Previsão de carga: Assegurar que a oferta satisfaz a procura de energia

Quando ligamos uma lâmpada, a nossa expectativa é a de iluminar a escuridão. Parece relativamente simples. Mas antes da luz encher a sala, ocorreram anos de planeamento. Este tipo de planeamento, referido como previsão de carga, é uma função crítica de planeamento realizada nas empresas de eletricidade para assegurar um amplo fornecimento de eletricidade que satisfaça a procura.

À medida que os recursos de energia renovável aumentam, torna-se crucial a necessidade de uma plataforma tecnológica sofisticada, robusta e integrada que possa adaptar-se aos requisitos de previsão de carga. Uma plataforma que permita o planeamento para que as nossas luzes se liguem quando carregamos no interruptor, tanto a curto como a longo prazo.

A integração de numerosos recursos energéticos no sistema de distribuição (painéis solares, fotovoltaico, veículos elétricos, resposta à procura) exige a análise da previsão de carga. Estas análises são utilizadas para saber quando, quanto e onde estes recursos estão a contribuir na rede de energia. Tudo isto equilibrando a quantidade de geradores de recursos tradicionais para satisfazer a procura.

A previsão da carga sobre os bens ao longo do sistema de distribuição, fornece conhecimentos sobre quais os componentes que estão sobrecarregados para além da sua conceção de fábrica. Também identifica onde a rede precisa de ser fortalecida, uma vez que os fornecedores de energia elétrica estão empenhados em fornecer-lhe eletricidade segura e fiável, produzindo um cliente satisfeito.

Porquê a previsão de carga?

O planeamento começa por prever a procura de eletricidade de cinco a 30 anos no futuro, e depois reduz a uma visão de curto prazo da procura de eletricidade na próxima hora. Utiliza padrões históricos de consumo de eletricidade, ou perfis de carga, condições meteorológicas, eventos regionais e indicadores económicos para representar quando e quanta eletricidade é utilizada. Estes padrões históricos variam consoante o tipo de cliente, tanto na magnitude da eletricidade consumida como no padrão de utilização.

A agregação do nível granular de 15 minutos de leituras da infra-estrutura de medição avançada (AMI) ao nível do cliente, para níveis nodais definidos no sistema, fornece uma visão da utilização de energia em toda a rede elétrica. Os modelos desenvolvidos e aplicados para cada nível do sistema, aperfeiçoam o processo de previsão de carga. Rolar as previsões até ao nível do sistema revela os picos de carga dentro do mês, estação ou ano. A magnitude e o calendário dos picos determina o tipo de produção e a quantidade que será necessária.

Por exemplo, é provável que o perfil de carga residencial tenha uma maior procura nas primeiras horas da manhã e à noite, quando todos estão em casa, em comparação com uma menor procura de eletricidade durante o dia, quando a maior parte do agregado familiar está no trabalho ou na escola. Uma instalação industrial tem frequentemente um nível consistente de procura de uma linha de produção de 24 horas, e a procura industrial é menos influenciada pelas condições meteorológicas. Os perfis de carga comercial são semelhantes aos perfis residenciais, mas também variam em função do tipo de negócio.

Previsão de longo prazo versus curto prazo

As melhorias das previsões de carga a longo prazo tendem a ser subvalorizadas porque é difícil quantificar os impactos da melhoria da precisão das previsões. Uma previsão com maior precisão pode adiar a construção de unidades geradoras adicionais ou adiar a necessidade de um contrato de eletricidade a longo prazo. De uma perspetiva económica, é a poupança de adiar a unidade marginal. A precisão de uma previsão de carga tem implicações orçamentais para o fornecedor de energia. Uma previsão de carga demasiado baixa pode resultar em aquisições ou interrupções dispendiosas no spot market. Uma previsão de carga demasiado elevada reduz as receitas de vendas ao não vender a capacidade não utilizada.

As aprovações de tempo para construir o tipo de geração apropriado, para o crescimento da procura em cinco, 10 ou 20 anos, podem demorar anos a adquirir. Ao que juntamos as autorizações necessárias junto dos serviços públicos, comissões reguladoras e grupos de interesse público. O custo de capital da construção de novas unidades geradoras é incorrido pela empresa de serviços públicos e eventualmente transferido para os clientes. Pelo contrário, se não houver produção suficiente para satisfazer a procura no futuro, o fornecedor de energia terá de assegurar contratos de fornecimento de energia a longo prazo.

As decisões operacionais a curto prazo dependem da previsão de carga a curto prazo para satisfazer a procura de eletricidade do cliente entre a próxima hora a 48 horas. Alterações súbitas e inesperadas das condições meteorológicas, ou uma paragem não planeada numa unidade geradora programada, requerem ajustes no fornecimento para assegurar a fiabilidade da rede. Em mercados com disponibilidade limitada de produção adicional e restrições na rede elétrica, um erro de cálculo pode resultar em apagões e um custo mais elevado para fornecer ou assegurar o fornecimento.

O crescimento: Um desafio para a previsão de carga

Um modelo de previsão é desenvolvido e aplicado aos períodos futuros de cinco, 10, ou 20 anos para produzir a previsão de carga. Um aspeto vital da previsão de carga envolve a definição do número de hierarquias (ou níveis) para representar as necessidades do negócio. Hierarquias podem consistir em classes de clientes (residenciais, comerciais, industriais) e uma hierarquia mais detalhada de um sistema de distribuição. Uma hierarquia de distribuição pode ser composta por milhares de ativos, exigindo abordagens de previsão de carga escalável.

Os previsores de carga são conhecidos pela sua perícia nestes tipos de previsões de carga. O novo desafio para os serviços públicos é a introdução de mais fontes de energia conhecidas como recursos energéticos distribuídos (DERs), que se refere a energias renováveis como a solar, eólica, micro-redes, veículos elétricos (EVs) e ainda a capacidade de armazenamento de baterias mais recentes. Tudo isto está a acrescentar mais variabilidade e complexidade ao processo de previsão.

A atual perspetiva energética anual da Administração de Informação sobre Energia dos EUA (EIA) projeta um crescimento consistente em energias renováveis, ilustrando a importância de prever com precisão a produção de recursos renováveis.

A modelação de fontes renováveis, tais como as quintas solares, requer algoritmos avançados e de aprendizagem profunda. Ao prever com precisão quanto e quando os recursos renováveis podem produzir o resultado esperado, podemos ver o valor de modelar corretamente estes recursos renováveis. A geração fornecida a partir de fontes renováveis reduz a quantidade de geração necessária a partir de recursos tradicionais, tipicamente combustíveis fósseis. Isto é descrito no que é conhecido como uma "curva de pato". A curva de pato demonstra a mudança na procura de eletricidade e a quantidade de energia solar acessível ao longo do dia.

A curva de pato mostra o impacto crescente da carga líquida que muda à medida que a barriga da curva mergulha mais profundamente com o aumento da geração renovável. O desafio para o sistema de fornecimento de energia reside nas mudanças abruptas acima e abaixo da curva. Por exemplo, à tarde, como há menos geração solar disponível para satisfazer a procura prevista, o operador do sistema tem a tarefa de assegurar que os recursos da geração tradicional estão disponíveis e têm tempo para subir até à produção.

A produção e distribuição de energia deve ser mantida em perfeito equilíbrio com a procura. Se não for equilibrada continuamente, os clientes sofrerão interrupções ou problemas de qualidade de energia que podem danificar o equipamento. O Analytics pode fornecer conhecimentos que melhoram a segurança, a fiabilidade e, em última análise, ajudam a reduzir os custos tanto para o serviço público como para os seus clientes.