Para conseguir prever, para o mês seguinte, os limites superior e inferior do consumo men- sal de energia elétrica do segmento metalúrgico, foi construída uma RBF com as mesmas variáveis de entrada da previsão de consumo por montante (RBF_CM1). A Figura 6.27 apresenta a arquitetu- ra final do previsor RBF_FM1.
Figura 6.27 – Arquitetura do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+1).
Fonte: Elaborado pelo Autor.
Devido à menor acurácia dos modelos de previsão obtidos na metalurgia, em comparação com o segmento têxtil, a obtenção de faixas de consumo sem a ocorrência de falhas exigiu uma maior generalização da RBF. A solução então foi utilizar metas mais elevadas, para antecipar o treinamento da rede, e um delta de 14%. A Figura 6.28 apresenta o desempenho da previsão por faixas de maior precisão, cuja largura média foi de 23,2 GWh ao longo dos anos.
-30 -20 -10 0 10 20 30 40 50
Previsão da Faixa de V12m-CEE do Segmento Metalúrgico (GWh) << T+1 >>
4.668 5.444
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -10
0 10
MSEt = Desvios do Centro da Faixa (%) MSEs =
30 40 50 60 70 80 90 100 110
Previsão da Faixa do Consumo de Energia Elétrica do Segmento Metalúrgico (GWh) << T+1 >>
0 0
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -2
0
2Desvio-Médio(t)= Extrapolação das Faixas (%) Desvio-Médio(s)=
Figura 6.28 – Desempenho do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+1 s/falhas).
Novamente, considerando um delta, inferior à metade do anterior, pode-se conseguir uma previsão de faixas mais estreita e sujeita a falhas. A Figura 6.29 apresenta o desempenho da previ- são com 10,2% de falhas no treinamento e 12,5% na simulação, com uma largura média de faixa de 11,6 GWh, equivalente à metade daquela apresentada na previsão sem falhas.
-20 -10 0 10 20 30 40
Previsão da Faixa de V12m-CEE do Segmento Metalúrgico (GWh) << T+1 >>
4.232 5.739
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -10
0 10
MSEt = Desvios do Centro da Faixa (%) MSEs = 30 40 50 60 70 80 90 100 110
Previsão da Faixa do Consumo de Energia Elétrica do Segmento Metalúrgico (GWh) << T+1 >>
0.1607 0.6595
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -6
-4 -20 2
4Desvio-Médio(t)= Extrapolação das Faixas (%) Desvio-Médio(s)=
Figura 6.29 – Desempenho do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+1 c/falhas).
Fonte: Elaborado pelo Autor.
PREVISÃO DA FAIXA DE CONSUMO PARA UM ANO À FRENTE (T+12)
Em comparação com as configurações do modelo da previsão de consumo para o mesmo horizonte de tempo, houve “apenas” a troca do tipo de rede neural para se obter a previsão por faixas. Foi possível aproveitar o conhecimento anterior e utilizar as mesmas variáveis e defasagens na camada de entrada da RBF. A Figura 6.30 apresenta a arquitetura final do previsor RBF_FM12.
Figura 6.30 – Arquitetura do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+12).
Fonte: Elaborado pelo Autor.
Com o mesmo delta de afastamento do modelo de previsão por faixas do mês seguinte (RBF_FM1), foi possível obter uma boa previsão de faixas, sem a ocorrência de falhas, num hori- zonte de tempo 12 meses. Com o uso de metas e spreads mais elevados proveu-se as condições necessárias para o equilíbrio entre o aprendizado e a abstração da RBF. A Figura 6.31 apresenta o
desempenho da previsão por faixas sem a ocorrência de falhas, cuja largura média foi de 23,2 GWh ao longo dos anos.
-30 -20 -10 0 10 20 30 40
Previsão da Faixa de V12m-CEE do Segmento Metalúrgico (GWh) << T+12 >>
5.455 8.497
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -10
0 10
MSEt = Desvios do Centro da Faixa (%) MSEs =
30 40 50 60 70 80 90 100 110 120
Previsão da Faixa do Consumo de Energia Elétrica do Segmento Metalúrgico (GWh) << T+12 >>
0 0
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -2
0
2Desvio-Médio(t)= Extrapolação das Faixas (%) Desvio-Médio(s)=
Figura 6.31 – Desempenho do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+12 s/falhas).
Fonte: Elaborado pelo Autor.
Considerando um valor de delta metade daquele utilizado para obtenção de faixas sem fa- lhas, pode-se obter uma previsão com limites mais estreitos e sujeita à ocorrência de falhas. A Fi- gura 6.32 apresenta o desempenho da previsão com 18,5% de falhas no treinamento, 12,5% de falhas na simulação, e com uma largura média de faixa metade de 11,6 GWh.
-20 -10 0 10 20 30 40
Previsão da Faixa de V12m-CEE do Segmento Metalúrgico (GWh) << T+12 >>
5.325 6.248
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -10
0 10
MSEt = Desvios do Centro da Faixa (%) MSEs =
30 40 50 60 70 80 90 100 110
Previsão da Faixa do Consumo de Energia Elétrica do Segmento Metalúrgico (GWh) << T+12 >>
0.3557 0.6968
Ocorrido Treinamento Previsão
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 -5
0 5 10
Desvio-Médio(t)= Extrapolação das Faixas (%) Desvio-Médio(s)=
Figura 6.32 – Desempenho do Modelo Previsor da Faixa de Consumo do Segmento Metalúrgico (T+12 c/falhas).
Fonte: Elaborado pelo Autor.
Apesar das diferenças nas larguras de faixas e na precisão dos limites inferior e superior, apresentadas nos modelos dos segmentos têxtil e metalúrgico, pode-se afirmar que este último equilibrou a qualidade dos resultados. Para ambos os horizontes de tempo e níveis de precisão, encoraja-se a aplicação destes modelos no processo de planejamento e gestão do mercado consu- midor de energia elétrica composto pelas indústrias metalúrgicas de Santa Catarina. No mínimo, pode-se afirmar que os modelos de previsão por faixas conseguem reduzir o nível de incerteza sobre os cenários futuros da demanda.
6
6..44
CC
OONNSSIIDDEERRAAÇÇÕÕEESSFF
IINNAAIISSO Capítulo 6 apresentou as etapas para o desenvolvimento e aplicação do modelo de previ- são da demanda dos consumidores industriais de energia elétrica. Essa última etapa da metodologia para descoberta de conhecimento novo e útil sobre o comportamento da demanda foi baseada na pesquisa de campo, na formação da base de dados, na aplicação de modelos econométricos, e no uso de técnicas de inteligência artificial para previsão da demanda no médio prazo.
Conforme a revisão da literatura, nos últimos 20 anos o uso de redes neurais artificiais (RNAs) para solução dos problemas de previsão da demanda tem conquistado maior espaço em várias áreas do conhecimento. Por esse motivo, a etapa de previsão da demanda, que poderia ser realizada com o uso de métodos econométricos, foi reservada para a solução com uso de redes neurais artificiais. Após analisar a qualidade das previsões obtidas, ficou evidente a grande contri- buição do modelo econométrico previamente desenvolvido. A descoberta das correlações de maior influência permitiu uma grande redução do número de variáveis explicativas a serem usadas nas camadas de entrada das redes. A tarefa de configuração das RNAs foi bastante facilitada.
Neste capítulo foram implementados dois tipos de redes neurais: MLP e RBF. Ambas as tipologias são utilizadas na literatura como aproximadores de funções, capazes de mapear o efeito das variáveis explicativas sobre o comportamento da demanda no período de treinamento e genera- lizar suas saídas para os meses à frente (horizontes de previsão de 1, 3, 6 e 12 meses). A inclusão de uma variável climática no modelo preditivo do segmento têxtil contribuiu decisivamente para a melhor acurácia da previsão. Considerando os quatro horizontes de previsão, os modelos previsores da indústria têxtil apresentaram MAPE entre 1,57% e 2,73%. Embora os modelos previsores da metalurgia apresentem desempenhos significativos, eles foram inferiores aqueles obtidos para o segmento têxtil, devido à consideração “apenas” de variáveis econômicas ou à mudança brusca do padrão de crescimento do consumo de energia elétrica da metalurgia entre 2004 e 2005. Os mode- los previsores da indústria metalúrgica apresentaram MAPE entre 2,42% e 3,42%, para os horizon- tes de previsão considerados.
Com o objetivo de proporcionar maior aplicabilidade prática ao modelo preditivo, foi apre- sentado um modelo para previsão da faixa de consumo mensal de energia elétrica, capaz de reduzir o nível de incerteza sobre os cenários futuros da demanda. Essa abordagem permite aos gestores de planejamento estabelecer cenários de menor e maior consumo esperado do segmento industrial. Foram apresentados dois tipos de previsão por faixa: i) com bandas mais largas e com alto nível de precisão; ii) com bandas mais estreitas e com uma maior probabilidade de serem extrapoladas. De acordo com o nível de aversão ao risco, pode-se utilizar uma previsão por faixas com nível compa- tível de incerteza sobre o comportamento da demanda. Os resultados obtidos, tanto para o segmen- to têxtil como para o metalúrgico, demonstraram a viabilidade desta abordagem para a previsão da demanda dos consumidores industriais de energia elétrica.
C
Coonncclluussõõeess
Os capítulos anteriores apresentaram a proposta da tese para um “Novo Modelo para Des-
crição e Previsão da Demanda dos Consumidores Industriais de Energia Elétrica”. Neste capítulo,
faz-se necessário estabelecer algumas ponderações sobre os resultados alcançados durante a pes- quisa, à luz dos objetivos pretendidos. Apresentam-se ainda, alguns aspectos relacionados à aplica- bilidade da metodologia proposta, bem como as suas limitações, além de sugestões para trabalhos futuros.
Ao longo deste trabalho foi possível desenvolver e aplicar uma nova metodologia para descobrir conhecimento novo e útil sobre a demanda por energia elétrica, característica de cada segmento industrial, por meio de técnicas de mineração de dados aplicadas ao conjunto das variá- veis socioeconômicas e climáticas que mais a influenciam.
Em função da complexidade e da variedade dos problemas relacionados ao estudo da de- manda por energia elétrica, foi realizada uma cuidadosa organização e análise das referências da literatura, com vistas à contextualização das contribuições pretendidas nesta tese. Para facilitar a análise da bibliografia utilizada neste trabalho, caracterizado pela multidisciplinariedade, apresen- tou-se um Mapa Temático com todas as citações agrupadas por áreas de conhecimento. Além de prover melhorias na organização do texto, este procedimento facilita a busca por referências de temas específicos de interesse do leitor.
O diferencial deste trabalho, na comparação com todas as obras revisadas na literatura (Capítulo 2), está na aplicação de técnicas de mineração de dados como suporte à integração do modelo econométrico descritivo com o modelo de redes neurais preditivo.
A opção pela utilização da demanda, de forma mais desagregada, acarretou a análise de uma relação custo-benefício para escolha do nível de desagregação adequado. Ao considerar a demanda dos consumidores industriais de energia elétrica por segmento, este trabalho permitiu estimar características específicas das atividades econômicas consideradas, porém, às custas de uma maior habilidade em capturar as diferenças entre os segmentos. Justamente para prover um maior conhecimento sobre a dinâmica dos principais segmentos industriais de Santa Catarina, foi realizada uma Pesquisa de Campo, diretamente com as empresas e sindicatos. Assim, foram estabe- lecidas as condições necessárias para uma abordagem com alto nível de desagregação para a de- manda. Seria de grande interesse uma comparação do desempenho do modelo proposto com traba- lhos mais agregados, considerando, por exemplo, toda a demanda do setor industrial de SC. Com foco em outros objetivos, o modelo deste trabalho foi aplicado somente em dois segmentos da in- dústria catarinense: têxtil e metalúrgico.
Foi possível observar na literatura que vários autores analisaram o comportamento da de- manda sem considerar outras variáveis, senão a própria série histórica do consumo de energia elé- trica. Esses modelos, às vezes chamados de autorregressivos, também apresentam resultados inte- ressantes, principalmente no curto prazo, porém são mais susceptíveis aos erros quando ocorrem variações bruscas na economia, por exemplo. Considerando os objetivos propostos neste trabalho e os resultados alcançados, recomenda-se a utilização de variáveis independentes e com potencial para caracterização do comportamento da demanda de cada segmento industrial. Dos conjuntos de variáveis de influência possíveis, esta metodologia considerou os indicadores da economia e os indicadores climáticos mensais, este último apenas para o segmento têxtil.
Considerando os dois segmentos da indústria mencionados, foram analisadas mais de 50 séries históricas de variáveis econômicas, contabilizando as medidas originais e as transformações
pró-estacionárias. Apesar do grande conjunto de dados da economia, ressaltam-se algumas limita- ções do trabalho: (i) como o foco da pesquisa estava na demanda dos consumidores industriais de segmentos específicos, com clientes contratados tanto no mercado cativo quanto no mercado livre, e sujeitos a uma complexa variação do preço da energia, não foi possível utilizar uma série históri- ca de preço, que provavelmente melhoraria o modelo descritivo proposto; (ii) uma das grandes preocupações dos empresários estava relacionada à questão da carga tributária, porém, foi possível considerar apenas a arrecadação dos impostos que mais afetam a indústria, dado que, o histórico das alíquotas e a variação do percentual da carga tributária sobre o PIB setorial é de difícil obten- ção; (iii) devido à proximidade da relação entre os indicadores de desempenho da indústria, como utilização da capacidade instalada, produção, pessoal empregado e vendas, com a variação do con- sumo de energia elétrica, optou-se pela não utilização das séries históricas da FIESC. Podem-se verificar outros modelos de previsão que as utilizam.
O conjunto de variáveis climáticas de maior influência para o segmento têxtil foi represen- tado por apenas 5 medidas de temperatura mensais: média, máxima absoluta, mínima absoluta, média das máximas e média das mínimas. Por outro lado, foi necessário reunir as séries históricas de 15 estações climatológicas das regiões Sul e Sudeste do Brasil, que pudessem representar o efeito das anomalias climáticas nos principais Estados de destino da produção têxtil de Santa Cata- rina. Essa abordagem propiciou uma conotação espacial para os dados de entrada do clima no âm- bito da previsão de demanda, de característica temporal.
Observam-se na literatura, diversos trabalhos sobre a influência do clima, ao longo dos meses, em países da Europa. As características do clima das regiões Sul e Sudeste do Brasil, com boa amplitude térmica anual, possibilitaram a aplicação da mesma abordagem para análise da in- fluência da temperatura, ao longo dos meses, no comportamento da demanda industrial. Para regi- ões mais tropicais, o uso do clima, como apresentado, não deverá ter o mesmo desempenho.
A utilização de variáveis climáticas, mais especificamente do indicador ITMI – Intensida-
de Térmica das Mínimas, para os modelos de descrição e previsão do segmento têxtil mostrou-se
eficiente. Além de apresentar o maior nível de significância para explicação do consumo no mode- lo econométrico, o ITMI apresentou relação de causalidade com a demanda com 99% de confiança. Ressalta-se ainda, a presença desse indicador na camada de entrada de todos os modelos previsores da demanda do segmento têxtil, e sua contribuição para o nível de precisão alcançado. Para análises num horizonte de médio prazo de indústrias afetadas pelo clima, o uso de indicadores climáticos regionais parece ser uma boa alternativa.
Os objetivos do modelo econométrico proposto nesta metodologia foram além da tarefa de descrever o comportamento da demanda. A econometria foi utilizada também como ferramenta para seleção das variáveis de entrada do modelo de previsor neural da demanda. Assim como ou- tros métodos científicos, o uso da econometria exige extremo cuidado na modelagem para que o teor das conclusões e análises obtidas seja verdadeiramente significativo. Os modelos descritivos