Robson da Silva Dias

Metodologia de Previsão Carga de Longo Prazo Energia Elétrica

de de

Monografia apresentada como requisito para obtenção do grau de Graduado pelo Programa de Graduação em Engenharia Elétrica do Departamento de Engenharia Elétrica da UFC.

Orientador: Prof. Tomaz Nunes Cavalcante Neto.

Fortaleza,

5

de

Julho

de

2010

RESUMO O presente estudo propõe uma metodologia para a previsão de carga em uma distribuidora de energia elétrica através do consumo de energia da área que abrange a sua concessão. Para as previsões de carga de energia de longo prazo, são utilizados indicadores do desempenho da economia, como o PIB (produto interno bruto) nacional e estadual, densidade populacional, os dois racionamentos de energia dos anos de 1987 e de 2001, além da base de dados da variável em análise. O histórico dos valores de consumo de energia é a variável mais importante para modelar a carga em um horizonte de longo prazo (5 anos). Na modelagem da previsão, é utilizado um software chamado EVIES 5.1. Esse programa proporciona gerenciamento de dados, realização de análises estatísticas e econométricas, também gera previsões ou modelos de simulações, além de produzir gráficos e tabelas de alta qualidade. PALAVRAS-CHAVE: carga, consumo e previsões.

ABSTRACT

This study proposes a methodology for load forecasting in an electricity distribution network the power consumption of the area covering the grant. For the projected energy charge of long term, are used as indicators of economic performance such as GDP (gross domestic product) national and state population density, the two rationing of energy the years of 1987 and 2001, and the database of the variable in question. The historical values of energy consumption is the most important variable for modeling the load on a long-term horizon (5 years). In modeling the prediction is used a software called EVIES 5.1. This program provides data management, analysis and econometric statistics also generate forecasts or model simulations, and produce graphs and tables of high quality.

Keywords: charge, consumption and forecasts.

........... 30 Figura 2: Tipos de Variáveis para Análise Estrutural ................. 66 .................................................................................. 56 Figura 12: População do Brasil em Milhões desde 1973 .............. 54 Figura 9: PIB Ceará 103 R$ desde 1973 ..... 49 Figura 4: Consumo por Classe desde 1973 ......................................................................................... 53 Figura 7: PIB Brasil 106 R$ desde 1973 ................................................................................ 57 Figura 14: Curvas de Carga Realizada x Estimada desde 1973 ........................................................................................................................................... 32 Figura 3: Fluxograma de Previsão ................ 56 Figura 13: Domicílios do Ceará desde 1973 ................ 54 Figura 8: Crescimentos do PIB Brasil...................................... 59 Figura 15: Carga Própria com Previsão dos 5 anos ......................................................... 55 Figura 11: População do Ceará em Milhões desde 1973................................................................................................................................. 50 Figura 6: Carga Própria desde 1973 ......................LISTA DE FIGURAS Figura 1: Etapas do Modelo de Previsão da Demanda .. 50 Figura 5: Consumo Total do Ceará desde 1973 ...................................................... 61 Figura 16: Possibilidades de Demanda e de Contratos da Distribuidora .......................................................................... 55 Figura 10: Crescimentos do PIB Brasil....................................

........................................................................... 62 Tabela 10: Projeção da Carga Própria (GWh) .......................................................................... 64 Tabela 12: Taxas de Crescimento da Demanda ............................................ 64 Tabela 11: Projeção da Carga Própria (MW médios) .................................................................................................................................. 58 Tabela 4: Coeficientes dos Parâmetros da Previsão .........LISTA DE TABELAS Tabela 1: Matriz de Análise Estrutural........ 58 Tabela 5: Carga Própria Estimada dos 5 anos........................................... 60 Tabela 7: Carga Própria Total no Horizonte Estimado ............................................................ 65 Tabela 13: Montante de Energia (MW médios) ....................................................... 61 Tabela 8: Perdas de Distribuição em % ............ 52 Tabela 3: Quadro de Resultados da Regressão .................................... 41 Tabela 2: Resultados do Modelo E-Views............................................... 65 ............... 60 Tabela 6: Novas Cargas Projetadas para os 5 anos ........................................................................ 62 Tabela 9: Mercado Projetado (GWh)........................................................................

....................6............................................................. 18 2....... ii ABSTRACT ..............3 Séries Temporais ....1 Conceito de Previsão ............................... 9 1................................. 15 2.........2 Etapas de um Modelo de Previsão....................................... 15 2.............................4 Análise de Séries Temporais ..........................5 Redes Neurais Artificiais.......... iii LISTA DE FIGURAS .................. 20 2............6...................... 24 3 PREVISÃO DE DEMANDA ................ 16 2................. 30 ................SUMÁRIO RESUMO .............................................................. v 1 INTRODUÇÃO ................................................ 15 2.........................................1 Métodos Qualitativos ......................................................................2 Apresentação do Problema .................................... 13 2 FUNDAMENTAÇÃO TEÓRICA SOBRE PREVISÃO DE DEMANDA ........................................................................................4 Objetivos do Trabalho .................5 Metodologia e Estrutura do Trabalho ............................................3 Motivações...................................................................................................................................2 Histórico do Surgimento da Previsão .................... 28 3.................. 12 1.....................................................................................................................................19 2.............................................................................................................................. 13 1........................1 Previsão de Carga .............................................................................. 12 1................................................... 28 3.............................. 22 2.........................................................................2 Métodos Quantitativos ..................... iv LISTA DE TABELAS ..6 Classificação dos Métodos de Previsão de Demanda ................................................................1 Características da Previsão de Demanda ................. Justificativas e Importância do Trabalho ...................................... 9 1....................................

.................3...... 38 3................... 44 4................................................. 38 3........................................................................................................................3 Os Consumidores Eletrointensivos ...3........ 41 3.. 33 3...................... 37 3........3.............. 44 4.2........ 31 3..................................4................1 Influência da População ............3 Ferramenta Computacional ............2.............................1 Impacto das Previsões de Demanda ..............................3................ 44 4.... 35 3..3..........4..............2 Demanda Residencial ....................................... 45 4.......1.4.1 Critérios Metodológicos ............................3 Caracterização da Demanda ........ 35 3..............2 Motivos de Desvios nas Previsões ..................................................1 Análise Estrutural ................................. 34 3...............3 A Natureza do Erro de Previsão ....................... 48 5.........1 Modelos de Previsão .................4................................... 33 3..........................3 O Tratamento das Séries Históricas ......................3 Demanda Industrial ........ 49 5...... 31 3.3...................1 Identificação das Categorias Relevantes .......4 Metodologia de Previsão de Carga das Distribuidoras de Energia Elétrica ........3.........2...... 51 ............................... 33 3..... 46 4..... 36 3...1 Cenários de Previsão .............4...................2 Identificação das Variáveis Explicativas .........3 Influência do Consumo Médio por Residência .....................1 O Nível de Produção Industrial............. 46 4.......................................................2 A Intensidade Energética ...................................3............2 Erros Originados do Modelo de Previsão ........................................................................................................................ 40 3.........3........................3.....................................................................................4 Demanda Total de Energia Elétrica....................................3. 36 3............. 47 5 ESTUDO DE CASO ...................................3 Aplicação de Modelos Estatísticos de Previsão ..................... 35 3.... 48 5.........................................................................................................2........ 42 4 RISCOS DEVIDO ÀS INCERTEZAS NA PREVISÃO ......1 Riscos na Previsão de Demanda ........2 Acompanhamento da Evolução da Demanda ...................1...................................... 34 3......................3..................3............2.....2 Influência da Quantidade de Domicílios ..2 Previsão Adotada pela Distribuidora ....4.......2....................2.............................3.............

.............................................................1 Introdução .....3.... 66 6...5....................1 Previsão de Mercado ..5......................................................1 Análise Gráfica dos Resultados ..................................2 Uso dos Meios Regulatórios ................... 58 6 GESTÃO DE RISCOS DAS PREVISÕES E SUA APLICAÇÃO ......................................................................................................... 70 ......................... 65 6...3................... 57 5.................................. 63 6........................... 64 6..............4 Contratação Máxima .........6 Resultados da Previsão .................................... 68 8 REFERÊNCIAS BIBLIOGRÁFICAS ....3........... 67 7 CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS ........................ 63 6........................3...........................1 Repasse às Tarifas .3 Estratégia de Contratação .....................2 Carga Própria Prevista ...................................................................... 64 6..........5 Penalidades...................... 53 5................................................ 63 6..............3...........3 Aplicação da Gestão de Riscos ............................................................................... 66 6....................................................3....................................3......................4 Análise das Variáveis Explicativas ............ 63 6.....................5 Descrição dos Passos da Previsão ......... 66 6......................................... 65 6.............................2 Sobrecontratação ............................................2...................................................................................... 64 6.....5.............4.....................................1 Subcontratação .....3......................

tendo em vista o novo modelo para o setor elétrico. a previsão a longo prazo. Um dos pilares desse desenho são as regras para a compra de energia pelas distribuidoras. entre outros. Finalmente. A diferença de uma para outra está na classificação do período de previsão. como mudanças súbitas de temperatura. em que a previsão de carga se tornou fator absolutamente crítico para as 9 . dependente de variáveis sobre as quais não é possível ter controle. Já na previsão a médio prazo. Para a previsão a curto prazo. e o de curtíssimo prazo. de interesse para o trabalho. todas as distribuidoras brasileiras precisaram aperfeiçoar o processo de elaboração das previsões. A previsão pode ser desmembrada em quatro tipos: curtíssimo prazo. avaliação da segurança do sistema. Para a previsão a curtíssimo prazo. Ela é também um recurso bastante utilizado na programação da geração. estima-se uma faixa de 24 horas até uma semana à frente. planejamento para transações de energia. em 2001. Em maior ou menor grau. O setor elétrico sempre trabalhou com dois grandes horizontes de previsão: o de longo prazo. se refere a períodos superiores a um ano. O novo modelo para o setor elétrico projetou um ambiente mais competitivo. o horizonte projetado de interesse é de alguns minutos até uma hora à frente. as empresas de energia elétrica se depararam com o desafio de se realizar uma previsão de carga mais exata possível. a previsão do consumo é uma ferramenta de suporte essencial para a tomada de decisões e funções de controle do sistema elétrico de potência. necessário para viabilizar o planejamento da construção de usinas geradoras. curto prazo. A importância da previsão de consumo de energia elétrica transformou-se numa questão muito discutida recentemente. médio prazo e longo prazo.1 Previsão de Carga Em uma distribuidora de energia elétrica. a faixa se estende a alguns meses.1 INTRODUÇÃO 1. que exigem altíssimo nível de exatidão nas previsões de carga. Depois de enfrentar o racionamento.

as distribuidoras têm de enviar ao Ministério de Minas e Energia (MME) as previsões de cargas para três cenários: início de fornecimento após cinco anos da contratação (A-5) . Entretanto. a evolução das técnicas de modelagem de consumo de energia elétrica é marcante. 10 . ela somente pode repassar esse custo às tarifas se a margem de erro for de até 3%. Em caso inverso. demográficas. e as margens de variação permitidas são bem pequenas. se a distribuidora comprar energia a mais. Na prestação de contas anual à Agência Nacional de Energia Elétrica (ANEEL). três anos(A-3) e um ano(A-1). ou seja. As previsões de carga com cinco anos de antecedência têm por objetivo permitir ao governo o planejamento para licitações de novas usinas geradoras. população. Com essa regra. com o surgimento de novas tecnologias e combustíveis alternativos (na oferta de energia e no uso-final). cujos preços são mais altos do que os dos leilões regulares. poderá incorrer em penalidades. a partir das mudanças nos estilos de vida. Em relação à estimação. tecnologia e outras variáveis econômicas. No passado.distribuidoras. tornou-se fundamental utilizar técnicas de modelagem que capturem o efeito de fatores tais como preços. o governo quis garantir a menor tarifa possível. Isto porque a compra de energia passou a ser feita exclusivamente por meio de leilões. renda. foi estabelecer regras para assegurar que não falte energia. com a introdução de mercados cada vez mais competitivos. nesse quesito. que se estende a até 20 anos. Os ajustes na demanda e no consumo de energia são definidos pelas regras do mercado spot. Esses empreendimentos necessitam de um horizonte de planejamento bastante amplo. A busca da exatidão das previsões é vital porque a lei prevê que a distribuidora utilize 100% da energia que contratou. políticas e tecnológicas. caso a empresa tenha feito uma compra inferior em mais de 3% à energia distribuída. Se tiver adquirido energia em um percentual acima deste. O objetivo do governo. a distribuidora deve arcar com os custos sem transferi-los ao consumidor. com base no critério do menor preço. extrapolações em linha reta de tendências históricas do consumo de energia serviram muito bem. Antes da realização de cada leilão.

a necessidade de contratos adicionais de suprimento. De forma mais detalhada. comercial e outras) se torna muito útil. industrial. Desta forma.No caso do Brasil. inclusive com o estabelecimento dos custos de referência dessa expansão que orientarão a licitação pelo mercado (montante de energia). após o processo de privatização da infra-estrutura iniciada na década de 90. previsões de crescimento de carga também darão subsídio a este planejamento estratégico. que tinha caráter indicativo passa a ser determinativo. o Definirá o montante de energia que deverá ser objeto de licitação. nota-se uma grande preocupação atual em expandir e modernizar todos os segmentos ligados à energia elétrica. de forma a sustentar as projeções de crescimento do país. térmicas e linhas de interconexão). Ainda neste contexto. o planejamento da expansão do sistema realizado pelo MME. o Indicará o programa de expansão de referência. identificando os projetos (hidráulicas. o Indicará. Ainda a partir do novo modelo. já que cada tipo de consumidor tem um comportamento específico e uma tarifa própria. tempo mínimo de maturação de uma usina termelétrica. o planejamento determinativo da expansão (PDE): o Definirá a estratégia para a expansão da geração e da transmissão. 11 . a separação dos modelos em classes de consumo (residencial. uma vez que determinadas políticas podem atingi essas classes de maneira diferenciada. Como a energia elétrica é um bem não estocável. a partir da consolidação dos mercados previstos pelas distribuidoras. o Indicará o elenco de usinas que poderão compor a licitação pelo mercado (montante de energia). caso a demanda projetada seja superior às previsões de carga contratadas pelas concessionárias de distribuição. em complementação aos projetos individualizados. este planejamento deve visar a uma antecedência de pelo menos dois anos em relação ao crescimento de consumo.

a qual pode provocar a falta ou excesso de produção. a aplicação de qualquer método de previsão pode se tornar ainda mais inadequada e. por exemplo).1. Sob este ponto de vista. previsão. Contudo.2 Apresentação do Problema Os principais métodos de previsão de séries temporais mais utilizados requerem para sua aplicação o cumprimento de uma série de critérios que devem ser atendidos para que o método possa dar previsões aceitáveis para um determinado produto. os quais 12 . com isso. encontrou-se o interesse para o desenvolvimento desta pesquisa. São inúmeras as áreas que necessitam de planejamento. e com isso. A previsão ou forecast. os riscos são amplificados. pois geralmente a previsão é realizada e utilizada para fins de planejamento. grandes discrepâncias tendem a ser inevitáveis. Então. que se concentra basicamente no aperfeiçoamento das técnicas existentes para obtenção de previsões de carga. se a previsão for mal processada. Justificativas e Importância do Trabalho A área de aplicações que envolvem previsões já justifica a importância em se estimar uma variável com maior precisão. na tentativa de prever o que vai acontecer e assim poder se preparar. que abordou uma proposta de aliar uma combinação de previsões de séries temporais através de programas computacionais. Quando se faz a previsão. e se esta não for aceitável. A finalidade da realização de uma previsão pode desencadear em um problema com erros ainda maiores. na prática os resultados obtidos são considerados aceitáveis e não ótimos. Este foi um dos focos de interesse para o desenvolvimento deste trabalho. Outro ponto importante na busca de aperfeiçoar novas técnicas de previsão que sejam mais robustas está relacionado ao fato da previsão ser uma ferramenta estratégica utilizada para fins de planejamento em diversos segmentos.3 Motivações. nome comumente utilizado neste meio. desde uma falha na alocação dos recursos. uma série de problemas pode ocorrer. incide diretamente na programação e planejamento dos recursos necessários (tais como matéria-prima e mão de obra. 1. tal como matéria-prima. Diante do exposto.

4 Objetivos do Trabalho Os principais objetivos deste trabalho são: • Desenvolver uma ferramenta que seja fundamental para a previsão de carga e que também seja simples e de fácil utilização por um usuário pouco familiarizado com os dados de carga em estudo.requerem a construção de cenários futuros. Este programa agrupa diversas variáveis explicativas que ajudam na previsão da variável em que se quer estimar. este trabalho propõe o desenvolvimento de uma combinação linear de previsões obtidas a partir da resposta computacional. índices econômicos. • Subsidiar na definição da estratégia de reforço e expansão do setor elétrico. • Sinalizar a receita empresarial com a comercialização de energia para os consumidores cativos e disponibilização da rede de distribuição para os consumidores livres. Começando pela metodologia. por exemplo. de forma harmônica e integrada com o planejamento energético de longo prazo.5 Metodologia e Estrutura do Trabalho Neste tópico é feito uma breve descrição sobre a metodologia e a estrutura do trabalho. Para promover o desenvolvimento nesta linha de pesquisa. são a seguir relatadas as etapas que foram seguidas para conclusão do projeto. 13 . vendas. • Definir os montantes de energia a contratar. para atendimento ao mercado da área de concessão. o estudo de previsão está centrado na previsão de consumo de energia elétrica. 1. etc. 1. através do programa EVIEWS. Neste projeto de pesquisa. seja para prever consumos.

No Capítulo 5 é apresentado o estudo de caso para a previsão de carga. Também nesse tópico é comentado sobre o EVIEWS. Finalmente. uma descrição das principais classes de consumo e as principais variáveis que infuenciam nessas classes. suas técnicas e aplicações. 14 . No Capítulo 6 é comentado sobre os riscos inerentes às previsões de demanda e seus impactos na distribuidora de energia elétrica. suas funcionalidades. No Capítulo 4 são relatados os riscos associados à previsão e os principais motivos dos desvios.A etapa inicial deste trabalho foi o estudo de conceitos teóricos. acompanhado de uma revisão da literatura acerca da previsão. assim como no consumo global. Este estudo foi resumido no Capítulo 2. bem como questões voltadas à análise de séries temporais e os respectivos métodos existentes para previsão das mesmas. assim como a aplicação das ferramentas de gestão de riscos associados à previsão de demanda da concessionária no novo contexto regulatório brasileiro. o Capítulo 7 apresenta as conclusões obtidas através da previsão. Já no Capítulo 3 é apresentada a caracterização da demanda.

Demonstra-se que pequenas variações nas condições iniciais podem causar grandes perturbações na 15 . De acordo com Lima (2004).2 FUNDAMENTAÇÃO TEÓRICA SOBRE PREVISÃO DE DEMANDA 2. segundo define Lima (2004). Segundo eles. as Leis da Física deveriam ser capazes de fornecer o estado do Universo em qualquer momento do passado ou do futuro. fosse possível conhecer as posições e velocidades exatas de cada partícula do Universo. Já Morettin e Toloi (2006) definem previsão como sendo alguma coisa que se quer ver antes que ela exista. se em um determinado momento.1 Conceito de Previsão A previsão pode ser definida de várias maneiras. Entretanto. 2. o nome previsão foi o termo escolhido para tratar o assunto relacionado a previsões de séries temporais. Neste trabalho. a previsão de uma série temporal é a determinação dos prováveis valores que serão assumidos pela variável de estudo. dentro de um horizonte máximo de tempo. seja possível obter as condições em um momento desejado. Os Modelos Determinísticos são úteis para certas situações. que nada mais são que um conjunto de equações e inequações matemáticas. alguns autores acham melhor a palavra predição.2 Histórico do Surgimento da Previsão As técnicas utilizadas para realização de previsões tiveram sua origem no século XIX. Os adeptos do Determinismo Científico postulavam que. apresentam limitações. ao serem inseridas as condições iniciais do sistema sob análise. Existem outros ainda que utilizam o nome projeção. organizadas de forma que. como forma de indicar algo que deverá existir no futuro. já que o processo de previsão. como pequenos sistemas físicos do nosso cotidiano. O que seria possível através da criação de Modelos Matemáticos Determinísticos. nada mais é do que uma extrapolação feita além do modelo temporal conhecido (neste caso a série temporal). quando no meio científico utilizava o Determinismo Científico.

Já segundo Klein (1997). foram desenvolvidos Modelos Probabilísticos. Do ponto de vista da previsão. tendo disponíveis os dados passados é possível iniciar o estudo de uma série temporal. 16 . afetando diretamente a vida de boa parte da população brasileira. com o avanço da Física Quântica. que quando analisadas poderiam ajudar a previsão a partir das características passadas desta série. Para compensar as limitações das técnicas determinísticas. um sinal que depende do tempo e é medido em pontos particulares no tempo é sinônimo de uma série temporal.condição final. Os Modelos Probabilísticos mostraram-se úteis em outros setores do conhecimento humano. conhecendo a velocidade exata de uma partícula. Newbold (1995) definiu que uma série temporal seria uma seqüência cronológica de observações. pode-se investigar sua evolução e comportamento. 2007) 2. Sendo assim. Através desses Modelos. Desta forma. os Modelos Determinísticos são inadequados quando não é possível definir as condições iniciais com boa precisão.3 Séries Temporais De acordo com Morettin e Toloi (2006). de uma variável de interesse particular. uma série temporal pode ser definida como um conjunto de variáveis estocásticas (probabilísticas) equiespaçadas e ordenadas no tempo. atualmente um Modelo Probabilístico auxiliou na definição das metas e consumo de energia elétrica estabelecidas pelo Plano de Contingenciamento do Governo Federal. Por exemplo. é possível definir suas posições mais prováveis ou a probabilidade de uma determinada posição ocorrer. levando em consideração uma abordagem matemática e estatística capaz de modelar equações que traduzam os mecanismos responsáveis pela geração desta série. Por isso. (Rodrigues. O golpe final nos Modelos Determinísticos ocorreu no início do século XX.

• Realização de previsões de valores futuros a curto/longo prazo. A tendência pode ser linear ou curvilínea (exponencial. sazonalidade e periodicidade. logística. ciclo. • Fenômenos imprevisíveis. que são: a) Tendência: É considerado o componente mais importante de uma série temporal.). Diz-se que existe tendência linear quando o movimento (crescente ou decrescente) é constante ao longo do tempo. macroeconômicas. os principais objetivos da análise e estudo de séries temporais são: • Investigação do mecanismo gerador da série.Também segundo Morettin e Toloi (2006). • Descrição do comportamento da série através da verificação gráfica de características tais como: tendência. como uma crise financeira 17 . ocorre quando o movimento está associado a um expoente verificável ao longo do tempo. De acordo com Corrar (2004). Consiste no movimento de direção geral que cobre um longo período de tempo e reflete as mudanças ocorridas nos dados de modo bastante consistente e gradual. • Mudanças no padrão tecnológico vigente. por sua vez. como: • Alterações internacional. Pode ser visualizado pela linha em torno da qual os dados flutuam. polinomial. • Variações nas condições da natureza. Já a tendência exponencial. Os fatores acima citados determinam os componentes das séries temporais. etc. os dados que constituem uma série temporal de demanda de energia elétrica podem sofrer a influência de diversos fatores.

b) Variações cíclicas: São conhecidas como variações que representam movimentos regulares em torno da reta ou da curva de tendência e referem-se às oscilações ao longo prazo. Os ciclos podem ser ou não periódicos, isto é, podem ou não seguir padrões análogos, depois de intervalos de tempos iguais. De modo geral, as variações cíclicas são difíceis de determinar, uma vez que tanto o período considerado, quanto à causa do ciclo, podem não ser conhecidos. c) Variações sazonais: São variações cíclicas de curto prazo (menos de um ano). Referem-se a movimentos de padrões regulares ou repetidos em torno da linha de tendência, em que os dados de uma série temporal parecem obedecer a períodos como meses, semanas, dias, etc. d) Variações irregulares: Referem-se aos deslocamentos esporádicos das séries temporais. Decorrem, normalmente, de causas naturais ou sociais, provocadas por eventos imprevisíveis e não periódicos chamados de ruídos, como: enchentes, greves, eleições, etc. 2.4 Análise de Séries Temporais Os principais itens analisados segundo Ferreira (2005) e Morettin e Toloi (2006) na análise de séries temporais são: • Investigar o mecanismo gerador da série temporal; • Realizar previsões de valores futuros da série: estas podem ser de curto prazo, como para série de vendas, produção ou estoque, ou a longo prazo, como para séries populacionais, de produtividade e de consumo; • Descrever o comportamento da série. Dessa forma, a construção do gráfico, a verificação da existência de tendências, ciclos e variações sazonais, a construção de histogramas e diagramas de 18

dispersão etc., podem ser ferramentas úteis para a análise das séries;

Pelo exposto acima, fica nítido que, para começar a análise de uma série temporal, o ideal é realizar uma decomposição da série em componentes com características peculiares, como: tendência, ciclo e sazonalidade. A tendência de uma série mostra seu comportamento a longo prazo, já que através da extrapolação deste movimento, que pode ser crescente, decrescente ou de natureza estável, é possível estimar qual será a continuidade desta série. Já os ciclos podem ser revelados através das oscilações existentes na série. São intervalos periódicos não constantes e superiores à variação sazonal. Tais oscilações que podem ser de queda ou subida, de maneira suave ou brusca, acompanham a série ao longo da componente tendência. Por fim, a sazonalidade se evidencia de maneira semelhante ao ciclo, caracterizando-se também pelas variações positiva e negativa, porém ocorre de forma periódica. Assim, tem-se a diferença entre a sazonalidade e o ciclo, já que enquanto a sazonalidade é previsível pelo fato de ser periódica, o ciclo é imprevisível, pois se manifesta de modo inconstante.

2.5 Redes Neurais Artificiais

Em termos intuitivos, redes neurais artificiais (RNAs) são unidades de processamento numérico, cuja arquitetura em camada produz um fluxo de informações com ou sem realimentação, possuindo uma estrutura de processamento de sinais com grande poder de adaptação e capacidade de representação de processos não lineares [Silva, 2003]. Entre as aplicacoes usuais das RNAs tem-se: reconhecimento e classificação de padrões, clustering ou agrupamento, previsao de series temporais, aproximação de funções, otimização, processamento de sinais, analise de imagens e controle de processos.

19

Uma rede neural se assemelha ao cérebro em dois aspectos [Haykin, 2001]: • O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem; • Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizados para armazenar o conhecimento adquirido.

No processo de aprendizagem, generalização significa que a rede neural produzira uma saída desejada para valores de entrada não utilizados durante tal processo, sendo este constituído, geralmente, por meio de exemplos. O elemento básico de construção de uma RNA e o neurônio artificial, cuja descrição é o estagio inicial para o entendimento dos conceitos associados as estruturas de redes existentes.

2.6 Classificação dos Métodos de Previsão de Demanda

Segundo Moreira (1998), é possível classificar os métodos de previsão segundo critérios variados, mas a classificação mais simples provavelmente é aquela que leva em conta o tipo de abordagem usado, ou seja, o tipo de instrumentos e conceitos que formam a base da previsão. Por esse critério, os métodos podem ser:

a) Qualitativos - são métodos que se baseiam no julgamento de pessoas que, de forma direta ou indireta, tenham condições de opinar sobre a demanda futura, tais como gerentes, vendedores, clientes, etc. Este julgamento é feito com base em pesquisas de opinião, painéis e reuniões entre especialistas. Desse modo, não se apoiam em nenhum modelo específico, embora possam ser conduzidos de maneira sistemática. Sua aplicação é indicada em situações onde não há disponibilidade de dados históricos consistentes. b) Quantitativos - são aqueles que utilizam modelos matemáticos e estatísticos para que se cheguem aos valores previstos. Permitem 20

tenta-se descobrir. Ainda quantitativos. será possível obter a projeção desejada para um produto ou grupo de produtos em estudo. mas exigem informações quantitativas preliminares. Tais variáveis são chamadas de variáveis causais. A expressão série temporal indica apenas uma gama de valores da demanda tomados em instantes específicos de tempo. A subjetividade dos analistas está na escolha do método que será utilizado. utilizando pares de valores da demanda e da(s) variável(eis) causal(is). Caso se tenha uma boa estimativa desse valor. etc. A população. A expectativa é a de que o padrão observado nos valores passados forneça informação adequada para a previsão de valores futuros da demanda. predominantemente encontrado é a regressão da demanda sobre a(s) variável(eis) causal(is). geralmente com igual espaçamento. O que determina a escolha de uma determinada variável causal para a previsão da demanda é a sua ligação lógica com esta última. Nela. pode-se ter: 21 . o PIB (Produto Interno Bruto). o têm-se algumas peculiaridades. Séries temporais .controle do erro.a análise destas séries não exige além do conhecimento de dados passados da demanda ou de qualquer variável que se queira prever.nos quais a demanda de um item ou conjunto de itens é relacionada a uma ou mais variáveis internas ou externas à empresa. De acordo com Moreira (1998). são alguns exemplos de variáveis causais. alguma relação que possa se expressa por uma equação matemática. analisando as duas subdivisões Para dos os modelos métodos matemáticos causais. o consumo de certos produtos. no qual são divididos em: Métodos causais .

2. Afinal. A abordagem consiste em combinar sistematicamente a opinião de especialistas para derivar uma previsão. Quando consideradas duas ou mais variáveis causais supostamente ligadas à demanda. 1993). são usadas algumas classes de médias que podem ser tiradas de valores passados da demanda. como é o caso em novos produtos. ser corrigidos para responder por outras características da demanda. Já para as séries temporais. b) Regressão múltipla. a opinião de especialistas pode ser a única fonte de informações para preparar a Previsão de Demanda. esses indivíduos mantêm contato 22 . Combinar previsões individuais pode ser feito de diferentes formas. Podem-se citar algumas técnicas qualitativas: a) Opinião de Executivos: Quando não há histórico do passado. São técnicas normalmente mais onerosas e que exigem maior trabalho e dedicação que os métodos quantitativos de previsão. É o caso em que se considera a demanda relacionada a apenas uma variável causal. Uma pessoa pode ser responsável pela preparação das entrevistas com os executivos e diretamente desenvolver um modelo único baseado nos resultados das pesquisas (Nahmias. envolvendo a determinação da linha de tendência obtida por meio de uma regressão que considera o tempo como variável ligada à demanda.a) Regressão simples.1 Métodos Qualitativos Os métodos qualitativos são muito subjetivos e dependem da sensibilidade e da experiência do analista. Valores previstos pela linha de tendência podem. b) Opinião da Força de Vendas: Desenvolver previsões com base na opinião do pessoal envolvido diretamente com as vendas pode ser uma alternativa atraente.6. Igualmente são muito úteis os modelos de decomposição das séries temporais. então.

são eles que determinam a demanda. entretanto. Nesses casos. c) Indicadores Econômicos: Essa técnica baseia-se em indicadores econômicos. os quais definem condições vigentes durante um determinado período de tempo. Com freqüência.diário tanto com os produtos da companhia quanto com os consumidores. a disponibilidade de indicadores apropriados proporcionará à companhia meios de estimar quais serão suas vendas. ou correlação. • produção industrial. Segundo Mayer (1990). procede-se por amostragem. conduzindo-se o que se denominam pesquisas de mercado. Organizar a estrutura da pesquisa. 1998). os instrumentos de coleta dos dados. o plano de execução e interpretar os resultados exige a presença de especialistas no assunto. As empresas podem descobrir a existência de uma relação direta. e possuindo a 23 . as quais requerem conhecimentos técnicos especializados e exigem cuidado no seu planejamento. • Produto Interno Bruto. conhecem o desenvolvimento histórico dos produtos e percebem as evoluções do mercado (Moreira. Quando isso for verdade. • nível de emprego. Tomados os devidos cuidados. • preços ao consumidor. • depósitos bancários. são usados freqüentemente alguns indicadores: • renda per capita. entre as vendas de alguns ou de todos seus produtos e essas condições. d) Pesquisas com Clientes: A lógica de se tomar a opinião dos consumidores liga-se ao fato de que. na realidade. o número de consumidores potenciais é excessivo para que seja realizada pesquisa de opinião particular.

isto é. Os modelos causais admitem que a demanda esteja relacionada com algum fator fundamental ou fatores no meio ambiente. utilizam a premissa que os padrões de demanda existentes continuem no futuro.2 Métodos Quantitativos Já os métodos quantitativos de previsão utilizam modelos estatísticos baseados em dados históricos e são agrupados em análise de séries temporais e modelos causais. ou seja. São métodos estatísticos que utilizam dados históricos para “prever” o futuro. 24 . b) Séries temporais: Segundo Bowersox e Closs (2006).6. 1998). a) Métodos causais: Segundo Ballou (2006) as premissas básicas das técnicas causais sustentam que o nível da variável de previsão é derivado do nível de outras variáveis relacionadas. a tendência que gerou a demanda no passado permanecerá gerando a demanda no futuro.empresa os recursos financeiros e/ou humanos para realizar uma pesquisa de mercado. sendo os métodos de regressões lineares e múltiplos os mais conhecidos. A análise de séries temporais baseia-se na idéia de que dados relacionados com a demanda do passado podem ser úteis para prever a demanda futura. o método pode dar resultados compensadores (Moreira. a técnica causal é indicada para previsões de longo prazo. essas técnicas se concentram inteiramente em padrões e eventos históricos e alterações desses padrões para gerar previsões. Brito. 2. e que ocorrem relacionamentos de causa e efeito. Campos e Leonardo (2006) descrevem que as técnicas causais têm o objetivo de explicar as variações de demanda a partir de fatores externos. Geralmente.

a análise das relações quantitativas entre variáveis econômicas é objeto da Econometria. Após a identificação das variáveis. A aproximação de uma equação de demanda usando os modelos causais envolve as seguintes etapas: a) Identificação das variáveis. A forma funcional especificada da relação da regressão a ser estimada normalmente é escolhida para refletir com o máximo de precisão as verdadeiras relações de demanda. o próximo passo consiste em especificar a forma da equação ou do modelo. renda per capita. Algumas vezes. Essas variáveis podem ser população. deve-se inicialmente identificar as variáveis independentes que possivelmente influenciam a quantidade demandada. c) Especificação do modelo de demanda. As variáveis utilizadas para prever o valor da variável dependente são conhecidas como variáveis independentes (tais como: X1. Poucas vezes se obtém uma equação de demanda empírica que contenha mais de seis ou sete variáveis independentes. PIB. ou que transformações sejam feitas para alterar os dados para a forma requerida. ramo da Economia que reúne um conjunto de técnicas estatísticas para testar as teorias econômicas.A equação de demanda pode ser representada como a relação entre a quantidade demandada (a variável dependente) e diversas variáveis independentes. Muitas alternativas e variações podem ser testadas. os dados não estão disponíveis na forma desejada e isso pode exigir que algumas variáveis do modelo sejam novamente especificadas. d) Estimação dos parâmetros do modelo e sua interpretação. o qual indica a relação entre as variáveis independente e a variável dependente. Em função de muitas vezes não existir uma razão a priori para se esperar que uma forma indique 25 . Em seguida. A variável que estamos tentando prever é chamada de variável dependente (designada por Y). b) Coleta de dados. a próxima etapa consiste em coletar dados sobre elas. Segundo Hill (2003). Para desenvolver um modelo estatístico de demanda. X2 e X3). e) Desenvolvimento de previsões (estimativas) baseadas no modelo.

Outra técnica que se enquadra no método quantitativo é a rede neural. Por exemplo. Os resultados dessa análise preliminar indicarão se uma equação linear é mais apropriada ou se curvas logarítmicas. As saídas seriam o número de clientes esperados em determinado dia e em determinado 26 . Uma maneira para descobrir qual forma funcional deve inicialmente ser testada pode ser conseguida colocando-se em um gráfico tais relações. As redes neurais representam uma área relativamente nova e crescente de previsão. Os modelos de previsão que uma empresa deve adotar dependem de uma série de fatores. estas entradas devem incluir fatores tais como histórico de vendas. com o passar do tempo e com o uso repetido. Disponibilidade de dados. dia da semana e o mês. exponenciais ou outras transformações são mais adequadas. 2. Disponibilidade de pessoal qualificado. Trata-se de uma técnica de inteligência computacional. Horizonte de previsão. como a análise de séries temporais e a análise de regressão. 3. as redes neurais podem desenvolver um entendimento dos relacionamentos complexos que existem entre as entradas e saídas de um modelo de previsão. Diferentemente das técnicas de previsão estatísticas mais comuns. as redes neurais simulam o aprendizado humano. enquanto que a previsão causal é geralmente aplicada em planejamento de longo prazo. condições meteorológicas. 4.a verdadeira relação melhor que outra. horário do dia. Desta forma. como a variável dependente ao longo do tempo (caso seja uma série temporal) e cada variável independente em relação à variável dependente. Precisão necessária. inúmeras variações geralmente são estimadas para se saber a melhor adequação entre os dados para as variáveis independentes com a dependente. em uma operação de serviço. Segundo Davis (2001). incluindo: 1. inspirada no funcionamento dos neurônios dos seres humanos. normalmente a análise de séries temporais é utilizada em situações de curto prazo.

no curto prazo. nenhum treinamento ocorre. Davis (2001) cita o caso de uma distribuidora de eletricidade americana que já utiliza redes neurais para prever. Nos modelos supervisionados. citam-se a impossibilidade de fornecer um intervalo de confiança para as previsões e o fato de não conseguirem prever com um horizonte maior que o mensal. Nos modelos não supervisionados. ou seja. as redes neurais realizam cálculos muito mais rapidamente do que as técnicas de previsão tradicionais. até o momento. Como desvantagens apresentadas pelas redes neurais. As redes neurais podem ser divididas em duas categorias gerais: as supervisionadas e as não-supervisionadas. eram possíveis de se obter com as técnicas tradicionais. apenas previsões de médio prazo. o software pesquisa e identifica padrões que existem em um determinado conjunto de dados.período. três meses à frente. 27 . Anteriormente. em função da necessidade de grande quantidade de dados de entrada. dados históricos são utilizados para “treinar” o software. Além disso. Em vez disso. as necessidades de energia com sete ou até dez dias de antecedência.

existem algumas características da Previsão de Demanda. tempo em equipamentos e habilidade de mão-de-obra específica. Pode-se 28 . as previsões são feitas com bases em informações conhecidas. em geral erradas. provavelmente esta é a mais ignorada e importante propriedade de quase todos os métodos de previsão. tais como: a) Previsões são. c) Previsões agregadas são mais exatas. a variação da média de um conjunto de valores é menor que a variação de cada variável isolada. d) Quanto mais longo for o horizonte da previsão. Trata-se de uma propriedade quase intuitiva. menos exata ela será. O erro em uma previsão de uma linha inteira de produtos é menor que o erro da previsão de um item individualmente. O sistema de planejamento deveria ser suficientemente robusto para ter capacidade de antecipar erros de previsão. Já que as previsões são usualmente erradas. Por ser usada no controle e no planejamento de operações.1 Características da Previsão de Demanda A Previsão de Demanda é utilizada com vários objetivos em empresas com ou sem fins lucrativos. b) Uma boa previsão é mais que um simples número. Por mais estranho que possa parecer. Este fenômeno também se aplica na Previsão de Demanda. Segundo Nahmias (1993). uma boa previsão também inclui alguma medida para antecipar o erro da previsão.3 PREVISÃO DE DEMANDA 3. Via de regra. De acordo com a estatística. As necessidades de recurso para a programação de produção e compras requer modificações se a Previsão de Demanda estiver imprecisa. seus dados devem estar disponíveis de uma maneira passível de tradução para itens específicos de matéria-prima.

passam a exercer cada vez mais influência. que exigem. a presença de profissionais com conhecimento necessário para trabalhar com os modelos. além de dados numéricos com certa abundância. 29 . mais sofisticados. Existem vários métodos disponíveis para se obter uma previsão. como meses. semanas ou até dias. que nenhuma previsão consegue incorporar. permanecerão no futuro. o comportamento do passado é a base para inferências sobre o comportamento do futuro. enquanto outros são normalmente aplicados às previsões para períodos mais curtos.prever o dia de amanhã com mais exatidão do que um dia no próximo ano. Também a existência de computadores. Certos métodos mostram-se melhores para previsões de longo prazo (vários anos no futuro). b) Métodos não direcionam a resultados perfeitos. dependendo do número e variedade dos produtos. será imprescindível. sendo a chance de erro tanto maior quanto maior for o horizonte de previsão. normalmente envolvendo modelos matemáticos. Os métodos de previsão possuem algumas características semelhantes entre si. tendo como premissa alguns fatores. destacando-se: a) Métodos de previsão de um modo geral assumem que as mesmas causas que estiveram presentes modelando a demanda. Há certos métodos. Isso acontece porque os fatores aleatórios. entre os principais: a) Disponibilidade de dados e recursos. b) Horizonte de previsão. ou seja.

Tubino (2006). baseadas na opinião de especialistas e as quantitativas que consiste na análise de dados históricos através de modelos matemáticos. 3. o produto que será previsto e o grau de confiabilidade desta previsão. se tenha a oportunidade de mudar para outro método mais adequado. se ele aumentar expressivamente. Depois disso. muitos métodos disponibilizam recursos para prever dentro de um intervalo de valores com certa precisão. 30 . Além do mais que há possibilidade de se controlar o erro da previsão de forma que. no sentido de identificar e desenvolver a técnica de previsão que melhor se adapte.Apesar disso. A etapa seguinte consiste em coletar e analisar os dados históricos do produto. Objetivo do Modelo Coleta e Análise dos Dados Seleção da Técnica de Previsão Obtenção das Previsões Monitoração do Modelo Figura 1: Etapas do Modelo de Previsão da Demanda A primeira etapa serve para definir a razão pela qual será necessário prever. o modelo de previsão da demanda pode ser dividido em cinco passos conforme mostra a figura abaixo.2 Etapas de um Modelo de Previsão De acordo com Dalvio F. define-se a melhor técnica de previsão que podem ser qualitativas.

Demanda de energia elétrica: refere-se ao total de energia elétrica requisitada pelo mercado.Demanda industrial de energia elétrica: por sua vez está ligada às necessidades de energia elétrica expressas ao mercado pelo conjunto de indústrias que compõem o setor produtivo. Essa técnica é bastante apropriada para a simulação prospectiva de variáveis complexas como é o caso da demanda de energia elétrica. Destacam-se as seguintes variáveis de resultados: . fazendo a separação daquelas com maior poder de influência no sistema com as menos influentes. 31 . a análise estrutural é uma técnica utilizada no apoio aos estudos de elaboração de cenários e tem por objetivo mapear as variáveis que concorrem para a definição final da variável objeto de prospecção. industrial e comercial. . deve-se comparar com as demandas reais alcançadas para que se possa efetuar um monitoramento do modelo. podemos estabelecer as seguintes definições para as variáveis envolvidas na formação da demanda de energia elétrica: a) Variáveis de resultados: É formado pelo conjunto de variáveis mais importantes por que dizem respeito ao objeto final dos cenários.Demanda residencial de energia elétrica: está relacionada às necessidades de energia elétrica expressas ao mercado pelo conjunto de residências ligadas às redes de distribuição.3 Caracterização da Demanda 3.Com a escolha da técnica de previsão.1 Análise Estrutural Segundo Buarque (2003). à medida que estas previsões forem sendo calculadas. calculando o erro obtido.3. Observando a técnica da análise estrutural. que se desagrega principalmente em três grandes grupos: demandas residencial. . 3. podem-se obter as projeções de demanda ou vendas futuras e.

É uma variável de definição da demanda residencial e. no longo prazo.. A Figura abaixo representa os três tipos de variáveis de forma esquemática. mas que são ao mesmo tempo determinadas por outras. a evolução das tarifas que deve expressar. São exemplos: os investimentos sociais em educação e saúde. mostra os efeitos da evolução da renda das famílias. da tecnologia dos equipamentos. a evolução dos custos marginais.Demanda comercial de energia elétrica: está relacionada às necessidades de energia elétrica expressas ao mercado pelo conjunto de unidades comerciais e fornecedoras de serviços. Figura 2: Tipos de Variáveis para Análise Estrutural 32 . Um exemplo bem claro é a variável consumo médio residencial. por isso. ao mesmo tempo. Essas variáveis medem os impactos das variáveis determinantes sobre as de resultados. são chamadas de ligação. dos hábitos de consumo. c) Variáveis determinantes: São definidas por exercerem grande influência sobre o comportamento das variáveis de ligação ou mesmo diretamente sobre a variável de resultado. b) Variáveis de ligação: Essas variáveis são conhecidas por influenciarem diretamente no comportamento das variáveis de resultados.

2. e das taxas de natalidade e mortalidade. Esta variável possui relativo grau de autonomia. 3.2 Demanda Residencial A demanda de energia da classe residencial apresenta um universo de variáveis determinantes muito distintas das outras classes de consumo. na maioria dos casos.De acordo com o fluxograma acima. que se combinam mais à frente para produzir novas sínteses até o resultado final.3. a demanda de energia elétrica é uma variável de resultado que depende de uma ampla gama de fatores que.3. Sendo assim. cobrindo desde variações climáticas até decisões de política energética. porém se comporta como função do ritmo de evolução das migrações determinadas pelos fatores de expulsão e atração. industrial. tecnológica. gerando as variáveis de ligação. Esta dependência assume contornos de grande complexidade. configura-se numa rede de causalidade à semelhança de uma árvore com vários pontos de convergência e afunilamento de efeitos.2 Influência da Quantidade de Domicílios Outra variável relevante na análise da demanda de energia elétrica residencial é a evolução do comportamento do número de domicílios ligados à rede de 33 . sejam eles consumidores ou supridores. 3.3. sendo que algumas variáveis se mostram como resultantes do comportamento de outras.1 Influência da População A variável de grande importância no desempenho da demanda residencial de energia elétrica é a população. pois envolve variáveis interdependentes e com efeitos cruzados entre si. 3.2. estão fora do controle dos agentes envolvidos. As taxas de natalidade e mortalidade estão condicionadas pela evolução do grau de educação e renda das famílias. além da cobertura à saúde e das condições gerais relativas à qualidade de vida.

que são a maioria e recebem a designação de tradicionais. 34 . por parte das famílias.3 Influência do Consumo Médio por Residência Finalizando. diminuem a intensidade de uso dos equipamentos elétricos no interior das residências. Uma das variáveis relevantes que influenciam no consumo médio residencial é a evolução da renda. 3. ou seja.3.2. entre outras. 3. a evolução do estoque de domicílios (urbanos e rurais) e da taxa de atendimento. outra variável determinante do comportamento da demanda residencial de energia elétrica está relacionada ao consumo médio das residências ligadas à rede de distribuição. a taxa de consumo médio residencial. a implementação de campanhas de estímulo à economia e racionalização do uso. reduzindo assim. O processo contínuo de avanço tecnológico.distribuição. e os consumidores intensivos em energia elétrica. Quando se tem altas temperaturas. Esta variável reflete o nível de posse de equipamentos elétricos. A variável número de domicílios com energia elétrica depende de outras duas. há um aumento considerável no nível de consumo por consumidor devido ao maior uso de equipamentos eletrodomésticos. gera reflexos positivos sobre o nível de aquisição de equipamentos.3 Demanda Industrial O comportamento da demanda de energia elétrica da classe industrial pode ser analisado em dois grupos bastante distintos do ponto de vista do consumo: o dos consumidores não intensivos em energia elétrica. do ritmo de ligação desses domicílios à rede de distribuição tornado-os unidades consumidoras. A temperatura também tem uma grande influência no consumo médio residencial. Quando este parâmetro se encontra em crescimento. já temperaturas mais amenas refletem em um consumo médio mais baixo. refletido na eficiência energética dos equipamentos. já a evolução das tarifas e dos preços em geral gera efeito contrário. assim como da intensidade de uso dos mesmos.3.

mais especificamente. em conformidade com as condições de contorno estabelecidas em cada cenário. refere-se à intensidade de uso da energia elétrica na geração do produto industrial. a contribuição do produto industrial na formação do produto interno bruto. vale registrar que a evolução da distribuição setorial de longo prazo do PIB brasileiro segue os padrões observados em todos os países em desenvolvimento. onde a energia elétrica é fundamental para o processo de produção. Celulose. Também apresenta uma gama de variáveis determinantes para a classe de consumo.1 O Nível de Produção Industrial O desempenho do produto industrial é bastante influenciado pela própria dinâmica da economia nacional e.2 A Intensidade Energética Outra variável de ligação. Todavia. importa definir. Desse modo.denominados especiais. Soda-cloro. Petroquímica. para efeito de estudos de comportamento da demanda futura de energia elétrica. 3. 35 . mais complexa e com uma extensa rede de relacionamentos.3. Siderurgia (Aço e Gusa).3. 3.3.3 Os Consumidores Eletrointensivos Entre os consumidores industriais de energia elétrica. esta variável agrega os efeitos de várias outras. a qual depende do ritmo de inovações tecnológicas. Papel.3. que são caracterizados por possuírem níveis de consumos de energia bem acentuados e os eletrointensivos.3. Alumínio. pelas mudanças estruturais na formação do produto nacional. Neste caso. 3. Alguns dos segmentos que fazem parte desse conjunto de consumidores. Pelotização e Cobre. um de grande peso é composto pelas grandes cargas.3. são os seguintes gêneros indústrias: Cimento. com principal destaque para a evolução da eficiência energética dos processos de produção. Ferroligas.

A metodologia tradicional de previsão de carga das distribuidoras de energia elétrica brasileiras considera três atividades básicas: a) A elaboração de cenários da atividade econômica e do comportamento demográfico. b) Sinalizar a receita empresarial com a comercialização de energia para os consumidores cativos e disponibilização da rede de distribuição para os consumidores livres. industrial e comercial. isto é. associados com algum tipo de pesquisa direta.4 Demanda Total de Energia Elétrica A definição da dinâmica da demanda futura total de energia elétrica é analisada a partir da intensidade energética. aplicada a grandes consumidores. 3. d) Apoiar as ações para redução das perdas de energia. b) O acompanhamento do desempenho histórico do mercado da área de concessão. bem como os de operação e manutenção. para atendimento ao mercado da área de concessão. da relação consumo de energia elétrica por unidade de PIB agregado.4 Metodologia de Previsão de Carga das Distribuidoras de Energia Elétrica Os principais objetivos das previsões de demanda das distribuidoras são: a) Definir os montantes de energia e potência elétricas a contratar.3. As principais classes que impactam na demanda total de energia são: residencial. 36 . c) A utilização de modelos estatísticos de previsão.3. c) Subsidiar os programas de investimento para reforço e expansão do sistema elétrico.

À proporção que aumentam as incertezas em quase todas as áreas. O método de cenários é uma tecnologia que incorpora vários instrumentos. cresce também a necessidade de análise sobre as perspectivas futuras da realidade em que se vive e diante da qual se planeja.4. tendo como ponto de partida um conjunto de condições básicas. que podem ser desde variações climáticas até decisões de política energética.No estudo em análise. 3. Entretanto. com o intuito de facilitar as previsões de demanda. analisar e avaliar a probabilidade dos eventos e das alternativas e. é fundamental que seja elaborado diversos cenários da evolução do consumo de energia. os estudos de futuro não estão limitados ao sentimento das pessoas.1 Cenários de Previsão No ponto anterior. 37 . são incorporadas as novas cargas. Será utilizada uma ferramenta computacional. industrial. ao mesmo tempo.1. por mostrar um referencial de futuros alternativos em face dos quais decisões serão tomadas. Com isso. na caracterização da demanda. Eviews 5. para realizar a estimativa de carga em um horizonte de 5 anos. simular. As análises e os estudos de cenários têm sido a cada dia uma forma crescente disseminada na área de planejamento estratégico. O estudo de cenário é uma arte que precisa de um grande empenho técnico para organizar. várias técnicas de organização e sistematização de dados que se utiliza do conhecimento científico para lidar com eventos e processos e para construir tendências lógicas e consistentes. tecnológica. a consistência das suposições e das percepções de eventos futuros. segundo Schwartz (2003). seja de grandes empresas ou de governos. Após a obtenção desses dados. será apresentada a técnica para a previsão de carga utilizando dados da Companhia Energética do Estado do Ceará (COELCE). ficou claro que o consumo de energia elétrica é influenciado por inúmeras variáveis interdependentes e com efeitos cruzados entre si. que se enquadram os Projetos do Governo do Estado e de iniciativa privada. de forma racional.

c) Apresentar uma explicação para as regularidades e seus desvios.2 Acompanhamento da Evolução da Demanda O acompanhamento da evolução da demanda de uma distribuidora de energia elétrica corresponde ao conjunto de avaliações quantitativas e qualitativas de dados e informações de mercado. aquelas que têm uma parcela representativa tanto no consumo total como na receita da distribuidora. Assim. que indica a “probabilidade” de desvios significativos. b) Verificar a regularidade ou não dos fenômenos observados. os analistas devem ter sempre condições de criar mecanismos para: a) Enumerar os fatos relacionados a desvios no comportamento do mercado. A metodologia de análise de mercado deve permitir: • A identificação das categorias relevantes. 38 . ou seja. determinações e causalidades verificadas entre as regularidades.4. d) Interpretar esses fatos. • O tratamento das séries históricas.4. • A identificação das variáveis explicativas do comportamento de cada categoria relevante.2. 3. A apuração das categorias relevantes deve considerar os seguintes aspectos: a) Faixa de incerteza nas previsões.1 Identificação das Categorias Relevantes Esta fase tem como finalidade principal identificar as classes de consumo com maior importância para fins de energia consumida. e) Identificar associações.3.

A fim de um melhor entendimento e estudo de cada classe de consumo. caso venham a ocorrer. por exemplo: • Índice de participação do número de consumidores por classe no total. 39 . é fundamental conhecer a representatividade de cada classe para diversos itens relativos à estrutura do mercado como. .Volumes comercializados. • Índice de participação de cada classe nas receitas. compra e venda de energia no ambiente de contratação regulada e no de contratação livre. cujos desvios de projeção apresentem impactos econômicos significativos. • Índice de participação de consumo de cada classe no total. Um dos mecanismos utilizados são os Índices. em termos dos seguintes parâmetros: .Impactos tarifários. Sabendo que o mercado de qualquer distribuidora é composto por diversas classes de consumo. que são parâmetros que possibilitam mensurar a importância de uma determinada classe no resultado da soma de todas as categorias que formam o montante de energia elétrica. Esses padrões serão úteis como referencial para a análise de possíveis desvios que venham a ocorrer no futuro. A condição necessária para a identificação das classes relevantes requer vários mecanismos de análise de dados quantitativos.b) Impacto econômico esperado dos desvios. deve-se identificar e analisar seus padrões de comportamento histórico. em função do repasse autorizado de custos de aquisição de energia às tarifas de suprimento. ou seja.

40 .4. Esta etapa tem como objetivo identificar os fatores setoriais e sistêmicos que influenciam o comportamento de cada classe de consumo relevante. a matriz de análise busca estabelecer dependências. Essas variáveis facilitarão na análise e possibilitarão construir um banco de dados para apoiar nas reflexões e no acompanhamento quantitativo do mercado de energia.2 Identificação das Variáveis Explicativas Realizada a primeira etapa de definição das categorias relevantes.2. o próximo passo é estabelecer o grau de importância ou influência de cada classe no comportamento da demanda total. tanto qualitativas quanto quantitativas. A confecção deste passo se dá pela montagem de uma matriz de classe onde são inclusos os fatores determinantes. A finalidade é de levantar uma lista homogênea de variáveis que explicam o comportamento da demanda. para cada incógnita deverá atribuir pesos de acordo com o nível de impacto esperado sobre o comportamento de cada classe de consumo. entre variáveis explicativas e dependentes e sua montagem se dá através de alguns pontos: • Análise da lista de variáveis para a seleção das que sejam consideradas mais relevantes pelas classes envolvidas no estudo. Sintetizando. ou seja. • Aplicação da ponderação das variáveis. segundo a metodologia descrita a seguir.3.

No caso do mercado de energia elétrica. Um exemplo clássico de oscilação aconteceu no período de maio de 2001 a fevereiro de 2002. pelos quais permitirão ao analista encontrar relações entre as variáveis. De uma forma geral.4.A matriz pode ser elaborada de acordo com o modelo abaixo: Tabela 1: Matriz de Análise Estrutural Fatores PIB Nacional PIB Estadual População Número de Domicílios Tarifa de Energia Eficientização Estímulo ao Consumo Renda Disponível Taxa de Câmbio Perdas Comerciais Classe de consumo Residencial Industrial Comercial 3. para contornar as oscilações. 41 . com isso.3 O Tratamento das Séries Históricas Uma determinada série histórica deve apresentar consistência nos seus dados e também permitir uma análise do que se passou. as séries do consumo das distribuidoras brasileiras foram consideravelmente afetadas. o primeiro passo é depurá-la para que todos os seus valores fiquem em uma mesma base. possibilitando o estudo de: • Comportamento mensal dos consumos e comparativos entre inúmeros anos.2. devido ao racionamento de energia. Essa condição é indispensável para realizar comparação de dados. as séries históricas passaram por um filtro. as séries permitem na montagem de tabelas e de gráficos. Quando o analista se depara com séries temporais monetárias.

• Taxas de expansão anuais. um estudo mais minucioso das causas das perturbações. tendo como exigência por parte do analista. de modo a facilitar na estimação dos dados quando as outras incógnitas permanecem constantes. tentando verificar se ocorreu alguma oscilação na trajetória de crescimento do consumo. Outra possibilidade é ter um crescimento com variações cíclicas ao longo do tempo. devido a uma mesma base de análise. Uma das dificuldades do modelo está na estimação dos parâmetros. doze meses sobre doze meses e mês de um ano de referência sobre os demais. requerendo assim. 3. em função de considerações teóricas. A segunda hipótese é ter um crescimento com variações acentuadas e sem padrão de comportamento. consumo total. ao mesmo tempo. Esta técnica possui uma vantagem de combinar. • Taxas de crescimento mês a mês. as séries temporais com as variáveis causais e tem como finalidade montar uma série como função do próprio dado histórico e também de outras variáveis explicativas.3 Aplicação de Modelos Estatísticos de Previsão A técnica de previsão adotada pelas distribuidoras é normalmente aplicar os modelos de regressão. a descoberta do fator cíclico para avaliar e prever se tal distúrbio permanecerá no futuro. os modelos geralmente têm uma estrutura definida. pode obter um comportamento de expansão a taxas altas e estáveis. • Homogeneização de uma série.4. • Consumo típico mensal. A variável de controle. auxiliando em melhores comparações. Em econometria.• Comportamento de toda a série histórica. • Estrutura do consumo por classe. 42 . • Dados previstos e realizados.

a escolha de um modelo de regressão não é satisfeita apenas no ajuste dos parâmetros adequado. Resumindo. espera-se uma redução na demanda. Aumentando o preço. se o modelo de regressão de vendas em preço apresenta um coeficiente positivo para a variável preço. serem incorporadas novas variáveis até que seja encontrado um modelo adequado e de menor erro. Então. O principal desafio na elaboração não está tanto na escolha das variáveis a serem inseridas no modelo. 43 . mas sim nas defasagens temporais destas variáveis.A estratégia empregada para construir um modelo de regressão se dá inicialmente por um mais simples para. em seguida. Um exemplo bem claro está na demanda por um produto. mas também uma seqüência lógica entre as variáveis. Deve-se levar em consideração na definição do modelo adequado não apenas a significância dos parâmetros. logo fica bem definido uma inconsistência no modelo. e vice-versa. que geralmente é afetado por seu preço. e sim verificando se os coeficientes estimados estão coerentes.

Do ponto de vista operacional.1 Impacto das Previsões de Demanda Cada previsão de demanda de uma distribuidora de energia elétrica está associada a um risco que pode ser inicialmente avaliado a partir dos impactos que tais previsões provocam sobre algumas de suas principais operações: a) Vendas: A receita de uma distribuidora é alcançada a partir do mercado de vendas de energia previsto para o período tarifário assim como pela tarifa média da empresa. 4. A tomada de decisão de por em prática esses programas de obras reflete os futuros custos financeiros. indicando em um maior nível tarifário. 44 .4 RISCOS DEVIDO ÀS INCERTEZAS NA PREVISÃO 4. Os impactos das previsões de demanda. o nível tarifário da distribuidora.1 Riscos na Previsão de Demanda Toda previsão qualquer que seja ela. Agora. Analisando apenas a previsão do mercado de energia elétrica e o reflexo na tarifa.1. sabe-se que para uma previsão superior ao valor realizado. As previsões sinalizam cenários do sistema elétrico que determinarão um programa de obras para a área de concessão. assim como as possíveis causas dos desvios de previsão podem ser vistos com maiores detalhes abaixo. levando-se em conta o grau de incerteza envolvido no processo de previsão da demanda. traz consigo um risco. implicará em um grande volume ou antecipação de obras. se a previsão for inferior ao valor ocorrido. o risco de modelo é o que se apresenta com maior importância. b) Expansão do sistema elétrico: Todo processo de planejamento da expansão da rede de distribuição começa com a previsão da demanda do seu mercado. desencadeará em uma série de obras emergenciais. que. por sua vez.

assim como atingir a minimização do erro.de maior custo que a anterior. os diversos custos de aquisição no repasse às tarifas. Na visão da distribuidora. • Insumo: Oscilações anômalas na oferta de energia elétrica. esses desvios nas previsões podem ser reduzidos através de um maior controle em relação aos dados históricos de consumo e de mais variáveis relevantes.1. Essas penalidades estão em não reconhecer integralmente. devido às sanções. porém usa a rede de distribuição da empresa para ser atendido. por parte do regulador. Este último é um cliente que compra energia de fora. investimento e tarifas superiores ao que seria necessário. d) Dimensionamento do insumo potência elétrica: Toda distribuidora precisa dimensionar a potência elétrica ou demanda máxima coincidente.2 Motivos de Desvios nas Previsões Os inevitáveis desvios nas previsões de demanda têm origem nas inúmeras fontes de incertezas pertencentes ao modelo. tendo assim. 45 . assim como pelo processo de modelagem da previsão de demanda. na defasagem e na distribuição dos erros. onde se pode destacar: • Dados apurados: Probabilidade de erros de medição em variáveis. Isso serve para que o seu sistema esteja capacitado para atender tantos os clientes cativos como os livres. tendo como reflexo uma tarifa mais barata. c) Aquisição do insumo energia elétrica: Analisando as regras de contrato de energia previstas para a nova sistematização do setor elétrico no Brasil. as distribuidoras tiveram um maior cuidado em obter previsões coerentes. 4. • Modelo: Inadequação na função.

2. Geralmente essas 2 previsões fornecem uma mesma margem de erro. tem-se um erro característico. Para se prever o resultado de P(t) em 2 meses. 4. 4. é de fundamental importância que as distribuidoras preservem pela qualidade dos dados de mercado e que promovam medidas no intuito de obter qualidade e disponibilização das outras séries relevantes. será usado o valor corrente de Y1 e o valor do mês passado de Y2. assim como as outras variáveis relevantes que interferem na demanda.2 Erros Originados do Modelo de Previsão Para cada modelo de previsão. porém com atrasos de 2 e de 3 meses. b) Previsões incondicionais e condicionais: Em previsão incondicional. P(t) = b0 + b1 Y1 (t-2) + b2 Y2(t-3) + ε(t) Essa equação pode ser utilizada para gerar previsões incondicionais de P(t) em tempos futuros de 1 e 2 meses. 46 . respectivamente. sendo que esses 2 valores já são conhecidos. Um exemplo disso é uma indústria cuja produção mensal P(t) esteja relacionada linearmente com duas variáveis Y1 e Y2. os valores de todas as variáveis explicativas de previsão são conhecidos. A seguir detalharemos alguns tipos de previsão com as peculiaridades dos possíveis erros. enquanto as previsões de intervalos sinalizam uma faixa dentro do qual se espera que se situe o valor que se realizará. Com isso.1 Modelos de Previsão a) Previsões de pontos e de intervalos: São previsões que prevêem apenas um número em cada período de previsão.Os parâmetros básicos na montagem da previsão são os dados históricos de consumo.

uma margem de erro. ou seja. Pelo fato de estimar variáveis relevantes na modelagem da previsão. os valores de uma ou mais variáveis explicativas não são conhecidas pelo analista. tornando a previsão de P(t) condicional em relação a variável Y1(t). seria necessário também fazer a previsão de Y1(t) um mês futuro.3 A Natureza do Erro de Previsão As previsões quando são oriundas de um modelo de regressão de uma só equação. estão sujeitas a alguns erros: a) A forma aleatória do processo da soma dos erros na modelagem de regressão linear faz com que as previsões tenham desvios dos valores corretos da série mesmo que toda a estrutura do modelo esteja perfeitamente especificada. podem oscilar em relação aos reais valores dos parâmetros. de tal forma que é necessário utilizar também previsões para gerar a estimativa de uma variável dependente. é incorporado incerteza no processo de previsão.Outro modelo de previsão é a condicional. 4. b) A sistematização de previsão dos parâmetros do modelo gera um erro por serem dados aleatórios. 47 . a função não está coerente com a dinâmica das variáveis em análise. d) A própria equação mal elaborada. Utilizando a equação anterior para estimar o valor de P(t) em 3 meses. Nele. gerando assim. sendo assim. c) A previsão condicional através de sua metodologia traz consigo erros oriundos da estimação dos valores das variáveis explicativas em um intervalo em que está sendo realizada a previsão condicional.

combinando a teoria econômica com técnicas estatísticas. Este método se baseia em uma estimação de relações causais entre as variáveis dependentes e fatores que afetam as variáveis independentes. Projetos habitacionais e de irrigação. utilizando o software Eviews 5.1 Critérios Metodológicos Para a obtenção das previsões do mercado de energia da COELCE são considerados os seguintes pressupostos: 1. sobre as variáveis dependentes. 3. implantação / ampliação de carga e saída de grandes clientes. devem-se agregar eventos conhecidos que possam influenciar no comportamento de cada classe como. 5. A previsão do mercado de energia elétrica é calculada com base em modelos econométricos.1. Análise histórica do mercado de energia lida (medida) a nível de classe e subclasse e tensão de fornecimento de 1973 até 2009.PIB. Na previsão. A previsão agregada das vendas físicas é obtida a partir da previsão da carga própria (requisito) retirando-se as perdas. Implantação e ampliação de cargas significativas. 48 . racionamento. Uma das vantagens do método utilizado é que permite conhecer os impactos separados de variáveis independentes . etc. 6. População. População. etc. Análise histórica dos requisitos totais (mercado + perdas) de energia elétrica. Programas do Governo Federal e Estadual. 4. que é determinada de acordo com a política da distribuidora. 2. Variáveis exógenas ao setor elétrico tais como: PIB Brasil.5 ESTUDO DE CASO 5.

Foi adotada a previsão a partir da carga própria por ter uma melhor resposta de previsão e também por possuir um erro mínimo. Figura 3: Fluxograma de Previsão 5. A figura 4 mostra o consumo para as principais classes.1. Os dados anuais de consumo serão medidos e abrangerá uma série histórica desde 1973 até 2009. 49 .A seguir. eficiente e com qualidade. serão avaliadas as previsões de consumo da distribuidora do Estado do Ceará no horizonte de 2010 a 2014.2 Previsão Adotada pela Distribuidora Coelce No estudo em análise. O principal objetivo deste pacote será analisar as séries temporais de forma rápida. assim como a recuperação do consumo a partir de 2003. é ilustrado o fluxograma da previsão de demanda. onde pode ser verificado o efeito redutor decorrente do racionamento nos anos de 1987 e 2001. Para a implementação prática foi utilizado um pacote de software denominado EVIEWS 5.

Pode-se analisar também o comportamento do consumo total da distribuidora ao longo da série histórica.000 20 01 20 03 19 91 19 77 19 85 19 73 19 75 19 79 19 81 19 83 19 87 19 97 20 07 19 93 19 89 19 95 19 99 20 05 20 09 Residencial Industrial Comercial Figura 4: Consumo por classe desde 1973 Outra constatação que pode ser feita é no consumo industrial. uma curva com consumo mais constante nos últimos 3 anos. Consumo Total .000 19 73 19 79 19 75 19 77 19 81 19 83 19 85 19 87 19 89 19 91 19 93 19 95 19 97 19 99 20 01 20 05 20 03 20 07 20 09 Figura 5: Consumo Total do Ceará desde 1973 50 .Gwh 9. A figura a seguir descreve a dinâmica do consumo do Estado do Ceará.000 6.000 GWh 3. A crise financeira internacional contribuiu para a redução de consumo no final do ano de 2008 e tendo uma repercussão ao longo do primeiro semestre de 2009. tendo como conseqüência.000 GWh 1.Consumo por Classe .GWh 3.000 2.

análise científica e avaliação de dados. As áreas onde o EViews pode ser útil são: previsão de vendas. 51 . Na parte superior aparecem algumas informações referentes ao tipo de método usado. No final da tabela. porém devem ser detalhadas algumas estatísticas de ajuste para uma melhor compreensão do estudo: Os resultados gerados mostrados na tabela 2 são os seguintes: 1. Após a estimação da regressão linear utilizando os mínimos quadrados. A estimação de regressão do E-Views é feita utilizando a técnica de mínimos quadrados residual. mas pode ser usado em outras áreas.3 Ferramenta Computacional O software Econometric Views. 5. desvio padrão. simulação e previsão macroeconômica. 3. estatística t e p-valor. pode-se fazer a análise dos resultados da previsão. provocando uma considerável redução no consumo de energia elétrica. também chamado de E-Views. previsões em análises financeiras. análise de custos. 2. desenvolve relações estatísticas entre os dados e usa estas relações para prever valores futuros da série.Na figura 5. Ele é um programa comercial utilizado pela Coelce em que produz regressões e previsões. é um pacote estatístico desenvolvido por economistas e com a maioria de aplicações na Economia. fica bem nítida a mudança na curva do consumo devido ao efeito do racionamento. o tamanho da amostra. O meio da tabela mostra informações a respeito dos coeficientes estimados na regressão: Valor do coeficiente. data e hora em que foi gerado o modelo e quem é a variável dependente em questão. aparecem as estatísticas de ajuste calculadas pelo E-Views.

A soma de quadrados residual pode ser usada em uma variedade de cálculos estatísticos. • Akaike Information Criteria (AIC) .É a fração da variabilidade da variável dependente explicada pelas variáveis independentes. • Log Likelihood .E-Views reporta o valor da função de logverossimilhança (assumindo erros normalmente distribuídos) avaliada nos valores estimados dos coeficientes. Como regra.É a fração da variabilidade da variável dependente explicada pelas variáveis independentes ajustadas de acordo com o tamanho da amostra e número de parâmetros. • Prob(F-Statistic) e Prob .A estatística de Durbin-Watson (DW) mede a correlação serial nos resíduos. • R2 Ajustado . Tabela 2: Resultados do Modelo E-Views 52 . e é apresentada separadamente por conveniência.E.A estatística-F testa a hipótese de que todos os coeficientes de inclinação (excluindo a constante. Modelos que apresentam os menores valores de AIC são os preferidos. of regression . ou o intercepto) são nulos.O Critério de Schwarz é uma alternativa ao AIC que impõe uma penalidade alta para coeficientes adicionais.As estatísticas de ajuste calculadas pelo E-Views são: • R2 .O AIC é freqüentemente usado na seleção de modelos.O erro padrão da regressão é uma medida resumo baseada na variância estimada dos resíduos. DW deve estar perto de 2 para indicar ausência de autocorrelação ou ausência de correlação serial. • S. • Durbin-Watson Statistic . • Schwarz Criterion (SC) . • Sum of Squares Residual .

A variável população também se enquadra no mesmo problema. O Produto Interno Bruto (PIB) é a soma de todos os serviços e bens produzidos num período (mês.500 0 19 97 19 99 20 01 20 03 19 93 19 91 19 95 20 07 19 83 19 75 19 73 19 79 19 81 19 77 19 85 19 87 19 89 20 05 20 09 Figura 6: Carga Própria desde 1973 53 .5. Após a resposta da simulação do programa. Além de apresentar menor erro de previsão. O fato do PIB Ceará não está presente no modelo é explicado pelo aumento no erro da previsão. subtraise as perdas inerentes ao processo de distribuição de energia. O PIB é expresso em valores monetários (no caso do Brasil em Reais). além dos dois racionamentos.000 7. o modelo reúne algumas variáveis explicativas como o próprio histórico de consumo. continente). Vale dizer que no cálculo do PIB não são considerados os insumos de produção (matérias-primas. deve-se adicionar o consumo das grandes cargas contidas no planejamento da concessionária. em seguida. mão-de-obra. Carga Própria é definida como sendo a energia necessária para atender o mercado incluindo as perdas de distribuição.500 GWh 5.4 Análise das Variáveis Explicativas A previsão da demanda total é obtida a partir de um modelo estatístico causal. Sendo assim.000 2. ano) numa determinada região (país. estado. Carga Própria . Para análise. segue abaixo gráfico da carga própria do Estado do Ceará. cidade. impostos e energia). semestre. o método de previsão será realizar a estimativa da carga própria para os próximos 5 anos e. representando o crescimento econômico. Ele é um importante indicador da atividade econômica de uma região.GWh 10. o PIB Brasil.

de acordo com figura 8. alternando crescimentos anuais de 5.1% 3. tem-se os valores desde 1973 até 2009 realizado e.5% 4.600.1% 4.Outro parâmetro relevante utilizado no modelo de previsão é o PIB Brasil.000 106 R$ 2.2% 4. sendo este ano impactado pela crise internacional.600.7% 4.000 20 11 19 91 19 87 19 73 19 77 19 81 19 75 19 79 19 83 19 85 19 89 19 93 19 95 19 97 19 99 20 01 20 03 20 05 20 07 20 09 20 13 Figura 7: PIB Brasil 106 R$ desde 1973 Observando o gráfico anterior.0% Figura 8: Crescimentos do PIB Brasil 54 .000 600. Para os próximos 5 anos foi projetado um crescimento tendo como base estudos de previsão do banco central.000 1.0% 3.3% 4.2% 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 5.7% 5.2% 1. para os próximos 5 anos. A evolução do Produto Interno Bruto (PIB) do país nos últimos anos foi marcada por um comportamento cíclico.600.2% (2009). Na figura 7.7% (2004 e em 2007) e de -0. Isso se deve a crise financeira internacional que atingiu vários países no mundo. Variação do PIB Brasil (%) 5.1% -0. foi feita uma estimação dos dados de acordo com os relatórios do Banco Central. PIB Brasil 106 R$ 3. nota-se uma queda no PIB nacional no ano de 2009.

PIB Ceará 103 R$ 100.A variação do crescimento do PIB brasileiro é atribuída basicamente aos reflexos das crises internacionais. Variação do PIB Ceará (%) 9. Para os outros anos.6% 4.7% 8.1% 9. Para o ano de 2009. são projetadas expansões acima do avanço do PIB nacional. enquanto que o PIB Brasil recuou 0.7% 7. são mostradas as taxas de crescimento do PIB do Estado do Ceará.6% 2003 2004 2005 2006 2007 2008 2009 2010 2011 4.8% 3.1%.5% 4. A seguir.1% 3.3% 0. as populações estadual e nacional. o PIB do Ceará apresentou um avanço de 3.2% 6.000 19 75 19 79 19 77 19 81 19 83 19 73 19 85 19 87 19 89 19 93 19 97 19 91 19 95 19 99 20 01 20 03 20 05 20 07 20 09 20 11 20 13 Figura 9: PIB Ceará 103 R$ desde 1973 Pode-se concluir que o PIB Ceará está em plena ascensão.000 40. A inclinação da curva fica bem acentuada a partir de 2005. uma vez que nosso país é fortemente dependente de capitais externos e de produtos do exterior.2%.000 103 R$ 70.0% 7.5% 2012 2013 2014 Figura 10: Crescimentos do PIB Brasil 55 .000 10. seguem os gráficos para conhecimento. assim como o número de domicílios do estado. Mesmo não utilizando o PIB Ceará.

Ambas têm um crescimento médio anual de 1. População Brasil em Milhões 220 200 Milhões 180 160 140 120 100 19 81 19 83 19 85 19 89 19 91 19 73 19 75 19 77 19 79 19 93 19 87 19 95 19 97 20 05 20 07 20 01 19 99 20 03 20 09 20 11 Figura 12: População do Brasil em Milhões desde 1973 Na projeção da população nacional para os 5 anos. ou seja. tem-se uma suavização no crescimento da população. também observa-se uma suavização no crescimento da população.Em seguida. a curva apresenta um avanço mais contido. tem-se o perfil da população tanto estadual quanto nacional. População Ceará em Milhões 10 Milhões 8 6 4 19 73 19 77 19 75 19 79 19 81 19 83 19 85 19 87 19 89 19 91 19 93 19 95 19 97 19 99 20 01 20 03 20 05 20 07 20 09 20 11 20 13 20 13 Figura 11: População do Ceará em Milhões desde 1973 Na projeção da população estadual para os 5 anos. 56 .1%.

000 1.000 1.500.4%. • PIBNOVO – Representa os dados do PIB Brasil realizados para os anos de 1973 até 2009 e estimados para os outros 5 anos. Número de Domicílios Ceará 3. A taxa média de crescimento anual é de 2. fez-se a estimação de uma equação que leva em conta esses parâmetros citados acima. 57 .5 Descrição dos Passos da Previsão Após a descrição das variáveis explicativas. procedeu-se a simulação da carga própria para os anos de 2010 até 2014.000 20 11 19 91 19 87 19 73 19 77 19 81 19 75 19 79 19 83 19 85 19 89 19 93 19 95 19 97 19 99 20 01 20 03 20 05 20 07 20 09 20 13 Figura 13: Domicílios do Ceará desde 1973 5.000 2. Usando o programa. • RAC01 – Indica o outro racionamento que se deu no ano de 2001.000.500. criou-se 4 séries de dados.000 500.000 2. • RAC87 – Simboliza o racionamento ocorrido no ano de 1987.000. Depois de criadas e atualizadas todas essas séries. chamados: • CREQ – Representa a série histórica da carga própria desde o ano de 1973 até 2009.Outro comportamento para análise é o número de domicílios do Estado do Ceará.000.

131910 -0.050483 Durbin-Watson stat 6.509.0000 0.0000 0.014096 5.539 -3.717.0015 1.893.039719 Schwarz criterion 0. Tabela 4: Coeficientes dos parâmetros da Previsão Variável LOG(CREQ(-1)) LOG(PIBNOVO(-1)) RAC87 RAC01 Coeficiente 0.142045 58 .076917 -0.6 Resultados da Previsão Na tabela abaixo. dependent var 0.872.271. Error t-Statistic 0.767787 -3.462.0026 0.E.171 Prob.635 Mean dependent var 0.500.Durante a simulação. Também o erro padrão da regressão apresentou-se menor.896 0.131910 0.333.456. têm-se os resultados gerados pela regressão linear: Tabela 3: Quadro de Resultados da Regressão Dependent Variable: LOG(CREQ) Method: Least Squares Date: 23/05/10 Time: 11:15 Sample (adjusted): 1974 2009 Included observations: 36 after adjustments Variable LOG(CREQ(-1)) LOG(PIBNOVO(-1)) RAC87 RAC01 R-squared Adjusted R-squared S.931610 0.931610 0.041022 -3.997324 Akaike info criterion 0.530 -0. 0. of regression Sum squared resid Log likelihood Coefficient Std.076917 0.396 0. 5.593 1.553 -0.D.574 Os principais pontos para a confecção da equação são os coeficientes das variáveis explicativas.013555 6. os resultados ficaram mais ajustados quando se utilizou a defasagem para as variáveis CREQ e PIBNOVO.997553 S.142045 0.040320 -3.

05 .Na modelagem utilizada. a série histórica da carga própria participa com o maior coeficiente.142045*RAC01 Em seguida é gerado um gráfico com a série histórica da carga realizada até 2009 e outra aplicando. Outra variável com peso no modelo é o PIB Brasil.931610*LOG(CREQ(-1)) + 0. a equação estimada para a carga própria será dada pela seguinte função: LOG(CREQ) = 0. O desvio do modelo de previsão adotado está em torno de 4%.10 1975 1980 1985 Residual 1990 1995 Ac tual 2000 2005 Fitted 14 13 Figura 14: Curvas de carga realizada x estimada desde 1973 59 . para o mesmo período.E.131910*RAC87 . Outro ponto importante é S. sendo explicitado através do coeficiente negativo.15 .00 -. a equação estimada pela simulação. of regression (erro padrão da regressão). Assim.0. 17 16 15 .05 -. Já o racionamento entra no modelo com um fator redutor de consumo. sinalizando ser a variável mais importante na previsão de demanda.076917*LOG(PIBNOVO(-1)) 0.10 .

Essa etapa faz parte do planejamento da distribuidora. De acordo com o planejamento da distribuidora em estudo.GWh 9. Dessa forma. visto que a curva da carga própria simulada pela função (Fitted) está bem aderente à carga realizada (Actual). espera-se que a previsão para os próximos 5 anos esteja também muito próxima da carga realmente consumida. a série de dados CREQ.73%. Após a simulação.330 9. Tabela 6: Novas Cargas Projetadas para os 5 anos Novas Cargas . Tabela 5: Carga Própria Estimada dos 5 anos Carga Própria . segue consumo para o horizonte de 5 anos.322 10.815 10.855 11.414 2010 2011 2012 2013 2014 O próximo passo para previsão de carga é incorporar as novas cargas. Segue a seguir os valores estimados pelo programa. disponibilizará os dados previstos para os anos de 2010 até 2014. comércios e projetos do governo estadual. como indústrias. tendo em um horizonte de 5 anos.Nota-se uma boa estimação da equação.GWh 30 91 192 271 356 2010 2011 2012 2013 2014 60 . onde se encontra a série histórica da carga própria desde o ano de 1973 até 2009. pois a reta de regressão estimada se ajusta aos dados realizados em 99. o montante de consumo que será atendido pelo incremento de grandes cargas.

361 9. tem-se a carga própria total.000 GWh 6. Carga Própria Prevista . 61 .000 8.905 10.322 2013 10.000 0 19 73 19 77 19 79 19 75 19 81 19 83 19 87 19 89 19 85 19 91 19 97 19 99 20 01 20 07 19 93 19 95 20 11 20 09 20 13 20 03 20 05 Figura 15: Carga Própria com Previsão dos 5 anos Observa-se uma tendência de ascensão no consumo. tem um resumo de cada segmentação e a carga própria total.000 10.000 2. Abaixo.514 11. Tabela 7: Carga Própria Total no Horizonte Estimado Carga Própria 2010 9. deve-se agora retirar as perdas.815 2012 10.000 4.GWh 12.855 2014 11. apresentaremos a curva da carga própria já com os dados estimados para o horizonte de 2010 até 2014.125 11.330 2011 9.Somando a carga própria estimada pelo programa às novas cargas.770 A seguir. Com a carga própria já estimada. fato que se iniciou logo após o racionamento de 2001. resultando no mercado de vendas de energia elétrica.414 Unidade: GWh Novas Cargas 30 91 192 271 356 Total 9.

o mercado será a carga própria desconsiderando-se as perdas de distribuição. o consumo estimado por classe é feito através da sazonalidade de cada atividade de consumo.Abaixo.05 12. Tabela 8: Perdas de Distribuição em % Perdas de Distribuição (%) 12.00 9790 11.95 10364 2010 2011 2012 2013 2014 Para título de informação.95 2010 2011 2012 2013 2014 Já estimada tanto a carga própria quanto as perdas. Também pegase uma amostra dos últimos 5 anos para se ter uma boa aproximação do perfil de consumo para os 12 meses do ano.02 12. é encontrado o montante de consumo anual para cada classe. é encontrado o consumo mensal de cada classe. é calculada a participação anual de cada classe através de uma média dos últimos 5 anos.07 12. 62 .00 11. O objetivo agora é encontrar a participação de consumo para cada mês.07 8231 12.05 8712 12. tem-se a meta das perdas para os próximos 5 anos. com isso. é feita uma nova sazonalidade agora dentro de cada classe. Após isso. ou seja: Mercado = Carga Própria x [1. Com o mercado projetado para cada ano.02 9250 12.Perdas(%)] Tabela 9: Mercado Projetado (GWh) Carga Própria (GWh) 9361 9905 10514 11125 11770 Perdas de Distribuição (%) Mercado Total (GWh) 12. Após isso.

Além disso. assim como a compra de energia existente.1 Repasse às tarifas Tendo como meta induzir a contratação eficiente.163.2. de modo a separar a compra de energia nova. o A-5 e A-3 (para suprimento de 5 e 3 anos após a compra. objetivando a expansão da oferta. ainda existem dois tipos de leilões de energia nova. a principal limitação ao repasse às tarifas é que: • A distribuidora pode repassar os montantes contratados até 103% de sua carga própria. destacando o principal: • Todo agente de consumo está obrigado a contratar 100% de sua carga. 6. Este Decreto propõe diretrizes para a contratação de 100% de toda a carga que está na área de concessão estabelecida pela União.1 Introdução Um dos pilares do novo modelo do setor elétrico no Brasil é o tipo de contratação de energia para os consumidores através de leilões de mínimo custo. que são as hidrelétricas. mesmo a um preço maior que o de usinas que precisam de um prazo maior de construção. 6. de 30 de julho de 2004. respectivamente). são apresentados alguns instrumentos regulatórios que as distribuidoras de energia elétrica são obrigadas a cumprir no gerenciamento de riscos referentes ao mercado de energia.6 GESTÃO DE RISCOS DAS PREVISÕES E SUA APLICAÇÃO 6. que incentiva o menor período de construção de determinadas usinas termoelétricas. visando à renovação dos contratos que estão se encerrando. Este limite visa aumentar a segurança do 63 .2 Uso dos Meios Regulatórios Através do Decreto 5.

sistema de distribuição.3 Aplicação da Gestão de Riscos Nesse estudo. já que reconhece a incapacidade de uma previsão perfeita da demanda. multiplicando o consumo por 1000 e. dividindo pela quantidade de horas do ano. o limite aceitável para erros nesta projeção. a carga própria para a distribuidora. assim como do país.1 Previsão de Mercado As previsões do mercado de energia foram auferidas usando como referência o consumo medido histórico. é apresentada na tabela abaixo. no cenário de referência. o software de previsão EVIEWS 5. ou seja. em seguida. de modo a garantir que os contratos sejam no mínimo iguais à carga. 6.3.3.1 e informações relevantes da conjuntura econômica da área de concessão. são avaliadas as previsões de demanda da distribuidora e a estratégia desenvolvida para a declaração de suas necessidades de energia elétrica no horizonte de 2010 a 2014 no novo contexto regulatório brasileiro. 6.2 Carga Própria Prevista Considerando o mercado total e as perdas inerentes. Tabela 10: Projeção da Carga Própria (GWh) ANO Cenário de Referência (GWh) 2010 9361 2011 9905 2012 10514 2013 11125 2014 11770 Transformando a carga própria (GWh) em MW médios. estabelecendo assim. tem-se: Tabela 11: Projeção da Carga Própria (MW médios) ANO Cenário de Referência (MW médios) 2010 1069 2011 1131 2012 1197 2013 1270 2014 1344 64 . 6.

por sobrecontratação de 3% ficará: Tabela 13: Montante de Energia (MW médios) Ano 2010 2011 2012 2013 2014 Demanda Prevista 1069 1131 1197 1270 1344 Demanda Contratada 1101 1165 1233 1308 1384 % Carga 103% 103% 103% 103% 103% 65 .0% 5.9% 2014 10.8% 1. adotou-se o erro médio percentual.4 Contratação Máxima As possibilidades de contratação adicional futura.3% 6.8% 1.0% 5.4% 2011 10.6. de modo que foram definidas as trajetórias de taxas de crescimento. Tabela 12: Taxas de Crescimento da Demanda Ano Cenário alto Cenário de referência Cenário baixo 2010 9. sem risco de penalidade. O cenário alto foi utilizando o erro de +4%.6% 1.6% 2012 10. enquanto que o cenário baixo foi usando o erro de -4% na previsão de carga.1% 5. obtido no modelo de previsão da distribuidora (4%).9% 1.3.6% 2013 10.1% 1.3 Estratégia de Contratação Estabelecendo a árvore de cenários.3.6% O cenário de referência foi obtido pelo MW médio projetado para o horizonte de 5 anos na tabela 11.8% 5. 6.

Penalidade Subcontratação (para cada MW médio) = PLD – Min [VR.3. 66 . que é o maior valor entre o PLD e o VR. foram traçadas curvas-limite de Cenários de Previsão de Demanda (MW médios) 1600 1500 1400 1300 1200 1100 1000 2010 2011 2012 2013 2014 MW médios Demanda Prevista Demanda Contratada Figura 16: Possibilidades de Demanda e de Contratos da Distribuidora 6.1 Análise Gráfica dos Resultados Para contratação: os resultados encontrados. somando a multa. PLD].1 Subcontratação Se a distribuidora não estiver contratada na totalidade da demanda.4. através das tarifas. então deverá solicitar o montante necessário no mercado de curto prazo da CCEE (Câmara de Comercialização de Energia Elétrica) pelo preço de liquidação das diferenças (PLD). sendo repassado aos clientes. o menor valor entre o PLD e o valor de referência da energia comprada pela distribuidora (VR).3. para cada MW médio abaixo de 100% da demanda. é cobrado um custo pela diferença da compra (PLD) e o repasse (menos valor entre o VR e o PLD).6. PLD] + Max [VR. Também é aplicada uma penalidade no maior valor entre o VR e o PLD.5 Penalidades 6.5.3. não podendo passar para os consumidores finais. Dessa forma. a distribuidora terá uma penalidade por ficar com os custos da compra de energia. Dessa forma.

Penalidade Sobrecontratação (para cada MW médio) = VR – PLD 67 . é incidido um custo pela diferença entre o preço de compra (VR) e de liquidação no mercado de curto prazo (PLD).5. caso este último seja inferior ao VR.3. Para cada MW médio acima de 103% da demanda.2 Sobrecontratação Já a contratação acima de 103% da demanda tem como conseqüência que a distribuidora ficará completamente com os custos de compra. também sem poder repassar à tarifa.6.

optou-se por não utilizar os dados de 2001 e 2002 na sazonalidade do mercado. como as realizadas neste estudo. a fim de reduzirem seus riscos. assim como incorporar à tomada de decisão a análise dos riscos envolvidos. uma vez que o racionamento de energia elétrica. O método foi desenvolvido motivado pela atual sistemática de contratação de energia imposta às concessionárias. combinado a informações subjetivas obtidas. e a metodologia aqui construída permite que tais previsões levem em consideração os efeitos do racionamento de 2001/2002 sobre a carga própria. foram estimados modelos de demanda por energia elétrica. dos quais o mais recente está sujeito a revisões e ajustes. iniciado em 01 de junho de 2001 e encerrado em 01 de março de 2002. Desta forma. De um modo geral. previsões de crescimento de demanda. As empresas de distribuição necessitam de maior precisão em suas previsões de demanda. de modo a atender 100% da sua demanda. impôs às distribuidoras de energia elétrica do Brasil o aperfeiçoamento de sua metodologia de previsão de demanda. O modelo matemático proposto no método. Nela.7 CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS Neste trabalho apresentou-se uma metodologia para obtenção de previsões de demanda de energia elétrica. concessionárias são solicitadas a pré-contratar a demanda por energia em um período de três anos. que tiveram de se adaptar às metas estipuladas pelo governo. As previsões para o 68 . Para fins de planejamento. Utilizando dados de 1973 a 2009. Apesar da utilização no modelo. também necessitam desses estudos. a inclusão de tais dados comprometeria os resultados de estimação. A obrigatoriedade de se contratar energia por longo prazo com antecedência de 3 anos. cumpre ressaltar que o desenvolvimento de modelos de previsão é de interesse fundamental por parte dos diversos agentes do setor elétrico. devido à mudança no padrão de consumo das classes. obtendo a previsão de demanda para o horizonte de 5 anos. poderão servir de subsídio ao planejamento estratégico do setor elétrico. Em suma. como ferramentas de tomadas de decisão referentes à alocação de investimentos. gerou previsões consistentes subsidiando na tomada de decisão. alterou o comportamento dos consumidores. baseado em modelos matemáticos de regressão.

Também deve-se fazer uma melhor avaliação como ferramenta de mitigação de riscos do mecanismo de compensação de sobras e déficits (MCSD). complementando o conjunto de instrumentos à disposição das distribuidoras. retomando os seus antigos hábitos de consumo. 69 . corroboram a constatação recente de que após o racionamento os consumidores de todas as classes estão. aos poucos.período em questão. por sua vez. É recomendável um aperfeiçoamento da análise de variabilidade das previsões de demanda para dar maior consistência ao método empregado.

Toloi. G. Brasília. Moreira. C. Reflexões sobre as Previsões do Futuro.E. M.. Texto para discussão nº 939. Nahmias. São Paulo. Econometria. P. Técnicas de Previsão e Exemplos Práticos. Sagra Luzzato. Rodrigues.8 REFERÊNCIAS BIBLIOGRÁFICAS Morettin. F. 1999. L. G. C. 1995 Corrar. Manual de Planejamento e Controle da Produção. S. São Paulo. 1993. Metodologia de construção de cenários globais. Borenstein. Atlas. Redes Neurais – princípios e prática. C. Schwartz. A arte da visão de longo prazo. 2003.G. São Paulo. C. Fundamentos de administração da produção. W. Porto Alegre. M.. Um método de análise e previsões de sucessões cronológicas unidimensionais lineares e não-lineares. R. Edgar Blunher. 900p. São Paulo. 2007 Newbold. Pesquisa Operacional – Para decisão em contabilidade e administração. Bookman. G. Ferreira. 2004.A.M. A. GRIFFITHS.. P. THEÓPHILO. Hill. 2006. 2003. São Paulo. L.. R.M. 2003. T. 2005.. Buarque. Previsão Multivariada da Demanda Horária de Água em Sistemas Urbanos de Abastecimento.. Haykin. Métodos de Previsão e suas Aplicações. São Paulo. R. H. São Paulo. Davis.. São Paulo: Editora Atlas S. Porto Alegre: Bookman. 2. Regulação e gestão competitiva no setor elétrico brasileiro. 70 . Análise de series temporais.J. S. Prentice Hall. 2003. 2003. Saraiva.G.H. 2004. IPEA. Gestão da cadeia de abastecimento: Modelos de Previsão. S. Statistics for Business & Economics. Universidade Estadual de Campinas. ed. São Paulo. Best Seller. Porto Alegre. C. Tubino. 2006. Dalvio Ferrari. A. Silva. da. 1998. Lima. 2001. Tese (Doutorado em Engenharia Civil). . São Paulo. 4th edition. 2001. G.N. JUDGE.