Classificação segundo a abordagem do modelo

(a) Modelos de séries temporais

A forma mais simples de uma previsão é assumir que o futuro é uma extensão aproximada do passado. As variáveis chaves são identificadas na forma de tendências temporais ou correlações com outras variáveis.

Neste tipo de modelo, encontram-se as metodologias que consideram a modelagem matemática da série histórica. Segundo O`Ryan (2008), as três categorias de séries temporais mais conhecidas são: modelo auto-regressivo (AR), modelo auto-regressivo e média móvel (ARMA) e modelo auto-regressivo integrado e média móvel (ARIMA). A formulação básica dessas três categorias é resumida nas seguintes expressões:

AR: ƒ(A) · S(t) = e(t) ARMA: ƒ(A) · S(t) = £(A) · e(t) ARIMA: ƒ(A) · ∆"S(t) = £(A) · e(t)

Na formulação, A é o operador de deslocamento temporal; S, a série estudada; e, o erro existente; ∆ corresponde ao operador de diferenciação; ƒ e £ são polinômios em função de A. O objetivo da modelagem é encontrar os coeficientes associados aos dois polinômios de forma que os erros constituam uma série aleatória.

(b) Modelos econométricos

assume uma rigidez estrutural da economia. De forma geral, está baseada no ajuste de uma variável dependente (consumo de combustível e eletricidade) e variáveis independentes ou explanatórias (tempo, preço, indicador de atividade econômica, dados demográficos, entre outros).

As previsões são feitas a partir de correlações, sendo necessário estimar a evolução futura das variáveis explicativas. Para realizar o ajuste, é preciso especificar a forma funcional do modelo, podendo ser linear ou não linear, e partindo de modelos teóricos ou abordagem intuitiva dos analistas.

Esta metodologia assume que o futuro será uma extensão aproximada e contínua do passado. Sua principal deficiência é não identificar ou explicar os catalisadores e as forças que alteram o sistema. No entanto, produz bons resultados caso não haja mudanças estruturais no sistema (O`RYAN, 2008).

(c) Modelos de otimização

Os modelos de otimização são tipicamente usados para identificar conFigurações de sistemas energéticos de mínimo custo, sujeitos a várias restrições: limites nas emissões de CO2, opções tecnológicas, entre outros (SAUER, 2008).

Frequentemente utilizam programação linear para identificar a conFiguração de mínimo custo para atender a uma demanda determinada. Neste caso, normalmente, são consideradas condições de concorrência perfeita.

Este tipo de modelo é particularmente útil quando várias opções tecnológicas devem ser avaliadas, tendo-se os custos de cada uma delas. No entanto, as hipóteses usadas para minimizar tais custos podem ser inadequadas para representar a evolução dos sistemas no mundo real (O`RYAN, 2008).

(d) Modelos de simulação

Este tipo de modelo simula a conduta de consumidores e produtores em relação à determinadas variáveis, como preço, rendas, políticas, entre outros. Tipicamente utiliza interações

sucessivas para encontrar um equilíbrio de mercado entre a demanda e a oferta, sendo os preços e quantidades ajustados endogenamente (SAUER, 2008).

Neste tipo de modelo, é mais comum incluir fatores não-monetários, em comparação aos modelos de otimização. Contudo, as relações de comportamento podem ser controversas e difíceis de parametrizar (O`RYAN, 2008).

(e) Modelos contábeis ou de uso final

Este tipo de modelo busca capturar o impacto de padrões de consumo de diferentes sistemas e dispositivos. Para a demanda de energia, pode ser utilizado em vários setores, como o residencial, terciário, industrial, agrícola, entre outros. Este modelo é baseado na premissa que a energia é necessária para o serviço que fornece e não como um bem de consumo final (O`RYAN, 2008).

A análise de uso final envolve questões relacionadas às tecnologias, processos e eficiência de máquinas e equipamentos, tais como motores e lâmpadas, além dos aspectos socioeconômicos associados aos estoques e hábitos de utilização (SAUER, 2008).

O modelo, em vez de simular decisões que podem representar a racionalidade dos consumidores e produtores, calcula os resultados de tais decisões e examina suas implicações. Aplica a técnica de cenarização, “pela qual o futuro não é construído por inferências tendenciais do passado, mas por fatores e ações humanas, organizadas racionalmente e dirigidas ao futuro de forma consciente, estes fatores são distribuídos por níveis hierárquicos de relevância e atuação” (SAUER, 2008). No entanto, aplica técnicas econométricas e hipóteses de comportamento desde que sejam convenientes ou necessárias (SAUER, 2008).

(f) Modelos de equilíbrio geral computável (CGE)

Os modelos de CGE são abordagens que relacionam o comportamento dos agentes econômicos com base em princípios microeconômicos. Eles normalmente simulam mercados para fatores de produção (trabalho, capital, energia), produtos e mudanças externas, com equações que determinam o comportamento da oferta e demanda (NAKATA, 2004).

Este tipo de modelo incorpora preços endogenamente. Da mesma forma, permite a substituição entre os fatores produtivos e focaliza os impactos das políticas em termos de finanças públicas, competitividade econômica e de emprego. Portanto, buscam representar a resposta macroeconômica real a políticas, incluindo a possibilidade de substituição da energia por outros insumos para o consumo (O`RYAN, 2008).

(g) Modelos baseados em sistemas especialistas, lógica fuzzi e redes neurais

No passado, os sistemas especialistas e redes neurais eram usados extensivamente para previsão de demanda elétrica. Porém, nos últimos tempos, também são utilizados para a projeção da demanda de energia no longo prazo, considerando variáveis macroeconômicas (SUGANTHI e SAMUEL, 2012).

Um sistema especialista é um programa de computador em que o conhecimento de um especialista em um assunto específico pode ser incorporado, a fim de resolver problemas ou dar sugestões. Assim, este método tenta simular o raciocínio humano, tais como resolução de problemas, percepção visual e compreensão da linguagem (KALOGIROU, 2002).

Pesquisas para o desenvolvimento e aplicações da lógica fuzzy têm sido comuns há décadas (LAU et al., 2008). A lógica fuzzy modela as incertezas ampliando as capacidades dos algoritmos clássicos, os quais permitem apenas trabalhar com atributos determinísticos. Um dos conceitos fundamentais deste método caracteriza-se por uma natureza qualitativa, subjetiva e valores expressos linguisticamente (LAU et al., 2008). Estudos sobre a aplicação de lógica fuzzy para diferentes setores têm sido amplamente realizados, especialmente envolvendo os ambientes de negócios e industrial e em tópicos relacionados às diversas formas de consumo de energia (LAU

et al., 2008).

O conceito de rede neural foi desenvolvido há quase 50 anos, mas é apenas nos últimos 20 anos e com a ajuda de aplicações de software é utilizado para resolver problemas práticos (KALOGIROU, 2002). As redes neurais são boas para tarefas que envolvem conjuntos de dados incompletos ou confusos, e para problemas altamente complexos e mal definidos, onde os seres humanos normalmente decidem de forma intuitiva (KALOGIROU, 2002). Esta técnica procura simular o raciocínio e a aprendizagem humana, realizando um treinamento interativo através do uso de exemplos ou “padrões”. A vantagem deste tipo de modelo é a capacidade de modelar

relações não lineares, por meio de um processo autônomo, sem especificar sua forma funcional. A desvantagem é que a metodologia requer uma quantidade de dados suficiente para que a rede consiga montar o modelo.

(h) Modelos híbridos

Este tipo de modelo considera combinações das metodologias apresentadas. Existem aqueles que misturam os métodos de simulação e otimização; da mesma forma, há abordagens que combinam os métodos de regressão e séries temporais, quando as tendências são robustas, com a análise de uso final.

Segundo O`RYAN (2008), este tipo de abordagem é cada vez mais utilizado nas indústrias e pelo governo, por integrarem os aspectos físicos e econômicos em uma mesma metodologia. Assim, enquanto as relações econométricas internalizam os efeitos de renda, preço ou política, a análise de uso final trabalha com novos usos finais, misturas alternativas de combustíveis, penetração de dispositivos e tecnologias, padrão de consumo, entre outros.