You are on page 1of 2

Fábio Gomes Vieira Filho – PSER_2018 – Trabalho 1 – Fichamento

J. D. Melo, E. M. Carreno “Data Inssues in Spatial Eletric Load
Forecasting”

• O artigo apresenta uma revisão sobre os dos diferentes métodos de previsão de carga
espacial desenvolvidos nos últimos 10 anos, tendo como foco a evolução dos dados de
entradas, bem como compreensão sobre como as tecnologias atuais e futuras podem
ser usadas para melhorias no campo de atuação.
• Basicamente, a previsão de carga espacial (previsão de cargas futuras através de mapas
temáticos) visa estimar geograficamente o crescimento de carga dentro de um limite
geográfico pré-determinado. Podendo ser usada para melhorar os investimentos em
reforços das redes de distribuição, confiabilidade, eficiência e economia dos sistemas
de distribuição e sua capacidade de satisfazer a demanda.
• Apesar de necessárias, as previsões na forma espacial são pouco utilizadas pelas
concessionárias devido ao grande número de dados demandado, dados esses, muitas
vezes não fornecidas pelas agências de energia. Sendo assim, realizam previsões de
forma direta, considerando a experiência e a informação local, sem auxilio de software
especializados e ferramentas analíticas.
• Previsão de carga espacial pode ser usada para fornecer informações que possam ajudar
as empresas de serviços públicos no planejamento de expansão das redes de
distribuição, melhorar a caracterização espacial da área de estudo, aumentar a eficácia
das previsões no nível espacial, simular a dinâmica do crescimento da carga e diminuir
o esforço computacional dos algoritmos de previsão espacial.
• O artigo apresenta três tipos de métodos de previsão: método de tendências, método
de simulação e o método híbrido.
• O método de tendências apresenta previsões usando técnicas de extrapolação
para estimar a demanda de pico futura em cada área. Os dados de entrada são
retirados da demanda histórica de cada subárea. Utiliza um pequeno banco de
dados, porém traz pouca informação para o planejamento de expansão, além
de não considerar as relações inter-áreas.
• O método de simulação possui dois grupos base. No primeiro transformam os
resultados das simulações de uso do espaço em crescimento de carga. O
segundo possui modelos que caracterizam o crescimento da carga dinâmica
sem realizar simulações de mudanças. Essas mudanças são consideradas
através de probabilidades ou mapas de preferência.
• O método híbrido associa tendência e simulação, combinando as vantagens de
cada método. Sendo assim, apresenta maior eficácia quando planejam cenários
múltiplos, porém, apresentam dificuldades em relação ao banco de dados
disponíveis. Necessitam de grandes bancos de dados socioeconômicos e
consumo históricos de demanda elétrica por região.
• A partir de meados da década de 2000, os dados necessários para criação de bancos de
dados estavam mais facilmente disponíveis. Com isso um novo problema surgiu: como
usar esses dados de forma eficiente, porque os dados apresentados eram em relação a
regiões inteiras e não a áreas específicas.

é o engenheiro de planejamento que deve escolher as medidas a serem tomadas. No final. Assim. é necessário que as pesquisas sejam conduzidas para técnicas de visualizações práticas dos resultados obtidos que facilitem nas decisões a serem tomadas pelo engenheiro de planejamento. Sendo assim. com o aumento do número de dados de entrada. porém os novos dados obtidos só terão uso em 10 anos. Além do investimento em software e desenvolvimento de métodos. que modificou o cenário do planejamento. • Com isso. para que os métodos de previsão de carga espacial sejam mais bem aceitos nas concessionárias. há também o investimento no treinamento de profissionais que interpretem tais resultados. • A partir disso um novo problema surge: a interpretação dos resultados. técnicas de pré-processamento foram implementados nos dados dos medidores inteligentes. teve-se a implementação de redes inteligentes.• Com isso. fornecendo medições em tempo real. Os métodos apresentam resultados em mapas temáticos. e do esforço para criação de um banco de dados. . o tempo de processamento computacional apresentou um crescimento exponencial. o que causa uma barreira para as concessionárias. • Tendo os dados mais precisos permitiu que as concessionárias de energia não precisassem mais estimar valores para previsão de carga espacial. que por sua vez podem apresentar diferentes resultados devido à escala de grade.