Previsões de recursos eólicos
• Avaliação de riscos