Metodologia Para Previsão De Demanda Considerando VariÁveis ClimÁticas

Resumo

Introdução: Deseja-se elaborar algoritmos que realizem a projeção de demanda de energia elétrica em um horizonte de curtíssimo prazo, na região de atuação de uma determinada concessionária de energia elétrica. Os algoritmos darão origem a um programa computacional, compreendendo uma ferramenta útil, confiável e de fácil aplicação. Desta forma, o conhecimento da carga futura proporcionará retorno financeiro e maior agilidade e precisão nas tomadas de decisões operacionais, garantindo maior qualidade e continuidade no fornecimento de energia elétrica. Material e Métodos: Métodos não convencionais passaram a ser aplicados na previsão de demanda em função da não linearidade da carga e dos diversos fatores de influência nesta tarefa, particularmente pelo grande volume e de eventuais imprecisões nos dados históricos. Dentre estas abordagens destacam-se as redes neurais artificiais pela capacidade de generalização e do tratamento adequado da referida não linearidade. Este trabalho proporá uma arquitetura de rede neural artificial que seja adequada para a previsão de demanda no curtíssimo prazo, utilizando-se dos dados históricos para o treinamento desta rede. Estes dados incluirão informações relacionadas com a demanda, fornecidos pela concessionária, e outras que envolvem os fatores climáticos no mesmo período (temperatura, umidade relativa do ar, direção e velocidade do vento), coletados do Instituto Nacional de Meteorologia. Neste histórico serão classificados os dias em úteis e não-úteis segundo os calendários oficiais nacional, estadual e municipal. Resultados e Discussão: Foram selecionados os dados históricos da demanda de potência de duas segundas-feiras consecutivas, S1 e S2, respectivamente. A previsão foi calculada aplicando-se diretamente a taxa de crescimento, dada pela razão entre S2 e S1, aos valores de S2, originando S3. Também calculou-se o erro percentual da previsão pela diferença entre S3 e o valor real demandado. Observou-se uma amplitude de mais de 20% entre estas grandezas, sendo este o erro associado à previsão. A proposta é refinar a previsão de demanda, aplicando-se a metodologia baseada em redes neurais artificiais que mantenha um erro em torno de 5%. Conclusões: A eficiência e confiabilidade de previsões de carga, em um horizonte de curtíssimo prazo, têm impacto direto na sustentabilidade financeira das empresas do setor elétrico. Nesse sentido, previsões de carga baseadas em redes neurais artificiais são amplamente utilizadas por muitas concessionárias, particularmente por apresentarem baixas taxas de erros entre os valores estimados e os demandados. Orgão de Fomento: Unipampa/MuxEnergia