Estudo de técnicas de apoio a definições em contratos de energia elétrica

• Main Author: Teixeira, Raphael Francisco Firmiano
• Other Authors: Hippert, Henrique Steinherz
• Language: Portuguese
• Published: Universidade Federal de Juiz de Fora (UFJF) 2018
• Subjects: CNPQ::CIENCIAS EXATAS E DA TERRA; Previsão de demanda; Contratos de fornecimento de energia elétrica; Otimização de contratos; Demand forecasting; Contract of Electric power supply; Optimization of contracts
• Online Access: https://repositorio.ufjf.br/jspui/handle/ufjf/6069

Submitted by Geandra Rodrigues ([e-mail]) on 2018-01-10T17:04:37Z No. of bitstreams: 1 raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5) === Approved for entry into archive by Adriana Oliveira ([e-mail]) on 2018-01-23T11:53:03Z (GMT) No. of bitstreams: 1 raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5) === Made available in DSpace on 2018-01-23T11:53:03Z (GMT). No. of bitstreams: 1 raphaelfranciscofirmianoteixeira.pdf: 2043800 bytes, checksum: c1621a5e2f6c91e329bbc4cd21d1701b (MD5) Previous issue date: 2017-08-30 === Frequentemente os valores dos parâmetros exigidos em um Contrato de Fornecimento de Energia Elétrica para consumidores não industriais são estimados com base na previsão de demanda utilizando o método “Naive”, por vezes, com algum ajuste empírico, o que pode gerar um contrato não-ótimo para o consumidor. Exemplo desse tipo de consumidor são as universidades, principalmente as públicas, por possuírem dimensões físicas consideráveis. Em consumidores com esse tipo de comportamento, a elaboração de um perfil de demanda baseado em estudo do funcionamento das instalações torna-se algo muito complicado. Tendo em vista tratar-se de um consumidor pertencente ao Serviço Público, há a necessidade de Contratos definidos com critérios suficientemente claros, haja vista a pressão dos órgãos de controle. Mais ainda quando se considera o uso responsável e eficaz do dinheiro público. Portanto, métodos com base na previsão de demanda do consumidor, em função do seu histórico e capazes de uma aproximação maior com a realidade, seriam importantes para obter contratos com valores financeiros minimizados. Tendo os dados de Demandas Registradas da Universidade Federal de Juiz de Fora e dados auxiliares de Temperaturas e Calendário de Aulas, desenvolvemos um método que testa previsões realizadas por métodos lineares (Médias Móveis, ARIMA e Holt-Winters), com previsões realizadas por métodos não- lineares (Redes Neurais). Comparamos estas previsões, e a melhor foi levada a um processo de otimização utilizando Algoritmos Genéticos. Essa otimização revelou dados ótimos para o Contrato e os respectivos custos. A previsão com melhor desempenho foi a obtida utilizando-se Redes Neurais, sem os dados auxiliares. A otimização levou a escolha da Tarifa Azul, com previsão de ganhos econômicos para a UFJF. === The values of the parameters required in a Contract of Electric Power Supply are often estimated with bases on the demand forecasted using the “Naive” method, for nonindustrial consumers. Sometimes, the method suffers some empirical adjustment, which can generate a non-optimal contract for the consumer. Universities (in special the public ones) are examples of these type of consumers since they have considerable physical dimensions. The elaboration of a demand profile for these type of consumers, based on a study of the operation of the facilities, is a complicated task. Because the consumer is part of the Public Service, there is a need for Contracts defined with sufficiently clear criteria, given the pressure of the control bodies, particularly when the responsible and effective use of the public money is considered. Therefore, methods based on the consumer demand forecast in function of consumer’s history, and capable of greater approximation with reality, would be important to obtain contracts with minimized financial values. A method was developed based on data of the registered demands of the Federal University of Juiz de Fora (UFJF), and Temperature and Class Calendar adjuvant data. The method tests the predictions made by linear (Moving Averages, ARIMA and Holt-Winters) and by non-linear methods (Neural Networks). The predictions were compared and the best one was taken to an optimization process using Genetic Algorithms. The optimization revealed optimal data for the contract and its costs. The prediction that showed the best performance was the one obtained using Neural Networks without the adjuvant data. The optimization led to the choice of the “Tarifa Azul”, with possible economic gains for UFJF.