XXIX Congresso de Iniciação Científica
Correlação de variáveis socioeconômicas com o consumo de energia elétrica para realizar previsão espacial de demanda.
Tiago Manhani Galego de Lima, Mario Andres Mejia Alzate, Antonio Padilha Feltrin, Campus de Ilha Solteira, Faculdade de Engenharia de Ilha Solteira – UNESP, Engenharia Elétrica, tiago.manhani.galego@gmail.com, Bolsista PIBIC/CNPq.
Palavras Chave: Previsão espacial, planejamento da rede de distribuição, regressão espacial.
Introdução
As distribuidoras de energia elétrica devem realizar ampliações em seus sistemas de distribuição para garantir o fornecimento de energia a seus clientes.
Para determinar quais são os locais que precisarão de tais ampliações, torna-se necessário realizar uma previsão com caráter espacial dentro de um horizonte de tempo(1).
Objetivos
Propor um método de previsão espacial de demanda utilizando como dados de entrada variáveis socioeconômicas que possuem correlação com o consumo de energia e um modelo de regressão ponderada geograficamente (GWR) que possa caracterizar melhor o crescimento temporal da demanda elétrica para um horizonte de curto e médio prazo. O resultado da proposta são mapas temáticos que mostram os locais com maior possibilidade de apresentar incremento de energia.
Material e Métodos
O primeiro passo é determinar a distribuição espacial da influência de cada variável socioeconômica em relação ao consumo de energia elétrica utilizando o modelo de regressão ponderada geograficamente. Em seguida, gerar mapas temáticos que demostram essa influência para cada variável. Por fim, através do modelo de regressão proposto realizar uma análise que considera as influências dos setores vizinhos na decisão de aumentar o consumo de energia elétrica. O método proposto foi aplicado em um sistema real de distribuição de energia elétrica, utilizando as informações disponíveis no Laboratório de Planejamento de Sistema de Energia Elétrica (LaPSEE).
Resultados e Discussão
O modelo proposto foi implementado no software Arcgis 10.3 com o objetivo de utilizar a biblioteca Network Analyst para obter os parâmetros necessários para realizar uma regressão espacial na zona de estudo gerando uma ponderação de todos
os seus vizinhos(2). O resultado obtido está representado na Figura 1.
Figura 1. Mapa de ponderação entre as variáveis socioeconômicas e a demanda de energia elétrica.
Sendo que regiões que possuem coloração mais avermelhada apresentam maior influência entre as variáveis socioeconômicas com o consumo de energia elétrica e regiões com coloração mais azuladas possuem menor influência. Essas informações servem para identificar os setores que possuem o maior potencial no crescimento da demanda de energia elétrica.
Conclusões
Por meio dos resultados obtidos é possível identificar os locais onde será necessário uma expansão das redes elétricas, e, desta forma, fornecendo informações corretas aos planejadores das redes elétricas na tomada de decisão do conjunto de obras necessárias para o fornecimento da demanda futura.
Agradecimentos
CNPQ e colaboradores.
____________________
1WILLIS, H. L. Spatial electric load forescasting. 2. ed. New York: Marcel Dekker, 2002. 748 p.
2 C. Brusdon, A. S. Fotheringham, and M. E. Charlton (1996).
“Geographically weighted Regression: a method for exploring spatial nonstationarity”. Geographical Analysis, Vol. 28, No. 4, pp. 281-298.
