Hileli Finansal Raporlama

A estimativa relacionada à energia elétrica pode ajudar os gestores de energia em diversas ações, como: preparação de orçamentos futuros de energia; criação de metas de consumo de energia; identificação de variáveis que têm um efeito significativo sobre a demanda de eletricidade; identificação do potencial de economia de energia elétrica, estimativa de consumo de eletricidade para outros tipos similares de prédios, além de auxiliar na compreensão dos picos de demanda durante diferentes períodos num ano (AMBER; ASLAM; HUSSAIN, 2015).

Na revisão de literatura que considerou as bases mais citadas em relação à previsão ou estimativa de eletricidade ou demanda de energia elétrica, como a Scopus (Elsevier), SciVerseScienceDirect (Elsevier) e OneFile (GALE), foi possível verificar que este tipo de estimativa é realizada para diversos segmentos, e, além disso, foram observadas várias técnicas.

Os segmentos onde foi vista a estimação de demanda de energia elétrica foram: regiões geográficas (países, estados), empresas, o setor residencial e de forma bem menos expressiva o setor da educação.

Quanto aos países podem ser citadas a Itália, Dinamarca e Turquia. Na Itália, para prever a demanda mensal em um determinado ano, os coeficientes de regressão foram calculados em Apadula et al. (2012) usando os dados dos sete anos anteriores. Já na Dinamarca, Andersen, Larsen e Gaardestrup (2013) utilizaram projeções nacionais de consumo anual por categorias de clientes, para projetar perfis de consumo por hora para as áreas e resultados locais selecionados e na Turquia o consumo de eletricidade, conforme visto em Kavaklioglu (2011), como uma função de indicadores socioeconômicos, tais como população, Produto Interno Bruto, importações e exportações.

Ainda sobre as regiões geográficas, pode ser citado o caso do estado de New South Wales, Austrália, onde as variáveis climáticas, como temperatura, umidade e dias de chuva afetam predominantemente a demanda de eletricidade (VU; MUTTAQI; AGALGAONKAR, 2015).

Já em relação às empresas, um exemplo foi a estimação do consumo anual de energia no setor bancário espanhol, conforme visto em Aranda et al. (2012), e no setor doméstico (residencial), estudado em Muratori et al. (2013), onde ocorreu o uso de modelo para simular a demanda de eletricidade de uma unidade familiar.

Já em relação ao setor da educação, existem bem menos trabalhos do que os outros segmentos apontados. Serão aqui relatados alguns casos, como o trabalho de Amber,Aslam & Hussain (2015), que efetuou a previsão do consumo diário de energia elétrica de um prédio de administração localizado num campus de Londres. Além deste, a previsão de Martani et al. (2012), que estimou o consumo de energia, considerando uma das variáveis a atividade ocupacional medida através de conexões WI-Fi.

Quanto às técnicas observadas na revisão da literatura em relação à estimação de demanda ou de energia elétrica podem ser citados: modelo de regressão linear múltipla, a cadeia de Markov, o Support Vector Regression- metodologia (SVR), o modelo de programação genética e a Rede neural artificial.

No caso do modelo de Regressão Linear múltipla, podem ser citados diversos casos, como aquele em que a demanda mensal de energia elétrica da Itália

foi estimada a partir de variáveis como calendário (dias de trabalho, feriados), a temperatura, velocidade do vento e a umidade relativa (APADULA et al., 2012).

Além deste caso de estimação de demanda de energia elétrica utilizando a técnica de Regressão Linear, pode ser citado o caso do Estado de New South Wales, Austrália, onde o modelo foi treinado e validado usando os dados de séries temporais (VU; MUTTAQI; AGALGAONKAR, 2015).

E em se tratando de unidades de ensino, foi visto em Amber,Aslam & Hussain (2015) o uso de Regressão Linear Múltipla para prever o consumo diário de energia elétrica de um prédio de administração localizado no campus de Southwark Bank University, em Londres, assim como em Martani et al(2012), onde a demanda por metro quadrado foi estimada através da ocupação humana.

A técnica da cadeia de Markov foi utilizada num modelo para simular a demanda de eletricidade de uma família constituída por vários indivíduos, sendo o consumo total dividido em algumas categorias principais: aparelhos de climatização (refrigeração, aquecimento, ventilação), iluminação e energia consumida pelas atividades dos membros da família. Então o padrão de atividade dos indivíduos da família foi modelado utilizando uma cadeia de Markov heterogênea (MURATORI et al., 2013).

Já a técnica de Regressão do vetor de suporte - Support Vector Regression (SVR) - foi utilizada para modelar e prever o consumo de energia elétrica da Turquia e para facilitar futuras previsões de consumo de eletricidade, sendo um modelo SVR criado para cada uma das variáveis de entrada usando seus valores atuais e anteriores; e esses modelos foram combinados para dar origem a valores de previsão de consumo (KAVAKLIOGLU, 2011).

Além desses métodos vistos até o momento, ainda foi considerado o modelo de programação genética utilizado para estimar o consumo diário de energia elétrica de um prédio de administração no campus de Londres. A programação genética apresenta certas vantagens sobre outros algoritmos como capacidade de selecionar automaticamente as variáveis significativas e ignorar outras. Não é necessário nenhum conhecimento prévio de distribuição da probabilidade dos dados. Porém, sua principal desvantagem consiste na necessidade de mais tempo de treinamento durante o desenvolvimento do modelo (AMBER; ASLAM; HUSSAIN, 2015).

Como exemplo de utilização do modelo de Rede Neural Artificial (RNA) usando dados para Londres apenas em edifícios universitários, um estudo piloto

também foi realizado para avaliar uma gama mais ampla de variáveis relacionadas ao uso de energia (HAWKINS et al., 2012).

Uma vertente bastante relevante nos trabalhos observados é a comparação entre resultados de diversas técnicas de modelagem, como visto em Kaytez et al. (2015), onde a análise de regressão tradicional, as redes neuronais artificiais, as Máquinas de vetores de suporte (SVMs) e as máquinas de vetores de suporte quadrados (LS-SVMs) são utilizadas na previsão do consumo de eletricidade de energia na Turquia, sendo seus resultados comparados.

Geralmente os modelos de previsão e métodos têm sido usados com relativo grau de sucesso na previsão de carga elétrica. Eles podem ser classificados como modelos de séries temporais (univariados), nos quais a carga é modelada em função de valores observados no passado e modelos causais, nos quais a carga é modelada como função de alguns fatores dependentes, especialmente do tempo e variáveis sociais (SILVA, 2003).

Nessa dissertação foi utilizada a técnica de Regressão Linear Múltipla pelo entendimento que atende às necessidades apontadas no objetivo geral desta dissertação, e, além disso, já foi observada a relevância de diversos trabalhos que utilizaram esta técnica para a estimação de variáveis relacionadas ao uso de energia elétrica.