Modelo_XVII-SENDI_2006 - MFAP



|XVIII Seminário Nacional de Distribuição de Energia Elétrica

SENDI 2008 - 06 a 10 de outubro

Olinda - Pernambuco - Brasil | |

|Uma Análise sobre a Influência de Variáveis Climáticas na Carga de Energia da COELBA |

|D. A. Barreiros |P. M. Ribeiro |D. A. Garrido |

|COELBA |COELBA |COELBA |

|dbarreiros@.br |pmotta@.br |dgarrido@.br |

Palavras-chave:

Carga de energia

Regressão Linear

Variáveis climáticas

Resumo

A análise do comportamento da carga de energia é de grande importância para uma distribuidora, pois auxiliam os processos de planejamento e operação de seu sistema elétrico. Além disso, possibilita acompanhar a relação entre contratos e consumo de energia, reduzindo o risco de subcontratação da distribuidora e a ocorrência de penalidades financeiras.

Este artigo busca analisar a influência que variáveis climáticas, como temperatura e precipitação, possuem sobre o comportamento da carga de energia registrada na área de concessão da Companhia de Eletricidade do Estado da Bahia – Coelba. Utilizando a técnica estatística de regressão linear é possível identificar a intensidade desta influência, mensurada por meio da elasticidade de cada variável climática em relação à carga de energia.

Introdução

A Coelba – Companhia de Eletricidade do Estado da Bahia – foi criada em 28 de março de 1960 para atender cerca de 11 mil consumidores em Salvador e algumas localidades no interior do estado. Atualmente a empresa atende a 4 milhões de unidades consumidoras em 415 municípios, o que classifica a Coelba como a maior distribuidora de energia elétrica do Nordeste e a terceira maior do país em número de clientes.

A grande extensão de sua área de concessão impõe novos desafios para a Coelba, em virtude das diferenças sociais, econômicas e climáticas encontradas ao longo do estado. Estas diferenças também se refletem na carga de energia, que descreve um comportamento distinto de acordo com a região analisada.

A área de concessão da Coelba é dividida em seis regiões distintas, de acordo com suas características sócio-econômicas e organização dos seus sistemas elétricos. Contudo, a distribuição da carga de energia ao longo destas seis regiões não é uniforme: a região metropolitana, composta por apenas 10 municípios, responde por mais de 50% do consumo total de energia, enquanto que a região oeste, composta por 59 municípios, possui uma participação de 6% apenas.

Figura 1: Representação geográfica das seis regiões elétricas da Coelba

Figura 2: Participação das regiões da Coelba na carga de energia elétrica

A Figura 1 ilustra as regiões geo-elétricas da Coelba e os regimes de chuva do estado [1]. Estes regimes são sazonais, variando de acordo com a região analisada:

1. De outubro até fevereiro as chuvas ocorrem nas regiões oeste e sudoeste;

2. De fevereiro a maio as chuvas se concentram nas regiões norte e parte da região oeste;

3. De maio a agosto as precipitações atingem o litoral do estado, se concentrando nas regiões sul, metropolitana e centro.

Devido à sua localização geográfica, a Bahia não apresenta grandes variações de temperatura ao longo do ano. Em geral, o comportamento da temperatura está associado ao regime de chuvas e a incursões de frentes frias provenientes do sul do Brasil, que por vezes atingem principalmente a região sul [1].

O objetivo deste artigo é, portanto, analisar como o comportamento destas variáveis climáticas influencia a carga de energia de nas diferentes regiões da Coelba. Esta análise será realizada por meio de modelos de regressão linear, que busquem relacionar a carga total de energia consumida em uma determinada região com as variáveis climáticas registradas localmente.

A formulação geral do modelo de regressão linear utilizado neste trabalho é descrita de forma sucinta no próximo capítulo. O capítulo 3 descreve os principais resultados obtidos, com destaque para as regiões metropolitana e oeste. Ao final do trabalho são descritas as conclusões obtidas.

Modelo de Regressão Linear

Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma determinada variável Y com uma ou mais variáveis X. O modelo de regressão é chamado de simples quando a relação causal envolve apenas duas variáveis (Y e X), e multivariado quando o comportamento de Y é explicado por mais de uma variável, como X1, X2,..., Xn. Os modelos de regressão, simples ou multivariados, podem representar relacionamentos entre as variáveis do tipo linear (equação da reta ou do plano) ou não linear (equação exponencial, quadrática, etc.) [2].

Neste trabalho foi utilizado um modelo de regressão linear múltipla, representado a partir da seguinte fórmula geral:

| |(1) |

Onde y(t) representa a carga de energia no mês t e xi(t) representam as variáveis climáticas analisadas. As letras ( e (i representam os parâmetros do modelo.

A influência que uma determinada variável independente Xi exerce sobre a variável dependente Y pode ser mensurada por meio do conceito de elasticidade, oriundo da teoria econômica. Por meio deste conceito é possível conhecer, por exemplo, como a variação de 1º% na temperatura máxima de uma determinada localidade impacta a carga de energia de uma região da Coelba, em termos percentuais.

Matematicamente, o conceito de elasticidade é definido como a variação percentual de Y em relação à variação percentual de Xi, sendo este valor constante e igual a εi. Logo:

| |(2) |

Tomando-se o logaritmo natural de ambos os termos de (2), pode-se demonstrar que os parâmetros βi do modelo de regressão são equivalentes a elasticidade da variável Y em relação a Xi [2]. Desta forma:

| |(3) |

Para a variável X1, por exemplo, tem-se que:

| |(4) |

As elasticidades βi descritas em (3) são constantes ao longo do tempo, ou seja, a relação entre a carga de energia e as variáveis climáticas se mantém inalterada.

Resultados Obtidos

Este capítulo descreve os resultados obtidos na estimação dos modelos de regressão para as seis regiões geoelétricas da Coelba. É proposto também um modelo para a carga total da COELBA, obtido a partir do somatório dos resultados obtidos para cada uma das regiões estudadas.

Para os modelos de regressão estimados foi utilizado como variável dependente a carga de energia mensal verificada em cada regional da Coelba. Este montante de energia agrega o consumo dos clientes cativos e livres da distribuidora, acrescido das perdas verificadas no sistema de distribuição.

Para as variáveis explicativas foram utilizadas as médias mensais de temperatura máxima e mínima, além do volume acumulado mensal de precipitação, registrados nos postos meteorológicos distribuídos ao longo do estado da Bahia [1].

Será dada maior ênfase para as regiões metropolitana e oeste, devido as suas características próprias: a região metropolitana por ser responsável por mais de 50% da carga total da Coelba e a região oeste por ser uma importante área agrícola, com expressiva participação de culturas irrigadas. As demais regiões serão descritas de forma sucinta, já que o seu comportamento é semelhante ao da região metropolitana.

1 Região Metropolitana

A região metropolitana é a menor das cinco regiões da Bahia, composta por apenas 10 municípios, dentre eles a capital Salvador e o município de Camaçari. Apesar disto, é a região mais densamente povoada do Estado com 24,4% da população total.

Essa região merece destaque na área econômica, já que concentra cerca de 50% do PIB do estado. A quase totalidade do PIB desta região é proveniente dos ramos industrial e de serviços, sendo a participação do setor agrícola inferior a 3% [4].

A região metropolitana concentra os dois maiores e mais importantes complexos industriais do Estado, o Pólo Industrial de Camaçari e o Centro Industrial de Aratu – CIA, que junto a outros empreendimentos da região, concentram mais de 70% do PIB industrial do Estado. Completando 28 anos de existência, o Pólo abriga grandes empreendimentos como a Braskem, a Monsanto e a Ford, além de atrair novos grandes investimentos, como a Continental, fábrica de pneus inaugurada em abril de 2006. O CIA possui atualmente cerca de 170 empresas de diversos segmentos, porém com uma elevada taxa de fechamento e rotatividade de empresas. Ainda assim, junto a outros empreendimentos da região, eles concentram mais de 70% do PIB industrial do Estado.

O setor serviços é concentrado no município de Salvador, que contribui com 66% do PIB deste setor na região e 29% do PIB terciário do estado.

O comportamento da economia nesta região se reflete da distribuição da energia entre as classes de consumo, conforme ilustra a Figura 3. Pode-se notar que a participação das classes residencial e comercial predomina na região, com 62% do total.

Figura 3: Participação das classes de consumo na região metropolitana

A expressiva participação destas duas classes sugere que a carga de energia registrada nesta região seja influenciada pelo comportamento da temperatura ambiente. A Figura 4 confirma esta suposição.

Figura 4: Carga de energia elétrica x temperatura na região metropolitana

A similaridade entre a sazonalidade da carga e a temperatura pode ser explicada pela concentração de equipamentos de condicionamento ambiental nas classes residencial e comercial. Este fenômeno é mais comum em regiões de alto poder aquisitivo e/ou onde o setor comercial seja voltado para a prestação de serviços, como na região em questão. O funcionamento destes equipamentos e, como conseqüência, o seu consumo de energia estão diretamente ligados à variação de temperatura. Quando se observa um aumento na temperatura ambiente, por exemplo, observa-se um aumento de consumo devido a uma maior utilização destes equipamentos.

Para a estimação do modelo de regressão foram utilizadas, a princípio, as médias mensais das temperaturas máximas e mínimas registradas em três postos de medição distribuídos ao longo da região metropolitana nos municípios de Salvador, Alagoinhas e Camaçari. Durante processo de estimação algumas variáveis foram gradativamente retiradas, restando apenas as que possuíam significância estatística superior a 95%.

Desta forma, o modelo de regressão linear final encontrado foi o seguinte:

|ln[carga(t)metrop] = 4,02 + 0,74( ln[tmax_Salv(t)] + 0,005(tend(t) |(5) |

onde:

ln[i] logaritmo natural da variável i

carga(t)metrop carga de energia da região metropolitana no mês t

tmax_Salv(t) média das temperaturas máximas registradas em Salvador no mês t

tend(t) valor da tendência linear no mês t

O modelo descrito informa que a temperatura máxima verificada no município de Salvador é suficiente para explicar o comportamento da carga de energia elétrica verificada na região metropolitana. Este resultado pode ser justificado pelo fato de que Salvador concentra a maior parte do consumo residencial e comercial da região, com grande presença de shopping-centers e um alto índice de desenvolvimento urbano.

Logo, de acordo com o modelo estimado, a elasticidade da carga em relação à temperatura é de 0,74. Ou seja, uma variação de 1% na temperatura máxima de Salvador implica em uma variação de 0,74% no consumo de energia da RMS.

A aderência do modelo econométrico proposto pode ser verificada na Figura 5, que ilustra o comportamento histórico da carga comparado com a previsão calculada pelo modelo proposto.

Figura 5: Carga de energia elétrica verificada e prevista na região metropolitana

4 Região Oeste

A região Oeste é composta por 59 municípios, sendo que grande parte deles se encontram no semi-árido baiano. Em 2005 a região Oeste possuía uma população de 1.224.211 habitantes, o que representa 8,9% da população da Bahia. [4]

Aproximadamente 25% do PIB agrícola do estado é originário desta região, que alcançou o segundo lugar em cultivo de algodão no ranking do país, perdendo apenas para o estado de Mato Grosso. Os municípios de Barreiras e Luis Eduardo Magalhães se destacam ainda no setor industrial, especialmente no ramo de beneficiamento de grãos, como a soja. [3]

Em termos de energia elétrica, a classe rural é a que possui a maior participação na carga da região, sendo responsável por 32,3% do total, devido a grande extensão de áreas destinadas ao plantio de culturas irrigadas. A classe industrial, responsável por 16,2% da carga total da região, é representada principalmente por indústrias relacionadas ao setor agrícola.

Figura 6: Participação das classes de consumo na região oeste

A elevada participação da classe rural nesta região sugere uma influência do volume de chuvas sobre o comportamento da carga de energia elétrica. Esta hipótese pode ser comprovada por meio da Figura 7, onde é analisado o período de jan/04 a dez/06.

Figura 7: Carga de energia x precipitação na região oeste

Observa-se que a relação entre a carga de energia e a precipitação é inversamente proporcional nesta região, decorrente do fato de que a maior parte dos consumidores da classe rural trabalha utilizam processos de irrigação em suas culturas. Logo, quando o volume de chuvas da região sofre uma redução, torna-se necessário aumentar a irrigação das culturas e, como conseqüência, elevar o consumo de energia elétrica.

A partir dos dados de precipitação acumulada, verificados nos postos de medição instalados ao longo da região oeste nos municípios de Barra, Barreiras, Bom Jesus da Lapa, Correntina e Guanambi [1], foi possível estimar um modelo de regressão linear que explique o comportamento da carga de energia elétrica. Durante o processo de estimação dos parâmetros, algumas variáveis foram sendo gradativamente retiradas, restando apenas as que possuíam significância estatística superior a 95%.

Ao final deste processo o modelo de regressão linear encontrado para a região oeste foi:

|ln[carga(t)oeste] = 3,006 + 2,194( ln[tmax_Bar(t)] – 0,094( ln[prec_Bar(t)] + 0,007( tend(t) |(6) |

onde:

ln[i] logaritmo natural da variável i

carga(t) oeste carga de energia da região oeste no mês t

tmax_Bar(t) média das temperaturas máximas registradas em Barreiras no mês t

prec_Bar(t) precipitação acumulada registrada em Barreiras no mês t

tend(t) valor da tendência linear no mês t

Logo, de acordo com o modelo econométrico estimado, a temperatura máxima e a precipitação do município de Barreiras são suficientes para explicar o comportamento da carga de energia nesta região. Este resultado é coerente com a economia da região, já que o município de Barreiras é um dos principais produtores de grãos da região e possui uma extensa área com culturas irrigadas.

Merece destaque no modelo de regressão o sinal negativo atribuído à elasticidade da precipitação acumulada do município de Barreiras. É por meio deste sinal negativo que modelo de regressão representa a relação inversa entre carga de energia e precipitação.

A Figura 8 ilustra a carga de energia elétrica realizada entre os meses de jan/04 a dez/06 e os valores previstos pelo modelo de regressão proposto.

Figura 8: Carga de energia elétrica realizada e prevista na região oeste

5 Região Centro

A região Centro é composta por 128 municípios, sendo que grande parte deles estão localizados no semi-árido baiano. A população em 2005 era de 3.260.910 habitantes, o que corresponde a 23,6% da população do Estado. [4]

O PIB total desta região representa 15,2% do PIB do estado. Destacam-se os municípios de Feira de Santana, Alagoinhas, Catu e Pojuca, que juntos respondem por 43% do PIB da região. No setor de serviços, o município de Feira de Santana é líder absoluto, concentrando mais de 25% do PIB da região. Alagoinhas, Santo Antônio de Jesus e Catu vêm respectivamente em seguida, mas sua produção total equivale à metade da obtida por Feira de Santana. [4]

No setor industrial destaca-se o município de Catu, devido à atuação da Petrobrás na atividade de extração de petróleo e gás natural. Feira de Santana está em segundo lugar e detêm em seu território o terceiro complexo industrial do Estado: o Centro Industrial do Subaé – CIS, com presença dos setores de metalurgia, metal-mecânica, borracha, química, alimentos, transporte, material plástico, bebidas e embalagem. Em terceiro lugar tem-se o município de Pojuca com a presença da Ferbasa – Ferro Ligas da Bahia S/A, que atua na área de mineração e produção de ferroligas de cromo. Em quarto, o município de Alagoinhas com a presença de duas grandes indústrias em seu território - a Schincariol (indústria de bebidas) e a Brespel (indústria de peles caprinos e bovinos), além da presença de unidades da Petrobrás.

Em termos de energia elétrica, a região centro ocupa o 3º lugar entre as regiões da Coelba, responsável por 14% do carga total. A classe residencial é a que apresenta a maior participação, sendo responsável por 35,5%. A classe industrial, responsável por 18,8%, é representada por algumas grandes empresas alimentícias, de bebidas, seguidas por empresas do ramo de papel e celulose, dentre outras. O setor comercial representa 14,1%, enquanto que a classe rural representa apenas 7,0%.

Quando se analisa o comportamento da carga de energia, verifica-se sua relação com a temperatura da região. Isto pode ser justificado pela expressiva presença das classes residencial e comercial, que possuem cargas mais sensíveis a variações na temperatura, da mesma forma como foi observado na região metropolitana.

Após a análise criteriosa das variáveis climáticas que influenciam a carga de energia da região centro, chegou-se ao seguinte modelo de regressão linear:

|ln[carga(t)centro] = 1,910 + 0,776( ln[tmax_S.Ant(t)] + 0,005( tend(t) |(7) |

onde:

ln[i] logaritmo natural da variável i

carga(t)centro carga de energia no mês t

tmax_S.Ant(t) média das temperaturas máximas registradas em Sto Antônio de Jesus no mês t

tend(t) valor da tendência linear no mês t

A Figura 9 ilustra a carga de energia registrada entre os meses de jan/04 a dez/06 e os valores previstos pelo modelo de regressão proposto.

Figura 9: Carga de energia elétrica realizada e prevista na região centro

6 Regiões Sul e Sudoeste

A região sul possui 74 municípios e 15,2% da população da Bahia. Já a região Sudoeste é composta por 70 municípios, sendo 65 na região do semi-árido baiano, e 11,9% da população da Bahia. A população das duas regiões reunidas representa aproximadamente 27% da população do estado. [4]

O PIB total destas duas regiões equivale a 18% do PIB estadual. A maior parcela é composta pelo setor de serviços, que representa cerca de 50% do total, seguido pelo setor agropecuário com cerca de 40%. [4]

Na região sudoeste a presença do “corredor rodoviário” da BR-116 favorece os setores de serviços e industrial dos municípios de Jequié, Vitória da Conquista, Itapetinga e Brumado. O município de Vitória da Conquista conta com 106 indústrias distribuídas entre os ramos da construção civil, alimentos, bebidas e de minerais não metálicos. No município de Brumado estão presentes algumas empresas de produção de cerâmica, além da Magnesita S/A que atua na área de calcinação e sinterização de magnésia e beneficiamento do talco. Já o município de Itapetinga conta basicamente com a presença da indústria de calçados Azaléia.

Na região sul um dos principais fatores que impulsionam o setor de serviços é a presença dos pólos turísticos próximos ao litoral, que utilizam a BR-101 como via de acesso. No setor industrial destacam-se os municípios de Ilhéus, com a presença do Complexo Eletroeletrônico e do Pólo de Informática, e de Itabuna, que conta com aproximadamente 72 indústrias em diversas atividades. Devido suas condições climáticas, pluviométricas e de solo, os municípios de Eunápolis e Mucuri destacam-se na produção de papel e celulose, posicionando a região Sul na quarta colocação do ranking nacional em 1999.

As regiões sul e sudoeste, agregadas, assumem a segunda posição na carga de energia da Coelba, sendo responsáveis por 21% do total. A classe residencial possui a maior participação, com 37,3% do total. A classe industrial também possui uma parcela importante, com 20,5%. A classe comercial vem em seguida, com 17,8%, enquanto que a classe rural, em última posição responde por apenas 8%.

A carga de energia verificada nesta região, de forma semelhante a região metropolitana, sofre influência da temperatura local, justificada pela presença maciça da classe residencial aliada a um setor comercial voltado essencialmente para a prestação de serviços.

O modelo de regressão linear que melhor se ajusta aos dados verificados nesta região é descrito na fórmula abaixo:

|ln[carga(t)s-se] = 3,986 + 0,339( ln[tmax_T.Frei(t)] + 0,171( ln[tmin_P.Seg(t)] |(8) |

|- 0,018( ln[prec_Itab(t)] + 0,005( tend(t) | |

onde:

ln[i] logaritmo natural da variável i

carga(t)s-se carga de energia no mês t

tmax_T.Frei(t) média das temperaturas máximas registradas em Texeira de Freitas no mês t

tMin_P.Seg(t) média das temperaturas máximas registradas em Porto Seguro no mês t

prec_ Itab(t) média das temperaturas máximas registradas em Itabuna no mês t

tend(t) valor da tendência linear no mês t

A Figura 10 ilustra a carga de energia registrada entre os meses de jan/04 a dez/06 e os valores previstos pelo modelo de regressão proposto.

Figura 10: Carga de energia elétrica realizada e prevista na região sul-sudoeste

Os gráficos ilustrados na Figura 10, juntamente com os valores do R2 e o MAPE, comprovam que o modelo foi bem ajustado e explica o comportamento da carga da região sul-sudoeste em relação às variáveis climáticas com boa precisão. As variáveis mais significativas para modelo foram a temperatura máxima de Texeira de Freitas e a temperatura mínima de Porto Seguro, cujas elasticidades são 0,339 e 0,171 respectivamente.

7 Região Norte

A região Norte está localizada no semi-árido baiano, sendo composta por 74 municípios, representando 13,8% da população do estado. [4]

O PIB total desta região não é significante, apenas 7% do PIB total do estado. Grande parte da produção industrial desta região encontra-se localizada próxima ao complexo hidrelétrico de Paulo Afonso e Sobradinho. A produção agrícola merece destaque, embora em menor escala que a região oeste, devido ao pólo agroindustrial de fruticultura irrigada localizado no município de Juazeiro. [4]

Em termos de energia elétrica, a região norte representa 10% da carga total da Coelba. A classe residencial tem participação predominante no consumo, com 32% do total, seguida pela classe rural, com 27%. As classes industrial e comercial apresentam as menores participações, 11% e 10% respectivamente. O restante da carga, responsável por 20% do total, é atribuída a classe outros.

Esta distribuição de carga é próxima ao observado na região oeste, com uma expressiva participação da classe rural. É de se esperar, portanto, que a precipitação apresente grande influência sobre o seu comportamento. Contudo, não é possível observar uma relação clara entre a precipitação e a carga, como ocorre na região oeste. Isto se deve ao reduzido número de consumidores rurais que utilizam processos de irrigação em suas culturas, quando comparado ao universo total de consumidores da região norte. Verificou-se ainda que a temperatura possui alguma influência sobre o consumo, embora isto não seja tão claro quanto na região metropolitana.

Ao final das análises, o modelo de regressão que melhor relacionou o consumo de energia com as variáveis climáticas da região norte é descrito abaixo.

|ln[carga(t)norte] = 0,557 + 1,110( ln[tmax_Barra(t)] + 0,166( ln[tmax_Juaz(t)] |(9) |

|- 0,008( ln[prec_S.Bonf(t)] + 0,003( tend(t) | |

onde:

ln[i] logaritmo natural da variável i

carga(t)norte carga de energia no mês t

tmax_Juaz(t) média das temperaturas máximas registradas em Juazeiro no mês t

tmax_Barra(t) média das temperaturas máximas registradas em Barra no mês t

prec_S.Bonf(t) precipitação acumulada registrada em Senhor do Bonfim no mês t

tend(t) valor da tendência linear no mês t

A Figura 11 ilustra a carga de energia realizada entre os meses de jan/04 a dez/06 e os valores previstos pelo modelo de regressão proposto.

Figura 11: Carga de energia elétrica realizada e prevista na região norte

8 Coelba

A partir dos valores estimados de consumo de energia elétrica de cada regional, foi calculado o consumo total previsto da Coelba. Observou-se que, a realizar a previsão de cada regional e agregar seus valores ao final, obtêm-se melhores resultados que na previsão do montante global. Agindo desta forma captura-se de forma mais precisa a influência das variáveis climáticas, já que cada regional possui uma dinâmica distinta no consumo de energia elétrica.

Desta forma, o modelo para a carga de energia elétrica total da Coelba é representado pela seguinte equação:

|carga(t)Coelba = carga(t)metrop + carga(t)oeste + carga(t)s-se + carga(t)centro + carga(t)norte |(10) |

O resultado obtido a partir da agregação destes modelos é ilustrado na Figura 12, para o período compreendido entre jan/04 e dez/06. A aderência verificada entre o consumo realizado e os valores previstos confirma a eficácia da estratégia adotada.

Figura 12: Comparação entre o consumo realizado e previsto da COELBA

Conclusões

Este artigo buscou analisar a influência que variáveis climáticas, como temperatura e precipitação, possuem sobre a carga de energia da Coelba.

A fim de melhorar a qualidade das análises, a área de concessão da Coelba foi dividida em seis regiões geoelétricas, que possuem diferenças sócio-econômicas e climáticas distintas. A partir das análises realizadas, foi possível observar como variáveis climáticas influenciam o comportamento da carga de energia nas seis regiões geoelétricas da Coelba.

Verificou-se, por exemplo, que regiões com perfil de carga predominantemente residencial ou comercial possuem uma maior relação com a variação de temperatura. Por outro lado, regiões com uma maior participação da classe rural, desde que utilizem irrigação em suas culturas, apresentam uma carga de energia fortemente influenciada pela precipitação acumulada mensal.

A partir da carga de energia e das variáveis climáticas observadas em cada região, no período de jan/04 a dez/06, foram formulados modelos de regressão linear específicos. As únicas exceções foram as regiões sul e sudoeste que foram agrupadas em um único modelo de regressão.

O impacto que cada variável climática possui sobre o consumo de cada regional pode ser mensurado por meio de suas elasticidades, calculadas através dos modelos de regressão linear propostos. A partir destas elasticidades é possível, por exemplo, estimar o aumento de carga na região metropolitana da Coelba devido a uma elevação na temperatura máxima de Salvador.

Os resultados obtidos neste trabalho serão úteis na análise da carga da Coelba, possibilitando identificar possíveis alterações de comportamento devido ao comportamento do clima na região.

REFERÊNCIAS BIBLIOGRÁFICAS

1] Somar Meteorologia. Histórico de Dados Meteorológicos do Estado da Bahia, disponível em: .br, 2006.

2] GUJARATI, Damodar N. Econometria Básica. Ed. Pearson Education do Brasil LTDA, 1999.

1] Superintendência de Estudos Econômicos e Sociais da Bahia. Anuário Estatístico da Bahia – 2000. Salvador, Bahia, 2001.

2] Superintendência de Estudos Econômicos e Sociais da Bahia. Estatísticas dos Municípios Baianos – 2004. Salvador, Bahia, 2005.

3] BARREIROS, Diogo D. Análise da elasticidade da carga residencial de energia elétrica da COELBA em relação às variações da temperatura. Trabalho Final de Curso, Universidade Salvador-UNIFACS, Salvador, Bahia, 2005.

4] Unidade de Previsão de Mercado – COELBA. Estudo do Mercado Regional da COELBA. Salvador, Bahia, novembro de 2006.

5] Comitê de Fomento Industrial de Camaçari, disponível em: .br. Bahia, junho de 2006.

6] Prefeitura Municipal de Jequié, disponível em: jequie..br. Jequié, Bahia, junho de 2006.

7] Federação das Indústrias do Estado da Bahia, disponível em: .br. Bahia, junho de 2006.

8] Secretaria de Agricultura. Irrigação e Reforma Agrária do Estado da Bahia. Disponível em: seagri..br. Bahia, junho de 2006.

9] Secretaria de Planejamento da Bahia. Bahia 2020, o futuro a gente faz. Plano Estratégico da Bahia. Salvador, Bahia, 2003.

10] Prefeitura Municipal de Feira de Santana. Disponível em: feiradesanatana..br. Feira de Santana, Bahia, junho de 2006.

11] CARVALHO, Regina, et al. Raio X da Bahia. Caderno Especial, A Tarde, Salvador, Bahia, 30 de junho de 2006.

-----------------------

[pic]

[pic]

[pic]

[pic]

................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download