Tese Leonardo Queiroz PDF

U NIVERSIDADE E STADUAL DE C AMPINAS
FACULDADE DE E NGENHARIA E LÉTRICA E DE C OMPUTAÇÃO
Leonardo Mendonça Oliveira de Queiroz
E STIMAÇÃO E A NÁLISE DAS P ERDAS T ÉCNICAS NA

D ISTRIBUIÇÃO DE E NERGIA E LÉTRICA
Campinas
2010
U NIVERSIDADE E STADUAL DE C AMPINAS
FACULDADE DE E NGENHARIA E LÉTRICA E DE C OMPUTAÇÃO
Leonardo Mendonça Oliveira de Queiroz
E STIMAÇÃO E A NÁLISE DAS P ERDAS T ÉCNICAS NA

D ISTRIBUIÇÃO DE E NERGIA E LÉTRICA
Tese de Doutorado apresentada à Faculdade de Engenharia Elé-

trica e de Computação como parte dos requisitos para obtenção
do título de Doutor em Engenharia Elétrica. Área de concentra-
ção: Automação.
Orientador: Christiano Lyra Filho

Co-orientador: Celso Cavellucci
Campinas
2010
iv
v
Resumo
Este trabalho estuda a estimação de perdas técnicas na distribuição de energia elétrica e apresenta
uma análise para a definição dos níveis adequados dessas perdas. Ambas as abordagens são focadas
na regulação. É apresentada uma metodologia de estimação das perdas técnicas de energia baseada
no valor médio e na variância dos pontos da curva de carga. Essa metodologia pode ser aplicada
alternativamente aos métodos baseados na perda de potência máxima, que inserem imprecisões des-
necessárias para a estimativa das perdas de energia. Foram desenvolvidos modelos de regressão para
a estimação das perdas técnicas em redes de distribuição de média e baixa tensão, objetivando utilizar
o mínimo de informações possíveis para uma precisão adequada. Uma metodologia de geração de
redes foi desenvolvida para o estudo desses modelos, de forma a disponibilizar redes com caracte-
rísticas semelhantes às redes reais. Também são propostos aprimoramentos na estimativa das perdas
em transformadores e ramais de ligação. Adicionalmente, é apresentada uma análise dos níveis ade-
quados de perdas técnicas na distribuição, utilizando-se técnicas de engenharia e benchmarking. As
propostas deste trabalho sugerem aprimoramentos na regulação das perdas técnicas, tornando o mé-
todo de estimação das perdas mais preciso e introduzindo a análise de eficiência das distribuidoras.
Palavras-chave: Distribuição da energia elétrica, estimação de perdas de energia, geração de
instâncias, modelos de regressão, perdas técnicas, regulação do setor elétrico.
Abstract
This work studies technical losses estimation in power distribution systems and analyses the adequacy
of the losses. Both approaches are carried in a regulatory perspective. It is presented a methodology
to estimate energy losses from the mean and the variance of the load curve points. This methodology
can be applied in substitution of methods based on maximum power losses, which inserts unneces-
sary inaccuracy to the procedure. Regression models were developed to estimate technical losses
in medium and low voltage distribution networks, aiming to require less information as possible to
meet an appropriate accuracy. A methodology of networks generation was developed to make avai-
lable networks with characteristics similar to the ones presented by real networks. Improvements in
transformers and service conductors losses estimation were also proposed. Engineering and bench-
marking techniques were applied to analyze technical losses adequacy. The proposals presented in
this work may improve technical losses regulation, making the estimation of losses more accurate and
introducing efficiency analysis of power distribution companies.
Keywords: Energy losses estimation, instancy generation, regression models, power systems
regulation, power distribution systems, technical losses.
vii
Aos meus pais e à minha esposa, que compreenderam minha ausência nestes três
últimos longos anos.
ix
Agradecimentos
A Deus.
Aos meus orientadores, Christiano e Celso, sou grato pela orientação, paciência e disponibilidade.
Aos colegas do Labore, especialmente ao companheiro de luta José.
Aos amigos Renato e Mireille, pela aconchegante estadia em sua casa.
Aos demais colegas de pós-graduação, pelas críticas e sugestões.
Aos líderes da SRD-ANEEL Carlos Mattar, Paulo Henrique e Jaconias, que deram apoio ao desen-
volvimento da tese.
Aos colegas da SRD-ANEEL, que sempre contribuem com discussões construtivas, e tornam o am-
biente de trabalho tão estimulante.
À ANEEL, por ter proporcionado o mais importante para a execução deste trabalho: a inspiração.
Ao CNPq, pelo apoio financeiro nos primeiros anos do trabalho.
xi
Sumário
Lista de Figuras xvii
Lista de Tabelas xxi
Glossário xxiii
Apresentação 1
I Introdução e Conceitos 5
1 Sistemas de Potência 7
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Sistemas Elétricos de Potência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Perdas nos Sistemas Elétricos de Potência . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Métodos para Redução das Perdas na Distribuição . . . . . . . . . . . . . . . . . . . 12
1.5 Regulação das Perdas na Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Cálculo de Perdas em Sistemas Elétricos de Potência . . . . . . . . . . . . . . . . . 16
1.6.1 O Surgimento do Fator de Perdas . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Cálculo das Perdas por Fluxo de Carga . . . . . . . . . . . . . . . . . . . . 21
1.6.3 Métodos Aproximados para a Estimação das Perdas . . . . . . . . . . . . . 22
2 Conceitos e Metodologias 31
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Análise Multivariada de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Dados Discrepantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Seleção de Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Classificação dos Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.5 A Escolha do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Análise de Regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 Regressão Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Regressão Linear Robusta . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.3 Regressão Não Linear Paramétrica . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.4 Redes Neurais Multi-layer Perceptron (MLP) . . . . . . . . . . . . . . . . . 39
xiii
xiv SUMÁRIO
2.3.5 Análise do Desempenho dos Modelos de Regressão . . . . . . . . . . . . . . 43

2.4 Clusterização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.1 Representação dos Padrões . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.2 Medidas de Similaridade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.3 Métodos de Clusterização . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.4 Apresentação dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II Estimação de Perdas de Energia 51

3 Estimação de Perdas de Energia nos Sistemas de Distribuição 53
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Cálculo de Perdas de Energia com o Fator de Perdas . . . . . . . . . . . . . . . . . . 54
3.2.1 Medição de Demanda e suas Conseqüências . . . . . . . . . . . . . . . . . . 54
3.2.2 A Variável Aleatória Demanda Máxima . . . . . . . . . . . . . . . . . . . . 55
3.2.3 O Fator de Carga como Medida de Variabilidade . . . . . . . . . . . . . . . 56
3.2.4 A Relação entre o Fator de Perdas e o Fator de Carga . . . . . . . . . . . . . 59
3.3 Cálculo de Perdas de Energia pelo Coeficiente de Perdas . . . . . . . . . . . . . . . 59
3.4 Formulação do Problema de Estimação das Perdas de Energia . . . . . . . . . . . . 63
3.5 Caracterização das Curvas de Carga . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.6 Aplicação dos Conceitos Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4 Geração de Redes de Média e Baixa Tensão 73

4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Geração de Instâncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3 Aspectos Comuns aos Geradores de Redes . . . . . . . . . . . . . . . . . . . . . . . 75
4.4 Geração de Redes de Média Tensão . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4.1 Planejamento das Redes de Média Tensão . . . . . . . . . . . . . . . . . . . 76
4.4.2 Gerador de Redes de Média Tensão . . . . . . . . . . . . . . . . . . . . . . 78
4.4.3 Parâmetros Disponibilizados pelo Gerador de Redes de Média Tensão . . . . 82
4.5 Geração de Redes de Baixa Tensão . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.1 Planejamento de Redes de Baixa Tensão . . . . . . . . . . . . . . . . . . . . 86
4.5.2 Gerador de Redes de Baixa Tensão . . . . . . . . . . . . . . . . . . . . . . 86
4.5.3 Parâmetros Fornecidos pelo Gerador de Redes de Baixa Tensão . . . . . . . 93
5 Estimação de Perdas em Redes de Média Tensão 95

5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2 Modelos Baseados em Fluxo de Carga . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.1 Fluxo de Carga Probabilístico . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.2.2 Fluxo de Corrente Média e Variância . . . . . . . . . . . . . . . . . . . . . 96
5.3 Modelos Empíricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.3.1 Análise das Redes de Média Tensão . . . . . . . . . . . . . . . . . . . . . . 99
5.3.2 Modelos de Regressão para Estimação de Perdas em Redes MT . . . . . . . 105
5.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
SUMÁRIO xv
6 Estimação de Perdas em Redes de Baixa Tensão 111

6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.2 Análise das Redes de Baixa Tensão . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.2.1 Seleção das Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.2.2 Representatividade das Variáveis . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2.3 Análise de Dados Discrepantes . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2.4 Transformações das Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.2.5 Conjuntos de Variáveis Independentes . . . . . . . . . . . . . . . . . . . . . 115
6.3 Modelos de Regressão para Estimação de Perdas em Redes BT . . . . . . . . . . . . 116
6.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7 Estimativa de Perdas nos Transformadores e Ramais de Ligação 119

7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7.2 Estimativa de Perdas em Transformadores . . . . . . . . . . . . . . . . . . . . . . . 119
7.2.1 Equação das Perdas no Cobre . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.2.2 Perdas Padrão para Ferro e Cobre . . . . . . . . . . . . . . . . . . . . . . . 120
7.3 Estimativa de Perdas de Energia nos Ramais de Ligação . . . . . . . . . . . . . . . . 122
III Análise dos Níveis de Perdas Técnicas e Conclusão 123

8 Determinação de Valores Adequados para as Perdas Técnicas de Energia 125
8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.2 Leis Teóricas das Quantidades de Obras . . . . . . . . . . . . . . . . . . . . . . . . 126
8.3 Modelo de Regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
8.4 Modelos de Benchmarking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.4.1 Ranking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.4.2 Clusterização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.5 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9 Conclusão e Trabalhos Futuros 137

9.1 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
9.2 Pontos para Estudos Adicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Referências Bibliográficas 140
A Análise Gráfica dos Modelos de Regressão dos capítulos 5 e 6 147

Lista de Figuras
1.1 Consumo final energético por fonte (fonte: EPE). . . . . . . . . . . . . . . . . . . . 8

1.2 Ilustração dos sistemas elétricos de potência. . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Mapa do Sistema Interligado Nacional – SIN (fonte: ONS). . . . . . . . . . . . . . . 9
1.4 Mapa das concessões de distribuição de energia elétrica no Brasil (fonte: ANEEL). . 10
1.5 Estrutura do setor elétrico brasileiro (fonte: ANEEL). . . . . . . . . . . . . . . . . . 11
1.6 Perdas de energia no sistema elétrico do Brasil (fonte: ANEEL). . . . . . . . . . . . 12
1.7 Perdas de energia no segmento de distribuição (fonte: ANEEL). . . . . . . . . . . . 13
1.8 Diferentes definições para as perdas de energia em países da Europa (fonte: ERGEG). 15
1.9 Relação entre o fator de carga e o fator de perdas. . . . . . . . . . . . . . . . . . . . 20
1.10 Ilustração da metodologia de cálculo de perdas da ANEEL. . . . . . . . . . . . . . . 26
1.11 Tipologias pré-definidas para as redes BT. . . . . . . . . . . . . . . . . . . . . . . . 28
1.12 Trecho elementar das redes BT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1 Ilustração dos métodos de seleção de variáveis. . . . . . . . . . . . . . . . . . . . . 34

2.2 Representação do neurônio em uma RNA. . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Exemplo de arquitetura de uma RNA. . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4 Desempenho esperado (a) e sobre-ajustado (b) de RNAs (baseado em: Haykin 1999). 42
2.5 Exemplo de um dendrograma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.6 Gráfico de dispersão com os dados que originaram o dendrograma da Figura 2.5. . . 49
3.1 Curva de carga de 96 pontos e duas possíveis integralizações para 24 pontos. . . . . . 55

3.2 Histograma da demanda máxima. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3 Duas curvas de carga com o mesmo fator de carga e diferentes CVs. . . . . . . . . . 58
3.4 Uma curva de carga periódica com um pico de demanda. . . . . . . . . . . . . . . . 58
3.5 Circuito simples. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Decomposição da corrente em duas componentes. . . . . . . . . . . . . . . . . . . . 61
3.7 Fator de carga versus fator de perdas para o segmento de baixa tensão. . . . . . . . . 66
3.8 Variação do fator de carga com a integralização das curvas de 96 para 24 pontos. . . 66
3.9 Variação do CV com a integralização das curvas de 96 para 24 pontos. . . . . . . . . 67
3.10 Distribuição do coeficiente de perdas. . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.11 Distribuição das perdas (MWh). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.12 Curvas clássicas para escolha econômica de condutores (fonte: Willis 2004). . . . . . 69
3.13 Curva de condutor econômico para o CV constante. . . . . . . . . . . . . . . . . . . 70
3.14 Curva de condutor econômico para a energia constante. . . . . . . . . . . . . . . . . 70
xvii
xviii LISTA DE FIGURAS
3.15 Diagrama de cabos econômicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1 Ilustração do funcionamento dos geradores e seus módulos. . . . . . . . . . . . . . . 75

4.2 Modelagem das redes de acordo com os formatos retangular e triangular. . . . . . . . 77
4.3 Exemplo de divisão da área em nove subáreas. . . . . . . . . . . . . . . . . . . . . . 79
4.4 Exemplo de pontos gerados nas subáreas. . . . . . . . . . . . . . . . . . . . . . . . 79
4.5 Resultado da aplicação do algoritmo de Kruskal com aleatoriedade nos pesos. . . . . 80
4.6 Rede gerada de acordo com o exemplo apresentado nas figuras 4.3 e 4.4. . . . . . . . 82
4.7 Ilustração da diferença do ângulo de duas redes semelhantes. . . . . . . . . . . . . . 84
4.8 Exemplo da aplicação da regra que define os trechos tronco e ramal. . . . . . . . . . 85
4.9 Detalhe da Figura 4.8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.10 Exemplo do formato das quadras e postes das redes BT. . . . . . . . . . . . . . . . . 88
4.11 Sub-áreas definidoras das densidades de carga. . . . . . . . . . . . . . . . . . . . . . 89
4.12 Hierarquia dos sub-problemas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.13 Exemplo de redes BT obtidas pelo gerador. . . . . . . . . . . . . . . . . . . . . . . 93
4.14 Redes da Figura 4.13 sem a ilustração das quadras. . . . . . . . . . . . . . . . . . . 93
5.1 Fluxograma ilustrando o fluxo de carga probabilístico. . . . . . . . . . . . . . . . . 97

5.2 Proposta de segregação do fluxo de carga convenvional. . . . . . . . . . . . . . . . . 98
5.3 Histograma da variável Comprimento Total para as redes MT. . . . . . . . . . . . . 103
5.4 Histograma da variável Potência Máxima para as redes MT. . . . . . . . . . . . . . . 103
5.5 Arquitetura dos modelos de regressão. . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.6 Histograma da perda obtido pelo fluxo de carga probabilístico (em kWh/a). . . . . . 109
6.1 Histograma da variável Comprimento Total para as redes BT. . . . . . . . . . . . . . 114

6.2 Histograma da variável Potência Máxima para as redes BT. . . . . . . . . . . . . . . 115
7.1 Vida útil e acréscimo das perdas ferro e cobre (fonte: Leonardo Energy). . . . . . . . 121
8.1 Curva de ajuste das perdas técnicas para a densidade de energia. . . . . . . . . . . . 128
8.2 Histograma dos resíduos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.3 Histograma dos erros percentuais. . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.4 Gráfico de dispersão da energia injetada e área, com a marcação das perdas. . . . . . 130
8.5 Gráfico ilustrando o ranking apresentado na Tabela 8.4.1. . . . . . . . . . . . . . . . 132
8.6 Dendrograma obtido pela clusterização pelo método de Ward. . . . . . . . . . . . . 133
8.7 Gráfico de dispersão da energia injetada e área, com a numeração das distribuidoras. 133
9.1 Ilustração do processo de regulação das perdas técnicas. . . . . . . . . . . . . . . . . 139
A.1 Dispersão dos resíduos MT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

A.2 Histograma dos resíduos MT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
LISTA DE FIGURAS xix

A.9 Dispersão dos resíduos MT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.10 Histograma dos resíduos MT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.11 Dispersão dos resíduos MT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.12 Histograma dos resíduos MT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.13 Dispersão dos resíduos MT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . . 150
A.14 Histograma dos resíduos MT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . 150
A.15 Dispersão dos erros (%) MT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
A.19 Dispersão dos erros (%) MT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . . 151
A.20 Dispersão dos erros (%) MT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . . 151
A.21 Dispersão dos erros (%) MT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 151
A.22 Dispersão dos resíduos BT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
A.23 Histograma dos resíduos BT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
A.30 Dispersão dos resíduos BT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.31 Histograma dos resíduos BT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.32 Dispersão dos resíduos BT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.33 Histograma dos resíduos BT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.34 Dispersão dos resíduos BT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.35 Histograma dos resíduos BT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.36 Dispersão dos erros (%) BT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.40 Dispersão dos erros (%) BT – linear. . . . . . . . . . . . . . . . . . . . . . . . . . . 155
A.41 Dispersão dos erros (%) BT – robusta. . . . . . . . . . . . . . . . . . . . . . . . . . 155
A.42 Dispersão dos erros (%) BT – RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Lista de Tabelas
1.1 Perdas de energia em alguns países e regiões (fonte: KEMA e ERGEG). . . . . . . . 12
3.1 Estatísticas da curva de carga apresentada na Figura 3.4. . . . . . . . . . . . . . . . 59

3.2 Banco de dados de curva de cargas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3 Estatísticas de alguns parâmetros das curvas de carga. . . . . . . . . . . . . . . . . . 65
3.4 Percentual das perdas devido à componente σ 2 . . . . . . . . . . . . . . . . . . . . . 67
4.1 Regras para definição das tipologias das redes BT. . . . . . . . . . . . . . . . . . . . 94
5.1 Correlações das variáveis independentes com a perda de energia. . . . . . . . . . . . 100

5.2 Ranking das correlações das variáveis independentes com a perda de energia. . . . . 101
5.3 Médias dos parâmetros das redes MT de algumas distribuidoras e das redes geradas. . 102
5.4 Correlações das variáveis independentes transformadas com a perda de energia. . . . 104
5.5 Resultados dos modelos de regressão. . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.6 Erros percentuais dos modelos de regressão para determinadas redes. . . . . . . . . . 108
6.1 Correlações das variáveis independentes com a perda de energia. . . . . . . . . . . . 112

6.2 Ranking das correlações das variáveis independentes com a perda de energia. . . . . 113
6.3 Médias dos parâmetros das redes BT de algumas distribuidoras e das redes geradas. . 114
6.4 Correlações das variáveis independentes transformadas com a perda de energia. . . . 115
6.5 Resultados dos modelos de regressão. . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.1 Ranking de densidade das distribuidoras analisadas. . . . . . . . . . . . . . . . . . . 131
xxi
Glossário
ABINEE — Associação Brasileira da Indústria Elétrica e Eletrônica

ABNT — Associação Brasileira de Normas Técnicas
ANEEL — Agência Nacional de Energia Elétrica
AT — Alta Tensão
BT — Baixa Tensão
CODI — Comitê de Distribuição
CP — Coeficiente de Perdas
CV — Coeficiente de Variação
EPE — Empresa de Pesquisa Energética
fc — Fator de Carga
fp — Fator de Perdas
IBGE — Instituto Brasileiro de Geografia e Estatística
IEL — Instituto Euvaldo Lodi
MLP — Multi Layer Perceptron
MSE — Erro Quadrático Médio (Mean Squared Error)
MT — Média Tensão
ONS — Operador Nacional do Sistema
RNA — Rede Neural Artificial
SIN — Sistema Interligado Nacional
SOM — Self Organizing Maps
xxiii
Apresentação
As perdas elétricas podem ser divididas de acordo com sua origem em perdas técnicas e perdas
não técnicas. As primeiras ocorrem devido ao processo físico de transporte da energia, enquanto que
as perdas não técnicas são relacionadas ao processo de comercialização (erros de medição, fraudes e,
principalmente, furto da energia elétrica).
As perdas técnicas são intrínsecas aos sistemas de distribuição. Devem, assim como outras variá-
veis envolvidas, ser consideradas para a obtenção do custo mínimo global dos sistemas elétricos de
potência. Em muitas situações não é possível a determinação exata dessas perdas. Discute-se, nessas
situações, a estimação das perdas técnicas com graus relativos de precisão. A precisão depende tanto
da modelagem do problema, onde são encontrados métodos com diferentes graus de detalhamento,
quanto das informações utilizadas.
A distribuição da energia elétrica é objeto de concessão de serviço público, sendo um dos preceitos
deste o serviço adequado. As distribuidoras de energia elétrica devem procurar em seus estudos de
planejamento a especificação eficiente para seus sistemas, o que levará necessariamente aos níveis
adequados para as perdas técnicas.
A Agência Nacional de Energia Elétrica (ANEEL) possui a responsabilidade de regular a distri-

buição da energia elétrica, devendo criar mecanismos para mensurar a eficiência das distribuidoras,
muitas vezes associando penalidades e incentivos para atingir este objetivo. Com relação às perdas
técnicas, a ANEEL deve avaliar se os níveis verificados nas distribuidoras são adequados. Para tanto,
é necessário conhecer os níveis de perdas técnicas das distribuidoras e desenvolver mecanismos de
avaliação dos mesmos.
Este trabalho tem como objetivo apresentar uma metodologia de estimação e análise das perdas
técnicas na distribuição de energia elétrica, com a perspectiva do órgão regulador. O trabalho é
dividido em três partes: Introdução e Conceitos, Estimação de Perdas Técnicas e Análise dos Níveis
de Perdas Técnicas e Conclusões.
A primeira parte inicia com um capítulo de introdução (Capítulo 1), apresentando uma visão geral
dos sistemas de potência, principalmente da distribuição, além de contextualizar os diversos aspectos
relacionados com as perdas técnicas. Apresenta também uma discussão sobre a regulação e uma
1
2 Apresentação
revisão bibliográfica.
O Capítulo 2 apresenta os conceitos e as metodologias aplicadas nos estudos deste trabalho, ob-
jetivando apresentar a base para o entendimento dos capítulos seguintes. Após a seção introdutória,
o capítulo possui três seções, organizadas de acordo com as aplicações no trabalho: análise de dados,
regressão e clusterização.
A segunda parte estuda a estimação das perdas técnicas nas redes de distribuição. O Capítulo 3
apresenta uma metodologia para estimação de perdas técnicas de energia através de duas variáveis
associadas à curva de carga: o valor médio e a variância dos pontos da curva. Essa metodologia
apresenta uma melhor precisão quando comparada com o procedimento usualmente aplicado na esti-
mação das perdas técnicas, baseado no valor máximo da curva de carga. Apresenta ainda uma análise
dos parâmetros de curvas de carga e um estudo de caso ilustrando a aplicação da metodologia no
planejamento de redes.
O Capítulo 4 apresenta a metodologia desenvolvida para a geração de redes de média e baixa

tensão. O desenvolvimento dessa metodologia foi necessário para a obtenção de redes típicas para
os estudos relacionados à estimação de perdas técnicas em redes de média e baixa tensão. Foram
utilizados conceitos de planejamento que permitem aos geradores a concepção de redes semelhantes
às redes reais, requisito essencial para a utilização dessas redes em estudos estatísticos.
A estimação das perdas técnicas em redes de média e baixa tensão é estudada nos capítulos 5 e 6,
respectivamente. O objetivo é desenvolver modelos que utilizem o mínimo de informações possíveis,
buscando atingir uma precisão considerada adequada. Os métodos propostos nesses capítulos também
podem ser aplicados por distribuidoras que não possuem informações completas sobre suas redes –
condição que impede o uso de técnicas mais precisas, como o fluxo de carga.
O último capítulo da segunda parte (Capítulo 7) apresenta propostas para a estimativa das perdas
nos transformadores e nos ramais de ligação. As propostas do capítulo estão baseadas nas metodolo-
gias apresentadas no Capítulo 3.
O desenvolvimento de modelos para aplicação em regulação deve apresentar as características

relacionadas a seguir.
1. Ser aplicável a todas as empresas de distribuição do país, que possuem níveis muito variados
de informações sobre suas redes.
2. As informações requeridas devem ser mínimas e fiscalizáveis, com procedimentos simples e
bem estabelecidos para sua obtenção.
3. Os modelos devem ser facilmente compreensíveis pelos agentes e, preferencialmente, parcimo-
niosos, com vistas a possibilitar a transparência do regulador.
A terceira parte apresenta análises para a definição de valores adequados de perdas técnicas nas
Apresentação 3
distribuidoras, além das conclusões. No Capítulo 8 são utilizados conceitos teóricos de planejamento
de sistemas de distribuição e técnicas de benchmarking para determinar os valores adequados das
perdas técnicas nas distribuidoras. Nessas análises são utilizados dados de distribuidoras brasileiras.
O último capítulo apresenta as conclusões e algumas discussões sobre as propostas deste trabalho,
e propõe pontos para investigação adicional.
Parte I
Introdução e Conceitos
5
Capítulo 1
Sistemas de Potência
1.1 Introdução
Este capítulo apresenta aspectos gerais sobre os diversos pontos relacionados às perdas técnicas
de energia elétrica. É um capítulo introdutório, com objetivo de contextualizar o trabalho em relação
ao tema “perdas técnicas de energia”.
Inicia-se com uma apresentação resumida dos sistemas elétricos de potência e da forma como
esse setor é estruturado no Brasil. Na seqüência, são apresentados valores para as perdas de energia
elétrica, ressaltando os altos valores encontrados no Brasil. Discute-se então a regulação das perdas na
distribuição de energia elétrica. Finaliza-se o capítulo com uma revisão da literatura sobre o assunto,
enfatizando os modelos do Comitê de Distribuição (CODI) e da ANEEL, utilizados em capítulos
posteriores.
1.2 Sistemas Elétricos de Potência
A eletricidade é responsável por grande parte da energia consumida no Brasil. De acordo com
EPE (2009), a eletricidade representa cerca de 17% do consumo energético final do país, ficando atrás
apenas do óleo diesel, conforme ilustra a Figura 1.1.
A cadeia produtiva dos sistemas elétricos de potência é normalmente representada pela divisão
clássica de geração, transmissão e distribuição da energia elétrica. A Figura 1.2 ilustra essa divisão.
A divisão clássica dos sistemas elétricos de potência é baseada na cadeia produção-transporte-

consumo. A geração de energia elétrica é a responsável por produzir a energia requisitada pelos
7
8 Sistemas de Potência
Figura 1.1: Consumo final energético por fonte (fonte: EPE).
Figura 1.2: Ilustração dos sistemas elétricos de potência.
consumidores. O transporte pode ser dividido em transmissão, responsável pelo transporte de gran-
des blocos de energia elétrica (transporte no atacado), e distribuição, responsável pelo transporte de
montantes menores da energia elétrica (transporte no varejo).
1.2 Sistemas Elétricos de Potência 9
Em novembro de 2009, o Brasil possuía aproximadamente 2120 usinas geradoras em operação,

correspondendo à capacidade instalada de 105.523 MW. Do total dessas usinas, 162 são hidrelétricas,
1268 térmicas, 352 Pequenas Centrais Hidrelétricas (PCHs), duas nucleares, 300 Centrais Geradoras
Hidrelétricas (CGHs – usinas com potência instalada igual ou inferior a 1MW), 35 usinas eólicas e
uma solar. Este segmento conta com mais de 1052 agentes regulados entre concessionários de serviço
público de geração, comercializadores, autoprodutores e produtores independentes (ANEEL 2009).
O segmento de transmissão no Brasil é composto por mais de 90 mil quilômetros de linhas,

operado por 64 concessionárias. A grande extensão da rede de transmissão no Brasil é explicada pela
configuração do segmento de geração, constituído, na maior parte, de usinas hidrelétricas instaladas
em locais distantes dos centros consumidores. A principal característica desse segmento é a sua
divisão em dois grandes blocos: o Sistema Interligado Nacional (SIN), que abrange a quase totalidade
do território brasileiro, e os Sistemas Isolados, instalados principalmente na região Norte. A Figura
1.3 mostra o mapa do SIN.
Figura 1.3: Mapa do Sistema Interligado Nacional – SIN (fonte: ONS).
O mercado de distribuição de energia elétrica é formado por 63 concessionárias e 26 permis-

sionárias (outorga dada às cooperativas de eletrificação rural para prestação do serviço público de
distribuição). As distribuidoras (concessionárias e permissionárias) são responsáveis pelo acesso de
mais de 64 milhões de unidades consumidoras, além do acesso a pequenos e médios geradores. A

Figura 1.4 ilustra as divisões das áreas de atendimento das concessionárias brasileiras.
Figura 1.4: Mapa das concessões de distribuição de energia elétrica no Brasil (fonte: ANEEL).
Devido às diferentes características econômicas envolvidas na cadeia produtiva, implantou-se no

Brasil uma divisão de quatro agentes que atuam neste mercado: geradores, transmissores, distribuido-
res e comercializadores. Cada um desses agentes possui atribuições distintas, atuando com atividades
mais ou menos reguladas. A principal diferença entre os agentes reside na característica de monopó-
lio natural encontrada na transmissão e na distribuição da energia elétrica, o que exige uma regulação
mais forte.
A Figura 1.5 ilustra a estrutura institucional do setor elétrico brasileiro, com os quatro agentes
de mercado já citados (geradores – G, transmissores – T, distribuidores – D e comercializadores – C,
respectivamente), além das demais entidades envolvidas.
1.3 Perdas nos Sistemas Elétricos de Potência 11
Figura 1.5: Estrutura do setor elétrico brasileiro (fonte: ANEEL).
1.3 Perdas nos Sistemas Elétricos de Potência
Assim como outras cadeias produtivas, os sistemas elétricos de potência possuem perdas em cada
uma de suas etapas. As perdas no transporte da energia elétrica são usualmente classificadas de
acordo com a origem. As perdas devido ao processo físico do transporte (condução e transformação)
da energia elétrica são classificadas como perdas técnicas, enquanto que as demais perdas, como
problemas na medição, erros em medições por estimativa, fraudes e furtos de energia elétrica, são
classificadas como perdas não técnicas.
A Tabela 1.1 mostra os valores de perdas percentuais para diversos países no ano de 2002 (KEMA
2009b) e 2007 (ERGEG 2008). O percentual de perdas é referente à energia injetada, e as perdas
consideram as redes de transmissão e distribuição.
Percebe-se que países mais pobres apresentam perdas superiores às dos países desenvolvidos. A
densidade de carga é o fator preponderante para a definição dos percentuais de perda; entretanto, há
outras questões importantes a serem consideradas, como, por exemplo, as perdas não técnicas.
A Figura 1.6 mostra a divisão percentual das perdas no Brasil. O referencial é a energia injetada.
As perdas na transmissão referem-se exclusivamente às instalações de transmissão do SIN com tensão
maior ou igual a 230 kV. As perdas das instalações de transmissão do sistema isolado estão alocadas
na distribuição. A Figura 1.7 mostra a divisão percentual das perdas para algumas distribuidoras,
com relação à energia injetada, ordenadas pelas perdas técnicas. As perdas da transmissão se referem
Tabela 1.1: Perdas de energia em alguns países e regiões (fonte: KEMA e ERGEG).
País Perda % País Perda % País Perda %
Suécia 4,4 China 7 Rússia 11
EUA 6,0 Portugal 7,5 Austrália 11
Reino Unido 6,0 México e Canadá 8 África 11
Finlândia 6,3 Espanha 8,3 Brasil 19
Noruega 6,6 Grécia 9,2 Índia 25
Comunidade Européia 7 Hungria 10,6 - -
à julho de 2009, e as das distribuidoras se referem à data da revisão tarifária periódica das mesmas
(entre 2006 e 2008).
Figura 1.6: Perdas de energia no sistema elétrico do Brasil (fonte: ANEEL).
Nota-se na Figura 1.6 o alto valor das perdas de energia no SIN, que são, a princípio, apenas perdas
técnicas. Com relação às perdas na distribuição, nota-se a equivalência das perdas não técnicas com
as perdas técnicas, sendo que na Figura 1.7 percebe-se a grande variação das perdas não técnicas entre
as distribuidoras.
1.4 Métodos para Redução das Perdas na Distribuição
O planejamento das distribuidoras deve acompanhar o desempenho do sistema, avaliando a ne-

cessidade de intervenções para melhoria do mesmo. Do ponto de vista das perdas técnicas, deve-se
permanentemente avaliar se seus níveis são eficientes, sempre de acordo com o critério do mínimo
custo global.
1.4 Métodos para Redução das Perdas na Distribuição 13
Figura 1.7: Perdas de energia no segmento de distribuição (fonte: ANEEL).
Existem diversos métodos para redução das perdas técnicas, aplicáveis de acordo com o diagnós-
tico das perdas do sistema. Podem ser citados, por exemplo:
• reconfiguração;
• diminuição do fluxo de reativos; e
• gestão do carregamento de transformadores.
A reconfiguração das redes de distribuição é aplicável em redes que operam de forma radial,
com possibilidade de chaveamentos para alteração da configuração de operação. Essa característica é
encontrada nas redes MT, principalmente em regiões com maior densidade de carga.
O problema de redução de perdas através da reconfiguração de redes MT foi primeiramente abor-

dado por Merlin e Back (1975), e vem sendo bastante estudado desde então. Porém, a maioria dos
trabalhos considera as demandas fixas, efetuando a avaliação da redução das perdas para as perdas
de potência máxima. Bueno et al. (2004) analisaram as diferentes formulações possíveis para o pro-
blema e propuseram uma nova formulação que procura encontrar uma configuração única (fixa) para
operação ao longo do período em estudo, mas considerando explicitamente no processo de otimiza-
ção a diversidade das variações de demandas. Essa formulação foi adotada em Queiroz e Lyra (2009),
onde o problema foi tratado por um algoritmo genético híbrido.
Pela natureza indutiva de algumas cargas e reatâncias das linhas, é comum a utilização de ca-
pacitores para a redução do fluxo indutivo e, conseqüentemente, redução das perdas. A utilização
de capacitores nos sistemas de distribuição envolve não apenas a sua localização, mas também a
definição da potência e forma de atuação (fixos ou chaveados).
Apesar do problema de alocação de capacitores em redes de distribuição ser estudado desde a

década de 50, muitos estudos ainda contribuem com maiores detalhamentos na abordagem do pro-
blema, além do desenvolvimento de métodos mais eficientes. O problema de controle do estado dos
capacitores, procurando definir as melhores estratégias de chaveamentos de capacitores para situa-
ções de variações de carga, é bem mais recente do que o problema de localização e dimensionamento
(González 2003).
Uma considerável parcela das perdas técnicas dos sistemas de distribuição é devida aos transfor-
madores de distribuição. Inicialmente, pode-se pensar em atribuir essas perdas à ineficiência desses
equipamentos. Conforme será discutido no Capítulo 7, isso é de fato uma questão a ser considerada,
já havendo iniciativas para incentivar a fabricação de transformadores de distribuição mais eficientes
no Brasil.
Entretanto, há outro fator que contribui para o alto índice de perdas neste segmento: o incorreto
dimensionamento dos transformadores. Apesar das distribuidoras possuírem normas técnicas com
especificações para o projeto de transformadores, percebe-se que não há preocupação em várias dis-
tribuidoras com relação ao carregamento ideal dos transformadores, além de não realizarem a gestão
dos carregamentos dos mesmos durante sua vida útil.
Por fim, destaca-se que os métodos de redução de perdas citados nesta seção não são excluden-
tes. Pelo contrário, a solução “ótima” certamente envolverá a análise de várias opções. Por exemplo,
uma possível extensão do problema de reconfiguração envolve a identificação de possíveis pontos
de expansão das redes para interligação, possibilitando a transferência das cargas entre as redes, as-
sim como a análise da possibilidade de recondutoramento e/ou alocação de capacitores, aumentando
a capacidade de corrente de alguns trechos e ampliando as soluções factíveis para o problema de
reconfiguração.
1.5 Regulação das Perdas na Distribuição
As perdas não técnicas são predominantemente encontradas em países mais pobres. Os altos
níveis de perdas não são, portanto, um problema comum entre os países, o que torna o foco nas
perdas um problema secundário nos países desenvolvidos. Mesmo assim, percebe-se na Europa um
recente movimento para redução das perdas por parte dos reguladores.
Em 2008, o European Regulators’ Group for Electricity and Gas (ERGEG) estabeleceu uma con-
sulta pública sobre “Tratamento de perdas pelos operadores de redes” (ERGEG 2008, ERGEG 2009).
1.5 Regulação das Perdas na Distribuição 15
A consulta pública apresenta um texto para discussão, com um levantamento do tratamento dado pelos
países membros da Comunidade Européia às perdas de energia. Dentre as colocações do ERGEG, é
importante destacar que existem grandes variações no tratamento regulatório das perdas entre os seus
membros, havendo até diferentes definições do conceito de “perdas” para diferentes países, conforme
mostra a Figura 1.8. Na figura, as perdas não técnicas “escondidas” referem-se ao consumo próprio,
como sistemas de ventilação dos transformadores e energia para controle e operação do sistema.
Figura 1.8: Diferentes definições para as perdas de energia em países da Europa (fonte: ERGEG).
ERGEG (2008) argumenta sobre a discrepância na regulação das perdas entre os países. O docu-
mento apresenta regulamentos de alguns países da Europa, enfatizando a disparidade de tratamentos
na tarifa e mecanismos de incentivo para a redução das perdas.
Destaca-se que o ERGEG tem como um dos objetivos claros neste tema a redução das perdas,
que, no caso, são eminentemente perdas técnicas, e não a preocupação sobre a análise se os níveis são
eficientes. Esse objetivo atende uma diretriz política da Comunidade Européia, que tem procurado
reduzir suas emissões e aumentar a eficiência no suprimento de eletricidade. Infere-se que estão
partindo do pressuposto que os custos relacionados ao meio ambiente nunca foram tratados com
adequação, ou seja, existem custos associados à energia que, se valorados, certamente indicam uma
necessidade de redução das perdas. Ademais, uma das discussões entre os reguladores dos países
europeus têm sido o sub-investimento nas redes de distribuição, o que também leva a uma deterioração
das redes e, conseqüentemente, dos níveis de perdas técnicas (KEMA 2009a).
Entretanto, esta não é a realidade do Brasil. Na verdade, observam-se diferentes estratégias nas
empresas. Algumas distribuidoras apresentam sinais de falta de investimento em seus sistemas, e
outras apresentam investimentos crescentes e acima de sua média histórica. Essa análise envolve uma
série de variáveis, como a proximidade do fim das concessões e a retirada de recursos da distribuição
para aquisição de outros empreendimentos, muitas vezes também no setor elétrico.
No Brasil, a ANEEL adota tratamento diferenciado para as perdas técnicas e não técnicas (ANEEL
2006). A regulação é recente, tendo início no segundo ciclo de revisão tarifária periódica das distri-
buidoras (2007). Essa regulação foi desenvolvida após a experiência da ANEEL com o primeiro ciclo
de revisão tarifária, quando foram apurados valores elevados de perdas totais de várias distribuidoras.
Como a divisão entre os valores de perdas técnicas e não técnicas era informada pelas mesmas, havia
a dificuldade de análise por parte da ANEEL.
Por esta razão, a ANEEL desenvolveu metodologia para cálculo das perdas de energia das dis-
tribuidoras. A vantagem inicial foi, sem dúvida, a melhor apuração dos valores de perdas frente aos
valores informados pelas distribuidoras. Outra vantagem é a possibilidade de apurar as perdas técni-
cas de todas as distribuidoras por uma mesma metodologia, já que existem vários métodos diferentes
para a apuração das perdas, e até mesmo casos de distribuidoras que sequer apuram suas perdas com
alguma metodologia matemática.
A metodologia de cálculo está regulamentada no Módulo 7 – Cálculo das Perdas na Distribuição

dos Procedimentos de Distribuição – PRODIST (ANEEL 2008). Esta metodologia será apresentada
detalhadamente na Seção 1.6. O cálculo das perdas realizado pela ANEEL tem como objetivo separar
as perdas técnicas das não técnicas, que possuem tratamento diferenciado (ANEEL 2006).
A regulação das perdas técnicas se resume à aplicação do cálculo de perdas na distribuição para o
período de aproximadamente um ano antes da revisão tarifária e à manutenção desses níveis de perdas
durante todo o ciclo de revisão. Já a regulação das perdas não técnicas procura definir trajetórias de
redução de perdas para as distribuidoras consideradas ineficientes. As distribuidoras são comparadas
de acordo com as características sócio-econômicas de sua área de concessão, definindo-se desta com-
paração um ranking. Aquelas que apresentem perdas não técnicas incoerentes com sua classificação
no ranking deverão, de acordo com alguns critérios, reduzir suas perdas (ANEEL 2006). Ressalta-se
que os limites de perdas reconhecidos na receita das distribuidoras são para as perdas totais, ou seja,
as distribuidoras podem reduzir suas perdas atuando nas perdas técnicas ou não técnicas.
1.6 Cálculo de Perdas em Sistemas Elétricos de Potência
Esta seção apresenta uma revisão sobre as perdas de energia em sistemas elétricos. Neste traba-
lho os modelos serão classificados como métodos de “cálculo” ou de “estimativa” de perdas técni-
cas, apesar de todos os modelos aqui apresentados serem de fato estimadores, com maior ou menor
grau de precisão. Define-se como método de “cálculo” das perdas os modelos de fluxo de carga
determinístico, cuja perda calculada será a variável a ser predita (variável dependente) nos modelos
aproximados. Os modelos aproximados serão classificados como métodos de estimativa das perdas
técnicas, pois realizam o “cálculo” das perdas da rede com base em alguns parâmetros e modelagens
simplificadas, ou utilizam a técnica de fluxo de carga com alguma aproximação da rede ou das cargas.
Normalmente, os métodos aproximados para estimar as perdas de energia utilizam apenas a de-
manda (potência ou corrente) máxima da rede, estimando assim as perdas de potência máxima. Após
esse procedimento, as perdas de energia são obtidas pela aplicação do fator de perdas, que pode ser
1.6 Cálculo de Perdas em Sistemas Elétricos de Potência 17
definido pela seguinte equação:

△P̄
fp = (1.1)
△Pmax
sendo f p o fator de perdas; △P̄ a perda média de potência; e △Pmax a perda para a potência máxima.
Uma vez obtida a perda máxima, pode-se obter a perda de energia ao longo de um determinado
período através da seguinte equação:
△E = △Pmax · f p · △T (1.2)
onde △E é a perda de energia no intervalo de tempo △T .
O Capítulo 3 apresentará as desvantagens de se realizar o cálculo de perdas de energia pelas

perdas de potência máxima, uma vez que o cálculo pode ser realizado diretamente pela demanda
média. Entretanto, esse é um procedimento bastante utilizado desde o início dos sistemas elétricos de
potência, e percebeu-se a necessidade de se discutir a sua origem e tentar entender por qual razão esse
procedimento ainda não foi substituído. Na busca das respostas a essas questões, será apresentada
uma revisão da literatura sobre o cálculo de perdas desde o início dos sistemas de potência, e algumas
hipóteses serão discutidas para ampliar o entendimento sobre o assunto.
A próxima subseção apresenta uma revisão do cálculo de perdas pelo fator de perdas, listando
os trabalhos desenvolvidos sobre o tema. A última subseção apresenta uma revisão dos métodos
aproximados de cálculo de perdas.
1.6.1 O Surgimento do Fator de Perdas
Os sistemas elétricos de potência são projetados e operados para atender o pico de carga dos con-
sumidores. Se as cargas fossem constantes, o sistema poderia ser projetado para a demanda (média)
– tal situação seria a mais econômica para o sistema. Infelizmente essa não é a realidade.
O faturamento da demanda máxima, principalmente no pico do sistema, é discutido desde os pri-

mórdios do estabelecimento das tarifas. Os primeiros esquemas de cobrança eram muito simples,
proporcionais à carga instalada. O primeiro uso comercial da energia elétrica foi destinado ao supri-
mento de lâmpadas a arco, e a conta era facilmente obtida de acordo com a proporção das lâmpadas
– a tarifação “por lâmpada”. Hoxie (1912) comenta sobre a cobrança da demanda de consumidores:
Existem inúmeros esquemas diferentes de tarifa baseados na noção de considerar apropriada-

mente o fator de carga do consumidor (...). É suficientemente óbvio para os engenheiros que as
tarifas devem considerar não apenas o fator de carga, mas a hora do dia da demanda máxima do
consumidor. (...) Parece totalmente possível que no futuro tais consumidores possam ter uma com-
binação de medidor de demanda máxima com duas tarifas diferenciadas pelo horário. Nós devemos
talvez esperar pelo inventor que fará isso praticável.
O desenvolvimento da medição foi rápido, e antes do final do século 19 o medidor AC de demanda

máxima e energia já estava em uso comercial. Então as tarifas para alguns consumidores foram
compostas do elemento de demanda máxima – a tarifa binômia de Hopkinson e seus melhoramentos
logo viraram padrão entre a distribuidoras naquela época (Eisenmenger 1921).
Contudo, no início do século passado, a tecnologia de medição não era capaz de gravar os dados
de demanda das curvas de carga – na verdade, essa informação podia apenas ser impressa em papel.
Como a demanda máxima e o consumo de energia já estavam disponíveis, os estudos eram realizados
majoritariamente para essas duas variáveis.
Com relação às perdas técnicas, talvez a primeira discussão teórica sobre o assunto tenha sido feita
em 1881, quando Lord Kelvin (William Thompson) expressou o princípio da condução econômica
de energia. Ele formulou a hoje conhecida como Lei de Kelvin de Transmissão de Potência, que
dispunha sobre a bitola ótima de condutores e sua relação com o custo das perdas (Reyneau e Seelye
1922).
Naquela época, os engenheiros estavam discutindo as possibilidades de uso da corrente alternada

e contínua, com a última sendo preferida em sistemas de distribuição (Duncan 1896). A corrente
alternada tinha a desvantagem de perdas constantes devido à grande quantidade de transformadores
pequenos, enquanto que a corrente contínua tornava possível a transmissão de potência constante
nas linhas (era comum o uso combinado com baterias nas subestações), o que diminuía as perdas.
Apenas por volta de 1920, com o desenvolvimento de transformadores mais eficientes, os sistemas
AC começaram a substituir os sistemas DC, e as redes de baixa tensão surgiram.
No início do século passado, com a falta de ferramentas computacionais e dados incompletos

sobre as cargas, as perdas de energia eram calculadas para cenários simples. Del Mar (1909), por
exemplo, apresentou um método para cálculo das perdas utilizando uma corrente invariável, multi-
plicando o resultado pela duração do período. Dependendo do propósito do cálculo, o autor sugere
outras definições de corrente.
Stone e Atkinson (1911) apresentaram uma análise do custo das perdas dos transformadores. Eles
calculavam as perdas considerando a variação das cargas pelo uso das chamadas “horas equivalen-
tes”, que eram definidas como a quantidade de horas que seria requerida para a demanda máxima
apresentar a mesma perda de energia do período. Os autores apresentaram um caso para ilustrar a
proposta, e usaram o valor de quatro horas para as horas equivalentes.
Fowle (1922) apresentou o conceito de fator de perdas como a razão das perdas em um ano
com relação ao valor das perdas se a linha apresentar a demanda máxima do ano por todas as horas
desse ano. Também em 1922, Reyneau e Seelye (1922) apresentaram equações para computar perdas
de energia. Eles argumentam sobre a conveniência em obter as perdas de energia dada a demanda
máxima da rede, uma vez que é para essa carga que o dimensionamento dos cabos e transformadores
deve ser determinado.
Reyneau e Seelye (1922) apresentaram ainda a proposta de relação entre o fator de perdas e o
fator de cargas:
É interessante achar qual a relação entre o fator de carga e as horas equivalentes, especialmente
quando uma das quantias está disponível em um problema e a outra é necessária para a solução em
mãos. Para o nosso propósito será particularmente útil fazer uma aproximação das horas equivalen-
tes se o fator de carga é conhecido.
Fica claro que o fator de carga era o parâmetro conhecido naquela época. Reyneau e Seelye (1922)
apresentam a relação entre o mesmo e as horas equivalentes, analisando três situações: i) a demanda
máxima acontece para um curto período, e o restante da curva é constante para o restante do dia; ii) a
demanda máxima é contínua para uma parte do dia, e no restante do dia a carga é nula; iii) um arranjo
intermediário. Da análise desses casos eles estabeleceram a seguinte regra:
Para um dado fator de carga, o valor correspondente das horas equivalentes será algo entre os
limites do fator de carga e (fator de carga)2 .
Buller e Woodrow (1928) discutem a relação entre o fator de carga e as horas equivalentes. Eles
usaram uma série de curvas de cargas representativas para obter os coeficientes da regra apresentada
antes por Reyneau e Seelye (1922), propondo que a relação pode ser da forma:
HE = 0.7 · (f c)2 + 0.3 · f c (1.3)
sendo HE as horas equivalentes e f c o fator de carga. Buller e Woodrow (1928) também afirmaram
que as “horas equivalentes percentuais” podem ser computadas como o valor médio do quadrado da
demanda sobre o quadrado da demanda máxima:
PN
i=1 Di2
HE = 2
(1.4)
N · Dmax
sendo N o número de perfis de carga; Di o valor da demanda para o perfil i; e Dmax a demanda
máxima. Eles são os primeiros a apresentar a definição de horas equivalentes percentuais.
Buller e Woodrow (1928) também apresentaram uma ilustração gráfica do fator de perdas pelo
fator de carga, reproduzida na Figura 1.9. Nessa figura, as curvas A, B e C representam, respectiva-
mente, as situações i), i) e iii) apresentadas por Reyneau e Seelye (1922).
Em 1959, Hoebel (1959) apresentou um trabalho de análise das perdas de energia. Nesse traba-
lho, ele comenta sobre a necessidade de se considerarem as perdas de energia nos custos do plane-
jamento, mesmo que em alguns casos sejam desprezíveis. Complementa ainda que não é necessária
uma grande precisão no cálculo das perdas de energia, e algumas hipóteses podem ser feitas, pois
“qualquer aproximação com algum sentido é melhor do que um chute”. Por fim, Hoebel afirma que
a grande maioria dos engenheiros prefere designar o valor da perda apenas para a perda de potência,
por essa fazer mais sentido economicamente.
O trabalho de Hoebel foi de grande impacto, a ponto de a equação que relaciona o fator de perdas
com o fator de carga ser conhecida como Equação de Hoebel. Hoebel adota o termo fator de perdas ao
Figura 1.9: Relação entre o fator de carga e o fator de perdas.
invés de horas equivalentes percentuais, e desde então esse termo tem sido utilizado. Entretanto, esse
termo já era adotado (e continua sendo) com outro sentido em análise de estrutura tarifária, causando
certa confusão. Ele define o fator de perdas como sendo a razão da perda média em um certo período
pela perda máxima que ocorreu no mesmo período. Apresenta ainda valores do fator de perdas para
alguns tipos de cargas.
Gustafson et al. (1988) apresentaram um estudo para a determinação do coeficiente k usado na

equação polinomial para o cálculo das horas equivalentes, sendo na Equação (1.3) o k igual à 0,3,
e (1 − k) equivale a 0,7. Também apresentam valores para o coeficiente da relação exponencial do
fator de perdas com o fator de cargas, do tipo (fator de carga)e . Após uma análise com uma base de
dados maior que todos os trabalhos anteriores, eles recomendam o uso de 0,08 para o k e 1,912 para o
expoente e. Eles se referem ao fator de perdas como “fator de perdas horas equivalentes”, justificando
que o termo fator de perdas gerava confusão com o termo originalmente proposto na análise de tarifas.
Em resumo, as contribuições de Hoebel permitem afirmar que não apenas seu trabalho, mas todos
os trabalhos anteriores, estavam propondo um passo adicional para a melhoria do levantamento dos
custos. Esse passo, o cálculo das perdas de energia, soava quase como um “capricho”, pois os va-
lores de energia eram relativamente pequenos em relação aos montantes envolvidos. Por esta razão,
acrescentada à indisponibilidade de maiores informações e ao uso difundido da demanda máxima e
do fator de carga, a proposta era calcular as perdas de energia por um procedimento simples, baseado
nesses dois parâmetros.
1.6.2 Cálculo das Perdas por Fluxo de Carga
O fluxo de carga é um método que visa simular uma rede real, de acordo com uma dada modela-
gem. Os métodos de simulação dos fluxos em redes começaram a ser estudados antes de 1900, desde
o início dos sistemas de potência. Uma das primeiras aplicações foram as miniaturas de redes desen-
volvidas por Thomas Edison. Esse tipo de computação era extremamente tedioso, sendo necessário,
na época, contratar empregados exclusivos para essa atividade (Tympas 2003). As redes miniatu-
ras, assim como as linhas artificiais, as tábuas de cálculo e os analisadores de rede, eram modelos
de laboratório que auxiliavam a simular as redes que seriam construídas. Essas eram as ferramentas
disponíveis para realizar qualquer análise em sistemas de potência.
O computador digital foi desenvolvido na década de 40, e modelos comerciais estavam disponí-
veis no final dessa década. As primeiras aplicações de fluxo de carga em computadores digitais são
encontradas após 1950. No início, todas as aplicações de sistemas de potência em computadores di-
gitais recomendavam seu uso com cautela, uma vez que existiam vários casos em que os analisadores
de rede eram mais vantajosos (Dunstan 1954, Ward e Hale 1956).
Dunstan (1954) apresentou um analisador de redes implementado digitalmente. Desde então,

muitos métodos para computar fluxos de carga em computadores digitais começaram a aparecer. No
artigo comemorativo Thirty Years of Power Industry Computer Applications (em português, Trinta
Anos de Aplicações do Computador na Indústria de Energia) (Stagg et al. 1994), Allen J. Wood
(autor de uma das seções) descreveu a revolução nos sistemas de potência com o uso do computador
digital, afirmando que as aplicações daquela época com os computadores IBM pareciam se encaixar
em um título genérico “O cálculo digital de _______”, onde o espaço em branco era preenchido com
a aplicação.
Uma revisão completa dos métodos de cálculo de fluxo de carga usando computador digital é
apresentada por Stott (1974). Naquela época, o computador digital já estava disseminado de tal
forma que vários artigos foram relacionados nesta revisão. Diferentes métodos de fluxo de carga
também já havia se consolidado, com várias soluções propostas. Adicionalmente, muitos métodos
com aplicações de fluxo de carga já estavam descritos, como o fluxo de carga ótimo e análise de
estabilidade.
Apesar da evolução das técnicas de cálculo de fluxo de carga, apenas em 1967 é encontrada a
primeira publicação descrevendo a aplicação específica para redes de distribuição. Berg et al. (1967)
propuseram um fluxo de carga trifásico para lidar com o desbalanceamento das cargas nos sistemas
de distribuição.
A partir dos anos 80, trabalhos com aplicações de fluxo de carga específicos para os sistemas de
distribuição começaram a aparecer com maior frequência. Eles podem ser divididos em dois métodos:
radiais (ou fracamente malhados) baseados nas Leis de Kirchoff e métodos baseados na teoria clássica
de fluxo de carga. Recomenda-se a leitura de Srinivas (2000) para uma revisão mais abrangente.
1.6.3 Métodos Aproximados para a Estimação das Perdas
Existem vários trabalhos com propostas de modelos para a estimação das perdas aplicados à
distribuição de energia elétrica. Neste trabalho será apresentada uma classificação desses modelos,
e uma descrição detalhada será apresentada apenas para os modelos desenvolvidos no Brasil (CODI
1996b, ANEEL 2008).
Vários trabalhos propuseram equações simplificadas para a estimação das perdas, quase que em
sua totalidade apenas para redes MT. Essas equações são derivadas da equação básica de cálculo de
perdas para um trecho de rede, a equação quadrática dependente da carga, e algumas considerações
são feitas com relação à distribuição da carga (Chang 1968, Schultz 1978, Gustafson e Baylor 1989,
Grainger e Kendrew 1989).
Alguns trabalhos desenvolveram modelos simplificados da rede para a aplicação de um método

de cálculo das perdas, como o fluxo de carga (Chen et al. 1994, Rao e Deekshit 2006). Dortolina
e Nadira (2005) propuseram um modelo híbrido, onde em uma primeira etapa classificam as redes
em famílias de redes semelhantes, para a aplicação do fluxo de carga em redes “representativas”.
Essas perdas foram empregadas para a formação de funções de perdas, utilizadas para a estimativa
das perdas nas redes de cada família.
Uma técnica de análise de fluxo de carga recomendada para situações em que há incerteza nos
dados é o fluxo de carga probabilístico (Borkowska 1974). Essa técnica tem tido crescente aplicação
em análises de sistemas de potência, principalmente devido ao avanço do poder de processamento dos
computadores. No fluxo de carga probabilístico convencional, a rede elétrica (topologia e resistências)
são estáticas, e às cargas são associadas distribuições de probabilidade. Desta forma, serão obtidas
distribuições de probabilidade também para o estado da rede (fluxos e tensões).
Uma forma simples de implementar o fluxo de carga probabilístico é utilizando a técnica de si-
mulação de Monte Carlo. Podem-se realizar execuções seqüenciais do algoritmo de fluxo de carga
convencional (determinístico) sorteando valores para as cargas, de acordo com a distribuição de pro-
babilidades das mesmas. O critério de convergência das simulações pode ser, por exemplo, uma
tolerância para alterações na média das tensões ou correntes (Aguero 2000).
Juricic (1971) apresentou um estudo teórico sobre as Leis das Quantidades de Obras em Redes
Elétricas. Utilizando uma série de considerações, o autor demonstra a relação das perdas de potência
com a densidade de carga. Posteriormente, CODI (1996b) realizou análises com dados de distribui-
doras brasileiras, comprovando as leis apresentadas por Juricic (1971). Recentemente, um estudo
similar foi realizado para regiões de uma distribuidora brasileira (Oliveira et al. 2006).
Chen et al. (2005) apresentou um método para a estimativa das perdas de redes MT utilizando re-
des neurais artificiais. Usando informações importantes das redes, como carregamento, comprimento
e capacidade de transformação das redes, o método realiza a estimativa das perdas para cada intervalo
de demanda da curva de carga.
Os métodos aproximados apresentados nesta subseção estimam as perdas de potência máxima,

calculando as perdas de energia através do fator de perdas. Entretanto, alguns trabalhos apresentaram
métodos de estimativa de perdas sem a utilização da demanda máxima. Flaten (1988) propôs um
método baseado em carregamentos percentuais para o cálculo de perdas de energia. Esse método
diferencia indiretamente as curvas de carga através do uso de um fator de correção dos perfis de carga.
Shenkman (1990) propôs o uso dos momentos estatísticos das curvas de carga, que representam toda
a informação útil da curva de carga para o cálculo das perdas de energia. Posteriormente, este método
foi melhorado por Taleski e Rajicic (1996). Recentemente, Mikiḱ (2007) e Roselli e Yatsu (2007)
propuseram o cálculo de perdas de energia para situações em que está disponível a demanda média e
a variância da curva de carga. Essas idéias serão exploradas no Capítulo 3.
As metodologias para a estimativa de perdas desenvolvidas pelo CODI e pela ANEEL são par-
ticularmente importantes neste trabalho. Elas serão apresentadas detalhadamente nas subseções se-
guintes.
Metodologia CODI
O Comitê de Distribuição (CODI) apresentou, em 1994, o documento “Método para Determi-

nação, Análise e Otimização das Perdas Técnicas em Sistemas de Distribuição” (CODI 1996b). O
estudo é bastante abrangente, e é parte do Tema 19 – Planejamento Técnico deste comitê. A “Meto-
dologia Simplificada para Avaliação de Perdas em Redes de Distribuição”, apresentada no Anexo H
do referido documento, segmenta as redes de distribuição nos seguintes componentes:
• redes MT;
• transformadores;
• redes BT;
• medidores; e
• equipamentos.
Para cada um dos segmentos listados anteriormente, é apresentado um modelo de estimativa das
perdas. Este trabalho utilizará a metodologia CODI para comparação das perdas das redes MT e
BT (capítulos 5 e 6) e, por esta razão, só serão detalhados a seguir os modelos referentes a estes
segmentos.
Com relação às redes MT, o modelo desenvolvido pelo CODI é baseado no algoritmo “Árvore
Cronológica de Comprimento Mínimo” (Amendola e da Rocha 1992), o qual simula a criação de uma
rede que atende pontos de carga de uma determinada zona de ação convexa. Através de simulações,
o parâmetro Momento Equivalente de Perdas (Mp ) é determinado. Ele é definido como:

Dp2 · Lt 152, 2
Mp = · 2 . (1.5)
Pp V · cos2φ
Da equação anterior:
Dp2 · Lt 152, 2
Pp = · 2 (1.6)
Mp V · cos2φ
sendo:
0, 21495 · Na−0,36 · Np0,483−0,00329·Na
Mp = . (1.7)
r
Para o caso de uma rede MT:

2
ri · Dpi · Lti 152, 2
Ppi = 0,483−0,00329·Nai · . (1.8)
0, 21495 · −0,36
Nai · Npi Vi2 · cos2φi
sendo Ppi a perda de potência da rede MT i, em kW; ri a resistência unitária do condutor predominante
no tronco da rede MT i, em ohm/km; Dpi a demanda máxima coincidente da rede MT i, em kW; Lti
o comprimento total da rede MT i, em km; Nai o número de redes MT da subestação da rede i; Npi o
número de pontos de carga (transformadores) da rede MT i; Vi a tensão nominal entre fases da rede
MT i, em kV; e cosφi o fator de potência da rede MT i, em pu.
O parâmetro Nai pode ser obtido da seguinte forma:

360
Nai = (1.9)
Θi
onde Θ é o ângulo de ação da rede MT, supondo que sua área de atendimento seja modelada como
um setor circular.
Para as redes BT, a metodologia é baseada na correlação existente entre a perda de potência e a
máxima queda de tensão verificada na rede BT ou na correlação existente entre a perda de potência e
o carregamento do transformador associado a uma rede BT.
A perda nos condutores da rede BT pode ser calculada conhecendo-se a distribuição por potência
dos transformadores instalados (banco de dados detalhado) ou através do transformador médio do sis-
tema (banco de dados simplificado). Com base nessas considerações, são propostos quatro diferentes
modelos:
I cálculo das perdas de potência e energia nas redes BT conhecendo-se a máxima queda de tensão e
a distribuição por potência dos transformadores;
II cálculo das perdas de potência e energia nas redes BT conhecendo-se a máxima queda de tensão e
o transformador médio;
III cálculo das perdas de potência e energia nas redes BT conhecendo-se o carregamento e a distri-
buição por potência dos transformadores; e
IV cálculo das perdas de potência e energia nas redes BT conhecendo-se o carregamento e o trans-
formador médio.
Para diversos tipos de redes BT (geometria, número de postes, tipo e bitola dos condutores) e
para várias condições de carregamento (distribuição e demanda máxima), pode-se estimar as perdas
de potência e energia em função da máxima queda de tensão, através do modelo I ou II. A Equação
(1.10) apresenta o modelo I.
qmax
0,108
Nsq ·KV Aq ·fusq ·cosφBT ·0, 00473·∆Vsq1,011 ·4·R1sq ·[(nsq −5)·R2sq ]0,111 ·δsq (1.10)
X
Ps = fjs ·
qmin
sendo Ps a perda de potência nos condutores da rede BT, em kW; fjs o fator de coincidência do
sistema BT, em pu; Nsq o número de transformadores de potência q; kV Aq a potência nominal dos
transformadores que suprem as Nsq redes BT, em kVA; fusq o carregamento típico dos transforma-
dores de potência q, em pu; cosφBT o fator de potência típico da rede BT, em pu; ∆Vsq a queda de
tensão máxima típica da rede BT associada ao transformador de potência q, em por cento da tensão
nominal (%); R1sq a resistência dos condutores da rede BT principal associada ao transformador de
potência q (trecho composto pelos dois primeiros vãos de ambos os lados a partir do transformador de
distribuição), em ohm/km; R2sq a resistência dos condutores dos demais vãos da rede BT associada
ao transformador de potência q, em ohm/km; nsq o número médio de postes da rede BT associada ao
transformador de potência q; e δsq o fator de desequilíbrio típico da rede BT associada ao transforma-
dor de potência q, em pu.
A Equação (1.11) apresenta o modelo II do CODI:

0,108
Ps = fjs · Ns · KV As · fus · cosφBT · 0, 00473 · ∆Vs1,011 · 4 · R1s · [(ns − 5) · R2s ]0,111 · δs (1.11)
onde KV As é a potência média dos transformadores que suprem as redes BT. Nota-se que os parâme-
tros do modelo II são os mesmos do modelo I, havendo diferença apenas na agregação dos mesmos.
Enquanto que o primeiro modelo utiliza parâmetros agregados para cada transformador de potência
q, o modelo II é mais genérico, apurando os parâmetros médios para todas as redes BT.
Da mesma forma que os modelos I e II, para diversos tipos de redes BT (geometria, número de
postes, tipo e bitola dos condutores) e para várias condições de carregamento (distribuição e demanda
máxima), pode-se estimar as perdas de potência e energia em função do carregamento máximo do
transformador. Essa estimativa pode ser realizada pelos modelos III e IV. A Equação (1.12) apresenta
o modelo III:
zqmax
61, 76 0,403
(Nszq ·KV Aq ·fuszq ·cosφBT )1,943 ·4·R1szq
X
Psz = fjs · 2 2
· ·[(nszq −5)·R2szq ]−0,0155 ·δszq
Vz · cosφBT zqmin
(1.12)
onde z refere-se a cada tensão secundária dos transformadores q. Os demais parâmetros são os mes-
mos apresentados para os modelos I e II.
Por fim, a Equação (1.13) apresenta o modelo IV:
61, 76 0,403
Psz = fjs · 2
· (KV Asz · fusz · cosφBT )1,943 · 4 · R1sz · [(nsz − 5) · R2sz ]−0,0155 · δsz (1.13)
Vz2 · cosφBT
onde os parâmetros são os mesmos dos modelos anteriores, excetuando-se o fato de estarem agrega-
dos apenas por tensão secundária z.
Os modelos desenvolvidos pelo CODI são aplicados sempre para a demanda máxima, obtendo as
perdas máximas de potência. As perdas de energia são obtidas com a aplicação do fator de perdas,
conforme Equação (1.2).
Metodologia ANEEL
A metodologia de cálculo de perdas em redes de distribuição desenvolvida pela ANEEL encontra-

se regulamentada no Módulo 7 do PRODIST (ANEEL 2008). Assim como a metodologia do CODI,
a metodologia da ANEEL divide o sistema de distribuição em segmentos, e o cálculo das perdas é
realizado de acordo com a característica de cada um, conforme ilustra a Figura 1.10.
Figura 1.10: Ilustração da metodologia de cálculo de perdas da ANEEL.

A metodologia parte de um balanço simplificado de energia, onde são representados os segmentos

de rede por níveis de tensão (A1, A2, A3, A3a, A4 e B), das transformações por relação (de acordo
com os níveis existentes) e dos ramais e medidores.
As perdas nas redes AT são informadas pelas distribuidoras, e devem ser apuradas preferencial-
mente por medição, quando disponível, ou por fluxo de carga. Esses dados são encaminhados para a
ANEEL para verificação, juntamente com os diagramas dos sistemas das distribuidoras.
As perdas nas redes MT são calculadas pelo “modelo arborescente”. Esse modelo, assim como
o modelo do CODI para redes MT, foi desenvolvido a partir de metodologias de planejamento
(Amendola e da Rocha 1992, Amendola 1992), e pressupõe que as redes MT se desenvolvem de
forma arborescente, formando um setor circular a partir da subestação. A partir desta premissa, fo-
ram simuladas algumas redes para a obtenção dos parâmetros do modelo, representado pela equação
a seguir.
!2
p2max · ltot
2
vb cosφb
∆PM T = · · (1.14)
mp v cosφ
sendo ∆PM T as perdas de potência da rede MT, em kW; pmax a potência máxima da rede MT,
em MW; ltot o comprimento total da rede MT, em km; mp o momento de perdas da rede MT, em
MW 2 km/kW ; vb a tensão de referência ou de base, adotada como 13,8 kV; v a tensão de operação
da rede MT, em kV; cosφb o ângulo de referência ou de base, correspondendo ao fator de potência
0,92, em graus; e cosφ o ângulo do fator de potência da rede MT.
A lei geral do momento de perdas é definida como:
mp = α · (nd )β · (np )γ (1.15)
sendo nd obtido por 360/θ, onde θ é o ângulo do setor circular da rede MT, em graus; np é o número
de transformadores conectados à rede MT; α = a · (rt + rr )b ; β = c + (d · ln(rt /rr)); γ = e; rt e rr
são, respectivamente, a resistência do condutor tronco e do condutor ramal da rede MT, em ohm/km.
Os coeficientes a, b, c, d e e são definidos de acordo com as resistências dos condutores tronco e

ramal, além do parâmetro σ, que é obtido através da distância de carga equivalente (lb ). lb representa
a densidade de carga da rede MT, calculada de acordo com a seguinte equação:
PN t
i−1 (di · Snomi )
lb = PN t . (1.16)
i−1 Snomi
No Módulo 7 do ANEEL (2008) podem ser encontradas as tabelas que relacionam lb com σ, assim
como este último com os coeficientes a a e.
As perdas nas redes BT são calculadas de acordo com cinco tipologias de rede pré-definidas,
conforme ilustra a Figura 1.11. As tipologias representam os formatos geométricos que as redes BT
podem apresentar.
Figura 1.11: Tipologias pré-definidas para as redes BT.
As tipologias são compostas por “trechos elementares”, onde se pressupõe distribuição uniforme
de carga, conforme mostra a Figura 1.12. São consideradas perdas adicionais de 15% sobre o mon-
tante de perdas devido ao desequilíbrio da carga e o posicionamento assimétrico do transformador em
relação às tipologias de rede.
Figura 1.12: Trecho elementar das redes BT.
Para cada tipologia, obtém-se as perdas de potência de acordo com a quantidade de trechos ele-
mentares correspondentes. Para um trecho elementar, as perdas de potência correspondem à seguinte
expressão:
l i2 · l2
Z
∆PBT = f (r, l, i, Ij ) = r · (ix + Ij )2 · dx = r · ( + i · Ij · l + Ij2 ) · 10−6 (1.17)
x=0 3
sendo ∆PBT as perdas de potência da rede BT, em MW; l o comprimento do trecho elementar, dado
pelo comprimento total da rede dividido pelo número de trechos elementares referentes à respectiva
tipologia, em km; r a resistência por unidade de comprimento, em ohm/km; Ij a corrente total a
jusante do trecho elementar, em A; e i a densidade de corrente, dada pela corrente máxima da rede
dividida por seu comprimento total, em A/km.
Com relação aos transformadores, a ANEEL adota o modelo clássico de divisão das perdas entre
ferro (ou núcleo) e cobre, conforme a Equação (1.18).
Nt
(∆ptf e + (f ut )2 · ∆ptcu ) · 10−3
X
∆PT r = (1.18)
t=1
sendo ∆PT r as perdas de potência do transformador, em MW; ∆ptf e as perdas no ferro ou a vazio
do transformador t, em kW; ∆ptcu as perdas no cobre do transformador t, em kW; Nt o número de
transformadores; e f ut o fator de utilização do transformador t.
Para os transformadores de potência, as perdas no ferro e no cobre são informadas pelas distri-
buidoras de acordo com os dados de placa dos mesmos. Os transformadores de distribuição possuem
esses parâmetros obtidos da ABNT (ABNT 1999).
O cálculo de perdas de potência em ramais de ligação é realizado de acordo com a equação a

seguir:
2
If
∆PRm = R · · (3NUC3 + 3NUC2 + 3NUC2′ + 2NUC1 ) · 10−6 (1.19)
Fd
sendo ∆PRm as perdas de potência nos ramais de ligação, em MW; R a resistência média dos condu-
tores dos ramais de ligação, em ohm; Fd o fator de diversidade, fixado em 0,7; If a corrente de fase,
em A, dada por:
EfBorn
if = · 106 (1.20)
F CBT · cosφ · (3NUC3 V3 + 2NUC2 V2 + 2NUC2′ V2′ + NUC1 V1 ) · 8760
sendo EfBorn o consumo total das unidades consumidoras do grupo B, em MWh; F CBT o fator de
carga típico das redes BT; cosφ o fator de potência de referência; NUC3 o número de unidades
consumidoras atendidas em 3 fases e 4 fios; NUC2 o número de unidades consumidoras atendidas
em 2 fases e 3 fios; NUC2′ o número de unidades consumidoras atendidas em 1 fase e 3 fios; NUC1
o número de unidades consumidoras atendidas em 1 fase e 2 fios; V3 a tensão de fase das unidades
consumidoras atendidas em 3 fases e 4 fios; V2 a tensão de fase das unidades consumidoras atendidas
em 2 fases e 3 fios; V2′ a tensão de fase das unidades consumidoras atendidas em 1 fase e 3 fios; e V1
a tensão de fase das unidades consumidoras atendidas em 1 fase e 2 fios.
Por fim, o cálculo das perdas nos medidores é realizado usando a Equação 1.21:
∆PM ed = Pb · (3NUC3 + 2NUC2 + NUC1 ) · 10−3 (1.21)
sendo ∆PM ed as perdas de potência dos medidores, em kW; e Pb as perdas da bobina de tensão, em
W.
Assim como na metodologia do CODI, todas as equações de cálculo de perdas dos modelos da
ANEEL obtêm as perdas de potência máxima, devendo ser utilizado o fator de perdas para a obtenção
das perdas de energia.
Capítulo 2
Conceitos e Metodologias
2.1 Introdução
Neste capítulo é apresentada uma visão geral dos conceitos e das metodologias utilizadas neste
trabalho, com as informações essenciais para um melhor entendimento das demais seções do trabalho.
Para informações mais detalhadas, recomenda-se as referências citadas ao longo do texto.
Além desta introdução, o capítulo está dividido em três seções. A seção seguinte discute de
forma geral a análise multivariada de dados. A terceira seção compreende os modelos utilizados
para análise de dependência, que, neste trabalho, se limitam à análise de regressão. A última seção
apresenta os modelos utilizados para análise de interdependência, mais especificamente as técnicas
de clusterização.
2.2 Análise Multivariada de Dados
O entendimento do relacionamento das informações é necessário em todos os campos de pes-

quisa. O uso de modelos empíricos para a análise dessas informações é, sem dúvida, importante para
o conhecimento mais abrangente do fenômeno sob análise. Mesmo que alguns modelos teóricos pos-
sam explicar o relacionamento de algumas observações coletadas, na prática é comum a utilização de
métodos empíricos para a comprovação dos resultados.
A análise multivariada de dados se refere a todos os métodos estatísticos que simultaneamente

analisam múltiplas medidas associadas a cada indivíduo ou objeto sob investigação (Hair et al. 2005).
Em outras palavras, é a aplicação de um conjunto de técnicas estatísticas para a produção da melhor
informação possível a partir dos dados disponíveis. Essas técnicas são complementares, e, não rara-
31
32 Conceitos e Metodologias
mente, apenas auxiliam na decisão final. Por esta razão, muitos autores enfatizam a necessidade da
análise crítica do pesquisador familiarizado com o problema, antes da finalização do modelo.
2.2.1 Amostra
Antes de iniciar a análise propriamente dita, deve-se analisar a relevância do conjunto de dados
que serão utilizados na análise – a amostra. A preocupação básica com a amostra diz respeito a seu
tamanho: enquanto amostras muito pequenas podem resultar em baixo poder estatístico ou um ajuste
muito fácil dos dados, amostras grandes demais podem tornar os testes estatísticos muito sensíveis
(Hair et al. 2005).
Porém, além do tamanho da amostra, deve-se preocupar com algo ainda mais abrangente: a repre-
sentatividade da mesma. Isso influenciará claramente no poder de generalização do modelo proposto.
De nada adiantará uma amostra com tamanho adequado se a mesma não representar consistentemente
o universo que se deseja estudar.
Com relação ao tamanho da amostra, as recomendações encontradas na literatura não são de-
terminativas. Por exemplo, encontram-se recomendações sobre amostras para análise de regressão
baseadas apenas na quantidade de variáveis independentes. Hair et al. (2005) relata que deve haver
de cinco até 50 amostras para cada variável independente. A determinação do tamanho da amostra é,
normalmente, função de três parâmetros (Devore 2006): (i) nível de confiança da pesquisa; (ii) pre-
cisão desejada (erro); (iii) variabilidade dos dados (desvio padrão). Com relação à representatividade
da amostra, deve-se procurar avaliar as estatísticas da mesma em relação à população (intervalo dos
dados e a forma da distribuição).
2.2.2 Dados Discrepantes
Os dados discrepantes, também conhecidos como outliers, são dados com uma combinação única
de características identificáveis como sendo notadamente diferentes dos demais (Hair et al. 2005).
Esses dados não podem ser categoricamente caracterizados como benéficos ou problemáticos, e po-
dem ser classificados como erro de procedimento, eventos extraordinários ou dados cuja combinação
das variáveis é extraordinária (Hair et al. 2005).
Uma vez identificados os dados discrepantes, deve-se decidir se os mesmo serão mantidos na
amostra ou excluídos. De acordo com a classificação apresentada, os dados identificados como erro
de procedimento certamente devem ser excluídos. Os casos de eventos extraordinários deverão ser
analisados. Podem ser mantidos, se houver o sentimento que representam um segmento válido da po-
pulação. Os casos cuja combinação das variáveis é extraordinária devem, normalmente, ser mantidos
na amostra (Hair et al. 2005).
2.2 Análise Multivariada de Dados 33
Deve-se ter claro qual é o objetivo ao construir um modelo. Se for a busca pela perfeição do
mesmo, os dados discrepantes devem ser retirados. Entretanto, se é de conhecimento que esses dados
representam uma parte da população, a retirada dos dados poderá piorar o poder de generalização do
modelo.
2.2.3 Seleção de Variáveis
Outra questão importante na elaboração de modelos explicativos é a seleção das características

que de fato estão relacionadas com o fenômeno.
Conforme recomenda Hair et al. (2005), as técnicas multivariadas são planejadas para acomodar
múltiplas variáveis na análise. Essa característica, contudo, não deve substituir o desenvolvimento do
modelo conceitual antes de as técnicas multivariadas serem aplicadas. De certa forma, a seleção das
variáveis pode ser vista como um paradoxo: enquanto a omissão de uma variável importante pode
causar o denominado erro de especificação, o pesquisador deve evitar a inserção indiscriminada de
variáveis no modelo, esperando que a técnica multivariada “arrume” as variáveis relevantes. Havendo
esse dilema, é normalmente recomendável decidir pelo excesso.
Os conceitos de seleção de características e de variáveis não são unânimes na literatura especi-

alizada. Guyon e Elisseeff (2003) denomina de variáveis as entradas originais, e características as
variáveis construídas com base nas variáveis originais. De qualquer forma, complementa Guyon e
Elisseeff (2003), na grande maioria dos casos não há necessidade de distinção desses conceitos, e o
termo usual é seleção de variáveis.
Os métodos para a seleção de variáveis podem ser divididos da seguinte forma (Guyon e Elisseeff
2003).
Filtros selecionam subconjuntos de variáveis como um passo de pré-processamento, independente

da escolha do modelo. Um exemplo simples é a seleção das variáveis que serão utilizadas no
modelo por correlação.
Envoltórios (wrappers) usam o modelo como uma caixa preta para avaliar subconjuntos de variá-
veis de acordo com o seu poder preditivo. Kohavi e John (1997) apresentam uma excelente
discussão sobre a utilização de wrappers para seleção das variáveis.
Embutido (embedded) realizam a seleção de variáveis no processo de treinamento e são usualmente

específicos para um dado modelo. A árvore de decisão CART é um exemplo, pois possui um
mecanismo interno para seleção das variáveis (Guyon e Elisseeff 2003).
A Figura 2.1 ilustra os métodos de seleção de variáveis (Villanueva 2006).

Figura 2.1: Ilustração dos métodos de seleção de variáveis.
É importante ressaltar que podem ser adotadas mais de uma técnica para selecionar as variáveis
em um único estudo.
Na etapa de seleção de variáveis deve-se tomar precaução em relação aos casos conhecidos como
correlação espúria. Ela se dá quando há relação estatística entre duas ou mais variáveis, mas sem
significado teórico. Por este motivo, é comum afirmar que a correlação não necessariamente está
associada a uma causa. Esse fenômeno reforça a recomendação apresentada no início desta seção
acerca da necessidade de conhecimento prévio do problema e de análise crítica do pesquisador.
O ideal na análise de dados é que se tenha um conjunto de dados correlacionados com a variável
dependente (no caso de modelos de análise de dependência), e pouca correlação entre as variáveis
independentes. Esse é um problema dos dados, e não de especificação dos modelos (Hair et al. 2005).
A correlação entre as variáveis dependentes é denominada multicolinearidade. Apesar de não ser
comum a correlação total entre duas variáveis independentes (caso denominado singularidade), em
dados reais inevitavelmente haverá algum grau de multicolinearidade entre as variáveis (Hair et al.
2005).
Os efeitos da multicolinearidade são de difícil quantificação. Em modelos de análise de dependên-

cia, como a análise de regressão, a multicolinearidade tem maiores conseqüências quando do seu uso
para explicação do que para estimação. Isso decorre do efeito da multicolinearidade na determinação
dos coeficientes dos modelos, chegando até a inverter o sinal de alguns coeficientes de variáveis em
relação a sua correlação com a variável dependente. A multicolinearidade tem efeitos mais prejudici-
2.2 Análise Multivariada de Dados 35
ais em técnicas de análise de interdependência, como a clusterização. Seu efeito é causar um maior
peso para as variáveis multicolineares na formação dos clusters (Hair et al. 2005).
2.2.4 Classificação dos Modelos
Podem-se dividir as técnicas existentes para análise de dados em lineares e não lineares. Ob-
viamente, os modelos lineares são recomendados para explicar ou prever comportamentos lineares
entre as variáveis. Apesar da aplicação para comportamentos lineares parecer uma forte restrição, na
prática as técnicas lineares têm bastante aplicação nas análises de dados.
Deve-se ressaltar que os modelos lineares muitas vezes não são, de fato, lineares. Isso se deve
às transformações usualmente aplicadas nos dados, de forma a linearizar os comportamentos entre as
variáveis. Nesse caso, apesar do modelo ser linear nos parâmetros, ele apresenta comportamento não
linear restrito às variáveis. Devore (2006) denomina esse modelo de intrinsecamente linear1 .
Com relação aos modelos não lineares propriamente ditos, destaca-se nos últimos anos a aplicação
das Redes Neurais Artificiais (RNAs). Conforme será discutido na Subseção 2.3.4, as RNAs possuem
ampla capacidade de generalização, e são consideradas aproximadoras universais. Esta comprovação
é teórica, o que não garante que as RNAs sejam sempre superiores que os demais métodos. Na
verdade, conforme será discutido a seguir, muitas vezes é preferível um modelo mais simples.
Outra possível classificação das técnicas existentes é em relação aos parâmetros. De uma forma
geral, os modelos não paramétricos não utilizam informação sobre a forma de relacionamento dos
dados. Já os paramétricos possuem necessariamente esse conhecimento. Exemplificando, o coe-
ficiente de correlação de Pearson é um método paramétrico que mede o relacionamento linear de
dois conjuntos de dados (Devore 2006). Já outros coeficientes de correlação não paramétricos, como
os coeficientes de Spearman e de Kendall, conseguem mensurar relacionamentos diversos entre os
dados, possuindo saída em forma de ranking (Mathworks 2007).
As RNAs são outro exemplo de modelos classificados como não paramétricos. Entretanto, podem-
se citar redes neurais com maior ou menor grau de necessidade de informações. Um exemplo é a
diferença entre a RNA Multi Layer Perceptron (MLP) e os Self Organizing Maps (SOM) (Haykin
1999). A RNA SOM possui treinamento não supervisionado, e é considerada menos paramétrica que
a RNA MLP.
Por fim, podem-se dividir os modelos em modelos empíricos e modelos teóricos ou científicos.
Empírico é um sinônimo de experimental, necessariamente obtido por observações, experiências ou
experimentos. Já os modelos teóricos, ou científicos, são aqueles obtidos exclusivamente pela teoria.
1
Classificou-se neste trabalho como modelo não linear os modelos que apresentem qualquer comportamento não linear
explícito em suas variáveis e/ou coeficientes. Esses modelos são apresentados nos capítulos 5 e 6.
Assim como a classificação sobre os parâmetros, um modelo não precisa ser puramente empírico
ou científico. Pode-se classificar um modelo como semi-empírico ou semi-científico. É o caso do
método de cálculo de perdas para redes BT adotado pela ANEEL, descrito no Capítulo 1. É baseado
em um modelo científico, do conhecimento que as perdas naturalmente dependem da resistência e da
corrente ao quadrado. O empirismo do método está nas considerações de distribuição uniforme das
cargas, das tipologias de rede e do desequilíbrio das cargas.
2.2.5 A Escolha do Modelo
Conforme já apresentado na Subseção 2.2.1, o tamanho da amostra adequado para a análise de-
pende, dentre outros parâmetros, da quantidade de variáveis que estão sendo utilizadas. Em uma
representação matricial, onde cada vetor associado a uma linha da matriz X representa uma obser-
vação (dispostos nas linhas da matriz), a quantidade de variáveis está relacionada à dimensão desse
vetor. A necessidade do aumento da amostra com o aumento das variáveis (dimensões) é exponencial,
e é conhecida como a Maldição da Dimensionalidade de Bellman (Haykin 1999).
Von Zuben (1996) argumenta que, apesar de estar invariavelmente associada a uma redução da
capacidade de aproximação, a imposição de um conjunto de restrições (inclusive restrições paramétri-
cas) aos modelos não-paramétricos pode reduzir significativamente o efeito da maldição da dimensi-
onalidade. Conclui ainda que os melhores modelos de aproximação são aqueles capazes de conciliar
o nível de dependência da dimensionalidade com a flexibilidade do modelo de aproximação.
Em outras palavras, a definição de qual modelo utilizar é sempre relativa. É natural pensar que
modelos paramétricos, assim como modelos científicos, terão desempenho relativamente melhor em
situações que se tem bom conhecimento do problema, principalmente na forma de relacionamento
das variáveis. O modelo científico também será mais indicado se não houver uma amostra suficiente
e representativa para o desenvolvimento de um modelo empírico.
Adicionalmente, a escolha do modelo está relacionada ao objetivo da análise. A análise dos dados
pode ser exploratória (formulação de hipóteses e tomada de decisão) ou confirmatória (validação de
modelos) (Moscato e Von Zuben 2002). Muitas vezes se deseja analisar o relacionamento dos dados,
e não realizar predições. Modelos paramétricos podem ser mais indicados para essa situação, pois
fornecem uma indicação mais explícita do relacionamento das variáveis, havendo maior facilidade
para interpretação de seus coeficientes.
Não necessariamente deve-se restringir uma análise à utilização de apenas um modelo. Pode-se
resolver uma tarefa computacional complexa dividindo-a em um número de tarefas computacionais
simples, para, em seguida, combinar as soluções dessas tarefas. Esse princípio é conhecido na enge-
nharia como o princípio de dividir para conquistar (Haykin 1999).
A combinação de modelos é conhecida como Comitê de Máquinas (Haykin 1999). Podem-se

classificar os Comitê de Máquinas em duas grandes categorias.
2.3 Análise de Regressão 37
Estruturas estáticas Nesta classe de Comitê de Máquinas, as respostas de vários previsores (espe-
cialistas) são combinadas por meio de um mecanismo que não envolve o sinal de entrada – por
isso a designação “estática”. Essa categoria inclui os Ensembles.
Estruturas dinâmicas Nesta classe o sinal de entrada está diretamente envolvido na atuação do me-
canismo que integra as saídas dos especialistas individuais em uma saída global. É composta
pela Mistura de Especialistas e Mistura Hierárquica de Especialistas.
Em suma, existe um vasto conjunto de métodos que podem ser aplicados para resolver um pro-
blema. Em uma situação em que vários modelos apresentem o mesmo desempenho, recomenda-se
a escolha por modelos mais parcimoniosos. Eles provavelmente serão mais robustos em situações
extremas, como uma posterior constatação de que a amostra não era representativa para o universo
em estudo, ou até mesmo na necessidade de extrapolações.
2.3 Análise de Regressão
A análise de regressão é uma técnica de análise de dependência entre um conjunto de dados. A

análise de dependência permite ao pesquisador avaliar o grau de relação entre as variáveis dependen-
tes e independentes. Pode ser usada para um maior entendimento das grandezas envolvidas e como
elas se relacionam, ou para a previsão de novas observações não constantes da amostra utilizada para
análise (Hair et al. 2005).
O termo “análise de regressão” foi usado pela primeira vez por Francis Galton, no final do século
XIX, em um estudo da relação entre a altura dos pais e dos filhos. Depois de reunir inúmeros dados,
Galton usou o método dos quadrados mínimos para prever a altura do filho com base na altura do
pai. Ao analisar a reta resultante, Galton descobriu que se a altura do pai estivesse acima da média,
a altura do filho também apresentaria probabilidade de estar acima da média, mas não tanto quanto
a do pai. De modo semelhante, a altura do filho cujo pai tem altura abaixo da média também tem
probabilidade de estar abaixo da média, mas não tanto quanto a do pai. Portanto, a altura do filho
segue um retrocesso em direção à média. Pelo fato de regressão significar volta ou retorno, Galton
adotou a terminologia reta de regressão (Devore 2006).
Os métodos de análise de regressão utilizados nesta tese são apresentados nas subseções seguintes.
2.3.1 Regressão Linear
A regressão linear é o método mais simples e mais usado de regressão. Como o próprio nome
indica, é um método paramétrico que tem como pressuposto a relação linear entre os dados de entrada
(variáveis dependentes) e de saída (variável independente).
O modelo de regressão linear pode ser representado da forma (Devore 2006):
y =X ·β+ǫ
(2.1)
ǫ = N(0, σ 2 )
onde X é a matriz com as variáveis independentes, β o vetor de coeficientes e ǫ é o erro ou desvio

aleatório, normalmente distribuído com média zero e desvio padrão σ.
Uma boa estimativa de y será uma reta que se ajuste bem aos dados observados. O ajuste, nesse
caso, é normalmente avaliado com uma métrica de erros quadráticos, ou quadrados mínimos. Uma
reta oferece um bom ajuste aos dados se os desvios dos pontos no espaço em relação à reta são
pequenos. A medida de ajuste é a soma dos quadrados desses desvios. A reta de melhor ajuste é,
portanto, a reta que tem a menor soma possível de desvios quadráticos (Devore 2006).
Em termos formais, o método dos quadrados mínimos procura minimizar a soma quadrática da
diferença entre o valor predito e o valor desejado:
n
(ŷi − yi )2
X
(2.2)
i=1
onde ŷ é o valor predito e yi é o valor desejado, também representado por f (xi ), onde xi é o vetor
associado à i-ésima linha da matriz X.
A utilização do método dos quadrados mínimos é padrão nos métodos de regressão paramétrica, e
praticamente tornou-se uma convenção. Alternativamente, poder-se-ia minimizar a soma do módulo
dos desvios absolutos (não elevados ao quadrado), ou a soma dos desvios elevados a uma outra
potência par. Essas diferentes minimizações provocariam diferentes ajustes aos dados, focando mais
ou menos os maiores desvios, normalmente associados aos dados discrepantes.
2.3.2 Regressão Linear Robusta
O modelo linear apresentado na Equação (2.1) pode ser resolvido de tal forma a dar menor im-
portância aos valores que não são bem ajustados à reta. Desta forma, o método fica menos sensível
aos dados discrepantes, quando comparado com a regressão linear convencional. Esse é o princípio
da regressão robusta.
A regressão robusta utiliza um algoritmo de quadrados mínimos modificado. O método designa

pesos para cada dado em um processo iterativo. No início todos os dados recebem o mesmo peso. É
executado iterativamente o método de quadrados mínimos que realimenta os valores dos pesos, sendo
designados pesos mais baixos para os pontos afastados da reta de previsão (Devore 2006).
2.3.3 Regressão Não Linear Paramétrica
O modelo de regressão não linear pode ser representado genericamente de acordo com a equação
a seguir:
y = f (X, β) + ǫ
(2.3)
ǫ = N(0, σ 2 ).
Diferentemente do modelo linear, o modelo apresentado na Equacao (2.3) pode assumir qualquer
função das variáveis X e coeficientes β. O modelo é equivalente ao da Equacao (2.1) se f for uma
função linear.
Assim como a regressão linear, a determinação dos coeficientes β para o modelo da Equação
(2.3) pode ser realizada através da formulação do problema pelo método dos quadrados mínimos.
Entretanto, ao contrário da regressão linear, a solução aqui não pode ser obtida numa forma fechada,
havendo necessidade de métodos de solução mais complexos que requerem procedimentos iterativos
para obter a solução final.
2.3.4 Redes Neurais Multi-layer Perceptron (MLP)
O cérebro pode ser interpretado como um “computador” altamente complexo, não linear e paralelo
(Haykin 1999). Dentre suas habilidades está uma impressionante flexibilidade, que reflete na sua
capacidade de aprendizado e associação. O estudo das redes neurais artificiais (RNAs) tem sido
motivado pela riqueza no processamento de informações realizado pelo cérebro humano, o qual se dá
de forma totalmente diferente daquela empregada pelo computador digital convencional.
As RNAs são modelos que procuram reproduzir, de alguma forma e com algumas simplificações,
o funcionamento do processamento cerebral humano. Essa modelagem é usualmente realizada através
de programação de um computador digital, mas também são encontradas implementações na forma de
hardware específicos, com componentes eletrônicos. Haykin (1999) apresenta a seguinte definição:
Uma rede neural é um computador maciçamente paralelamente distribuído constituído de unida-

des de processamento simples, que tem a propensão natural para armazenar conhecimento experi-
mental e torná-lo disponível para o uso. Ela se assemelha ao cérebro em dois aspectos:
1. O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de apren-
dizagem.
2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos são utilizadas para arma-
zenar o conhecimento adquirido.
O procedimento utilizado para realizar o processo de aprendizagem é chamado de algoritmo de

aprendizagem, cuja função é modificar os pesos sinápticos da rede de uma forma ordenada para
alcançar um objetivo de projeto desejado (Haykin 1999).
A unidade básica de processamento da RNA é o neurônio. Ele pode ser representado por um
diagrama de blocos conforme a Figura 2.2.
Figura 2.2: Representação do neurônio em uma RNA.
O neurônio é constituído de três elementos básicos (Haykin 1999):
1. um conjunto de sinapses ou elos de conexão, sendo cada sinapse caracterizada por um peso.
Cada peso define a força de cada sinal de entrada;
2. um somador para processar os sinais de entrada, ponderados pelas respectivas sinapses do
neurônio. Essas operações constituem uma combinação linear; e
3. uma função de ativação para restringir a amplitude de saída do neurônio.
Em termos matemáticos:
uk = nj=1 wkj · xj
P
vk = uk + bk (2.4)
yk = f (vk )
onde x1 , ..., xn são os sinais de entrada; wk1 , ..., wkn são os pesos sinápticos do neurônio k; uk é a
saída do combinador linear devido aos sinais de entrada; bk é o bias, que é o termo constante; f é a
função de ativação; e yk é a saída do neurônio k.
A rede neural é o resultado da conexão de neurônios, e a sua arquitetura é usualmente dividida em

camadas. As camadas extremas são chamadas de camadas de entrada e saída. As demais camadas
intermediárias são chamadas de camadas ocultas. A Figura 2.3 ilustra uma RNA com uma camada
oculta.
Este trabalho utilizou a RNA do tipo Perceptron de Múltiplas Camadas (MLP) para análise de
regressão. Durante o desenvolvimento das redes neurais, houve propostas diferentes para o elemento
Figura 2.3: Exemplo de arquitetura de uma RNA.
básico de aprendizagem – o neurônio. O perceptron, base para o modelo MLP, consiste de um único
neurônio com pesos sinápticos ajustáveis e bias, da forma como ilustrado na Figura 2.2 (Haykin
1999).
As RNAS do tipo MLP têm sido aplicadas com sucesso para resolver diversos problemas difíceis,
através do seu treinamento de forma supervisionada, com um algoritmo conhecido como algoritmo
de retropropagação de erro (error back-propagation). Este algoritmo é baseado na regra de aprendi-
zagem por correção de erro.
Basicamente, a aprendizagem por correção de erro consiste de dois passos através das diferentes
camadas da rede: um passo para frente, a propagação, e um passo para trás, a retropropagação. No
primeiro passo, o vetor de entrada é aplicado aos nós sensoriais (de entrada) da rede e seu efeito se
propaga através da rede, camada por camada. Essa propagação produzirá um conjunto de saídas como
a resposta da rede. O passo para trás ajusta os pesos sinápticos de acordo com uma regra de correção
de erro. Especificamente, a resposta real da rede (saída) é subtraída da resposta desejada (alvo) para
produzir um sinal de erro. Esse sinal é então propagado para trás através da rede (retropropagação do
erro).
O procedimento descrito no parágrafo anterior é considerado um dos paradigmas de aprendizagem

das RNAs, o aprendizado supervisionado. O aprendizado supervisionado é popularmente conhecido
como aprendizado com um professor, tendo este o conhecimento sobre o ambiente. O conhecimento
é, do ponto de vista prático, um conjunto de entradas e saídas. Cada vetor de entrada corresponde a
uma linha da matriz X e possui a saída correspondente y, que é usada para a produção do sinal de erro
anteriormente descrito.
O algoritmo de retropropagação é apresentado de forma bastante didática em Haykin (1999).

Para este trabalho, julga-se importante salientar apenas que esse algoritmo atualiza os pesos dos
neurônios em um processo iterativo, buscando a minimização de uma função de erro, correspondente
ao erro médio quadrático (MSE), a ser apresentado na próxima seção. Pode ser modelado como um
problema de otimização não linear irrestrita, e resolvido por uma das abordagens para a solução de
problemas de otimização não linear (Bazaraa et al. 2006). Dentre eles, cabe destacar o algoritmo
de Levenberg-Marquardt, conhecido como um dos mais eficientes para treinamento de redes neurais
(Bazaraa et al. 2006).
As RNAs do tipo MLP são consideradas aproximadoras universais, uma vez que se consegue
provar que o perceptron de múltiplas camadas com apenas uma camada oculta atende o Teorema
da Aproximação Universal. Entretanto, esse é um teorema existencial, e não conclui que a única
camada oculta é ótima no sentido de número de neurônios, tempo de aprendizagem, facilidade de
implementação ou, mais importante, capacidade de generalização (Haykin 1999).
A generalização está associada à capacidade da RNA se adaptar às novas situações, apresentando

respostas consistentes com as esperadas. O processo de aprendizagem da RNA MLP pode ser visto
como um problema de ajuste de curva, e uma RNA bem projetada produzirá um mapeamento ade-
quado. Entretanto, quando uma RNA aprende um número excessivo de exemplos de entrada-saída,
a rede pode acabar memorizando dados de treinamento, e ficar sobre-ajustada (overfitting) a esse
conjunto. A Figura 2.4 ilustra duas possíveis saídas para uma RNA.
Figura 2.4: Desempenho esperado (a) e sobre-ajustado (b) de RNAs (baseado em: Haykin 1999).
Uma forma muito utilizada para verificar se a RNA está efetuando boa generalização é a divisão do
conjunto de entrada-saída em conjunto de treinamento e conjunto de teste. O primeiro é utilizado para

o treinamento da rede, enquanto que o segundo é utilizado para avaliar a capacidade de generalização
da RNA, e corresponde, portanto, a um conjunto de dados não apresentado para o treinamento da rede.
Adicionalmente, pode-se utilizar um terceiro conjunto, o de validação. Ele é utilizado como critério
de parada na etapa de treinamento, que ocorre quando o erro médio nesse conjunto começa a aumentar
(indicando que a rede está se ajustando demais aos dados, e que a capacidade de generalização pode
estar piorando).
2.3.5 Análise do Desempenho dos Modelos de Regressão
Como os métodos de regressão são desenvolvidos para a minimização dos erros quadráticos, é
natural o uso de medida similar para a avaliação dos mesmos. A Equação (2.5) apresenta o erro
quadrático médio (MSE):
Pn 2
i=1 (ŷi − yi )
MSE = . (2.5)
n
O MSE é uma boa métrica para avaliar o desempenho dos modelos de regressão, principalmente
em uma análise relativa (comparativa) entre os modelos. Entretanto, é uma métrica de difícil visuali-
zação para quem não está familiarizado com os dados.
Uma métrica bastante comum e de fácil visualização é o coeficiente de determinação (R2 ). O

2
R é uma medida da proporção da variância da variável dependente em torno de sua média, que
é explicada pelas variáveis independentes, ou preditoras. Se o modelo de previsão é propriamente
aplicado e estimado, o R2 varia de 0 a 1. Quanto maior o valor de R2 , maior o poder de previsão do
modelo (Hair et al. 2005).
Há várias propostas para o cálculo do R2 (Huang e Draper 2003). Uma das formas é apresentada
na Equação (2.6):
Pn
2 (ŷi − ȳ)2
R = Pni=1 2
(2.6)
i=1 (yi − ȳ)
sendo ȳ a média do valor esperado.
Conforme apresentado por Huang e Draper (2003), há situações em que o R2 pode apresentar
valores fora do intervalo [0,1], além de apresentar grandes variações quando existe transformação de
variáveis.
Assim como o R2 , uma outra métrica de fácil visualização é o erro percentual absoluto médio
— MAPE. Conforme o próprio nome diz, o MAPE nada mais é do que a média dos erros absolutos,
percentualmente em relação ao valor esperado y. O MAPE só deve ser usado em dados estritamente
positivos, pois ele analisa apenas a amplitude dos erros.
Um importante método para avaliação dos modelos é a análise dos resíduos (erros). Um bom
modelo deve apresentar as seguintes características em seus resíduos:
• homocedasticidade (variância constante do erro);
• independência dos termos de erro; e
• normalidade da distribuição dos termos de erro.
Uma maneira simples de avaliar os três aspectos relacionados aos resíduos é através de gráficos
de dispersão e histogramas.
2.4 Clusterização
As técnicas de regressão discutidas na seção anterior permitem avaliar a dependência entre uma ou
mais variáveis dependentes e um conjunto de variáveis independentes. Há, contudo, situações onde
o interesse é avaliar o relacionamento entre um conjunto de dados, procurando fornecer hipóteses a
respeito do inter-relacionamento dos dados e sua estrutura intrínseca (Moscato e Von Zuben 2002).
A clusterização é uma técnica capaz de subsidiar essa avaliação.
A clusterização tem se tornado um tópico de crescente importância, principalmente por sua vasta
aplicação em praticamente todas as áreas de conhecimento. Entretanto, devido à falta de uma melhor
comunicação entre as comunidades científicas, teorias e técnicas similares foram desenvolvidas mais
de uma vez, causando uma perda de tempo e recursos desnecessários. Adicionalmente, terminologias
diferentes tornam o processo de aprendizado em clusterização mais confuso (Xu e Wuncsh II 2009).
Talvez a maior confusão relacionada à terminologia está presente na própria definição do con-
ceito clusterização. Conforme Hizir (2003), “a diferença entre classificação e clusterização é que na
classificação o número de subgrupos e os rótulos dos mesmos é previamente definido, enquanto que
na clusterização esses parâmetros são desconhecidos no início”. Já Xu e Wuncsh II (2009) apresenta
como definição genérica o termo classificação, que pode ser supervisionada ou não-supervisionada.
Esta última é denominada pelo autor de clusterização ou análise exploratória de dados. Ou seja,
clusterização é, na visão do referido autor, um tipo de classificação.
Este trabalho utiliza técnicas de análise de interdependência entre os dados para uma análise
exploratória, e não para rotulação de dados. Ambas as terminologias apresentadas anteriormente
convergem para clusterização.
A clusterização visa agregar os objetos de forma que cada objeto em um dado agrupamento (clus-
ter) seja bastante semelhante aos outros do mesmo agrupamento, e os objetos de clusters distintos
2.4 Clusterização 45
sejam bastante diferentes entre si. Os aspectos determinantes na clusterização são (Moscato e Von
Zuben 2002):
• representação dos padrões (podendo incluir extração ou seleção de características);
• definição de uma medida de similaridade apropriada ao domínio da aplicação;
• método utilizado para a formação dos clusters; e
• apresentação do resultado.
Cada um dos itens anteriores será discutido nas subseções a seguir.
2.4.1 Representação dos Padrões
A representação dos padrões envolve a definição dos atributos que descrevem os objetos. Su-
pondo, por exemplo, que os objetos a serem agrupados sejam pessoas. Alguns atributos descritores
poderiam ser: altura, peso, sexo, cor, idade, nacionalidade e religião. Juntamente com os atributos,
define-se os tipos dos mesmos. Por exemplo, a altura pode ser uma variável numérica ou quantitativa
(medida em metros, por exemplo), ou categórica ou qualitativa (medida em escala ordinal, com ní-
veis como alto, médio e baixo, por exemplo). Há ainda o tipo de variável categórica nominal (ou não
ordinal), como o sexo (masculino ou feminino).
Na definição dos atributos para clusterização se aplicam os conceitos de seleção de variáveis e

análise de dados discrepantes apresentados na Seção 2.2. As técnicas de clusterização são ainda mais
sensíveis a alguns efeitos dos dados, como a multicolinearidade e a presença de dados discrepantes,
do que as técnicas de regressão.
2.4.2 Medidas de Similaridade
Estão disponíveis uma série de medidas de distâncias para serem usadas nos métodos de clus-
terização. A mais comum e intuitiva é a distância euclidiana. Entretanto, essa medida é aplicável
apenas às variáveis métricas (por exemplo, a altura medida em metros). Outras medidas de distância
para esse tipo de variável são as distâncias de Minkowski, City Block e Mahalanobis (Xu e Wuncsh
II 2009). Há ainda medidas de distância derivadas de coeficientes de correlação, mais utilizadas
em alguns problemas específicos. Essas medidas são sensíveis à dimensão dos dados. Caso sejam
utilizadas variáveis em diferentes unidades, é recomendável a aplicação de algum procedimento de
normalização, como a padronização (Hair et al. 2005, Xu e Wuncsh II 2009).
As medidas de similaridade para as variáveis não-métricas (por exemplo, a altura classificada em

alto, médio ou baixo) também são conhecidas como medidas de associação. A forma mais simples
dessa medida é o percentual de vezes em que ocorre concordância no conjunto de dados (Hair et al.
2005, Xu e Wuncsh II 2009). Há também medidas disponíveis para variáveis mistas, que podem ser
aplicadas simultaneamente para conjuntos de dados métricos e não-métricos (Xu e Wuncsh II 2009).
2.4.3 Métodos de Clusterização
Após a definição das variáveis e a construção de uma matriz de similaridade, pode-se então apli-
car uma técnica de partição dos dados. Existem inúmeros métodos de clusterização disponíveis na
literatura, sendo possível classificá-los como hierárquicos e não-hierárquicos, ou particionais (Hair
et al. 2005, Xu e Wuncsh II 2009).
Os métodos hierárquicos envolvem a construção de uma hierarquia utilizando uma estrutura do

tipo árvore. Podem ainda ser classificadas, de acordo com a abordagem, em aglomerativa (bottom-up)
ou divisiva (top-down). A maior característica dos métodos hierárquicos é que os resultados de um
estágio anterior são sempre aninhados com os resultados de um estágio posterior – daí a estrutura do
tipo árvore. Algoritmos clássicos são a ligação individual, ligação completa, ligação média, método
de Ward e método de centróide (Hair et al. 2005). Este trabalho utilizou apenas o método de Ward, e,
por esta razão, será a única abordagem descrita a seguir.
No método de Ward, também conhecido como método de mínima variância, o objetivo é mini-
mizar o crescimento da soma dos erros quadráticos nos clusters, conforme a Equação (2.7) (Xu e
Wuncsh II 2009).
K X
(xi − mk )2
X
(2.7)
k=1 xi ∈Ck
sendo K o número de clusters; xi cada objeto a ser agrupado; e mk o centróide do cluster Ck , oriundo
da junção de dois clusters. O centróide é calculado de acordo com a Equação (2.8).
1 X
mi = x (2.8)
ni x∈Ci
sendo ni o número de objetos pertencentes ao cluster i.
O processo inicia considerando cada objeto a ser agrupado como um cluster, e termina quando
todos objetos estiverem classificados em um mesmo cluster (apenas um cluster). Os clusters são for-
mados de acordo com o critério de minimização da soma dos erros quadráticos nos clusters, conforme
Equação (2.7). Assim que um cluster é composto, deve-se calcular seu centróide, de acordo com a
Equação (2.8).
O método de Ward é classificado como um método geométrico, pois utiliza os centros geométricos
para representar os clusters e determinar suas distâncias. Devido à minimização do erro na Equação
(2.7), o método de Ward tende a combinar clusters com um pequeno número de observações, além
de produzir clusters com aproximadamente o mesmo número de observações (Hair et al. 2005).
Os métodos não-hierárquicos designam objetos a clusters a partir de um número pré-definido de

clusters, usualmente através de uma modelagem de otimização irrestrita. Não há, portanto, a forma-
ção de uma árvore encadeada com as distâncias dos clusters. O algoritmo clássico mais conhecido é
o k-means, baseado na soma dos erros quadráticos (Xu e Wuncsh II 2009).
Não há como definir, previamente, qual tipo de clusterização é mais eficiente. O tipo apropriado
dependerá da aplicação em estudo. Os métodos hierárquicos foram mais utilizados nas aplicações ini-
ciais, principalmente por serem mais rápidos. Esses métodos podem ser enganosos, pois combinações
iniciais indesejáveis podem persistir na análise e conduzir a resultados ruins (Hair et al. 2005). Uma
preocupação específica são os dados discrepantes, principalmente no método de ligação completa.
Com o avanço da computação, os métodos não-hierárquicos têm sido cada vez mais aplicados.
Seu uso, porém, depende da habilidade do pesquisador para selecionar o número de clusters de en-
trada de acordo com alguma base prática, objetiva ou teórica. Quando bem aplicados, os resultados
são menos susceptíveis a dados discrepantes, à medida de similaridade adotada e à inclusão de variá-
veis irrelevantes ou inadequadas (Hair et al. 2005).
Uma abordagem intuitiva é utilizar ambos os métodos nas aplicações. Inicialmente, os métodos
hierárquicos podem ser aplicados para estabelecer um número de clusters, caracterizar os centróides
e identificar as observações discrepantes. Pode-se, então, aplicar um método não-hierárquico para
finalização da análise, determinando os clusters e realizando o agrupamento dos dados em definitivo.
Conforme já apresentado na Subseção 2.2.5, a combinação de modelos é conhecida como Comitê

de Máquinas, e tem a vantagem de permitir a potencialização do desempenho de cada método. Strehl
e Ghosh (2002) comentam sobre os resultados da aplicação de ensembles de clusters, constatando a
melhor robustez, rapidez e melhora no resultado final.
Além dos métodos clássicos de clusterização relacionados anteriormente, podem-se citar alguns
métodos “emergentes” com crescente uso em clusterização, como as RNAs (por exemplo, os Self
Organizing Maps) e algoritmos baseados em funções de kernel, por exemplo, as Máquinas de Vetores
Suporte (Support Vector Machines) (Haykin 1999, Xu e Wuncsh II 2009).
Independente do método utilizado para a clusterização, é importante apresentar uma avaliação

dos agrupamentos formados. O problema de avaliar objetivamente e quantitativamente os resultados
de uma clusterização é conhecido como validação dos clusters (Xu e Wuncsh II 2009).
Os critérios de validação de clusters podem ser divididos em externo, interno e relativo. O critério
externo compara os clusters obtidos com uma estrutura pré-definida, que reflete uma informação co-
nhecida a priori sobre a estrutura do conjunto de objetos. Contrariamente, o critério interno avalia os
agrupamentos exclusivamente com base no conjunto de objetos, sem informação externa. O critério
relativo compara os clusters formados com outros obtidos por algoritmos diferentes, ou até mesmo o
mesmo algoritmo com diferentes parâmetros (Xu e Wuncsh II 2009).
2.4.4 Apresentação dos Resultados
Independente do método de clusterização, deve-se permitir que um computador possa utilizar o

resultado de forma direta ou orientada pelo usuário, permitindo a visualização gráfica dos clusters
e a compreensão de suas inter-relações, através da proposição de protótipos ou outras descrições
compactas para os clusters (Moscato e Von Zuben 2002).
As ilustrações gráficas mais comuns são o dendrograma, que ilustra os passos de um método de
clusterização hierárquico, e o gráfico de dispersão, para uma análise em, no máximo, três dimensões.
O dendrograma é um gráfico bastante ilustrativo do processo de clusterização, permitindo a identifi-
cação dos estágios da clusterização, das observações discrepantes e do número razoável de clusters.
A Figura 2.5 mostra o exemplo de um dendrograma de uma clusterização com 30 observações alea-
tórias, visualizadas através do gráfico de dispersão da Figura 2.6.
Figura 2.5: Exemplo de um dendrograma.

Figura 2.6: Gráfico de dispersão com os dados que originaram o dendrograma da Figura 2.5.
Parte II
Estimação de Perdas de Energia
51
Capítulo 3
Estimação de Perdas de Energia nos Sistemas

de Distribuição
3.1 Introdução
Conforme já discutido no Capítulo 1, um procedimento bastante utilizado para estimar as perdas

de energia na distribuição é efetuar a estimação para as perdas de potência máxima e, posteriormente,
aplicar um fator de transformação dessas perdas para perdas de energia – o fator de perdas. Esse
procedimento, apesar de coerente sob o ponto de vista teórico, implica em perda de precisão na
estimação das perdas de energia. Primeiramente, devido ao uso da demanda máxima, que é uma
variável aleatória com alta dispersão e com dificuldades de medição. Posteriormente, devido ao uso
difundido da aproximação entre o fator de cargas e o fator de perdas.
Neste capítulo será apresentada uma metodologia de cálculo de perdas por decomposição da curva
de carga em uma curva de comportamento constante e outra devido à variabilidade da carga. Através
desta decomposição, consegue-se demonstrar que a perda de energia depende apenas de dois compo-
nentes: a demanda média e a variância da curva de carga. A proposta de cálculo das perdas por esses
dois componentes amplia o entendimento sobre as perdas de energia, e pode auxiliar no desenvolvi-
mento de métodos aproximados para o cálculo dessas perdas, como será abordado nos capítulos 5 e
6.
As últimas seções deste capítulo apresentam análises com um banco de dados de curvas de carga
representativo, além do estudo de um caso simples com a aplicação das propostas no planejamento.
53
54 Estimação de Perdas de Energia nos Sistemas de Distribuição
3.2 Cálculo de Perdas de Energia com o Fator de Perdas
Conforme apresentado na revisão bibliográfica do Capítulo 1, a dificuldade de processamento e a

falta de informações dificultaram a aplicação de técnicas de fluxo de carga para o cálculo das perdas
técnicas de energia. Nos dias atuais, mesmo com o primeiro problema tendo sido minimizado, a
falta de informações, sobretudo das redes BT dos sistemas de distribuição, é ainda um fator que cria
dificuldades para a aplicação de tais técnicas.
O procedimento usual nesses casos é o cálculo da perda para a demanda máxima – através de
métodos aproximados ou, algumas vezes, através de um fluxo de carga para a demanda máxima –
seguido da aplicação do fator de perdas. Esta seção apresentará algumas desvantagens de se adotar
tal procedimento.
3.2.1 Medição de Demanda e suas Conseqüências
A demanda é definida como a carga média em um intervalo de tempo específico, conhecido como
intervalo de demanda. Demanda máxima é o maior valor de todas as demandas que ocorreram em
um período específico de tempo (Gonen 1986).
Conforme definido anteriormente, um ponto de demanda de uma curva de carga está relacionado
a um intervalo de tempo. Como a carga real é uma função contínua, a integralização para os pontos
discretos deve seguir uma regra. Nessa questão podem-se relacionar dois aspectos que fazem o uso
da demanda máxima de certa forma imprecisa: a quantidade de pontos na curva de carga e a janela
de medição.
A Figura 3.1 mostra três curvas de carga distintas. A curva representada pela linha contínua,
obtida de um consumidor residencial, possui 96 pontos. A mesma curva de carga foi integralizada
em duas curvas com 24 pontos, com os intervalos de integralização defasados. A curva denominada
24a segue a integralização de acordo com a seqüência da curva de 96 pontos, ou seja, o primeiro
ponto é uma média dos quatro primeiros pontos da curva de 96 pontos. A curva de carga 24b segue o
procedimento da curva 24a, só que com defasagem de dois pontos.
Na Figura 3.1 observa-se a diferença das demandas máximas entre os intervalos de tempo. A
demanda máxima para a curva 24a é 0,7 pu, enquanto que para a curva 24b é 0,89 pu. A demanda
máxima da curva de carga de 96 pontos é 1 pu, e é inferior à demanda máxima instantânea verificada
(não representada na figura).
Essa questão foi abordada por Lincoln e Sprole (1939), e é considerada importante para ser des-
prezada. Como comentado por Berrisford (1990), dois consumidores com a mesma demanda máxima
podem ser tarifados com uma diferença considerável se um deles apresenta variações da carga no in-
tervalo de demanda. Existem algumas soluções de medição que podem apresentar resultados mais
3.2 Cálculo de Perdas de Energia com o Fator de Perdas 55
Figura 3.1: Curva de carga de 96 pontos e duas possíveis integralizações para 24 pontos.
precisos, como um medidor do tipo janela móvel e o uso da curva de duração de carga. Em suas
conclusões, Berrisford (1990) argumenta que a definição da tarifa deveria usar a demanda máxima
estatística de várias maneiras possíveis, já que não é mais necessário limitar as definições de demanda
máxima pelas tecnologias desenvolvidas nos anos 80.
3.2.2 A Variável Aleatória Demanda Máxima
Supondo que a demanda máxima seja perfeitamente definida e medida em uma dada carga, ainda
existirão questões sobre seus benefícios: qual é a sua real utilidade para a análise do sistema? A
demanda máxima medida é uma caracterização estatística que representa a carga?
A Figura 3.2 mostra um histograma da demanda máxima medida em intervalos de integralização

de 15 minutos. O consumidor foi selecionado aleatoriamente de uma distribuidora brasileira.
A demanda máxima é uma variável aleatória, e não é desejável que seja usada como um valor
determinístico, fixo. Mas a maioria dos estudos de planejamento da distribuição aplicam fluxos de
carga para cargas estáticas, quase sempre para demandas máximas, calculando, por exemplo, a má-
xima queda de tensão; a probabilidade do acontecimento dessa queda de tensão pode ser desprezível,
e talvez o sistema não devesse ser projetado para atender esse critério.
Muitos métodos avançados, baseados no estado da arte em otimização, são desenvolvidos para
ajudar as tomadas de decisão em sistemas de potência, como expansão ótima, configuração ótima dos
alimentadores radiais, alocação ótima de capacitores. Eles usualmente adotam a demanda máxima
coincidente em suas análises. O quão diferente seriam os resultados se fossem usados cenários pro-
Figura 3.2: Histograma da demanda máxima.
babilísticos das cargas? As soluções obtidas pelos modelos de otimização são realmente “ótimas”?
A área de qualidade da energia elétrica utiliza alguns índices estatísticos para classificar o desem-
penho dos sistemas. Ao invés de usar apenas o pior caso de uma medida, alguns índices utilizam, por
exemplo, a probabilidade de ocorrência (95%, por exemplo). Propõe-se que as análises que utilizem
dados de carga passem incorporar essa prática também para a demanda máxima.
3.2.3 O Fator de Carga como Medida de Variabilidade
O fator de carga é a razão da demanda média em um período de tempo pela demanda máxima que
ocorre nesse período (Gonen 1986). A Equação (3.1) ilustra essa definição:
E
fc = (3.1)
T × Dmax
onde E é a energia no período T; e Dmax é a demanda máxima.
O fator de carga é uma característica da curva. Ele fornece uma medida de quão longe a demanda
média está da demanda máxima. Pode ser visto como o percentual expressando a razão entre a energia
suprida e a energia que poderia ser suprida no mesmo período, se a carga apresentasse a demanda
máxima durante todo o período. Adicionalmente, o fator de carga indica o grau de utilização eficiente
3.2 Cálculo de Perdas de Energia com o Fator de Perdas 57
de um equipamento, linha ou sistema, mostrando o quão longe está a máxima demanda verificada do
valor ideal, representado pela demanda média.
Entretanto, existem algumas situações onde o fator de carga é utilizado como a medida de variabi-
lidade da curva de carga. De fato ele apresenta uma boa indicação dessa medida. Mas o correto seria
a utilização de um indicador natural da variação: o desvio padrão (σ) ou o coeficiente de variação
(CV). O CV é dado por:
σ
CV = (3.2)
D̄
onde D̄ é a demanda média e σ é dado por:
sP
√ N
i=1 (Di − D̄)2
σ= σ2 = . (3.3)
N
O fator de carga apresenta uma estimativa do coeficiente de variação. Dentre os métodos existen-
tes para a estimação do σ, o intervalo (diferença entre os valores máximos e mínimos) da distribuição
pode ser usado. Para distribuições normais, por exemplo, três vezes o valor do σ representa cerca
de 99,7% dos dados. Portanto, o intervalo dos dados (valor máximo subtraído do mínimo) for divi-
dido por seis é uma boa estimativa do σ. Em testes realizados com algumas curvas de carga reais
observadas no Brasil, o coeficiente de correlação de Pearson entre o fator de carga e o σ foi de -0,75,
considerada uma boa correlação.
Este trabalho adota o uso do CV como o indicador de medida de variação das curvas de carga.
Sendo uma medida percentual, ele é indicado para comparar as variações de dados em diferentes
unidades, como é o caso das curvas de carga de diferentes consumidores. Não é recomendado em
situações onde existem dados positivos e negativos – nesses casos, o valor da média tem significado,
o que não é o caso das curvas de carga.
A Figura 3.3 mostra duas curvas de carga. Elas têm o mesmo fator de carga (69%), o que não
significa a mesma variância. O CV dessas curvas é totalmente diferente (59% para LC1 e 16% para
LC2), o que significa 32 % de perdas adicionais – por possuírem a mesma demanda média, podem ser
computadas facilmente com a relação percentual de seus coeficientes de variação, como será mostrado
na próxima seção.
Outro problema associado ao fator de carga é sua vulnerabilidade aos períodos de tempo consi-
derados. Como apontado por Gonen (1986), quanto maior o período T, menor é o fator resultante.
Supondo que a curva de carga hipotética da Figura 3.4 tem um comportamento periódico, com 100
períodos (dias, por exemplo). Supondo também que haja um evento extraordinário em um dia, e o
pico da carga cresça 30%. A Tabela 3.1 mostra as estatísticas desse exemplo.
O objetivo destes exemplos foi apenas mostrar algumas desvantagens no uso do fator de carga, e
argumentar que o CV pode ser mais útil para medir as variações de carga nos sistemas de potência.
Obviamente, se for necessária uma estimativa da eficiência do uso de um equipamento, o fator de
carga será o indicador apropriado.
Figura 3.3: Duas curvas de carga com o mesmo fator de carga e diferentes CVs.
Figura 3.4: Uma curva de carga periódica com um pico de demanda.

3.3 Cálculo de Perdas de Energia pelo Coeficiente de Perdas 59
Tabela 3.1: Estatísticas da curva de carga apresentada na Figura 3.4.

ano ano com o dia dia
normal dia anormal normal anormal
demanda média (pu) 0,521 0,523 0,521 0,533
demanda máxima (pu) 1,000 1,300 1,000 1,300
fator de carga (%) 52,08 40,26 52,08 41,03
CV (%) 42,84 43,95 42,84 47,93
3.2.4 A Relação entre o Fator de Perdas e o Fator de Carga
O fator de perdas é definido como a razão da perda média em relação à perda de demanda má-
xima durante um intervalo de tempo específico (Gonen 1986). Pode ser considerado o fator de
carga da curva de perdas. Outra interpretação análoga são as horas equivalentes, que são obtidas
multiplicando-se o fator de perdas pela duração do período. Considerando que a tensão e o fator de
potência são constantes durante o período, o fator de perdas pode ser calculado diretamente da curva
de carga, como mostrou a Equação (1.4).
É sabido que a relação entre o fator de carga e o fator de perdas é específica para cada situação,
e sua aplicação para outros casos é uma aproximação. A equação mais comum que relaciona ambos
é a equação quadrática sem intercepto – Equação (1.3). Como apresentado anteriormente, Buller e
Woodrow (1928) propuseram o valor de 0,3 para a constante k. Gustafson et al. (1988) recomendou
o valor de 0,08 para o k. Pabla (2004) apresenta outras recomendações para o valor k observadas em
países distintos:
• Inglaterra: 0,2;
• Estados Unidos: 0,3 para áreas urbanas e 0,16 para rurais;
• Austrália: 0,2.
Há, portanto, grande variação entre os coeficientes k obtidos por estudos diversos. Não é interes-
sante o uso de um desses valores sem, ao menos, analisar se as curvas de carga são semelhantes.
3.3 Cálculo de Perdas de Energia pelo Coeficiente de Perdas
Esta seção apresentará um método para o cálculo de perdas que utiliza apenas as componentes que
realmente interferem na perda: a demanda média e o desvio padrão da curva de carga. É, portanto,
desnecessária a utilização da demanda máxima.
Essas propostas têm grande efeito na estimação das perdas técnicas de energia nos sistemas elé-
tricos. A variável demanda máxima é certamente menos precisa do que a demanda média. Quanto ao
desvio padrão, a utilização de valores típicos para as cargas é válida para análises sistêmicas. Even-
tualmente, se ainda assim a perda da potência máxima for necessária, pode-se obtê-la da perda de
energia, através de algum fator de conversão dependente do desvio padrão e da distribuição da curva
de carga.
Para o desenvolvimento do raciocínio1 , supõe-se um segmento de linha conforme ilustra a Figura

3.5.
carga
Figura 3.5: Circuito simples.
Supõe-se ainda que a carga representada na Figura 3.5 apresente o comportamento ilustrado na
Figura 3.6. Nessa figura, a corrente da carga é representada por I, com N pontos discretos, todos
com a mesma duração t. Essa corrente pode ser decomposta em duas componentes: ICON ST e IV AR ,
calculados segundo a Equação (3.4).
N
X Ii
ICON ST =
i=1 N
IV AR = Ii − ICON ST , para todo i. (3.4)
A perda de energia na linha da Figura 3.5 é dada por:
N N
Ii2 = R · t · (ICON ST i + IV ARi )2 .
X X
∆E = R · t · (3.5)
i=1 i=1
Desenvolvendo-se o binômio da equação anterior:
N
2 2
X
∆E = R · t · (ICON ST i + IV ARi + 2 · ICON ST i · IV ARi ). (3.6)
i=1
1
O autor agradece as sugestões do Prof. Romis Attux, da FEEC/UNICAMP, pelas discussões das idéias apresentadas
nesta seção
3.3 Cálculo de Perdas de Energia pelo Coeficiente de Perdas 61
Figura 3.6: Decomposição da corrente em duas componentes.
Sabe-se da Equação (3.4) que IV AR é obtido pela diferença entre a corrente I e sua média, e,
portanto, possui média zero. Desta forma, o termo N
i=1 2 · ICON ST i · IV ARi é nulo. Tem-se então:
P
N
2 2
X
∆E = R · t · (ICON ST i + IV ARi ). (3.7)
i=1
ICON ST i é igual para todo i, e o termo N 2

I¯2 . Através de manipulações da
i=1 ICON ST i equivale à N ·P
P
equação do cálculo do desvio padrão (3.3), pode-se escrever o termo N 2

i=1 IV ARi da seguinte forma:
N N
IV2 ARi = ¯ 2 = N · σ2.
X X
(Ii − I) (3.8)
i=1 i=1
Portanto, a perda de energia para um dado período pode ser escrita na forma:
∆E = R · t · N · (I¯2 + σ 2 ) (3.9)
onde t · N equivale ao período em análise.
Optou-se por apresentar uma demontração utilizando a decomposição da corrente I em duas com-
ponentes para facilitar a abstração do problema, induzindo o entendimento sob o foco da engenharia.
Essa abstração será aproveitada na formulação a ser apresentada na próxima seção deste capítulo. En-
tretanto, há uma forma alternativa de demonstração, mais simples e matematicamente mais formal,
utilizando conceitos de probabilidade.
A esperança E(X k ) é denominada momento de ordem k da variável aleatória X, para k = 1, 2,

.... Define-se a variância σ 2 como (Devore 2006):
σ 2 = E((X − µ)2 ) = E(X 2 ) − (E(X))2 . (3.10)
Ou seja, a variância equivale ao momento de segunda ordem menos o quadrado do momento

de primeira ordem, ou ao segundo momento central da variável aleatória. Considerando-se I uma
variável aleatória, cada ponto da curva de carga possui a mesma probabilidade de ocorrência (são
equiprováveis, pois os intervalos possuem a mesma duração t). Tem-se portanto:
N
!2
Ii
[E(X)]2 = = I¯2
X
i=1 N
N
Ii2
E(X 2 ) =
X
. (3.11)
i=1 N
Através das equações (3.10) e (3.11), a Equação (3.5) poderia ser reescrita da seguinte forma:
N
Ii2 = R · t · N · (I¯2 + σ 2 ).
X
∆E = R · t · (3.12)
i=1
Fica claro então que a perda de energia em um dado elemento depende apenas de dois com-
ponentes. O primeiro devido à média da curva de carga; o outro devido à variabilidade da carga.
Obviamente, se a carga é constante, o segundo termo é nulo, e a perda depende apenas da corrente
média.
A Equação (3.9) pode ser disposta em outro formato (Roselli e Yatsu 2007), com a utilização do
coeficiente de variação (CV):
∆E = R · N · I¯2 · (CV 2 + 1). (3.13)
O termo que representa a variação da curva de carga na Equação (3.13) pode ser chamado Coefi-
ciente de Perdas (CP) (Roselli e Yatsu 2007):
CP = CV 2 + 1 (3.14)
∆E = R · N · I¯2 · CP. (3.15)
O CP pode ser interpretado como a perda média sobre a perda de demanda média, ou a perda
de energia verificada sobre as perdas de energia que aconteceriam se a carga média fosse aplicada
durante todo o período. Outra interpretação análoga pode ser realizada se o coeficiente de perdas for
convertido para horas:
∆E = R · I¯2 · HEP (3.16)

3.4 Formulação do Problema de Estimação das Perdas de Energia 63
sendo HEP as horas equivalentes de perdas. HEP representa a quantidade de horas necessárias para
que a demanda média apresente as mesmas perdas verificadas no período sob análise. Diferentemente
das horas equivalentes tradicionais, seu valor é sempre maior ou igual a uma unidade.
Através de manipulações das equações (1.4), (3.2) e (3.14), é fácil verificar que o coeficiente de
perdas e o fator de perdas, assim como as horas equivalentes de perdas e as horas equivalentes, se
relacionam pelo quadrado do fator de carga, conforme mostra a Equação (3.17).
CP · f c2 = f p ⇔ HEP · f c2 = HE (3.17)
3.4 Formulação do Problema de Estimação das Perdas de Ener-

gia
A Seção 3.3 apresentou equações para cálculo das perdas técnicas para trechos de rede. Caso
sejam aplicadas em todos os trechos da rede, as perdas obtidas serão equivalentes ao cálculo de
perdas através da modelagem do fluxo de carga, com o fluxo das correntes para cada intervalo de
tempo. Entretanto, tal aplicação teria pouca vantagem do ponto de vista prático.
As equações propostas na Seção 3.3 podem ser aplicadas para o desenvolvimento de modelos
aproximados para cálculo das perdas de energia em sistemas de potência, que são essencialmente
aplicáveis nos casos onde não há informação suficiente sobre o sistema para a aplicação de métodos
de fluxo de carga – situação de certa forma comum em sistemas de distribuição.
A modelagem da divisão da corrente em corrente média e corrente devido à variação traz conheci-
mento importante para a maior efetividade dos métodos aproximados. Pode-se extrapolar a Equação
(3.15) para aplicação não apenas em trechos da rede, mas em todo o sistema:
∆Etotal = ∆Emedia + ∆Evariacao (3.18)
onde ∆Etotal é a perda total do sistema, ∆Emedia é a perda devido à demanda média das cargas
(consumo) e ∆Evariacao é a perda devido à variação da demanda das cargas.
Supondo o desenvolvimento de um modelo de regressão para o cálculo de perdas em sistemas de

distribuição. Conforme apresentado no Capítulo 2, tais modelos utilizam informações das variáveis
independentes para a previsão da variável dependente. Pode-se supor que o relacionamento das va-
riáveis independentes é diferente para a previsão da perda média e da perda devido à variação, ou
até mesmo que as variáveis que explicam uma componente da perda devido à demanda média não
são as mesmas que explicam a perda da variação. Caso isso aconteça, a segmentação do problema
em duas partes pode ser benéfica, com o desenvolvimento dos modelos empíricos especializados em
cada parte.
A Equação (3.18) pode ser escrita da seguinte forma:
∆Etotal = ∆Emedia · CPeq (3.19)
onde CPeq é o coeficiente de perdas equivalente do sistema.
Atrávés de simulações apresentadas no Capítulo 5, constatou-se que uma boa aproximação para
o CPeq das redes é o CP da curva de carga da saída do transformador que supre a rede. Nos modelos
de regressão desenvolvidos nos capítulos 5 e 6 considerou-se o CPeq como um parâmetro conhecido,
ou seja, estima-se a perda média (e não a perda total). A formulação utilizada é:
∆Etotal
∆Emedia = y = . (3.20)
CPeq
3.5 Caracterização das Curvas de Carga
Este trabalho analisou um banco de curvas de carga de 19 distribuidoras brasileiras, que suprem
cerca de 20 milhões de consumidores. Cada curva de carga tem 96 pontos. A Tabela 3.2 sumariza os
dados dessas curvas. As curvas foram agrupadas pelos níveis de tensão das cargas (AT, MT e BT) e
das transformações (AT/MT e MT/BT).
Tabela 3.2: Banco de dados de curva de cargas.

AT AT/MT MT MT/BT BT Total
Número de
12.590 77.934 111.211 24.692 233.025 459.452
curvas de carga
Número de
417 2.469 3.989 2.004 18.495 27.374
pontos medidos
A Tabela 3.3 apresenta algumas estatísticas dos parâmetros das curvas de carga: fator de carga
(fc), fator de perdas (fp) calculado de acordo com a Equação (1.4), constante k, o CV e o CP. As
estatísticas são a média, os valores mínimo e máximo, o desvio padrão (σ) e o CV.
Como se pode perceber, os parâmetros apresentam grandes variações entre os segmentos. A

constante k, muitas vezes adotada como 0,15 na literatura (CODI 1996b), apresentou valores médios
de 0,12 a 0,29, e uma grande variação no nível de alta tensão. Não é, assim como para os demais
parâmetros, recomendável a adoção de um único valor para essa constante. A Figura 3.7 mostra o
gráfico de dispersão do fator de carga e fator de perdas para o segmento de baixa tensão.
A Subseção 3.2.3 discutiu o uso indevido do fator de carga como uma medida de variação da
curva. Foi apresentado um argumento relacionado à integralização da curva de carga, mostrando que o
fator de carga pode apresentar grandes variações quando a curva de carga possuir um número reduzido
3.5 Caracterização das Curvas de Carga 65
Tabela 3.3: Estatísticas de alguns parâmetros das curvas de carga.

AT AT/MT MT MT/BT BT
Média 0,8 0,68 0,56 0,46 0,29
Mínimo 0,01 0,01 0,01 0,01 0,01
fc Máximo 1 1 1 1 1
σ 0,17 0,13 0,21 0,16 0,19
CV 0,22 0,18 0,37 0,35 0,65
Média 0,69 0,51 0,42 0,28 0,17
Mínimo 0,01 0,01 0,01 0,01 0,01
fp Máximo 1 1 1 1 1
σ 0,21 0,15 0,22 0,15 0,16
CV 0,3 0,3 0,51 0,52 0,94
Média 0,13 0,12 0,29 0,21 0,29
Mínimo 0 0 0 0 0
k Máximo 1 1 1 1 1
σ 0,17 0,11 0,23 0,17 0,19
CV 1,32 0,91 0,77 0,79 0,66
Média 0,21 0,26 0,56 0,56 1,05
Mínimo 0 0 0 0 0
CV Máximo 9,8 9,8 9,8 9,8 9,8
σ 0,43 0,31 0,53 0,45 0,79
CVCV 2,04 1,21 0,95 0,81 0,76
Média 1,23 1,16 1,59 1,52 2,72
Mínimo 1 1 1 1 1
CP Máximo 97 97 97 97 97
σ 2,87 1,78 2,76 2,08 4,67
CV 0,43 0,65 0,58 0,73 0,58
de pontos. Uma amostra de 10.000 curvas foi integralizada para 24 pontos, e como comparação da
variação dos parâmetros fc e CV foi utilizado o MAPE. Foi encontrado um MAPE de 32% para o
fator de carga, e 12% para o CV. Isso mostra que o CV é menos sensível à variação da integralização.
As figuras 3.8 e 3.9 mostram o gráfico de dispersão do fator de carga e do CV para 96 pontos (eixo
horizontal) e 24 pontos (eixo vertical), respectivamente.
A Equação (3.9) mostrou que a perda é composta de dois componentes. É interessante notar
a participação de cada termo nas perdas. A Tabela 3.4 mostra a participação percentual do σ 2 nas
2
perdas, ou seja, o σ 2 dividido por (I + σ 2 ), para as curvas de carga do banco de dados.
Como esperado, o percentual devido ao valor médio é maior em tensões mais altas, pois elas
apresentam curvas de carga com perfis aproximadamente constantes. Na média, apenas 6% das perdas
das curvas AT são devido à variação das cargas.
Figura 3.7: Fator de carga versus fator de perdas para o segmento de baixa tensão.
Figura 3.8: Variação do fator de carga com a integralização das curvas de 96 para 24 pontos.
3.6 Aplicação dos Conceitos Propostos 67
Figura 3.9: Variação do CV com a integralização das curvas de 96 para 24 pontos.
Tabela 3.4: Percentual das perdas devido à componente σ 2 .

AT AT/MT MT MT/BT BT
Média 6,1 6,6 22,7 22,4 44,2
Mínimo 0 0 0 0 0
Máximo 99 99 99 99 99
σ 12,9 9,8 21,2 19,0 24,6
CV 2,1 1,5 0,93 0,85 0,56
3.6 Aplicação dos Conceitos Propostos
Nesta seção é discutido um exemplo simples para ilustrar a aplicação dos conceitos propostos
neste capítulo. O exemplo é o projeto hipotético do circuito da Figura 3.5. Trata-se de uma rede MT
para atendimento de uma carga com consumo esperado de aproximadamente 15.000 MWh por ano.
O comportamento esperado da curva de carga é que seja semelhante ao valor médio das cargas de
MT mostrado na Tabela 3.3. Para simplificar a exposição, neste exemplo hipotético se considera o
horizonte de planejamento de apenas um ano, sem crescimento de carga.
A distribuição do CV das curvas de carga para o segmento de MT é exponencial – na verdade,

observa-se que o CV de todos os segmentos estudados apresentou esse comportamento. As perdas
irão seguir a distribuição do coeficiente de perdas, que tem a inclinação mais acentuada do que o CV
devido à potência quadrada, como mostra a Figura 3.10.
Figura 3.10: Distribuição do coeficiente de perdas.
As perdas podem ser calculadas para o circuito usando a distribuição esperada do coeficiente de
perdas. A Figura 3.11 mostra a distribuição das perdas de energia calculadas.
As perdas médias serão de 78MWh/(ohm/km) e essas perdas serão inferiores à 107 MWh/(ohm/km)
com 90% de probabilidade. Pode-se notar que a demanda máxima não foi usada para calcular as per-
das, evitando-se o uso de uma variável incerta. A demanda média também é uma variável aleatória,
mas com melhor precisão em sua previsão.
Para fazer a escolha do cabo correto, os custos fixos (provenientes da construção) e variáveis
(perdas de energia) devem ser analisados para cada condutor disponível. Existem alguns gráficos
recomendados que permitem uma análise visual simples dos limites econômicos de cada condutor. A
Figura 3.12 mostra um exemplo desses gráficos (Willis 2004).
Para traçar as curvas constantes da Figura 3.12, adotou-se a relação clássica entre o fator de carga
e perdas, usando a demanda máxima para o cálculo das perdas. Os valores adotados para o fator
de carga e fator de perdas são 60% e 46%, respectivamente (Willis 2004). A demanda máxima está
representada no eixo horizontal.
A Figura 3.13 mostra as curvas econômicas dos condutores de uma forma mais simples. O único
parâmetro fixo é o CV. Foi utilizada a corrente média (ampères) ao invés da potência. Os valores entre
parênteses referem-se à máxima corrente esperada com 95% de probabilidade (o valor conservativo
de 2σ, supondo que a corrente tem uma distribuição normal). Foi adotado um horizonte de 20 anos e
Figura 3.11: Distribuição das perdas (MWh).
Figura 3.12: Curvas clássicas para escolha econômica de condutores (fonte: Willis 2004).
o custo de 130 R$/MWh para as perdas, trazidas a valor presente a uma taxa de juros de 12% ao ano2 .
Figura 3.13: Curva de condutor econômico para o CV constante.
Como a energia é um dos parâmetros mais fáceis de previsão no planejamento, a curva pode ser
traçada de forma simétrica, fixando a corrente média e variando o CV. A Figura 3.14 mostra esse
cenário.
Figura 3.14: Curva de condutor econômico para a energia constante.

2
Ressalta-se que o estudo é apenas ilustrativo, e não foi realizada uma análise completa sobre os parâmetros a serem
utilizados
Utilizando os dados mostrados na Figura 3.14, é mais fácil de realizar a escolha do condutor
econômico. Para o exemplo desta seção, a corrente média é aproximadamente 75 ampères. De acordo
com a Figura 3.14, a escolha seria apenas entre os condutores 4/0 e 336. O 4/0 é mais econômico
para CVs menores que 0,4, enquanto que o 336 é melhor para CVs acima de 0,5. Como o CV médio
das cargas MT é 0,56 (ver Tabela 3.3), a melhor escolha é o condutor 336.
As curvas mostradas nas Figuras 3.13 e 3.14 fornecem um método de visualização para auxiliar
a escolha do melhor condutor. Outra possibilidade é tabular todos os cenários de correntes e CV
em um único diagrama, tornando a escolha do condutor uma tarefa mais simples. A Figura 3.15
mostra um exemplo do diagrama proposto. Pode-se notar que existe uma área no exemplo onde a
corrente máxima é acima da capacidade do condutor de maior bitola. Novamente, é considerada uma
distribuição normal para a corrente média, e 2σ como a demanda máxima.
Figura 3.15: Diagrama de cabos econômicos.
Como há várias considerações e previsões durante o projeto de redes, é provável que existam
incertezas na escolha próximo à fronteira de cada condutor. Isso deve ser considerado no momento
da decisão do mesmo.
Capítulo 4
Geração de Redes de Média e Baixa Tensão
4.1 Introdução
A indisponibilidade de redes de distribuição para os estudos dos modelos de estimativa de perdas

motivou este trabalho a desenvolver uma metodologia de geração de redes MT e BT. A metodologia
é inspirada em modelos de planejamento de redes de distribuição, e permite a geração de redes com
características semelhantes às redes reais encontradas nas distribuidoras. Apesar de terem sido de-
senvolvidas com o foco na estimação das perdas, as metodologias apresentadas neste capítulo podem
ser adaptadas para estudos diversos em planejamento de sistemas de distribuição.
O capítulo inicia com uma visão geral sobre a geração de instâncias para diversos experimentos,
ressaltando as vantagens e desvantagens desse procedimento. A segunda seção apresenta os aspectos
comuns aos geradores de redes. As seções seguintes apresentam as metodologias desenvolvidas para
a geração das redes MT e BT.
4.2 Geração de Instâncias
O termo “instância” é usado genericamente em computação para descrever um objeto de um

determinado tipo ou classe. Esse termo é utilizado nos problemas de otimização para descrever os
casos sobre os quais os algoritmos atuarão na busca das soluções. No presente trabalho, as instâncias
são as redes MT e BT.
Na área de pesquisa operacional, os problemas clássicos de otimização (como o caixeiro viajante

– TSP, roteamento de veículos e p-medianas) são exaustivamente estudados, sendo possível encontrar
muitas heurísticas e algoritmos propostos para os mesmos. Em busca de uma maior padronização dos
73
74 Geração de Redes de Média e Baixa Tensão
resultados e de uma melhor possibilidade de avaliação dos algoritmos, é comum encontrar conjuntos
de instâncias propostas para esses problemas.
A concorrência na busca dos melhores algoritmos para esses problemas clássicos é tamanha que
motiva a realização de desafios internacionais entre os mesmos, que normalmente ocorrem durante
os congressos especializados (por exemplo, o IEEE World Congress on Computational Intelligence –
WCCI). As instâncias padronizadas também são utilizadas para análises mais precisas sobre o com-
portamento dos algoritmos, nas tentativas de definir as situações em que cada algoritmo deve ser
aplicado (Meer 2007).
Em vários casos, as instâncias são desenvolvidas artificialmente, ou seja, não representam um

problema real. Isso ocorre devido à possibilidade de se criarem artificialmente conjuntos de instâncias
com variadas características para avaliação do desempenho dos algoritmos em vários aspectos. Por
exemplo, pode-se avaliar um algoritmo de otimização não apenas pelo resultado final encontrado
pelo mesmo, mas também pelo tempo e memória computacional gastos nesta tarefa – e podem haver
instâncias apropriadas para cada caso. Um exemplo popular de uma biblioteca de instâncias é o
TSPLIB para o TSP (www.iwr.uni-heidelberg.de/groups/comopt/software/TSPLIB95).
Neste trabalho, a geração das redes MT e BT foi motivada pela indisponibilidade de redes reais
para o desenvolvimento dos estudos de estimação das perdas nesses segmentos. Uma das preocupa-
ções no uso de redes artificiais neste trabalho é que as mesmas devem ter características semelhantes
às redes reais, para que os modelos estudados tenham representatividade estatística. Afinal, o desen-
volvimento de um modelo baseado em dados de um domínio que não tenha correspondência com o
real certamente levará a um modelo com baixo poder de generalização.
A despeito da preocupação citada no parágrafo anterior, a utilização de redes artificiais apresenta

as seguintes vantagens.
• Extração do máximo de conhecimento da rede: as redes artificiais permitem a extração de

qualquer variável desejada, o que pode não acontecer em conjuntos de redes reais. Por exemplo,
pode ser útil estudar também variáveis geográficas (como, por exemplo, o ângulo e área de
atuação de uma rede), que só estarão disponíveis em redes cadastradas geograficamente.
• Estudo sem ruído nas variáveis: as variáveis são extraídas das redes artificiais com total confi-
abilidade, não dependendo de cadastros ou medições. Por exemplo, a variável Consumo, que
pode ser usada como variável independente no desenvolvimento de estimadores para perdas
técnicas, não será confiável em redes reais onde se suspeita que existam perdas não técnicas,
ou terá interferências, como a variação dos períodos de leitura.
As redes geradas são aplicadas neste trabalho na análise de regressão para a estimação de perdas
técnicas. Há, contudo, a possibilidade de ampliação da utilização dessas redes para outros estudos em
planejamento dos sistemas de distribuição. Dentre esses estudos, pode-se citar o desenvolvimento de
modelos de otimização para redução de perdas técnicas (Queiroz et al. 2009), melhoria dos perfis de
4.3 Aspectos Comuns aos Geradores de Redes 75
tensão (Lorenzeti et al. 2004) e planejamento da manutenção em redes de distribuição (Reis 2007).
A metodologia desenvolvida tem também aplicações para estudos em empresas de distribuição que
não possuam cadastros suficientes de suas redes, e desejam realizar um planejamento de longo prazo
mais confiável. Essas empresas podem utilizar a ferramenta com as considerações de suas normas
de planejamento, de forma a tentar obter uma visão global de seu sistema secundário, realizando um
planejamento agregado (Squaiella 2004).
4.3 Aspectos Comuns aos Geradores de Redes
Os geradores de rede MT e BT apresentados nesse capítulo foram desenvolvidos em programas

distintos. Foi utilizada a linguagem de programação C++, e ambos possuem dois módulos comuns:
Fluxo de carga e Visualização. A Figura 4.1 ilustra o relacionamento dos geradores e seus módulos.
A comunicação entre os módulos se dá através de arquivos de texto.
Figura 4.1: Ilustração do funcionamento dos geradores e seus módulos.
Neste trabalho foram consideradas apenas cargas trifásicas e equilibradas, modeladas com a po-
tência constante. O algoritmo de cálculo de fluxo de carga implementado é específico para redes radi-
ais, havendo a possibilidade de ajuste para a aplicação em redes fracamente malhadas (Shirmohammadi
et al. 1988). O cálculo é baseado no procedimento back-forward, conforme ilustra o pseudocódigo a
seguir.
Enquanto (não convergir){

-Calcular as injeções de corrente nos nós
-Calcular os fluxos de corrente nos trechos (procedimento backward)
-Calcular as tensões nos nós (procedimento forward)
-Verificar a convergência}
FIM
Utilizou-se uma modelagem por grafos para representar a rede elétrica (Ahuja et al. 1993). Essa
representação é conveniente pela abstração intuitiva da rede e pela possibilidade de implementar
algoritmos eficientes e estrutura de dados já conhecidos.
A característica de topologia radial das redes de média e baixa tensão é analogamente representada
em grafos pelo conceito de “árvore”, que é um tipo de grafo conexo e acíclico (Ahuja et al. 1993). A
representação “arco-orientado” (Cavellucci 1999) foi utilizada para armazenar a rede de distribuição.
Essa estrutura permite percorrer a rede dos nós “folhas” ao nó “raiz” com eficiência, compatível com
as necessidades do procedimento backward-forward.
Com relação ao módulo de visualização, utilizou-se o formato aberto DXF (AutoDesk Drawing
Interchange Format) com padrão ASCII. A utilização deste formato possibilita a utilização de softwa-
res livres disponíveis para leitura dos arquivos.
4.4 Geração de Redes de Média Tensão
4.4.1 Planejamento das Redes de Média Tensão
As redes MT possuem função intermediária entre as redes de alta e baixa tensão. Promovem
acesso ao sistema de distribuição para consumidores com carga mediana (alguns consumidores do
grupo A) e até mesmo para pequenos geradores, além de transportar a energia até os transformadores
de baixa tensão, responsáveis por distribuir a energia para os consumidores no varejo. Devido a essa
ampla função, as características das redes de média tensão são bastante variadas.
Historicamente, o planejamento dos sistemas de distribuição foi negligenciado relativamente ao

planejamento da geração e transmissão. No entanto, as últimas décadas trouxeram alterações signi-
ficativas a esse cenário. Por um lado, verificou-se o desenvolvimento de tecnologias de medição e a
popularização do computador, e ambos aumentaram a disponibilidade de dados e processamento. Por
outro lado, o crescente uso da energia elétrica em diversas aplicações tem aumentado a necessidade
por um melhor atendimento dos consumidores (Gonen 1986).
Conforme Willis (2004) argumenta, enquanto o planejamento tradicional da distribuição foi pre-
dominantemente focado em atendimento da carga – a quantidade –, as técnicas de planejamento con-
temporâneas visam lidar simultaneamente com a quantidade e a qualidade – denominadas “Método
dos Dois Qs”.
Especificamente com relação ao planejamento das redes de média tensão, há uma série de ele-
mentos a serem considerados, como a previsão da carga, os custos fixos e variáveis, a definição da
área de atendimento e da distribuição das cargas na área de atendimento. Os dois últimos são aspectos
particularmente importantes para a geração das redes MT, e serão discutidos a seguir.
4.4 Geração de Redes de Média Tensão 77
No que diz respeito ao formato das redes, muitas modelagens estão presentes na literatura (Gonen
1986, Willis 2004, Kersting 2007, CODI 1982). O relacionamento das redes planejadas com modelos
possibilita a aplicação de equações simples para o levantamento de alguns parâmetros, como a queda
de tensão, perdas e confiabilidade. Os modelos mais estudados são o formato retangular e triangular,
ilustrados na Figura 4.2.
Figura 4.2: Modelagem das redes de acordo com os formatos retangular e triangular.
Uma vez que o planejamento deve considerar todos os custos envolvidos, supõe-se que as subes-
tações estejam localizadas próximas aos centros de carga, ressaltando-se, é claro, algumas restrições
de caráter geográfico e urbanístico. De acordo com essa suposição, Willis (2004) considera que em
áreas densas a área de atuação esperada das subestações é hexagonal, com a área de atuação dos
alimentadores em formato retangular ou triangular, com a subestação aproximadamente no meio.
Com relação à distribuição das cargas, a distribuição uniforme é bastante adotada nos estudos de
planejamento, também estando disponíveis modelos com variação gradual da densidade (Gonen 1986,
Willis 2004). Novamente, se for considerado um planejamento adequado, supõe-se que a distribuição
das cargas não será concentrada no final das redes, podendo a mesma variar entre a distribuição uni-
forme e uma distribuição decrescente. CODI (1993) considera nas redes com característica urbanas a
densidade de carga constante, e nas redes com características rurais a densidade de carga decrescente
(cargas mais concentradas no início da rede).
Amendola e da Rocha (1992) e Amendola (1992) apresentaram conceitos e modelos de planeja-

mento que inspiraram seguidos trabalhos no setor elétrico brasileiro, baseados em estudos da década
de 80 da EDF – Eletricité de France. O objetivo foi fornecer subsídios para o estabelecimento de um
modelo para a evolução das redes MT, em áreas onde a urbanização não se encontra completamente
desenvolvida.
O primeiro trabalho apresenta o algoritmo “árvore cronológica de comprimento mínimo” (Amendola

e da Rocha 1992). O algoritmo utiliza algumas premissas, como valores pouco elevados para densi-
dade de cargas, dispersão das cargas dentro de uma área considerada e uma aleatoriedade no apareci-
mento das mesmas – estrutura denominada “arborescente”, em virtude de os ramais que atendem às
cargas constituírem formas geométricas que se assemelham aos galhos de uma árvore.
O segundo trabalho apresenta a determinação das leis que procuram explicar a evolução de de-
terminados parâmetros específicos de um alimentador de média tensão, denominados “invariantes”
das redes (Amendola 1992). Esses invariantes, o momento equivalente de queda de tensão e o mo-
mento equivalente de perdas, são expressados em forma de equações e ábacos, e são obtidos através
de análise empírica das redes geradas no primeiro trabalho.
Conforme já apresentado no Capítulo 1, os modelos de cálculo de perdas de redes MT adotados

pela ANEEL e pelo CODI são inspirados nos nesses dois trabalhos (Amendola e da Rocha 1992,
Amendola 1992).
4.4.2 Gerador de Redes de Média Tensão
A metodologia de geração das redes MT proposta neste trabalho é baseada no algoritmo árvore
cronológica de comprimento mínimo (Amendola e da Rocha 1992). Pode-se dividir o gerador de
redes MT em três etapas: geração das cargas, construção da rede e a consolidação. Essas etapas serão
explicadas nas subseções seguintes.
Geração das Cargas
De forma que a rede gerada possa variar de acordo com os critérios desejados, foram criados
alguns parâmetros de entrada para o algoritmo. São eles:
1. altura e largura da área retangular onde os pontos de carga serão gerados;
2. quantidade de subáreas;
3. distribuição dos consumidores entre as subáreas;
4. número de unidades consumidoras;
5. classes padrão de consumo, com a potência nominal, fator de potência e a curva de carga em
p.u.
6. distribuição das classes dos consumidores para cada subárea;
7. número de redes primárias a serem geradas;
8. multiplicador de carga;
9. localização da subestação;
10. carregamento percentual máximo admissível em condutores;

11. fatores de ajuste para a definição dos condutores; e
12. aleatoriedade dos comprimentos dos trechos.
O formato da área é necessariamente retangular (parâmetro 1), podendo ser dividida em quantas
subáreas forem desejadas para uma melhor determinação da distribuição das cargas (parâmetro 2). De
acordo com esse parâmetro, pode-se determinar a quantidade de pontos de carga para cada subárea,
que são geradas com coordenadas aleatórias (com distribuição uniforme).
A Figura 4.3 mostra um exemplo da divisão da área retangular em nove subáreas. Os percentuais
no centro de cada subárea representam a distribuição dos pontos de carga, e a soma deve corresponder
a 100%. Dentro de cada subárea, deve-se ainda definir as distribuições das classes dos consumidores
(parâmetro 6). A Figura 4.4 mostra um exemplo de pontos gerados com os parâmetros da Figura 4.3.
Figura 4.3: Exemplo de divisão da área em nove Figura 4.4: Exemplo de pontos gerados nas su-
subáreas. báreas.
Após definidas as coordenadas das cargas, designa-se uma classe de consumo para a mesma tam-
bém aleatoriamente, de acordo com a distribuição percentual das classes em cada subárea (parâmetro
3). A potência nominal e os pontos da curva de carga para cada carga são gerados de acordo com a
classe designada, havendo uma variação aleatória de acordo com o especificado na entrada (parâmetro
4).
A subestação é gerada de acordo com o parâmetro 9. O gerador permite que se escolha a co-
ordenada onde a mesma será localizada, além da possibilidade de localização aleatória. Para cada
execução, a subestação possui apenas um alimentador que atende os pontos de carga gerados na área.
Construção da Rede Elétrica
A construção da rede ocorre em duas etapas: a determinação do traçado e a escolha dos conduto-
res. A definição do traçado é realizada por um algoritmo de determinação da árvore geradora mínima
(Ahuja et al. 1993), que é, dentre as árvores do grafo, aquela que possui a menor soma dos caminhos
entre os nós. O algoritmo implementado é o algoritmo de Kruskal, recomendado para o uso em grafos
esparsos, que é justamente o caso das redes elétricas.
A definição do traçado é a principal diferença entre o algoritmo desenvolvido neste trabalho e

o desenvolvido em Amendola e da Rocha (1992). Os autores adotaram o aparecimento progressivo
das cargas, de forma aleatória, sendo as mesmas ligadas à rede pela menor distância a um trecho do
alimentador ou ponto de carga. Amendola e da Rocha (1992) comentam sobre a possibilidade de
implementação de um algoritmo semelhante ao proposto neste trabalho, com uma etapa de geração
das cargas aleatórias e, em seqüência, a definição do traçado pela menor distância. Porém, os autores
argumentam que tal lógica não traduziria a real situação dos sistemas de distribuição.
Para garantir a semelhança com as redes reais, utiliza-se um fator de aleatoriedade na distância
entre as cargas da rede (parâmetro 12). Esse fator atua previamente à aplicação do algoritmo de
Kruskal. A Figura 4.5 ilustra uma parte de um alimentador gerado pela metodologia, ressaltando em
tracejado alguns trechos que correspondem ao menor caminho entre os pontos, mas não fazem parte
da árvore geradora mínima.
Figura 4.5: Resultado da aplicação do algoritmo de Kruskal com aleatoriedade nos pesos.
A determinação dos condutores obedece a critérios simples de carregamento, havendo um fator

de ajuste para permitir a criação de redes mais ou menos carregadas (parâmetro 11).
O conjunto de equações a seguir apresenta a formulação matemática para o problema de constru-

ção da rede MT:
X
Min cij · yij (4.1)
(i,j)∈A
sujeito a: X X
di + ∆Pij = S0 (4.2)
i∈N (i,j)∈A
0 ≤ xpij ≤ M p , ∀(i, j) ∈ A′ , p = 1, ..., Np (4.3)

/ A′
xij = 0, ∀(i, j) ∈ (4.4)
Vi ≥ Vmin , ∀i ∈ N (4.5)
yij = 1, ∀(i, j) ∈ A′ (4.6)
/ A′
yij = 0, ∀(i, j) ∈ (4.7)
onde G′ = (N, A′ ) é uma árvore do grafo G = (N, A), sendo N o conjunto total de nós e A o
conjunto total de arcos.
Na função objetivo apresentada na Equação (4.1), cij é o custo fixo do arco (i, j). Esse custo cor-
responde à distância euclidiana entre os nós i e j multiplicada pelo fator de aleaotoriedade (parâmetro
12). yij é uma variável binária que indica se o arco pertence ou não à árvore.
A Equação (4.2) garante o atendimento às restrições de conservação do fluxo e atendimento das

demandas. Nessa equação, di é a demanda em cada nó i; ∆Pij é a perda nos arcos (i, j); e S0 é
a potência registrada na saída do alimentador. A Equação (4.3) limita o fluxo nos condutores (xpij )
de acordo com o limite do condutor tipo p, onde Np é a quantidade de tipos de condutores. A
Equação (4.4) estabelece que não há fluxo em arcos que não fazem parte da árvore G′ . A Equação
(4.5) garante o atendimento ao limite mínimo de tensão em cada nó i. As equações (4.6) e (4.7)
estabelecem, respectivamente, que a variável binária y é igual à 1 quando o arco faz parte da árvore,
e 0 caso contrário.
Consolidação
A terceira etapa consolida os dados das duas primeiras etapas. Ela une as cargas geradas na
primeira etapa com as redes elétricas construídas na segunda etapa, finalizando a criação das redes
de média tensão. Essa etapa é necessária por existirem situações onde a rede elétrica é construída
com valores de cargas diferentes dos gerados na primeira etapa. Isso se deve aos diversos parâmetros
utilizados na segunda etapa para, por exemplo, gerar redes com graus diferentes de carregamento
para a determinação dos condutores. É necessário, portanto, executar novamente um fluxo de carga
para determinar o estado final da rede. Adicionalmente, esta etapa calcula os parâmetros de saída das
redes, relacionados na próxima subseção.
A Figura 4.6 ilustra a rede gerada para o exemplo apresentado nas figuras 4.3 e 4.4. Ressalta-se
que se trata de um exemplo ilustrativo, e, neste caso, não se preocupou com a geração de uma rede
necessariamente semelhante às reais.
Figura 4.6: Rede gerada de acordo com o exemplo apresentado nas figuras 4.3 e 4.4.
4.4.3 Parâmetros Disponibilizados pelo Gerador de Redes de Média Tensão
Conforme discutido no início deste capítulo, uma das vantagens de se gerarem redes para o estudo
está na possibilidade de extração de inúmeros parâmetros. O gerador de redes MT foi programado
para disponibilizar os seguintes parâmetros de cada rede:
• número de transformadores;
• máxima queda de tensão (pu);
• comprimento total (km);
• ângulo (graus), área do setor circular (km2 ) e raio do setor circular (km);
• distância equivalente de carga (obtida pela potência máxima ou pelo consumo das cargas);
• área retangular (km2 );
• comprimento (km) do tronco e do ramal;
• resistência (ohm/km) do tronco e do ramal, obtida por três regras diferentes, conforme expli-
cado a seguir;
• fator de carga (%) e desvio padrão (MVA) do primeiro trecho da rede MT;
• consumo total dos pontos de carga da rede MT (kWh);
• potência máxima (MVA) da rede MT;
• fator de potência (%) do primeiro trecho da rede MT;
• fator de perdas (%), obtido pela razão da perda média e a perda máxima, e fator de perdas
aproximado (%), obtido pela Equação (1.4), usando a curva de carga do primeiro trecho da
rede MT; e
• perda de energia (kWh).
Conforme já apresentado na subseção anterior, a área onde os pontos de carga são gerados é
retangular, e a subestação pode ser localizada em qualquer local da área. A disposição dos pontos
de carga com relação à subestação pode seguir formatos variados. Por exemplo, através da criação
de subáreas suficientes, pode-se dispor os pontos de forma triangular. Para a realização de estudos
diversos, são disponibilizados na saída parâmetros para estudos das redes em formato retangular e em
setor circular, com vértice partindo da subestação. Para ambos é disponibilizada a área; para o setor
circular é disponibilizado também o ângulo.
A área da rede e o ângulo de atuação, para o caso do setor circular, são parâmetros que podem
ser usados para obter a densidade da rede (kWh ou número de consumidores por km2 ), que é uma
informação que deve estar correlacionada com a perda. Entretanto, podem não retratar a condição real
da rede MT, por serem sensíveis às cargas localizadas em pontos extremos. A Figura 4.7 ilustra uma
situação de duas redes MT semelhantes geograficamente, com praticamente mesma perda e queda de
tensão máxima. O ângulo do setor circular da rede à esquerda é de 105 graus, enquanto que a rede da
direita possui um ângulo de 60 graus.
Por esta razão, implementou-se no gerador de redes os parâmetros geográficos (áreas e ângulo)
para diferentes níveis de atendimento de cargas. O gerador fornece a área retangular, a área do setor
circular e o ângulo do setor circular para atendimento de qualquer percentual requerido da carga. Ou
seja, se for requerido um percentual de 80% de atendimento. esses parâmetros serão geograficamente
criados para abranger apenas as cargas que correspondem a 80% do consumo da rede, excluindo-
se gradualmente, os pontos extremos. O atendimento de 100% equivale ao ângulo de 105 graus da
Figura 4.7.
Figura 4.7: Ilustração da diferença do ângulo de duas redes semelhantes.
O parâmetro “distância de carga equivalente” foi implementado de acordo com a Equação (1.16),
porém, utilizando-se a potência máxima e a energia consumida ao invés da potência nominal.
Outro parâmetro que requer discussão é a determinação do tronco e do ramal da rede. CODI
(1993) define tronco como sendo o “trecho de alimentador com secção constante, que parte da su-
bestação até o ponto mais próximo desta onde a maior corrente a jusante é menor ou igual à maior
corrente de qualquer ramal a montante”. Com relação ao ramal, define-se como “trechos arborescen-
tes do alimentador, de secção constante, que partem do tronco. Todos os ramais de um alimentador
têm a mesma secção”.
As definições de CODI (1993) são adotadas neste trabalho, com algumas modificações. Como
as restrições de seção constante não abrangem todas as situações, foram implementadas as seguintes
regras para a definição do tronco e do ramal.
Tronco trecho da rede que parte da subestação até o ponto mais próximo desta onde a maior corrente
a jusante é menor ou igual à maior corrente de qualquer ramal a montante.
Ramal demais trechos não classificados como tronco.
Ressalta-se que as definições apresentadas, apesar de serem semelhantes, retratam uma carac-
terística diferente das redes MT. Enquanto a definição do CODI refere-se diretamente aos tipos de
condutores para tronco e ramal, a definição adotada neste trabalho é mais genérica, referindo-se a
uma caracterização dos trechos da rede MT, e não à determinados condutores dessas redes.
A Figura 4.8 mostra uma rede gerada pelo gerador de redes MT, ilustrando essa situação. Cada
tipo de condutor possui uma cor associada. A regra de definição de trechos tronco e ramal apresentada
anteriormente definiu como trechos tronco todos os condutores de cor preta, violeta e azul, além de
mais três trechos de cor vermelha (condutores em seqüência ao condutor azul). A Figura 4.9 ilustra
esses condutores em detalhe (à direita dos números que identificam os trechos, a marcação “(T)”
indica que o trecho é tronco).
Figura 4.8: Exemplo da aplicação da regra que define os trechos tronco e ramal.
Figura 4.9: Detalhe da Figura 4.8.
Como os trechos da rede MT são classificados como tronco ou ramal, independente do condutor,
resta ainda uma definição de qual é o condutor tronco e o condutor ramal. Foram implementadas as
seguintes regras:
1. cabos predominantes (maior comprimento);
2. menor bitola; e
3. média das resistências ponderadas pelo comprimento.

4.5 Geração de Redes de Baixa Tensão
4.5.1 Planejamento de Redes de Baixa Tensão
Os modelos matemáticos para o planejamento da distribuição foram inicialmente desenvolvidos

com foco nas redes de distribuição MT. Conforme argumenta Costa (2002), a maioria das publicações
encontradas na literatura abordando o tema da expansão do sistema de distribuição não abordam a rede
BT, tratando apenas de encontrar as configurações ótimas, ou sub-ótimas, para os locais de instalação
de subestações e para o roteamento das redes MT. Entretanto, em países como o Brasil, cujo sistema
BT constitui uma parte significativa do sistema de distribuição, pode ser benéfica a utilização de
métodos de otimização avançados para o planejamento do sistema BT. Além dos ganhos diretos da
escolha de melhores soluções de investimento, pode-se ainda minimizar despesas futuras, como obras
de melhoria para atendimento de critérios de qualidade.
Ainda segundo Costa (2002), em alguns casos, as informações disponíveis sobre as redes BTs
permitem realizar um planejamento mais detalhado neste segmento. Tal planejamento, que antes era
realizado de forma aproximada, hoje procura abordar o problema considerando suas restrições prin-
cipais, como perdas técnicas de energia, custos de implantação de cabos e equipamentos e qualidade
da energia, como níveis de tensão em regime permanente e continuidade no fornecimento da energia
elétrica (Costa 2002).
Caso a quantidade de informações impeça um planejamento mais detalhado, o planejamento é

realizado de forma agregada, com a determinação do montante de investimentos que deve ser alocado
em uma determinada tipologia de rede, conhecidos seus atributos e suas características topológicas e
operacionais (CODI 1996a, de Oliveira et al. 2002, Squaiella 2004).
4.5.2 Gerador de Redes de Baixa Tensão
A metodologia proposta para geração das redes é inspirada em uma metodologia para planeja-
mento de redes BT, e foi desenvolvida com parâmetros suficientes para permitirem a criação de redes
com diversas características. Esses parâmetros podem ser combinados para gerar diversidade, ao
mesmo tempo buscando a semelhança com parâmetros de redes reais.
Assim como no gerador de redes MT, a metodologia proposta é dividida em três etapas: gera-
ção das cargas, construção da rede elétrica e consolidação dos dados para elaboração da rede final
(Queiroz et al. 2008).
Na primeira etapa são criados os pontos de carga, de acordo com os parâmetros de entrada. Os
produtos da primeira etapa são as cargas e os arcos – que são os possíveis locais onde os condutores
poderão existir. A segunda etapa é responsável pela construção da rede elétrica, gerando os condu-
4.5 Geração de Redes de Baixa Tensão 87
tores e transformadores que suprirão as cargas. Nessa etapa utilizam-se conceitos de planejamento
de sistemas de distribuição, através da formulação de um problema de otimização com objetivo de
redução de custos e com restrições elétricas. São considerados custos fixos e variáveis, quais sejam
o custo de instalação de transformadores e cabos, e o custo anualizado das perdas de energia. As
restrições elétricas são a queda de tensão e os limites de fluxo nos condutores, além da restrição de
radialidade da rede. O produto da segunda etapa é a rede elétrica, isto é, os cabos por trecho e os
transformadores (potência e localização). A etapa final consolida os dados das duas etapas, apresen-
tando o resultado da metodologia: redes BT, compostas das cargas, transformadores e condutores.
Essas três etapas serão discutidas nas próximas subseções.
Geração das Cargas
Para esta etapa, são necessários os seguintes parâmetros de entrada:
1. comprimento das quadras e dispersão dos postes;
2. localização geográfica dos postes;
3. número máximo de consumidores por poste;
4. número total de consumidores;
5. concentração geográfica dos consumidores;
6. distribuição dos consumidores por classe de consumo;
7. curvas de carga padrão de cada de classe de consumo; e
8. percentual médio de carregamento para transformadores e condutores.
Diferentemente do gerador MT, não é requerida na entrada a quantidade de redes. As redes serão
formadas pelo algoritmo a ser descrito na próxima subseção.
A localização geográfica dos postes deve seguir um certo ordenamento para que as redes geradas
sejam fiéis a realidade. A localização dos postes em redes reais segue restrições urbanísticas, estando
relacionados com as quadras. Normalmente estão posicionados em seqüência, não havendo muitas
ramificações (a grande maioria possui dois trechos de cabos, um a montante e um a jusante). Essa
consideração de esparsidade é importante, pois interfere no acúmulo das correntes a montante, que
são responsáveis por grande parte das perdas e levam a maiores quedas de tensão.
No modelo desenvolvido, as quadras são retangulares. Além de ser a realidade para a maioria dos
casos, as poucas exceções existentes não são significativas do ponto de vista elétrico. Os parâmetros
de entrada descrevendo as quadras são o comprimento, em metros, dos lados das quadras e a locali-
zação dos postes nas quadras. Essas informações podem ser levantadas considerando-se o vão médio
entre os postes declarado pelas distribuidoras. A Figura 4.10 mostra um exemplo da disposição de
postes e quadras gerados pela metodologia.
Figura 4.10: Exemplo do formato das quadras e postes das redes BT.
Após a definição da localização dos postes, inicia-se a geração dos consumidores. Para isso, a área
total onde são geradas as quadras é considerada circular. A concentração geográfica dos consumidores
é tratada pela divisão da área total em círculos concêntricos.
Supondo, por exemplo, que seja dado como entrada três diferentes distribuições de unidades con-
sumidoras em 30%, 50% e 20%, e que o total de consumidores seja 10.000. A área total será dividida
em três sub-áreas circulares A, B e C, de raios Ra, Rb e Rc (também dados de entrada). Na sub-área
A serão incluídos 3.000 consumidores, na sub-área B, 5.000 consumidores e na sub-área C, 2.000
consumidores. Esses consumidores serão associados aos postes aleatoriamente, seguindo o critério
de limite de consumidores por poste. A Figura 4.11 ilustra as três áreas do exemplo.
Em cada uma das sub-áreas deve-se definir como será a distribuição dos consumidores por classe
de consumo. Seguindo o exemplo do parágrafo anterior, pode-se definir, por exemplo, que na sub-área
A os consumidores serão 30% da classe 1, 40% da classe 2 e 30% da classe 3.
As curvas de carga padrão de cada classe são definidas para dias de semana típicos, sábados e
domingos, ou feriados. Para simular a diversidade das cargas com relação as suas classes, pode-
se associar um percentual de desvio a cada classe. Os consumidores serão gerados com desvios,
seguindo distribuição uniforme, em relação aos pontos da curva de carga.
Figura 4.11: Sub-áreas definidoras das densidades de carga.
Construção da Rede Elétrica
Uma vez determinados os pontos de carga, inicia-se a segunda etapa da metodologia com a cons-
trução da rede BT. Essa etapa engloba a definição do traçado da rede, quais condutores serão utili-
zados e a localização dos transformadores de distribuição. Para realizar essas definições, devem-se
considerar os seguintes aspectos:
• restrições elétricas de fluxo nos condutores e de queda de tensão;
• restrição de radialidade da rede; e
• grau de semelhança das redes geradas com redes reais.
Para atender aos aspectos mencionados, adotou-se uma abordagem por otimização combinatória,
inspirada nos trabalhos de Carneiro (1990) e Costa (2002), que desenvolveram um modelo hierárquico
para o problema de planejamento de expansão de redes BT. A abordagem é ilustrada na Figura 4.12
Ressalta-se que, no problema de planejamento de expansão de redes BT, Carneiro (1990) e Costa
(2002) trabalharam com três subproblemas. Além dos dois problemas apresentados na Figura 4.12,
o planejamento deve definir ainda o traçado e os condutores da rede primária que ligarão a rede
MT existente aos transformadores de distribuição propostos. Como no presente trabalho a rede MT
recebeu outro tratamento, este subproblema foi suprimido, simplificando o problema de otimização.
A vantagem de dividir o problema original em subproblemas está na redução da complexidade do

mesmo: assim se consegue trabalhar com problemas reais em tempos de solução aceitáveis. Ademais,
com a separação do problema, consegue-se tratar os dois subproblemas com algoritmos de otimização
combinatória bem estabelecidos, divulgados na literatura.
Figura 4.12: Hierarquia dos sub-problemas.
O primeiro subproblema foi formulado como um Problema de p-Medianas Não Capacitado. Tal
problema consiste em definir a localização de p facilidades, minimizando-se um critério de custo (por
exemplo, distância), sem considerar a restrição de capacidade da facilidade (Goldbarg e Luna 2000).
No subproblema abordado, os transformadores são as facilidades e o critério de minimização é o
momento elétrico, definido como a soma dos produtos da demanda de cada nó por sua distância até o
transformador.
Ao desprezar a restrição de capacidade dos transformadores, o problema fica mais simples de

ser resolvido. A restrição de capacidade é satisfeita posteriormente, pois os transformadores serão
designados de acordo com potências nominais padrões e carregamentos pré-estabelecidos. Portanto,
o transformador escolhido é aquele que possui potência útil (potência nominal vezes seu carregamento
inicial máximo) imediatamente acima da soma das demandas dos nós conectados ao transformador.
Podem-se também gerar redes com transformadores com diferentes níveis de carregamento, sendo
esta opção indicada no parâmetro de entrada 8.
O segundo subproblema foi formulado como um Problema de Caminhos Mínimos (Ahuja et al.
1993). Ao resolvê-lo, cada nó estará conectado ao transformador mais próximo. O critério de proxi-
midade é o mesmo utilizado na solução do primeiro subproblema: o momento elétrico. É interessante
notar que, com a minimização do momento elétrico, procura-se respeitar indiretamente a restrição de
queda de tensão.
A definição do condutor é feita de acordo com o fluxo de potência máximo presente em cada
trecho. Caso este procedimento não encontre condutores com capacidade para suportar dada corrente
(solução infactível), realiza-se um processo de troca de arcos entre redes BT vizinhas. Adicional-
mente, procura-se factibilizar uma solução com a troca da posição do transformador. Caso não seja
possível, a solução é descartada. A escolha dos condutores segue critérios de custos (fixos e va-
riáveis). Assim como os transformadores, também podem-se gerar redes com diferentes níveis de
carregamento nos condutores.
Consideram-se os custos fixos (instalação) e variáveis (perdas) dos condutores. Foi adotada uma
simplificação na curva de carregamento econômico dos condutores, utilizando-se aproximações line-
ares nos intervalos onde cada condutor prevalece como o mais econômico.
Apresenta-se a seguir uma formulação matemática do problema de construção da rede elétrica BT

 
Nt Np
f e · zie + cpij · xpij 
XX X X
Min  (4.8)
i∈N e=1 (i,j)∈A p=1
sujeito a:
Nt
S e · zie
X X X
di + ∆Pij = (4.9)
i∈N (i,j)∈A e=1
Nt
zie ≤ 1, i = 1, ..., N
X
(4.10)
e=1
0 ≤ xpij ≤ M p , ∀(i, j) ∈ A′ , p = 1, ..., Np (4.11)

/ A′
xij = 0, ∀(i, j) ∈ (4.12)
Vi ≥ Vmin , ∀i ∈ N (4.13)
zie = 0, ∀i ∈ F, e = 1, ..., Nt (4.14)
zie ∈ 0, 1, ∀i ∈ T, e = 1, ..., Nt (4.15)
onde G′ = (N, A′ ) é uma árvore do grafo G = (N, A), sendo que N é o conjunto total de nós e A o
conjunto total de arcos.
Na função objetivo apresentada na Equação (4.8), xpij é o fluxo no trecho de aproximação linear
p no arco (i, j); zie é a variável binária associada aos transformadores, cujo valor é igual a 1 se um
transformador do tipo e está instalado no nó i e 0 caso contrário; cpij é o custo variável na aproximação
linear p do arco (i, j); f e é o custo fixo do transformador do tipo e; Nt é a quantidade de tipos de
transformadores; e Np é a quantidade de segmentos de reta na aproximação linear por partes da curva
de carregamento econômico de condutores.
Com relação às restrições, a Equação (4.9) garante o atendimento às restrições de conservação do

fluxo, atendimento da demanda e capacidade de transformação. Nessa equação, di é a demanda em
cada nó i; ∆Pij é a perda nos arcos (i, j); e S e é a potência registrada no trasformador do tipo e. A
Equação (4.10) limita a 1 a quantidade de transformadores em cada nó. A Equação (4.11) limita o
fluxo nos condutores de acordo com o limite da aproximação linear p, enquanto que a Equação (4.12)
estabelece que não há fluxo em arcos que não fazem parte da árvore G′ . A Equação (4.13) garante
o atendimento ao limite mínimo de tensão em cada nó i. As equações (4.14) e (4.15) estabelecem,

respectivamente, que não pode haver transformadores nos nós pertencentes ao conjunto F (conjunto
de nós do tipo fly-tap) e define como binária a variável z para os nós pertencentes ao conjunto T
(conjunto de nós candidatos a receber transformadores).
A heurística para a solução do problema determina primeiramente a localização dos transforma-

dores. Um algoritmo “guloso” procura alocar p transformadores nos postes candidatos a receber
transformadores (podem existir postes com restrição de localização de transformadores). Um dos pa-
râmetros de entrada deste algoritmo é uma matriz de momentos elétricos, D(m, n), com os momentos
elétricos de cada um dos n consumidores e os m possíveis locais para instalação de transformadores.
A saída do algoritmo é a melhor localização dentre todas para os p transformadores, minimizando o
somatório dos momentos elétricos para todos os consumidores.
Após a definição da localização dos transformadores, realiza-se a escolha da capacidade dos mes-
mos. Escolhe-se a capacidade do transformador de forma a atender a demanda de todos os consumi-
dores conectados a ele, admitindo-se uma variação no carregamento.
Para a escolha do traçado da rede elétrica, utiliza-se o algoritmo de caminhos mínimos de Dijkstra
(Ahuja et al. 1993). Finalmente, depois de definido o traçado da rede, escolhem-se os condutores de
acordo com a curva de condutores econômicos que relaciona o custo fixo do metro linear e a perda
do condutor com a corrente elétrica.
O algoritmo parte de um número p inicial de transformadores. Um processo iterativo repete o

procedimento de otimização para um número crescente de transformadores e apresenta a solução
final de menor custo. O custo adotado na função objetivo é composto do custo de instalação de
equipamentos e do custo das perdas de energia. O número inicial e final de transformadores do
processo iterativo é um dado de entrada; se for omitido, é calculado pelo programa (o número mínimo
de transformadores é a potência total do circuito dividida pela potência nominal do transformador de
maior capacidade, e o número máximo de transformadores é igual à quantidade de postes que podem
receber transformadores).
Consolidação da Rede
A terceira etapa consolida os dados das duas primeiras etapas. Ela une as cargas geradas na
primeira etapa com as redes elétricas construídas na segunda etapa, criando as redes BT. Essa etapa é
necessária por existirem situações onde a rede elétrica é construída com valores de cargas diferentes
dos gerados na primeira etapa. Isso se deve aos diversos parâmetros utilizados na segunda etapa para,
por exemplo, gerar redes com graus diferentes de carregamento. Nesses casos, executa-se novamente
um fluxo de carga para determinar o estado final da rede.
As figuras 4.13 e 4.14 mostram redes BT obtidas em uma execução do gerador BT. Percebe-se
que, ao contrário do gerador MT, são construídas várias redes BT para atendimento dos consumidores
criados na área circular.
Figura 4.13: Exemplo de redes BT obtidas pelo Figura 4.14: Redes da Figura 4.13 sem a ilustra-
gerador. ção das quadras.
4.5.3 Parâmetros Fornecidos pelo Gerador de Redes de Baixa Tensão
Assim como o gerador de redes MT, o gerador de redes BT fornece uma série de parâmetros para
análise. São eles:
1. número de postes e de trechos;
2. máxima queda de tensão (pu)
3. comprimento total (metros);
4. número de consumidores;
5. fator de carga (pu) do transformador;
6. consumo total dos consumidores (KWh);
7. potência máxima do circuito (KVA);
8. fator de potência (pu) do transformador;

9. tensão nominal de linha (V);
10. quantidade de tipos de condutores;
11. potência nominal do transformador (KVA) e fator de utilização (pu);
12. resistência mínima (ohms/km) e máxima (ohms/km);
13. desvio padrão da curva de carga do transformador;
14. perdas de energia (KWh);
15. tipologia; e
16. cabos tronco e ramal.
São fornecidas cinco diferentes tipologias de rede, de acordo com a metodologia de cálculo de
perdas utilizada pela ANEEL (ANEEL 2008). Elas são obtidas de acordo com os comprimentos da
rede. Foram implementadas as regras constantes da Tabela 4.1.
Tabela 4.1: Regras para definição das tipologias das redes BT.
Tipologia 1 Tipologia 2 Tipologia 3 Tipologia 4 Tipologia 5
Regra I L≤100 100 < L≤200 200 < L≤350 350 < L≤500 L>500
Regra II L≤120 120 < L≤300 300 < L≤500 500 < L≤1000 L>1000
Diferentemente das redes MT, normalmente as redes BT não apresentam muitos tipos de condu-
tores. Por esta razão, a regra implementada para a definição do tronco e do ramal das redes BT é mais
simples. O cabo tronco é aquele que possui a menor bitola, e o ramal é o cabo que possui a segunda
menor bitola, independente de haver mais bitolas na rede.
Capítulo 5
Estimação de Perdas em Redes de Média

Tensão
5.1 Introdução
Este capítulo apresenta modelos para a estimação das perdas nas redes dos sistemas de distribuição
MT. Apenas as perdas nas linhas dessas redes são abordadas, não sendo consideradas as perdas em
transformadores e demais equipamentos.
A primeira seção apresenta os modelos baseados em fluxo de carga. Esses modelos são inspirados
no fluxo de carga determinístico (convencional), mas adotam simplificações nas cargas e, havendo
informação sobre a rede elétrica (topologia e condutores), podem ser aplicados para estimar as perdas
com boa precisão. A segunda seção apresenta os modelos empíricos desenvolvidos com base nas
redes geradas pela metodologia apresentada no capítulo anterior. Esses modelos foram desenvolvidos
para utilizar o mínimo de informações possível para a estimação das perdas. A última seção apresenta
os resultados dos modelos, com comparações e discussões sobre a aplicação dos mesmos.
5.2 Modelos Baseados em Fluxo de Carga
Os modelos empíricos que serão apresentados na próxima seção são apropriados para cenários
onde há escassez de informação, caso típico da regulação. Entretanto, estudou-se também a possi-
bilidade de aplicação de modelos baseados em fluxo de carga para a estimativa das perdas. Esses
modelos requerem necessariamente informação sobre a topologia da rede MT, podendo ser, porém,
mais flexíveis no tratamento das informações relacionadas às cargas, que são as variáveis mais difíceis
de serem obtidas.
95
96 Estimação de Perdas em Redes de Média Tensão
Do ponto de vista do órgão regulador, a adoção de técnicas de fluxo de carga não é, neste mo-
mento, atraente para o cálculo das perdas das redes MT. Entretanto, com a tendência da ANEEL de
obtenção das redes das distribuidoras através dos sistemas georeferenciados, pode ser uma alternativa
factível em médio prazo.
De qualquer forma, pode-se cogitar a utilização dessa técnica extraordinariamente, quando da

necessidade de estudo adicional das perdas de determinadas redes, ou até mesmo em ações de fisca-
lização de tensão, associado a técnicas de estimação de estados (Hashimoto 2004).
5.2.1 Fluxo de Carga Probabilístico
O fluxo de carga probabilístico desenvolvido neste trabalho considera que a rede elétrica é co-
nhecida, dando um tratamento probabilístico às cargas. Para proceder ao estudo de fluxo de carga
probabilístico, deve-se definir para cada ponto das curvas de carga qual a distribuição de probabili-
dade e qual a média e o desvio padrão.
A média de cada ponto corresponde ao próprio valor da curva de carga típica que está sendo
adotada na geração das cargas. O desvio padrão adotado é constante para todos os pontos, igual à
10% do valor da média da curva de carga. A distribuição dos pontos da curva de carga adotada é
normal, conforme comportamento das curvas MT verificadas em estudos com cargas deste segmento
(Aguero 2000).
A simulação de Monte Carlo foi utilizada para o tratamento estatístico das cargas. Como critério
de convergência, adotou-se uma variação de 1% na média das perdas da rede. Essa média é calcu-
lada a cada grupo de 10 iterações. Ou seja, o processo iterativo pára quando, após a execução de
uma sequência de 10 iterações, não há alteração maior que 1% da média das perdas de energia. O
fluxograma da Figura 5.1 ilustra o funcionamento do fluxo de carga probabilístico.
Na inicialização são carregados os arquivos de entrada com os dados das redes e cargas. Na
etapa de geração das cargas são geradas curvas de carga para cada ponto de consumo, utilizando-se
as informações de média e desvio padrão. Em seguida, executa-se o fluxo de carga determinístico
apresentado na Seção 4.3. Após o armazenamento das informações da execução, verifica-se o limite
de iterações: se inferior à 10, o processo é repetido; se igual à 10, verifica-se a convergência do
processo. Enquanto não convergir, o processo é reiniciado. Na finalização é gerado um relatório com
as informações das iterações.
5.2.2 Fluxo de Corrente Média e Variância
O Capítulo 3 apresentou os conceitos da estimativa de perdas técnicas utilizando-se a corrente

média e o coeficiente de perdas. Conforme discutido no mesmo capítulo, a divisão da perda entre o
5.2 Modelos Baseados em Fluxo de Carga 97
Figura 5.1: Fluxograma ilustrando o fluxo de carga probabilístico.
componente médio e o componente de variação é interessante por possibilitar o tratamento separado

dessas componentes em métodos de estimativa de perdas.
O fluxo de carga probabilístico apresentado na subseção anterior é particularmente interessante

quando se tem o conhecimento da rede elétrica e alguma incerteza sobre o comportamento das cargas,
mas se conhece sua média e se tem algum conhecimento sobre a curva de carga (como, por exemplo,
a qual classe de consumo as cargas pertencem).
Entretanto, em casos onde o único conhecimento sobre as cargas é o seu consumo, ainda há
possibilidade de se executar a técnica de fluxo de carga, separando-se em fluxo de carga para correntes
médias e outro fluxo para o desvio padrão. Essa separação é ilustrada na Figura 5.2.
Assim como o fluxo de carga convencional, os fluxos das correntes médias e dos desvios padrões
podem ser implementados por um processo iterativo, atualizando-se as tensões nos nós e correntes
nos trechos. Entretanto, o desvio padrão das correntes de cada trecho não sofrerá grandes alterações
durante os processos iterativos; assim, pode-se considerar apenas uma iteração para esse cálculo.
Através desta simplificação, o cálculo da componente das perdas devido ao desvio padrão é basica-
mente uma soma das perdas de cada trecho:
N
Ri · σi2
X
∆Evar = (5.1)
i=1
Figura 5.2: Proposta de segregação do fluxo de carga convenvional.
onde i equivale a cada trecho; e N é o total de trechos da rede.
Foram implementadas algumas variantes para esse método. Todas as variantes adotam o fluxo de
corrente média e se diferenciam no desvio padrão utilizado em cada trecho:
F¯C I o desvio padrão dos trechos é o da carga imediatamente a jusante;
F¯C II o desvio padrão de todos os trechos é o desvio padrão do primeiro trecho;
F¯C III desvio padrão nulo (coeficiente de perdas unitário); e
F¯C IV o desvio padrão de todos os trechos é o maior desvio padrão entre as cargas.
O F¯C III representa a perda mínima ou ideal, pois indica que as curvas de carga são constantes.
No outro extremo, o F¯C IV foi utilizado como um limitante superior das perdas, pois indica uma
situação hipotética de variação máxima.
5.3 Modelos Empíricos
O escopo deste trabalho é o desenvolvimento de modelos que requeiram o mínimo possível de

informações. Essa característica pode ser encontrada nos modelos empíricos de análise de dados,
que, para a previsão dos valores de perdas, refere-se aos modelos de regressão.
Por serem desenvolvidos através de aprendizado sobre os dados, é fundamental que seja realizada
uma análise criteriosa dos dados a serem utilizados nesses modelos. Essa análise será apresentada na
subseção seguinte, para em seguida serem apresentados os modelos de regressão.
5.3 Modelos Empíricos 99
5.3.1 Análise das Redes de Média Tensão
Os modelos a serem apresentados neste capítulo utilizaram redes fornecidas pela metodologia de
geração de redes MT apresentada no Capítulo 4. Foram realizadas várias combinações dos parâ-
metros de entrada do gerador, que levaram a 180 diferentes execuções do mesmo. Essas execuções
forneceram cerca de 4000 redes. Dessas redes, foi selecionada uma amostra de 1064 redes para serem
utilizadas nas análises deste capítulo.
Para todas as execuções foi adotada a premissa de que as redes se desenvolvem com o formato
geométrico de um setor circular, com vértice na subestação, com esta sendo localizada de forma a
permitir um ângulo máximo de 180 graus. Essa premissa é semelhante às adotas pelas metodologias
do CODI e ANEEL.
Seleção das Variáveis
Conforme apresentado no Capítulo 2, a seleção das variáveis que serão usadas na análise de
regressão é importante para o desempenho do modelo. Tanto o excesso quanto a falta de variáveis
independentes devem ser evitados.
Existem vários métodos disponíveis para efetuar a seleção das variáveis. Inicialmente, esta tese
avaliou a possibilidade da utilização de técnicas avançadas de seleção das variáveis, como os wrap-
pers (Kohavi e John 1997), usando as várias variáveis fornecidas pelo gerador de redes.
Percebeu-se, contudo, que a aplicação em regulação apresenta característica altamente restritiva

com relação ao uso de variáveis. Refere-se à necessidade da variável selecionada estar disponível
em todas as distribuidoras do Brasil, assim como da possibilidade de fiscalização da mesma. Nesse
contexto, a seleção das variáveis por critérios de relevância estatística deixa de ser um objetivo único;
no limite, pode até ser considerado um critério de restrição – que é o caso deste trabalho.
Desta forma, descartaram-se previamente as variáveis que não atendem os critérios de dispo-
nibilidade e facilidade de fiscalização. As variáveis que sobraram foram analisadas por testes de
correlação.
Das variáveis disponibilizadas pelo gerador de redes de média tensão, o uso daquelas dependentes
da demanda máxima (Corrente Máxima, Fator de Carga e Máxima Queda de Tensão) e daquelas
correspondentes às características geométricas (áreas, ângulos e Distância Equivalente de Carga) foi
previamente descartado. Já as variáveis Consumo, Tensão Nominal de Linha e Fator de Potência
foram utilizadas para formar a variável Corrente Média. A variável Número de Transformadores é
bastante correlacionada com a Corrente Média (coeficiente de correlação de Pearson 0,81). Por esta
razão não será utilizada nas análises a seguir.
A Tabela 5.1 mostra os coeficientes de correlação de Pearson, Kendall e Spearman, entre as va-
riáveis candidatas a serem utilizadas como variáveis independentes e a variável dependente – perda
de energia. O coeficiente de correlação de Pearson mede o grau de correlação linear entre duas va-
riáveis, sendo classificado entre -1 (inversamente correlacionada) até 1 (diretamente correlacionada).
Quanto mais próximo de 0, menor o grau de correlação. Os testes de Kendall e Spearman são testes
não-paramétricos: eles classificam as variáveis de acordo com um ranking, sendo que os coeficientes
não têm significado quantitativo. Sua aplicação é indicada para avaliação de relações não lineares
entre os dados.
Tabela 5.1: Correlações das variáveis independentes com a perda de energia.

Pearson Kendall Spearman
Comprimento Total 0,1724 0,3738 0,5211
Comprimento Tronco -0,0883 0,0606 0,0942
Comprimento Ramal 0,222 0,3766 0,5289
Resistência Tronco 1 -0,4524 -0,5994 -0,7432
Resistência Ramal 1 0 0 0
Resistência Ramal 2 -0,6028 -0,621 -0,7905
Resistência Ramal 3 -0,5619 -0,5891 -0,78
Desvio Padrão 0,7948 0,6684 0,8476
Corrente Média 0,8318 0,7305 0,8968
As variáveis que exprimem a resistência do tronco e do ramal são numeradas de acordo com a
regra de definição utilizada, conforme apresentado na Seção 4.4.3.
A variável Resistência Ramal 1 possui valor constante, ou seja, todas as redes MT apresentaram
o mesmo condutor predominante, conforme a regra a) apresentada no capítulo anterior; por isso as
correlações não são aplicáveis. A Tabela a seguir apresenta o ranking das variáveis de acordo com as
correlações (valores absolutos) apresentadas na Tabela anterior.
As variáveis Corrente Média e o Desvio Padrão são características da carga, e as demais são
características da rede. Nota-se que as variáveis de carga apresentaram maior correlação nos testes,
seguidas das resistências (todas em ohms/km) e, por último, as variáveis de comprimento. Apesar de
terem apresentado correlações relativamente baixas, decidiu-se adotar as variáveis de comprimento
nos estudos, pois fisicamente a resistência dos condutores não tem significado sem o comprimento.
As variáveis de resistência do tronco e do ramal obtidas com a Regra 1, descrita na Seção 4.4.3,
não serão utilizadas no desenvolvimento dos modelos de regressão. Afinal, a aplicação dessa regra
obteve sempre o mesmo condutor para todas as redes, o que será considerado uma constante nos
modelos e não trará informação adicional.
Tabela 5.2: Ranking das correlações das variáveis independentes com a perda de energia.
1 Corrente Média Corrente Média Corrente Média
2 Desvio Padrão Desvio Padrão Desvio Padrão
3 Resistência Ramal2 Resistência Tronco3 Resistência Tronco3
4 Resistência Ramal3 Resistência Ramal2 Resistência Ramal2
5 Resistência Tronco3 Resistência Tronco2 Resistência Ramal3
6 Resistência Tronco1 Resistência Tronco1 Resistência Tronco1
7 Resistência Tronco2 Resistência Ramal3 Resistência Tronco2
8 Comprimento Ramal Comprimento Ramal Comprimento Ramal
9 Comprimento Total Comprimento Total Comprimento Total
10 Comprimento Tronco Comprimento Tronco Comprimento Tronco
11 Resistência Ramal1 Resistência Ramal1 Resistência Ramal1
Representatividade das Variáveis
O Capítulo 2 apresentou considerações sobre a amostra em estudos estatísticos. A relevância

da amostra foi discutida com relação ao tamanho e à representatividade da mesma. Julga-se que o
tamanho da amostra apresentado no início desta seção é suficiente, tanto em uma análise simples
do valor absoluto, quanto em relação à quantidade de variáveis que serão utilizadas nos modelos de
regressão.
A representatividade será agora analisada de acordo com a comparação com dados de empresas
reais. A Tabela 5.3 apresenta a comparação das médias de alguns destes parâmetros disponíveis em
redes reais obtidas na ANEEL1 . São apresentadas comparações para poucos parâmetros, devido a
indisponibilidade dos dados das redes reais. A variável Potência Máxima é apresentada mesmo não
tendo sido utilizada nos modelos de regressão, por ser um parâmetro disponível nos dados das redes
reais. Para as redes geradas, as resistências tronco e ramal equivalem às resistências obtidas pela
Regra 3 da Seção 4.4.3 que, conforme será apresentado na Seção 5.4, obteve os melhores resultados.
Percebe-se que as médias dos parâmetros das redes são bastante variadas. As médias das redes
geradas estão dentro de valores encontrados em algumas distribuidoras, com exceção do comprimento
do ramal. O que indica que as redes geradas possuem comprimento médio maior que as redes reais,
mesmo com o comprimento do tronco sendo equivalente.
Além da média, pode-se avaliar a distribuição dos parâmetros. As figuras 5.3 e 5.4 apresentam
os histogramas das variáveis Comprimento Total e Potência Máxima para as redes geradas e para
algumas distribuidoras da Tabela 5.3. A freqüência dos histogramas (eixo vertical) está em escala
1
A ANEEL possui apenas alguns parâmetros dessas redes, solicitados para a aplicação de sua metodologia de cálculo
das perdas. Não estão disponíveis informações detalhadas que possibilitariam a utilização dessas redes no desenvolvi-
mento dos modelos para a estimativa de perdas em redes MT.
Tabela 5.3: Médias dos parâmetros das redes MT de algumas distribuidoras e das redes geradas.
Distribuidora Potência Comprimento Comprimento Quantidade Resistência Resistência

(e quantidade Máxima do Tronco do Ramal de Cargas Tronco Ramal
de redes) (MVA) (km) (km) (ohm/km) (ohm/km)
A (347) 4,88 4,34 29,34 174,71 0,462 0,538
B (484) 4,17 2,26 19,17 228,35 0,372 0,989
C (291) 3,66 5,1 4,81 73,83 0,39 0,973
D (370) 4,63 7,84 18,33 159,42 0,549 1,645
E (22) 5,61 2,01 27,66 183,82 0,318 1,502
F (629) 5,1 7,25 29,7 247,02 0,384 1,488
G (384) 3,13 10,08 65,8 252,75 0,655 1,227
H (1528) 3,35 38,04 38,04 436,66 0,519 1,391
I (19) 1,42 16,63 24,95 189,79 1,012 1,312
J (3) 7,93 4,32 7,92 162,9 0,568 1,544
K (76) 2,35 3,31 23,57 138,2 0,744 1,288
L (285) 3,43 20,13 57,16 216,72 0,432 0,846
M (2) 7,99 15,13 17 180,5 0,495 1,384
N (7) 5,46 17,24 46,01 350,57 0,545 1,674
O (1549) 3,53 2,75 1,63 49,01 0,424 0,54
P (1) 8,09 22,21 1,79 175 0,975 0,975
Q (18) 2,64 12,87 50,45 386,78 0,585 1,462
Média 4,55 11,15 27,14 212,12 0,554 1,222
Redes Geradas 3,15 12,37 71,34 164,37 0,479 1,399
percentual. Todas as distribuidoras utilizadas nos histogramas atendem mais de 1 milhão de consu-
midores.
Os histogramas mostram algumas diferenças na distribuição das variáveis. Os dados gerados se

diferem mais dos dados reais na Comprimento Total, o que já pôde ser percebido no comprimento do
ramal nas médias da Tabela 5.3.
Análise de Dados Discrepantes
Conforme apresentado no Capítulo 2, normalmente a identificação e o expurgo de dados atípicos

são recomendados quando se tratam de prováveis imperfeições na coleta e/ou apuração dos dados.
Essa hipótese pode ser descartada nesse estudo, já que as redes foram geradas artificialmente e há
garantia da inexistência de qualquer ruído.
Dadas as considerações do parágrafo anterior e após análise dos histogramas das variáveis apre-
Figura 5.3: Histograma da variável Comprimento Total para as redes MT.
Figura 5.4: Histograma da variável Potência Máxima para as redes MT.
sentados na subseção anterior, decidiu-se que não serão excluídos dados discrepantes no estudo.
Transformações das Variáveis
Conforme apresentado no Capítulo 2, a regressão linear tem como pressuposto a linearidade dos
dados, isto é, as variáveis independentes devem se relacionar linearmente com a dependente. Uma
prática comum é a transformação das variáveis previamente à aplicação desta técnica. No presente es-
tudo, foram analisadas as seguintes transformações nas variáveis: logaritmo, raiz quadrada, inversão
e potência quadrada.
As transformações foram analisadas pelo coeficiente de correlação de Pearson, pois este apre-
senta uma medida de correlação linear entre as variáveis. Aplicou-se às variáveis a transformação
que obteve melhor coeficiente – manteve-se o dado original em casos onde nenhuma transformação
trouxe melhoria. A Tabela a seguir apresenta as variáveis selecionadas para o estudo que sofreram
transformação.
Tabela 5.4: Correlações das variáveis independentes transformadas com a perda de energia.
Anterior Posterior Transformação
Comprimento Total 0,17 0,44 logaritmo natural
Comprimento Tronco -0,09 -0,09 inverso
Comprimento Ramal 0,22 0,49 logaritmo natural
Desvio Padrão 0,79 0,84 raiz quadrada
Corrente Média 0,83 0,88 raiz quadrada
Conjuntos de Variáveis Independentes
Como o objetivo deste trabalho é desenvolver modelos para aplicação em regulação, o objetivo
no desenvolvimento foi sempre utilizar o mínimo de informações possíveis. Essas informações fo-
ram combinadas em diferentes conjuntos de variáveis independentes (conjuntos de entrada), a serem
analisadas por diferentes modelos de regressão.
Os conjuntos de variáveis independentes analisados foram:
C1 : Comprimento Total, Resistência Tronco 2 e Corrente Média;

C2 : Comprimento Total, Resistência Tronco 3 e Corrente Média;
C3 : Comprimento Total, Resistência Ramal 2 e Corrente Média;
C4 : Comprimento Total, Resistência Ramal 3 e Corrente Média;
C5 : Comprimento do Ramal, Resistência Ramal 2, Comprimento do Tronco,
Resistência do Tronco 2 e Corrente Média;
C6 : Comprimento do Ramal, Resistência Ramal 3, Comprimento do Tronco,
Resistência do Tronco 3 e Corrente Média;
Basicamente, os conjuntos são divididos de acordo com o uso do comprimento total (conjuntos
C1 a C4) e apenas uma resistência ou com os comprimentos tronco e ramais e suas respectivas re-
sistências (C5 e C6), ambas as divisões tendo sido testadas com as regras 2 e 3 de determinação das
resistências tronco e ramal.
Os conjuntos C1 a C4 requerem relativamente menos informações da rede do que o C5 e C6.

Comparando-se o nível de informação de acordo com as regras implementadas para tronco e ramal, a
regra 2 (menor bitola) para o cabo tronco – conjunto C1 – requer a mínima informação da rede.
5.3.2 Modelos de Regressão para Estimação de Perdas em Redes MT
De acordo com os conjuntos de variáveis independentes apresentados na subseção anterior, foram

desenvolvidos modelos de regressão para estimar as perdas das redes MT. A Figura 5.5 ilustra a
arquitetura desses modelos.
Figura 5.5: Arquitetura dos modelos de regressão.
As variáveis independentes equivalem aos conjuntos de entrada (C1 a C6), ϕ representa cada
um dos modelos de regressão estudados neste trabalho (regressão linear ordinária, regressão linear
robusta, e regressão não linear paramétrica e RNAs) e a variável dependente equivale à ∆Emedia da
Equação (3.20) do Capítulo 3, ou seja, os modelos de regressão procuram prever o valor da perda
média. Para o componente ∆Evariacao é utilizado o CP da subestação (ou do primeiro trecho da rede),
que, conforme será apresentado nos resultados deste capítulo, é uma boa estimativa do CP equivalente
da rede.
Para os modelos de regressão não linear paramétricos deve-se definir previamente a função que
mapeará os dados, sendo o modelo ajustado para obter os coeficientes dessa função. Após alguns
testes com combinações diversas das variáveis, foram implementados os seguintes modelos:
F1 : k1 + k2 · R · l · I 2
F2 : k1 + k2 · R · l k3 · I 2
F3 : k1 + (Rramal · Lramalk2 + Rtronco · Ltroncok3 ) · (k4 · I)2
F4 : k1 + (Rramal · Lramal · k2 + Rtronco · Ltronco · k3 ) · I 2
As funções F1 e F2 utilizam apenas os conjuntos de entrada C1 a C4. Já as funções F3 e F4

utilizam apenas os conjuntos de entrada C6 e C7.
A RNA implementada é do tipo MLP, com uma camada oculta e algoritmo de treinamento com o
método de Levenberg-Marquardt. Foram testadas inúmeras combinações de neurônios nesta camada,
assim como variações da quantidade de iterações para critério de parada. A configuração final da rede
utilizada é com 20 neurônios na camada oculta e 2000 iterações como critério de parada2 .
2
O Capítulo 2 comentou sobre as vantagens da divisão do conjunto de dados em três conjuntos: treinamento, validação
e teste. Na comparação dos resultados entre os modelos (próxima seção), a aplicação da métrica MSE é realizada no
conjunto teste, o que requer que os conjuntos teste de todos os modelos possuam as mesmas redes. Desta forma, a criação
do conjunto de validação para a rede neural deve ser realizada particionando o conjunto de treinamento, o que não levou a
bons desempenhos nos testes realizados, justificando a adoção de apenas dois conjuntos (treinamento e teste) e o critério
de parada pelo máximo de iterações.
5.4 Resultados
A análise dos resultados apresenta comparações entre os modelos desenvolvidos neste trabalho e
os modelos do CODI e da ANEEL, tendo sempre como referência o fluxo de carga determinístico. As
1064 redes obtidas para a análise foram divididas em conjuntos de treinamento (75%) e teste (25%).
Todos os resultados aqui apresentados foram obtidos dos conjuntos teste.
Com relação ao modelo da ANEEL, foram testados os parâmetros ângulo e área do setor circular,
de acordo com a cobertura percentual das cargas em 100%, 95%, 90% e 80%, além das três regras
de determinação das resistências tronco e ramal. Serão apresentados os resultados apenas para o
percentual de cobertura 80% e para a regra 3 de obtenção das resistências tronco e ramal, por terem
obtido melhores resultados frente aos demais.
Antes de apresentar as comparações entre os modelos, destacam-se as métricas utilizadas para a

avaliação. O MSE é a métrica padrão para avaliar comparativamente os modelos. O MAPE é utilizado
por permitir uma melhor visualização dos resultados. O MPE diferencia-se do MAPE apenas por
não utilizar valores absolutos, enquanto que o desvio (%) diferencia-se do MPE por ser o desvio
percentual da soma das perdas. Essa métrica pode ser interessante se o objetivo da estimação das
perdas for prever a perda total do segmento MT, sem buscar boas previsões das perdas para cada rede.
É calculado conforme a equação a seguir:
PN PN
( i=1 ŷi − i=1 yi )
Desvio(%) = 100 · PN (5.2)
i=1 yi
A Tabela 5.5 apresenta um resumo da comparação entre os modelos3. Os resultados estão ordena-
dos crescentemente por MSE. A coluna “conjunto” apresenta com qual conjunto de dados foi obtido
o resultado. São apresentados os resultados apenas para os melhores modelos.
Percebe-se nos resultados como a quantidade de informações influenciou o desempenho dos mo-
delos. Todos os modelos desenvolvidos tiveram seus melhores resultados associados aos conjuntos
com maior quantidade de informações (lembrando que os modelos não lineares F1 e F2 só utilizaram
os conjuntos de entrada C1 a C4). Também se percebe que a regra 3 da determinação da resistência
apresentou melhores resultados (está presente nos conjuntos C4 e C6).
A quantidade de informações também parece ser a explicação para o desempenho compatível

do modelo da ANEEL com relação aos modelos lineares e não lineares paramétricos. Entretanto,
além de usar mais informações, o modelo da ANEEL foi aplicado com as demandas máximas exatas,
obtidas através das redes geradas. A utilização do método na prática provavelmente levará a resultados
piores do que os apresentados aqui. Ademais, considera-se o modelo da ANEEL o mais sensível à
3
Os modelos CODI e ANEEL estão descritos na Subseção 1.6.3 (págs. 24 e 27, respectivamente). Os modelos F¯C I a
¯
F C IV estão descritos na Subseção 5.2.2 (pág. 98). Os demais modelos estão descritos na Subseção 5.3.2 (pág. 105). Os
conjuntos estão descritos na Subseção 5.3.1 (pág. 104).
5.4 Resultados 107
Tabela 5.5: Resultados dos modelos de regressão.

Conjunto Modelo MSE MAPE MPE Desvio (%)
- F¯C II 9,46E+08 4% -4% -6,9%
- ¯
F C III 3,69E+09 15% -15% -14,7%
- ¯
F CI 5,27E+09 17% 17% 15,00%
C6 RNA 7,75E+09 31% 8% -3,9%
C6 F4 7,54E+09 31% 15% -1,9%
C6 F3 8,15E+09 48% 31% -1,6%
C6 Linear 8,31E+09 32% 9% -4,1%
- ANEEL 8,43E+09 23% -8% -6,3%
C4 F2 9,85E+09 51% 35% -1,8%
C6 Robusta 9,97E+09 38% 22% -4,2%
C4 F1 1,04E+10 51% 36% -1,6%
- CODI 2,10E+10 28% 4% -8,1%
- ¯
F C IV 3,75E+10 41% 41% 42,1%
consideração das redes se desenvolverem de forma arborescente em um setor circular, por utilizar
informações geográficas (ângulo de atuação e área de atendimento).
Já com relação ao modelo do CODI, mesmo com nível de informação equivalente ao da ANEEL,
o desempenho em termos de MSE foi relativamente ruim. Mesmo assim, os indicadores percentuais
(MAPE, MPE e desvio %) apresentaram valores bons.
As regressões lineares se saíram bem com relação às demais. Apesar de terem apresentado na
média resultados piores no MSE, apresentaram melhor MAPE (e MPE) que os modelos não lineares
paramétricos, igualando-se aos resultados da RNA nesse aspecto.
Os resultados relativamente bons dos modelos lineares mostram que o fato de o mapeamento
linear não conseguir se ajustar tanto aos dados como os modelos não lineares nem sempre será uma
desvantagem. Na verdade, o uso de tais modelos pode ser mais robusto que os demais, o que significa
segurança em sua aplicação. Essa característica, além da simplicidade, é desejável na aplicação para
regulação.
Além dos resultados apresentados na Tabela 5.5, é importante na avaliação dos modelos de re-
gressão analisar o comportamento dos resíduos. O Apêndice A apresenta figuras com os gráficos de
dispersão e os histogramas dos resíduos, além dos gráficos de dispersão dos erros percentuais. Esses
gráficos permitem inferir que os modelos, de forma geral, apresentaram resultados coerentes quanto
à homocedasticidade (variância constante do erro), à normalidade e à independência dos termos do
erro.
No desenvolvimento dos modelos, o desejado é que o MPE seja zero (ou com um valor absoluto
bem baixo), o que não aconteceu nos resultados da Tabela 5.5. Isso também pode ser observado nas
figuras do Apêndice A, onde percebe-se uma leve tendência do erro para acima do zero. A decisão de
não excluir os dados discrepantes talvez tenha interferido no deslocamento deste erro. Entretanto, de
nada valeria obter um modelo perfeito na teoria se na prática fossem verificados resultados diferentes
dos estudados. Havendo a ocorrência justificada de valores discrepantes, conclui-se que de fato não se
deveria retirá-los da análise. O fato de a regressão linear robusta ter apresentado resultados piores do
que a regressão linear ordinária também pode significar que os dados discrepantes não influenciaram
muito os resultados.
De forma geral, após análise da Tabela 5.5 e das figuras do Apêndice A, os modelos de regressão
desenvolvidos neste trabalho obtiveram bons resultados. Os valores altos de erros médios percentuais
(MAPE e MPE) podem ser explicados pelo desempenho relativamente ruim dos modelos em algumas
redes com baixas perdas. A Tabela 5.6 mostra o valor dos três maiores erros percentuais de cada
modelo e as perdas em kWh/ano para essas redes obtida pelo fluxo de carga determinístico. A título
de comparação, a perda média das redes do conjunto de teste é de 325.835,4 kWh/ano. Por serem
valores absolutos baixos, essas redes influenciam pouco no cálculo do MSE, que é a métrica usada
por esses métodos para o ajuste dos pontos.
Tabela 5.6: Erros percentuais dos modelos de regressão para determinadas redes.
Perda (KWh/ano) RNA F2 F1 F5 F4 F3 Linear Robusta
6.948 474,5 1589,1 1646,4 751,1 751,1 1496,7 518,2 842,2
14.383,2 216,9 746,4 774,9 338,5 338,5 699,7 236,7 414,7
9.380,5 277,4 995,4 1032,2 459,1 459,1 935,1 298,2 531
Por fim, destacam-se os resultados dos modelos baseados em fluxo de carga. De fato, já se es-
perava destes modelos o melhor desempenho, pois utilizam a informação completa da rede elétrica,
realizando aproximações apenas das cargas.
O fluxo de corrente média mostrou que se consegue estimar as perdas nas redes MT com boa
precisão utilizando como desvio padrão equivalente aquele encontrado no primeiro trecho da rede
(refere-se ao F¯C II ). Os limitantes superiores e inferiores da perda (F¯C III e F¯C IV ), respectiva-
mente), aliados com o resultado aproximado da média (F¯C II ) podem ser úteis para traçar o perfil das
perdas da distribuidora.
Esse perfil das perdas pode também ser obtido pelo fluxo de carga probabilístico. Conforme
apresentado na Subseção 5.2.1, o fluxo de carga probabilístico executa seguidas iterações de um
fluxo de carga determinístico. Caso o valor da perda média varie menos que 1%, considera-se que o
processo convergiu. Devido a essas simulações, a execução do fluxo de carga probabilístico requer
mais tempo que os demais modelos. Em alguns casos, a convergência só acontece após a execução
de mais de 200 iterações. Por esta razão, simulou-se este fluxo de carga apenas para uma amostra
aleatória das redes (20 redes), obtendo-se o valor de desvio médio da perda de apenas -0,2%. Apesar
de terem sido simuladas poucas redes, observou-se que esse desvio percentual é bastante estável;
assim, pode-se considerar que o resultado apresentado seria semelhante nas demais redes.
5.4 Resultados 109
É interessante analisar não apenas o valor médio da perda apresentado pelo fluxo de carga proba-
bilístico, mas também a distribuição dos valores das perdas que este método apresenta. A Figura 5.6
mostra um histograma das perdas para uma determinada rede.
Figura 5.6: Histograma da perda obtido pelo fluxo de carga probabilístico (em kWh/a).
Após análise dos resultados, apresentam-se a seguir os modelos com seus coeficientes (exceto
RNA):
F1 : 10, 1 + 1, 83 · 10−05 · RRamal3 · LT otal · I 2

F2 : 9, 8 + 0, 004 · RRamal3 · LT otal1,44 · I 2
F3 : 9, 2 + (RRamal3 · LRamal2,4 + RT ronco3 · LT ronco−0,96 ) · (9, 9 · 10−06 · I)2
F4 : 4, 7 + (RRamal3 · LRamal · 1, 5 · 10−05 + RT ronco3 · LT ronco · 0, 0006) · I 2
Linear : −2, 07 + 0, 34 · LRamal + 0, 99 · RRamal3 − 2, 77 · LT ronco + 0, 24 · RT ronco3+
·0, 29 · I
Robusta : −1, 7 + 0, 43 · LRamal + 0, 51 · RRamal3 − 1, 87 · LT ronco + 0, 51 · RT ronco+
·0, 27 · I
onde I é a Corrente Média.

Capítulo 6
Estimação de Perdas em Redes de Baixa

Tensão
6.1 Introdução
Neste capítulo são propostos modelos de cálculo de perdas para as redes do segmento BT. Quando
se aborda as perdas em redes de baixa tensão, refere-se exclusivamente às perdas nos condutores, ou
seja, não estão incluídas as perdas nos transformadores e nos ramais e medidores dos consumidores.
Diferentemente das redes MT, neste capítulo não se cogitou a aplicação de modelos baseados
em fluxo de carga para redes BT, uma vez que as informações disponíveis nestas redes são ainda
menos confiáveis. A segunda seção apresenta os modelos empíricos desenvolvidos com base nas
redes geradas pela metodologia apresentada no Capítulo 4. A última seção apresenta os resultados
dos modelos, com comparações e discussões sobre a aplicação dos mesmos.
Muitas análises realizadas neste capítulo seguem o mesmo procedimento das apresentadas no
capítulo anterior. Por isso algumas explicações sobre esses procedimentos foram aqui resumidas,
para evitar repetições.
6.2 Análise das Redes de Baixa Tensão
As redes utilizadas para desenvolvimento dos modelos apresentados neste capítulo foram dispo-
nibilizadas pelo gerador de redes BT apresentado na Seção 4.5. A combinação dos vários parâmetros
de entrada do gerador levou a 108 diferentes execuções do mesmo, resultando em 5718 redes BT.
Selecionou-se uma amostra de 1082 dessas redes para o estudo deste capítulo.
111
112 Estimação de Perdas em Redes de Baixa Tensão
6.2.1 Seleção das Variáveis
Nesta subseção será realizada a seleção das variáveis a serem utilizadas para o estudo. Através
dessa análise serão construídos os conjuntos de variáveis independentes, a serem apresentados na
Subseção 6.2.5. As premissas para a seleção das variáveis das redes BT é exatamente a mesma do
capítulo anterior: a disponibilidade e a facilidade de fiscalização dos dados são o objetivo principal,
e não a relevância estatística.
Novamente, não se cogitou utilizar variáveis dependentes da demanda máxima (Corrente Má-
xima, Fator de Carga e Máxima Queda de Tensão). A única variável geométrica disponibilizada pelo
gerador é a tipologia, que na verdade é obtida diretamente do comprimento da rede de baixa tensão,
e também não será utilizada no desenvolvimento dos modelos. Utilizou-se a variável Corrente Média
ao invés da Tensão Nominal, Consumo e Fator de Potência.
As variáveis Número de Postes e Número de Trechos apresentam a mesma informação, e são

altamente correlacionadas com o comprimento da rede (coeficiente de correlação de Pearson igual
a 0,95). O mesmo acontece com a variável Número de Consumidores: possui alta correlação com
o comprimento total (0,82) e com a corrente média (0,75). Por fim, a variável Potência Nominal
do Transformador é bastante correlacionada com o comprimento total (0,7) e com a Corrente Média
(0,79). Por essa razão, essas variáveis não serão utilizadas.
A Tabela 6.1 mostra os coeficientes de correlação de Pearson, Kendall e Spearman entre as variá-
veis candidatas a serem utilizadas como variáveis independentes e a variável dependente – Perda de
Energia.
Tabela 6.1: Correlações das variáveis independentes com a perda de energia.

Comprimento Total 0,63 0,44 0,61
Resistência Mínima -0,32 -0,32 -0,42
Resistência Máxima -0,01 -0,05 -0,06
Desvio Padrão 0,77 0,65 0,83
Corrente Média 0,77 0,70 0,87
A Tabela 6.2 apresenta o ranking das variáveis de acordo com a correlação (valor absoluto) apre-
sentada na Tabela 6.1. Percebe-se que os rankings dos três coeficientes de correlação estão em con-
sonância.
Assim como na análise das redes MT, as variáveis que exprimem características das cargas pos-
suem maiores correlações do que as variáveis de rede.
6.2 Análise das Redes de Baixa Tensão 113
Tabela 6.2: Ranking das correlações das variáveis independentes com a perda de energia.
1 Corrente Média Corrente Média Corrente Média
2 Desvio Padrão Desvio Padrão Desvio Padrão
3 Comprimento Total Comprimento Total Comprimento Total
4 Resistência Mínima Resistência Mínima Resistência Mínima
5 Resistência Máxima Resistência Máxima Resistência Máxima
6.2.2 Representatividade das Variáveis
Considera-se o tamanho da amostra utilizado no estudo deste capítulo adequado. Entretanto, a

representatividade das variáveis não pode ser avaliada apenas pelo tamanho do conjunto de amostras.
Esta subseção apresentará uma comparação de algumas variáveis com dados reais. Apesar de não ser
usada nos modelos, para efeito de comparação se apresenta a variável Potência Máxima da rede BT,
pois esta variável estava disponível nas redes reais.
A Tabela 6.3 apresenta a comparação da média de alguns destes parâmetros disponíveis em redes
reais obtidas na ANEEL1 . Percebe-se que as médias dos parâmetros das redes são bastante variadas,
e que as médias das redes geradas estão dentro de valores encontrados em algumas distribuidoras.
Além da média, pode-se avaliar a distribuição dos parâmetros. As figuras 6.1 e 6.2 apresentam
os histogramas das variáveis Comprimento Total e Potência Máxima para as redes geradas e para
algumas distribuidoras da Tabela 6.3. A frequência dos histogramas (eixo vertical) está em escala
percentual. Todas as distribuidoras utilizadas nos histogramas atendem mais de 1 milhão de consu-
midores.
Os histogramas mostram algumas diferenças na distribuição das variáveis. Os dados gerados se

diferem mais dos dados reais na Potência Máxima, o que já pôde ser percebido nas médias da Tabela
6.3. Ainda assim, existem distribuidoras com o comportamento semelhante ao das redes geradas.
6.2.3 Análise de Dados Discrepantes
Assim como no capítulo anterior, os histogramas e as estatísticas das variáveis mostram que seu
comportamento está dentro do esperado. Essa constatação, aliada ao fato das redes terem sido geradas
e haver a garantia de integridade dos dados, permite concluir que não é necessária a exclusão de dados
discrepantes.
1
A ANEEL possui apenas alguns parâmetros dessas redes, solicitados para a aplicação de sua metodologia de cálculo
das perdas. Não estão disponíveis informações detalhadas que possibilitariam a utilização dessas redes no desenvolvi-
mento dos modelos para a estimativa de perdas em redes BT.
Tabela 6.3: Médias dos parâmetros das redes BT de algumas distribuidoras e das redes geradas.
Distribuidora Comprimento Resistência Resistência Potência Fator de
(e quantidade Total Tronco Ramal Máxima Carga
de redes) (km) (ohm/km) (ohm/km) (kW) (pu)
A (42.108) 0,601 1,216 1,312 13,383 0,297
B (63.488) 0,248 0,276 0,753 14,321 0,565
C (11.511) 0,479 0,893 0,893 34,59 0,516
D (44.258) 0,625 0,42 0,898 20,229 0,579
E (2.827) 0,971 0,957 1,483 22,271 0,51
F (79.172) 0,441 0,906 1,111 23,867 0,434
G (14.925) 0,71 0,58 0,872 27,355 0,54
H (199.883) 0,328 0,755 0,755 14,724 0,53
I (297) 1,312 0,638 0,905 47,372 0,58
J (266) 1,111 0,835 1,341 41,447 0,276
K (2.616) 0,624 0,623 0,917 49,616 0,547
L (17.494) 0,571 0,523 0,626 24,781 0,528
M (273) 0,884 1,005 1,005 32,106 0,327
N (1.483) 0,522 0,164 1,269 34,911 0,486
O (56.356) 0,399 0,65 0,761 45,42 0,417
P (134) 0,738 0,769 1,055 11,113 0,523
Q (5.180) 0,399 1,509 1,551 5,229 0,7
Média 0,645 0,748 1,038 27,22 0,491
Redes Geradas 0,672 1,11 1,3 43,21 0,47
Figura 6.1: Histograma da variável Comprimento Total para as redes BT.

6.2 Análise das Redes de Baixa Tensão 115
Figura 6.2: Histograma da variável Potência Máxima para as redes BT.
6.2.4 Transformações das Variáveis
A transformação das variáveis das redes BT também foi testada, de forma a ajustá-las para atender
ao pressuposto da linearidade dos dados. As mesmas transformações testadas nas redes MT foram
aplicadas: logaritmo, raiz quadrada, inversão e potência quadrada.
As transformações foram analisadas pelo coeficiente de correlação de Pearson, e aplicou-se a

transformação que obteve melhor coeficiente – manteve-se o dado original em casos onde nenhuma
transformação trouxe melhoria. A tabela a seguir apresenta as variáveis selecionadas anteriormente
que sofreram transformação.
Tabela 6.4: Correlações das variáveis independentes transformadas com a perda de energia.
Anterior Posterior Transformação
Comprimento Total 0,63 0,69 logaritmo natural
Desvio Padrão 0,77 0,85 raiz quadrada
Corrente Média 0,77 0,86 raiz quadrada
6.2.5 Conjuntos de Variáveis Independentes
Foram formados conjuntos de variáveis independentes com as variáveis disponíveis, que serão
estudadas na análise dos modelos de regressão. Depois de análises preliminares, os conjuntos testados
foram os seguintes:
C1 : Comprimento Total, Resistência Mínima e Corrente Média;

C2 : Comprimento Total, Resistência Máxima, Resistência Mínima e Corrente Média.
6.3 Modelos de Regressão para Estimação de Perdas em Redes

BT
Os modelos de regressão estudados para a estimação de perdas em redes BT possuem a mesma

estrutura daquela apresentada na Figura 5.5. Também é adotada a Equação (3.20) do Capítulo 3 como
formulação para o problema, com os modelos de regressão sendo ajustados para a previsão da perda
média (∆Emedia ) e o CP da curva de carga do transformador de distribuição como o CPeq .
Os modelos não lineares paramétricos implementados foram são os seguintes:
F1 : k1 + k2 · Rmin · l · I 2
F2 : k1 + k2 · Rmin · lk3 · I 2
F3 : k1 + (Rmin · k2 + Rmax · k3 ) · l · I 2
F4 : k1 + (Rmin · k2 + Rmax · k3 ) · lk4 · I 2
As funções F1 e F2 utilizam apenas o conjunto de entrada C1, enquanto que F3 e F4 utilizam

apenas o conjunto C2.
A RNA implementada é do tipo MLP, com duas camadas oculta e algoritmo de treinamento com
o método de Levenberg-Marquardt. Após vários testes, a arquitetura foi definida com 5 neurônios nas
duas camadas ocultas e 1000 iterações como critério de parada (foram utilizados apenas os conjuntos
de treinamento e validação, pelo mesmo motivo apresentado no capítulo anterior).
6.4 Resultados
Nesta seção são apresentados os resultados comparativos entre os modelos desenvolvidos e entre
os modelos do CODI e da ANEEL. Assim como o capítulo anterior, a referência para o cálculo
dos erros é o resultado da perda dado pelo fluxo de carga determinístico. As redes também foram
divididas em conjuntos de treinamento e teste, com os percentuais de 75% e 25%, respectivamente.
São apresentados os resultados apenas para os conjuntos teste.
Conforme apresentado no Capítulo 1, o CODI desenvolveu metodologia para o cálculo de perdas

em redes de baixa tensão com quatro modelos. Neste trabalho foram analisados os quatro modelos,
6.4 Resultados 117
que serão classificados como CODI I, CODI II, CODI III e CODI IV, seguindo a numeração das
equações (1.10) a (1.13) do Capítulo 1.
O modelo da ANEEL tem como parâmetro de entrada a tipologia, que é um atributo geográfico
e exprime o formato das redes. São apresentados resultados para as duas regras implementadas no
gerador de redes de baixa tensão para a tipologia, conforme a Tabela 4.1. De acordo com a nume-
ração apresentada para as regras na referida tabela, os resultados para o modelo da ANEEL serão
classificados como ANEEL I e ANEEL II.
Os modelos do CODI e da ANEEL prevêem um fator de ajuste devido ao desequilíbrio nas redes
trifásicas e assimetria do transformador, esse último previsto apenas pelo modelo da ANEEL. Para
fins de comparação dos modelos não foram aplicados nenhum desses fatores de ajuste.
A Tabela 6.5 apresenta um resumo da comparação entre os modelos2. Os resultados estão orde-
nados crescentemente por MSE. A explicação das métricas utilizadas na referida tabela é a mesma
realizada para a Tabela 5.5 do Capítulo 5. Ressalta-se que os modelos do CODI são aplicados para
agrupamentos de redes, e, por esta razão, não é possível obter a maioria das métricas de desempenho.
Tabela 6.5: Resultados dos modelos de regressão.

Conjunto Modelo MSE MAPE MPE Desvio (%)
C1 RNA 6,39E+05 73% 52% -2,43%
C2 F3 6,74E+05 313% 287% -4,30%
C1 F2 7,17E+05 678% 659% -1,37%
C2 F4 7,58E+05 142% 122% -2,20%
C1 F1 8,01E+05 1052% 1031% -0,65%
C2 Linear 9,93E+05 110% 90% -0,58%
C2 Robusta 1,03E+06 108% 86% -4,92%
- ANEELI 2,64E+06 68% 35% 12,01%
- ANEELII 2,68E+06 80% 63% 28,32%
- CODII - - - 44,24%
- CODIII - - - 22,18%
- CODIIV - - - 175,37%
- CODIIII - - - 188,67%
Diferentemente dos resultados para as redes MT, nos modelos para redes BT não se verificaram
melhores resultados para os conjuntos com mais informação. Aparentemente, a informação a mais
que o conjunto C2 possui em relação à C1 é desnecessária – o que já havia sido mostrado na análise
de correlação. Como a análise de seleção de variáveis indicava, a variável Rmax poderia ter sido
excluída sem prejuízo para os resultados.
Essa constatação pode ser explicada pelo fato das perdas nas redes BT serem normalmente con-
2
Os modelos CODI e ANEEL estão descritos na Subseção 1.6.3 (págs. 24 e 27, respectivamente). Os demais modelos
estão descritos na Seção 6.3 (pág. 116). Os conjuntos estão descritos na Subseção 6.2.5 (pág. 116).
centradas nos primeiros trechos que partem do transformador, onde há maior concentração de cor-
rente e, conseqüentemente, devem possuir condutores com maior bitola (menor resistência). Bacelar
(1994) apresenta valores para uma distribuidora, constatando que cerca 40% das perdas das redes BT
são concentradas nos dois primeiros vãos de cada lado do transformador, e cerca 70% ocorre nos
quatro primeiros. Nos resultados aqui analisados, a variável Rmin foi mais determinante do que a
variável Rmax , o que sugere estar em consonância com os resultados de Bacelar (1994).
Os modelos de regressão não linear paramétricos obtiveram o menor MSE, e, contrariamente,

resultados piores para o MAPE (e MPE). Isso indica que esses modelos se saíram bem em redes com
maior representatividade em termos absolutos (MWh), e em redes com poucas perdas eles obtiveram
desempenho relativamente ruim.
Com relação aos modelos da ANEEL, apesar de terem apresentado piores MSE, obtiveram bons
resultados nos erros percentuais médios (MAPE e MPE). Provavelmente, essa característica se deve
ao fato de eles terem sido desenvolvidos com base em conhecimento específico sobre o problema. O
único coeficiente destes modelos é obtido por uma regra empírica associada aos comprimentos das
redes, e não por treinamento conforme os demais. Isso torna seus resultados mais robustos percentu-
almente, tanto para redes grandes quanto pequenas.
Novamente, os modelos lineares obtiveram bons resultados com relação aos não lineares. Apesar
de terem apresentado maiores MSEs, esses modelos apresentaram bons resultados nas métricas per-
centuais (MAPE e MPE), caracterizando a sua robustez. Diferentemente dos modelos para redes MT,
a regressão robusta obteve resultados semelhantes à regressão linear.
Os modelos do CODI não puderam ser avaliados pela maioria das métricas apresentadas na Tabela
6.5. De qualquer forma, percebe-se pelo seu resultado no desvio % que estes modelos não tiveram
bons resultados frente aos demais.
As figuras constantes do Apêndice A mostram os gráficos de dispersão e histogramas para os re-

síduos e os gráficos de dispersão para os erros percentuais dos modelos desenvolvidos neste trabalho.
Pode-se avaliar que os modelos que obtiveram bons resultados na Tabela 6.5 apresentaram também
bons resultados com relação à análise de seus resíduos.
Após análise dos resultados, apresentam-se a seguir os modelos com seus coeficientes (exceto
RNA):
F1 : 0, 06 + 0, 02 · Rmin · l · I 2
F2 : 0, 04 + 0, 02 · Rmin · l0,64 · I 2
F3 : 0, 12 + (Rmin · 14, 4 + Rmax · 43, 4) · l · I 2
F4 : 0, 04 + (Rmin · 0, 9 + Rmax · 7, 5) · l0,4 · I 2
Linear : −0, 2 + 0, 008 · I + 0, 0001 · l + 0, 03 · Rmin + 0, 15 · Rmax
Robusta : −0, 2 + 0, 007 · I + 8, 5 · 10−05 · l + 0, 02 · Rmin + 0, 13 · Rmax
Capítulo 7
Estimativa de Perdas nos Transformadores e

Ramais de Ligação
7.1 Introdução
Os capítulos 5 e 6 apresentaram modelos para a estimativa das perdas em redes MT e BT, respec-
tivamente. Este capítulo analisa a estimativa de perdas para outros dois segmentos dos sistemas de
distribuição: transformadores e ramais de ligação.
As propostas aqui apresentadas pouco diferem dos modelos já adotados na regulação pela ANEEL,
sendo propostos aprimoramentos pontuais, derivados da metodologia de cálculo de perdas pelo coe-
ficiente de perdas apresentada no Capítulo 3.
7.2 Estimativa de Perdas em Transformadores
A metodologia da ANEEL para o cálculo de perdas em transformadores segue a modelagem

clássica desses equipamentos, dividindo-os em dois tipos de perdas: perdas no ferro ou núcleo e
perdas no cobre. As perdas são calculadas de acordo com a Equação (1.18), apresentada no Capítulo
1. Também no referido capítulo se discutiu a origem dos dados de perdas ferro e cobre para cada tipo
de transformador; para os transformadores de potência, as perdas são informadas pelas distribuidoras,
segundo os dados de placa dos mesmos; para os transformadores de distribuição, a ANEEL adota os
valores limites de perdas ferro e cobre recomendados pela ABNT (1999).
Esta seção apresentará uma proposta para melhoria na estimativa das perdas de transformadores.
A subseção a seguir discutirá a alteração da equação de forma a considerar as propostas constantes
119
120 Estimativa de Perdas nos Transformadores e Ramais de Ligação
do Capítulo 3. A segunda subseção apresenta uma proposta de alteração dos valores de perdas ferro
e cobre usados como informações de entrada no modelo.
7.2.1 Equação das Perdas no Cobre
Com relação à estimativa das perdas cobre, este trabalho propõe a adoção da metodologia de
cálculo de perdas pelo coeficiente de perdas em substituição à adoção do cálculo para a demanda
máxima, com a posterior aplicação do fator de perdas. A demanda máxima no cálculo dos transfor-
madores é representada pelo fator de utilização, que exprime a relação entre a demanda máxima e a
potência nominal. A Equação (7.1) exprime a proposta para o cálculo da perda cobre em kW:
P otmed 2
Perda média (cobre) = ( ) · Pcu · CP (7.1)
P otnom
onde P otmed é a potência média no transformador, obtida pela energia consumida pelos consumidores
ligados ao transformador dividida pelo tempo, em kW; P otnom é a potência nominal do transforma-
dor, em kVA; Pcu é a perda cobre, em kW; e CP é o coeficiente de perdas.
A equação proposta elimina a utilização da demanda máxima do cálculo. Para transformadores

de distribuição, a demanda máxima raramente é medida, sendo normalmente estimada de acordo com
as curvas de carga do mercado que o transformador atende e o consumo dos mesmos. A potência
média tem a vantagem de ser obtida apenas pela energia consumida pelos consumidores atendidos
pelo transformador.
7.2.2 Perdas Padrão para Ferro e Cobre
As tabelas da ABNT (1999) especificam limites máximos das perdas, referenciais para os pro-
jetos desses equipamentos, e não exprimem os valores praticados no mercado. Um aprimoramento
necessário para as perdas ferro e cobre dos transformadores de distribuição é a adoção de valores mais
realistas para estas perdas, de forma a tornar a estimativa de perdas mais precisa.
À primeira vista, poder-se-ia solicitar os valores de perdas ferro e cobre enviadas pelas distri-
buidoras para cada um de seus transformadores. Entretanto, essa alternativa não é recomendada do
ponto de vista regulatório, devido à assimetria de informações – existem distribuidoras com cerca de
600.000 transformadores. Propõe-se, portanto, que a ANEEL adote valores médios das perdas dos
transformadores encontrados no mercado.
Os valores médios podem ser retirados de uma pesquisa com os fabricantes nacionais, ou com as
próprias distribuidoras, solicitando os parâmetros de suas aquisições recentes. Haverá a questão de
como lidar com as perdas dos transformadores antigos ainda em funcionamento. Nesse caso, deve-se
pesquisar se os transformadores comprados nos últimos anos já não respondem por uma participação
7.2 Estimativa de Perdas em Transformadores 121
grande no parque de transformadores das distribuidoras – fato bem provável, devido ao crescimento
de carga verificado nos últimos anos e aos programas de universalização.
De qualquer forma, o levantamento da idade dos transformadores pela vida útil seria importante
para uma análise não apenas dos valores de perdas verificados nas distribuidoras, mas também para
um estudo de eficiência energética, que vise a redução das perdas técnicas nesses equipamentos. A
Figura 7.1 mostra um gráfico com a distribuição da idade dos transformadores e o aumento percentual
das perdas ferro e cobre para dois países da Europa (Polônia e República Tcheca). Conforme mostra
a figura, os 10% transformadores mais velhos deste país (linha de cor amarela) são responsáveis por
21,5% das perdas ferro e 15,2% das perdas cobre.
Figura 7.1: Vida útil e acréscimo das perdas ferro e cobre (fonte: Leonardo Energy).
Couto et al. (2006) apresentaram um levantamento das perdas com alguns fornecedores de trans-
formadores da CEMIG e constataram que os valores praticados pelos mesmos são bastante inferiores
aos sugeridos pela ABNT. Um grupo de estudo coordenado pelo Instituto Euvaldo Lodi (IEL), com
participação da Eletrobrás e dos fabricantes de transformadores, representados pela Associação Brasi-
leira da Indústria Elétrica e Eletrônica (ABINEE), está estudando a qualidade e a eficiência energética
dos transformadores de distribuição no Brasil. Resultados preliminares desse grupo mostra que há es-
paço para a produção de transformadores mais eficientes no Brasil, e que a regulação deve incentivar
essa eficiência por parte das distribuidoras.
De qualquer forma, a ANEEL já poderá, no terceiro ciclo de revisões tarifárias periódicas, promo-
ver melhorias em seus regulamentos para determinar níveis eficientes de perdas, não reconhecendo as
perdas além desses valores. Com a adoção deste tipo de regulamento, as distribuidoras terão que ca-
122 Estimativa de Perdas nos Transformadores e Ramais de Ligação
pitalizar as perdas no momento da compra dos transformadores, além, é claro, de promover a gestão
do carregamento de forma a racionalizar o uso desses equipamentos.
7.3 Estimativa de Perdas de Energia nos Ramais de Ligação
Conforme apresentado no Capítulo 1, o cálculo de perdas adotado pela ANEEL para os ramais
de ligação é baseado em uma média da corrente máxima, obtida por um fator de carga típico. Essa
corrente máxima média é posteriormente dividida por um fator de diversidade, para considerar que as
correntes máximas nos ramais terão alguma variação com relação à média.
Propõe-se neste trabalho que a corrente máxima média seja substituída apenas pela corrente mé-
dia, que é calculada pela simples extração do fator de carga da Equação (1.20). A equação do cálculo
da corrente média proposta é a seguinte:
EfBorn
i¯f = · 106 (7.2)
cosφ · (3NUC3 V3 + 2NUC2 V2 + 2NUC2′ V2′ + NUC1 V1 ) · 8760
A equação de cálculo da perda média se mantém a mesma adotada pela ANEEL, apresentada na
Equação (1.19) do Capítulo 1.
Parte III
Análise dos Níveis de Perdas Técnicas e

Conclusão
123
Capítulo 8
Determinação de Valores Adequados para as

Perdas Técnicas de Energia
8.1 Introdução
Os capítulos 5 a 7 apresentaram modelos para estimação das perdas técnicas. Do ponto de vista
regulatório, a apuração das perdas é importante, mas não é suficiente. Deve-se analisar se a distribui-
dora realiza o transporte de energia de forma eficiente, isto é, se os níveis de perdas verificados são
adequados a sua realidade.
Este capítulo apresenta propostas de análise das perdas das distribuidoras. A primeira seção apre-
senta uma discussão teórica sobre as perdas ótimas, sob o pondo de vista do planejamento. Os concei-
tos apresentados nessa seção balizarão as propostas de determinação dos valores ótimos de perdas de
energia das seções seguintes. A Seção 8.3 apresenta uma análise das perdas com base em um modelo
de regressão. A Seção 8.4 apresenta algumas propostas de regulação baseadas em benchmarking. A
Seção 8.5 encerra o capítulo com as discussões sobre as propostas.
Ressalta-se que as análises deste capítulo são realizadas de forma agregada para as distribuido-
ras, e não por segmentos de rede ou transformação. Os valores de perdas técnicas aqui utilizados
foram obtidos pela aplicação da metodologia de cálculo de perdas da ANEEL (ANEEL 2008), sendo
utilizados dados de 53 concessionárias de distribuição.
125
126 Determinação de Valores Adequados para as Perdas Técnicas de Energia
8.2 Leis Teóricas das Quantidades de Obras
Em um trabalho teórico, Juricic (1971) analisou as relações entre o volume de condutores e a

quantidade de subestações em uma rede que abrange uma dada área, enunciando as “Leis Teóricas de
Quantidade de Obras em Redes Elétricas”. Avaliando redes com restrições diversas, Juricic (1971)
estabeleceu relações teóricas que permitem determinar a quantidade mínima de obras sobre as quais
o atendimento às cargas é possível.
Intuitivamente, espera-se que as perdas de energia sejam relacionadas, de alguma forma, com a
área de atendimento e com a carga. Afinal, essas variáveis são determinativas no planejamento dos
sistemas elétricos. Juricic (1971) demonstra a relação teórica entre a densidade de carga e às perdas
de energia:
Ao se considerar áreas com diferentes densidades de carga, deduz-se que a perda de energia
por unidade de área, densidade de condutores e densidade de subestações deve ser proporcional a
densidade de carga elevada a 2/3. Enfim, a proporção de perdas pela energia varia com a densidade
de carga elevada a - 1/3.
Conforme CODI (1996b), esta conclusão significa que os sistemas de distribuição se beneficiam
de uma economia de escala natural: as perdas técnicas percentuais tendem a ser menores em sistemas
mais densos, pois o custo da perda de energia elétrica será maior.
Juricic (1971) ressalta que seu estudo se aplica às quantidades de obras, e não aos custos. Com
efeito, em cada tipo de rede (urbana, rural, subterrânea), os custos unitários de obras são diferentes,
assim como são influenciados pelo tempo e por progressos tecnológicos.
Com relação às perdas de demanda, CODI (1996b) argumenta que a análise desenvolvida por
Juricic (1971) permite somente definir as relações prováveis entre os indicadores dessas perdas nos
dois casos seguintes:
• uma mesma área, em momentos distintos; e

• diversas áreas, no mesmo instante.
CODI (1996b) argumenta ainda que, se existirem algumas áreas nas quais se reconheça que os
sistemas elétricos se desenvolveram de forma otimizada, considerando os custos das perdas e sem
restrições financeiras, essas áreas podem ser tidas como padrões e servir de base de comparação para
todas as outras áreas. Esse procedimento, válido conforme a qualidade do padrão, permite determinar
os indicadores de perdas adequados a cada área e, por comparação com os indicadores reais, concluir
quanto à eventual existência de perdas não técnicas ou excesso de perdas técnicas.
Ilustrando as afirmações do parágrafo anterior, CODI (1996b) apresenta três casos simples mos-
trando a aplicação das conclusões do estudo de Juricic (1971) para: (i) a comparação de perdas de
8.3 Modelo de Regressão 127
potência em áreas homogêneas, aplicável tanto para duas áreas de densidade de carga diferentes,
como para uma área que, ao longo do tempo, sofre alteração de densidade; (ii) comparação das per-
das de potência para uma distribuidora cuja área de concessão é dividida em áreas homogêneas, com
diferentes densidades; e (iii) comparação do índice de perdas de potência de várias distribuidoras
otimizadas, em função de suas características.
Apesar da análise apresentada por Juricic (1971) se referir apenas às perdas ôhmicas (nos condu-
tores e enrolamentos dos transformadores), pode-se aceitar que também existe uma relação inversa
entre densidade e perdas nos núcleos dos transformadores CODI (1996b).
O estudo apresentado por Juricic (1971) é teórico, contendo apenas um exemplo prático com uma
demonstração da aplicação. CODI (1996b) e Oliveira et al. (2006) estudaram a aplicação das relações
propostas por Juricic (1971) em redes reais, validando a relação da densidade com a perda de energia.
Adotando uma série de considerações, como, por exemplo, a utilização da área de concessão ao invés
da área elétrica, CODI (1996b) obteve o seguinte resultado:
di −0,33
Ie = 7, 56 · (8.1)
3, 21
onde Ie é o indicador de perdas técnicas de energia, em relação à energia requerida pela distribuição;
e di é a densidade de carga (das áreas urbanas), obtida para a área efetivamente eletrificada, em
MV A/km2 .
8.3 Modelo de Regressão
Nesta seção será estudada a aplicação dos conceitos relacionados às leis propostas por Juricic
(1971) para a determinação de níveis adequados de perdas técnicas. O objetivo é o desenvolvimento
de um modelo de regressão simples, que trace um mapeamento para a determinação dos valores
adequados das perdas pelos valores médios verificados pelas distribuidoras.
Para obtenção da densidade, será utilizada a energia ao invés da potência, por ser esta uma variável
mais precisa. De qualquer forma, essas duas variáveis são bastante correlacionadas. Também não
será possível a utilização da área elétrica, sendo utilizada área de concessão. A área de concessão foi
obtida pela soma das áreas dos municípios que a distribuidora atende, de acordo com dados do IBGE.
Foram estudados diversos indicadores de densidade e perdas percentuais, com diferentes com-
posições por segmento de tensão (AT, MT e BT). Os indicadores que apresentaram melhor relação
utilizaram a energia total injetada nos sistemas de distribuição por qualquer nível de tensão, em MWh,
a área de concessão, em km2 , e as perdas técnicas totais, em MWh.
Diferentemente dos dados analisados nos capítulos 5 e 6, os dados disponíveis para esta análise
são oriundos de distribuidoras, e deve-se considerar a probabilidade de incerteza nos mesmos. Foi
necessário, portanto, a análise e exclusão de dados discrepantes. Foram considerados discrepantes os

dados fora da seguinte faixa:
[Q1 − k(Q3 − Q1 ), Q3 + k(Q3 − Q1 )] (8.2)
onde Q1 é o primeiro quartil, Q3 é o terceiro quartil e k equivale a 1,5. Além dos dados discrepantes,
não foram incluídas na análise distribuidoras muito pequenas, que atendem menos de 20.000 unidades
consumidoras.
A Figura 8.1 mostra o gráfico de dispersão da densidade pela perda. A curva de ajuste utilizada foi
uma exponencial, que, conforme argumentado por Juricic (1971) e comprovado por CODI (1996b),
é a que melhor se ajusta à densidade.
Figura 8.1: Curva de ajuste das perdas técnicas para a densidade de energia.
O gráfico indica que o comportamento das perdas pela densidade é coerente, e a curva exponencial
fornece um bom ajuste aos pontos, conforme mostra o R2 . Ressalta-se que não se esperava um
ajuste que fornecesse um R2 muito próximo à 1, pois além de eventuais imprecisões na apuração dos
dados, espera-se que haja variações nos valores das perdas com relação ao valor adequado, ou seja,
distribuidoras ineficientes.
A Equação (8.3) apresenta os parâmetros da curva da Figura 8.1.

ŷ = 0, 1554 · d−0,154
e (8.3)
onde de é a densidade de energia.
A equação de ajuste das perdas com base na densidade pode ser usada para estabelecer os valores
adequados de perdas das distribuidoras. Há, contudo, necessidade de se criarem algumas regras para
a sua aplicação. Afinal, há uma série de considerações que impossibilitam afirmar que a perda das
distribuidoras deveria ser exatamente a obtida pela Equação (8.3).
8.3 Modelo de Regressão 129
Pode-se traçar a diferença entre o valor da perda verificado pelas distribuidoras, obtido pelo mo-
delo de cálculo da ANEEL, e o valor previsto pela Equação (8.3), ou seja, os resíduos. A Figura
8.2 mostra o histograma dos resíduos, e a Figura 8.3 mostra o histograma dos desvios percentuais
(resíduos sobre o valor da perda calculado).
Figura 8.2: Histograma dos resíduos. Figura 8.3: Histograma dos erros percentuais.
Como esperado, existem desvios consideráveis para algumas distribuidoras. Do ponto de vista de
regulação, pode-se arbitrar um erro máximo tolerável, e analisar as distribuidoras com valores acima
deste erro. CODI (1996b), por exemplo, arbitrou uma tolerância de 30% para analisar se o sistema
está com as perdas aceitáveis.
No Brasil existem hoje 89 distribuidoras, sendo 63 concessionárias e 26 permissionárias de dis-

tribuição de energia elétrica, com características muito variadas. Por exemplo, o número de unidades
consumidoras varia de mais de 6 milhões a até menos de 1000. As conclusões teóricas de Juricic
(1971), comprovadas pelo modelo da Equação (8.3), são baseadas no ganho de escala da distribuição
de energia elétrica. É natural, então, admitir que qualquer tolerância na aplicação da Equação (8.3)
seja variável, com maior rigidez para as distribuidoras de maior porte.
A Figura 8.4 mostra um gráfico de dispersão da energia injetada (eixo horizontal inferior) pela
área (eixo vertical esquerdo). Os pontos em azul referem-se às distribuidoras utilizadas na análise da
seção anterior. As isoretas de densidade (retas onde a densidade é constante) foram traçadas neste
gráfico, sendo atribuído a cada uma o valor da perda técnica percentual, de acordo com a Equação
(8.3).
A densidade cresce de forma angular, no sentido horário. O porte das distribuidoras é proporci-
onal aos valores dos eixos. Percebe-se pelas isoretas de perdas que a análise das distribuidoras de
maior porte é mais fácil, e a tolerância na aplicação da Equação (8.3) pode ser menor para essas
distribuidoras.
Figura 8.4: Gráfico de dispersão da energia injetada e área, com a marcação das perdas.
8.4 Modelos de Benchmarking
8.4.1 Ranking
O modelo de regressão apresentado na seção anterior estima os valores de perdas adequadas com
base em uma curva de ajuste para os valores de perdas verificados. Alternativamente, podem-se
desenvolver modelos baseados em técnicas de benchmarking, que promovem a comparação entre as
distribuidoras, simulando um ambiente concorrencial.
O primeiro modelo que se propõe é através de um ranking das distribuidoras por densidade. O
ranking é uma técnica interessante para ser aplicada conjuntamente com os conceitos teóricos de
Juricic (1971), pois não se prenderá na determinação do exato mapeamento para os valores adequados
das perdas, mas sim na coerência do comportamento da densidade com a perda. Ao invés de se
estabelecer que a perda é função exponencial da densidade, extrai-se dos conceitos de Juricic (1971)
apenas que a relação da perda com a densidade é da forma de uma função monotônica estritamente
decrescente:
Se xi < xj , f (xi ) > f (xj ).
A Tabela 8.1 mostra as 53 distribuidoras ranqueadas pela densidade (razão da energia injetada, em
MWh, pela área, em km2 ), e as perdas técnicas percentuais obtidas pelo modelo da ANEEL. Para esta
8.4 Modelos de Benchmarking 131
análise não foram excluídas as empresas consideradas discrepantes no estudo anterior, pois o ranking
é menos susceptível aos efeitos desses dados extremos.
Tabela 8.1: Ranking de densidade das distribuidoras analisadas.

Dist. Densidade Perda Dist. Densidade Perda Dist. Densidade Perda
1 5 10,7% 19 84 6,8% 37 155 7,0%
2 5 10,9% 20 86 6,1% 38 199 6,2%
3 5 10,0% 21 92 8,9% 39 216 7,2%
4 6 9,9% 22 96 6,6% 40 239 5,4%
5 12 13,2% 23 98 8,5% 41 266 8,3%
6 13 12,5% 24 102 8,2% 42 293 6,4%
7 14 12,4% 25 104 8,6% 43 362 5,7%
8 15 12,7% 26 107 9,6% 44 363 7,1%
9 18 10,7% 27 111 6,6% 45 387 4,2%
10 26 10,4% 28 113 5,8% 46 548 7,7%
11 52 7,7% 29 114 6,9% 47 684 4,8%
12 52 9,9% 30 115 7,1% 48 922 9,1%
13 60 7,5% 31 116 5,8% 49 1.103 5,0%
14 65 7,6% 32 117 7,7% 50 2.099 4,0%
15 69 10,0% 33 121 7,2% 51 2.971 5,6%
16 74 9,2% 34 122 5,7% 52 4.090 5,6%
17 77 9,2% 35 128 8,4% 53 9.661 4,9%
18 83 8,2% 36 137 4,3% - - -
De acordo com o conceito do ranking, a perda da distribuidora só será considerada inadequada se

a mesma estiver abaixo ou acima de outra distribuidora com densidade diferente. Julga-se que este
método é mais conservador que a regressão, e apresenta um melhor comportamento para os dados
discrepantes.
A Figura 8.5 mostra um gráfico do ranking da Tabela 8.1. O eixo horizontal apresenta as distri-
buidoras ranqueadas pela densidade, e o eixo vertical apresenta as perdas percentuais. A linha escura
mosra a média móvel entre dois pontos adjacentes.
8.4.2 Clusterização
Outra proposta de regulação para a determinação de valores adequados para as perdas técnicas é a
utilização de técnicas de clusterização das distribuidoras. Através dessas técnicas, podem-se formar
agrupamentos de distribuidoras seguindo a premissa de que distribuidoras similares devem apresentar
perdas técnicas similares.
A definição de quais distribuidoras são similares deverá ser realizada com base em atributos (va-
Figura 8.5: Gráfico ilustrando o ranking apresentado na Tabela 8.4.1.
riáveis) que influenciem a perda técnica. De acordo com os conceitos teóricos que têm sido seguidos
neste capítulo, a densidade é a característica determinante para a definição dos níveis de perdas ade-
quados, e, naturalmente, pode ser utilizada para o processo de clusterização. Na verdade, a análise
de clusterização será realizada com base nas duas variáveis que compõem a densidade: a área e a
energia injetada na distribuidora.
Como as variáveis estão em dimensões distintas, procedeu-se a normalização dos dados. Foi
adotada a distância euclidiana como métrica de distância entre as observações, e o método de cluste-
rização de Ward.
A utilização de um método de clusterização hierárquica é interessante por permitir a análise grá-

fica das proximidades através, por exemplo, de gráficos do tipo dendrogramas. A Figura 8.6 mostra
o dengrograma para os dados das 53 distribuidoras. A Figura 8.7 apresenta o diagrama de dispersão
das distribuidoras com a numeração adotada no dendrograma e na Tabela 8.4.1.
O dendrograma da Figura 8.6 sugere o agrupamento dos dados em aproximadamente nove clus-
ters. Ressalta-se que a clusterização trata naturalmente a questão do porte das distribuidoras, agru-
pando em clusters as distribuidoras de tamanho similar.
Para a implantação na regulação, pode-se adotar, para cada agrupamento, um referencial para
a perda técnica. Por exemplo, pode-se considerar que todas as distribuidoras pertencentes a um
determinado cluster deveriam apresentar os mesmos níveis de perdas, podendo este ser o valor médio
das perdas dessas distribuidoras.
Ressalta-se que a clusterização poderia levar em conta outras variáveis, além da área e energia
8.4 Modelos de Benchmarking 133
Figura 8.6: Dendrograma obtido pela clusterização pelo método de Ward.
Figura 8.7: Gráfico de dispersão da energia injetada e área, com a numeração das distribuidoras.
injetada. Isso provavelmente se afastaria do modelo teórico proposto por Juricic (1971), se aproxi-
mando da realidade das distribuidoras. Há variáveis que não são de gestão da distribuidora, como por
exemplo a quantidade de pontos de suprimento da rede básica, assim como a sua localização, que são
importantes para a determinação das perdas nas linhas de alta tensão.
8.5 Discussão
As perdas são variáveis do planejamento que devem ser consideradas em uma análise de custo
mínimo global. Não devem sempre ser as menores possíveis, mas sim as mais adequadas. Isto deve
estar claro quando da elaboração de modelos de análise de valores adequados para as perdas.
Entretanto, pode-se considerar que a maioria das distribuidoras apresenta valores de perdas acima
dos adequados, e, neste caso, devem buscar a redução das perdas. Dentre várias razões, as perdas
excessivas são consequência dos seguintes aspectos preponderantes:
• ao fato das perdas serem repassadas para a tarifa (ausência de incentivo para a eficiência);
• as distribuidoras passaram por um longo período sem investimento – verifica-se, em alguns

grupos, investimento maior nesses últimos anos, o que pode ser explicado, normalmente, pelo
grande crescimento de carga;
• o custo da energia (custo das perdas) ainda não contempla, de forma adequada, os custos am-
bientais.
Os modelos apresentados neste capítulo pressupõem custos similares entre as distribuidoras. Isto,
no entanto, não pode ser considerado verdadeiro. Os custos das perdas são relacionados à energia
e, mesmo com a implantação do novo modelo, que organiza os leilões de compra de energia, são
verificados preços médios de compra de energia muito discrepantes entre as distribuidoras. Também
há variação nos custos fixos, relacionados aos equipamentos e à mão de obra.
O modelo de regressão apresentado na Seção 8.3 busca o ajuste para um valor médio dos pontos.
Os demais modelos de benchmarking são mais flexíveis, e podem ser utilizados tanto para a busca de
valores mínimos quanto médios, pois a referência é um parâmetro do modelo. Esses modelos seriam,
portanto, mais adequados para serem adotados no cenário de incentivo à redução das perdas.
Vários métodos podem ser utilizados para a redução das perdas técnicas. Os modelos de auxílio
à decisão baseados em técnicas de otimização estão cada vez mais disseminados no planejamento
da distribuição, e podem ser utilizados para analisar as várias alternativas e seus custos, propondo a
solução de custo mínimo.
Uma maneira de incentivar a adoção de tais técnicas é através de uma análise mais rigorosa dos
recursos gastos pelas distribuidoras em investimentos. Por exemplo, podem-se adotar modelos de
benchmarking também na análise dos investimentos, auxiliando a definição dos investimentos pru-
dentes, que são aqueles a serem incorporados à base de remuneração da distribuidora.
Havendo o incentivo para a redução das perdas técnicas, as distribuidoras tenderiam a investir
mais. Com relação à incorporação dos ativos advindos das obras para redução de perdas, propõe-se
8.5 Discussão 135
analisar o uso de recursos de eficiência energética para essa finalidade. Esses recursos permitiriam a
redução das perdas sem o correspondente aumento da base de remuneração das distribuidoras.
Por fim, entende-se que é necessário realizar um estudo abrangente do custo das perdas no Brasil,
por distribuidora, e dos custos associados a sua redução. Esse estudo balizaria todas as ações descritas
anteriormente, avaliando o tamanho do problema. Adicionalmente, auxiliaria na definição das obras
para a expansão do SIN.
Capítulo 9
Conclusão e Trabalhos Futuros
9.1 Conclusão
Este trabalho estudou metodologias para apoiar a regulação das perdas técnicas na distribuição da
energia elétrica. As propostas estão organizadas em duas partes: modelos para estimação das perdas
técnicas de energia e determinação de valores adequados para as perdas técnicas.
A abordagem foi realizada com foco na regulação. Entretanto, os modelos também podem ser
aplicados por distribuidoras que possuem pouca informação de seus sistemas, o que impossibilita
a utilização de métodos de cálculo e/ou estimativa de perdas mais precisos. As distribuidoras tam-
bém podem utilizar as metodologias desenvolvidas para análise de eficiência dos seus planejamentos,
comparando-se com as demais.
O Capítulo 3 apresenta uma nova forma de abordagem do problema de cálculo de perdas de

energia, utilizando um novo parâmetro: o coeficiente de perdas. Algumas dificuldades com relação ao
uso da demanda máxima foram analisadas, concluindo que seu uso deve ser evitado quando possível.
A não utilização da demanda máxima torna os cálculos mais precisos e simples, aspectos ilustrados
em um exemplo de aplicação dos conceitos.
Os conceitos de cálculo pelo coeficiente de perdas foram utilizados na formulação do problema

de estimação de perdas em redes de distribuição. A simplificação introduzida permite a utilização
da soma das energias medidas nos consumidores da rede como informação para a obtenção da cor-
rente média. Essa abordagem possibilita aumentar a precisão da estimação em relação ao uso da
informação sobre o consumo da rede medido na saída dos transformadores (informações que não são
usualmente disponíveis, principalmente na baixa tensão). Ressalta-se que a corrente média obtida
com a abordagem proposta leva à determinação das perdas técnicas decorrentes do consumo regular,
desprezando as perdas não técnicas.
137
138 Conclusão e Trabalhos Futuros
Foi proposta uma metodologia para geração de redes no Capítulo 4. A metodologia possibilita
a criação de redes com características semelhantes às redes reais, que podem ser utilizadas como
referência em estudos de planejamento. Neste trabalho, as redes foram utilizadas no desenvolvimento
de modelos de estimação para uso em regulação das perdas nos segmentos de média e baixa tensão.
Como a metodologia de geração de redes é baseada em conceitos de otimização, pode-se ques-

tionar se a utilização dessas redes “otimizadas” afasta os valores estimados dos valores de perdas
apresentadas pelas redes reais, o que aproximaria, de antemão, as perdas estimadas dos níveis ade-
quados para as mesmas. No entanto, os parâmetros de entrada dos geradores podem ser ajustados
para evitar a formação a priori de redes com características “ideais”.
Os conceitos desenvolvidos nos capítulos 3 e 4 são a base para a realização dos estudos para
a estimação de perdas técnicas em redes de distribuição, apresentados nos capítulos 5, 6 e 7. Os
modelos de estimativa de perdas para as redes MT e BT mostraram que é possível a estimação das
perdas técnicas nas redes de distribuição com níveis relativamente bons de precisão. Destaca-se que o
foco não foi a precisão dos modelos, mas sim o melhor compromisso entre a qualidade da estimação
e a quantidade de informação. Não houve, portanto, o compromisso de se buscar uma estimativa de
perdas necessariamente mais precisa do que as obtidas com outros modelos, como fluxos de carga ou
modelos já adotados pela ANEEL.
Os modelos aproximados podem trazer grandes variações na estimação das perdas se forem apli-
cados em distribuidoras que possuem poucas redes. Afinal, mesmo com erros médios baixos, even-
tualmente podem ocorrem erros percentuais bastante elevados, o que pode distorcer a perda final da
distribuidora. Por esta razão, deve-se verificar se as perdas estimadas para a distribuidora estão dis-
crepantes, e, nesses casos, deve-se realizar análises complementares. Pode-se, por exemplo, estudar
a aplicação de modelos baseados em fluxo de carga para esses casos.
Os modelos de estimação de perdas em transformadores e ramais de ligação, apresentados no

Capítulo 7, são estruturalmente idênticos aos já adotados pela ANEEL. A proposta inovadora é a
incorporação dos conceitos apresentados no Capítulo 3. Apesar de simples, traz os benefícios de
maior precisão já discutidos no início desta conclusão.
Ainda no Capítulo 7 foi apresentada uma discussão sobre as perdas nos transformadores. Conclui-
se que estudos adicionais são necessários para uma melhor regulação das perdas deste segmento, e
uma etapa de diagnóstico do parque brasileiro auxiliaria na elaboração de ações futuras.
Do ponto de vista do regulador, apenas apurar os níveis de perdas das distribuidoras não é sufici-
ente. Há a necessidade de incentivar a eficiência no planejamento da distribuidora, onde a determina-
ção dos níveis adequados de perdas é um dos aspectos importantes do processo. No Capítulo 8 foram
propostos modelos para análise desses níveis. Os resultados dos modelos matemáticos discutidos
podem ser usados em uma metodologia mais ampla, sendo interessante acrescentar uma análise dos
custos específicos para cada distribuidora.
9.2 Pontos para Estudos Adicionais 139
9.2 Pontos para Estudos Adicionais
Neste trabalho foram abordados os aspectos de estimativa das perdas e da determinação dos níveis
adequados sob o foco da regulação. Esses aspectos não foram totalmente explorados, e investigações
adicionais são necessárias. A Figura 9.1 ilustra o processo de regulação das perdas técnicas, supondo-
se que as perdas atuais estão acima dos níveis adequados.
ESTIMATIVA
MÉTODOS DE NÍVEL
DE REDUÇÃO
ADEQUADO
PERDAS
Figura 9.1: Ilustração do processo de regulação das perdas técnicas.
Com relação à estimativa das perdas, identifica-se como um próximo passo a análise do coeficiente
de perdas equivalente das redes, que está presente no termo ∆Evariacao na formulação proposta no
Capítulo 3, Equação (3.18). A previsão estudada nos capítulos 5 e 6 foi realizada apenas para o
termo ∆Emedia da referida equação. A análise do coeficiente de perdas equivalente pode também
ser realizada por regressão, utilizando-se as variáveis das redes. Outra hipótese é a obtenção do
coeficiente de perdas através das curvas de carga obtidas pelas campanhas de medição. Neste caso, a
ANEEL deve aprimorar seus métodos de análise de consistências e fiscalização dessas campanhas.
Trabalho adicional deverá ser realizado na determinação dos valores adequados de perdas técnicas
de energia. Pode-se, por exemplo, estudar a aplicação de outros métodos de análise, como os méto-
dos de fronteira ou métodos baseados em conceitos de engenharia, com a adoção dos conceitos de
planejamento apresentados no Capítulo 4. Ambos os métodos, sobretudo se aplicados em conjunto,
podem levar a uma maior robustez na determinação dos níveis adequados de perdas técnicas.
As distribuidoras podem utilizar métodos diferentes para redução das perdas técnicas, de acordo
com o diagnóstico de seu sistema. Alguns desses métodos, como aqueles apresentados na Seção
1.4, tem sido amplamente estudados com recursos de pesquisa e desenvolvimento (P&D), e podem
ser cobrados das distribuidoras como estratégias de gestão. Ainda assim, a redução das perdas será
precedida de investimentos, em maior ou menor intensidade. Do ponto de vista do regulador, deve-
se estimar quais são os montantes envolvidos, para uma correta análise do custo benefício e para a
identificação dos investimentos a serem considerados prudentes.
Referências Bibliográficas
ABNT (1999). Transformadores para redes aéreas de distribuição – Padronização, Associação Bra-
sileira de Normas Técnicas – ABNT.
Aguero, R. A. R. (2000). Modelo probabilístico para cálculo do fluxo de potência em redes de

distribuição, Dissertação de Mestrado, USP.
Ahuja, R., Magnanti, T. e Orlin, J. (1993). Network Flows: Theory, Algorithms and Applications,
Prentice Hall, Englewood Cliffs.
Amendola, A. G. (1992). Obtenção das leis envolvendo o momento equivalente de queda de tensão
e de perdas para aplicação em estudos de modelagem de redes de média tensão, Anais do XI
Seminário Nacional de Distribuição de Energia Elétrica – SENDI, Blumenau, SC.
Amendola, A. G. e da Rocha, M. C. (1992). Determinação do algoritmo Árvore cronológica de

comprimento mínimo para aplicação em estudos de planejamento de redes de média tensão,
Anais do XI Seminário Nacional de Distribuição de Energia Elétrica – SENDI, Blumenau, SC.
ANEEL (2006). Resolução Normativa ANEEL n° 234/2006, Resolução normativa, Agência Nacional
de Energia Elétrica – ANEEL.
ANEEL (2008). Procedimentos de distribuição de energia elétrica no sistema elétrico nacional –

PRODIST, Resolução Normativa, Agência Nacional de Energia Elétrica – ANEEL.
ANEEL (2009). Banco de informações da geração, Relatório, Agência Nacional de Energia Elétrica
– ANEEL.
Bacelar, J. (1994). Perdas no sistema de distribuição da Coelba – relatório 214/DIPL, Relatório

técnico, Coelba.
Bazaraa, M. S., Sherali, H. D. e Shetty, C. M. (2006). Nonlinear Programming: Theory and Algo-
rithms, 3a edn, Wiley-Interscience.
Berg, R., Hawkins, E. S. e Pleines, W. (1967). Mechanized calculation of unbalanced load flow on ra-
dial distribution circuits, IEEE Transactions on Power Apparatus and Systems PAS-86(4): 415–
421.
141
142 REFERÊNCIAS BIBLIOGRÁFICAS
Berrisford, A. J. (1990). Statistical maximum demand measurement, Proceedings of Sixth Internati-

onal Conference on Metering Apparatus and Tariffs for Electricity Supply, pp. 52–56.
Borkowska, B. (1974). Probabilistic load flow, IEEE Transactions on Power Apparatus and Systems
PAS-93(3): 752–759.
Bueno, E. A., Lyra, C. e Cavellucci, C. (2004). Distribution network reconfiguration for loss reduction
with variable demands, IEEE/PES T&D Latin America, São Paulo, Brazil.
Buller, F. H. e Woodrow, C. A. (1928). Load factor – equivalent hour values compared, Electrical
World 92(2): 59–60.
Carneiro, M. S. (1990). Planejamento a longo prazo em sistemas de distribuição de energia elétrica,

Dissertação de Mestrado, UNICAMP.
Cavellucci, C. (1999). Buscas Informadas baseadas em Grafos para a Minimização de Perdas em

Sistemas de Distribuição de Energia Elétrica, Tese de Doutorado, UNICAMP, Campinas-Brasil.
Chang, N. E. (1968). Determination of primary-feeder losses, IEEE Transactions on Power Apparatus

and Systems PAS-87(12): 1991–1994.
Chen, C. S., Hwang, J. C., Cho, M. Y. e Chen, Y. W. (1994). Development of simplified loss models
for distribution system analysis, IEEE Transactions on Power Delivery 9(3): 1545–1551.
Chen, C. S., Lin, C. H., Huang, M. Y., Chen, H. D., Kang, M. S. e Huang, C. W. (2005). Development
of distribution feeder loss models by artificial neural networks, Proceedings of IEEE Power
Engineering Society General Meeting, 2005, Vol. 1, pp. 164–170.
CODI (1982). Planejamento de Sistemas de Distribuição, Vol. 1, Campus-Eletrobrás.
CODI (1993). Cálculo de parâmetros da rede por leis estatísticas – CODI-3.2.19.18.0, Relatório,
CODI.
CODI (1996a). Especificação de modelos de evolução de redes sencundárias aéreas com base nas leis
de quantidade de obras – método horizonte de longo prazo – CODI-19.32, Relatório, CODI.
CODI (1996b). Método para determinação, análise e otimização das perdas técnicas em sistemas de
distribuição – CODI-3.2.19.34.0, Relatório, CODI.
Costa, A. M. (2002). Otimização do planejamento da rede secundária de distribuição de energia

elétrica, Dissertação de Mestrado, UNICAMP.
Couto, E. C., Oliveira, P. S., Carvalho, F. W., Souza, W. V. e Araújo, A. N. (2006). Histórico da
evolução de perdas em transformadores de distribuição no Brasil e uma visão de futuro, Anais
do XVII Seminário Nacional de Distribuição de Energia Elétrica – SENDI, Belo Horizonte,
MG.
REFERÊNCIAS BIBLIOGRÁFICAS 143
de Oliveira, C. C. B., Kagan, N., Arango, H., de Rezende, M. R. B. e Antunes, A. U. (2002). Me-
todologia para planejamento agregado de investimentos em redes de baixa tensão, Anais do
Seminário Nacional de Distribuição de Energia Elétrica – SENDI, Salvador, BA.
Del Mar, W. A. (1909). Electric Power Conductors, New York, USA: D. Van Nostrand Company.
Devore, J. L. (2006). Probabilidade e Estatística para Engenharia e Ciências, 6a edn, São Paulo:
Pioneira Thomson Learning.
Dortolina, C. A. e Nadira, R. (2005). The loss that is unknown is no loss at all: A top-down/bottom-up
approach for estimating distribution losses, IEEE Transactions on Power Systems 20(2): 1119–
1125.
Duncan, L. (1896). Present status of the distribution and transmission of electrical energy, Electrical
World XXVIII(15): 428–430;457–459.
Dunstan, L. A. (1954). Digital load flow studies, Transactions of the Power Apparatus and Systems,
Part III 73(1): 825–832.
Eisenmenger, H. E. (1921). Central Station Rates in Theory and Practice, Chicago: Frederick J.
Drake & Co.
EPE (2009). Balanço Energético Nacional 2009 – ano base 2008: Resultados preliminares, Relatório,
Empresa de Pesquisa Energética – EPE.
ERGEG (2008). Treatment of losses by network operators – ergeg position paper for public consul-
tation, Relatório, European Regulators Group for Electricity and Gas – ERGEG.
ERGEG (2009). Treatment of losses by network operators – ERGEG position paper: Conclusion
paper, Relatório, European Regulators Group for Electricity and Gas – ERGEG.
Flaten, D. L. (1988). Distribution system losses calculated by percent loading, IEEE Transactions on
Power Systems 3(3): 1263–1269.
Fowle, F. F. (1922). Standard Handbook for Electrical Engineers, 5 edn, New York, USA: McGraw-
Hill.
Goldbarg, M. C. e Luna, H. P. L. (2000). Otimização Combinatória e Programação Linear – Modelos

e Algoritmos, Campus.
Gonen, T. (1986). Electric Power Distribution System Engineering, McGraw-Hill.
González, J. F. V. (2003). Redução de perdas em redes primárias de distribuição de energia elétrica

por instalação e controle de capacitores, Dissertação de Mestrado, UNICAMP.
Grainger, J. J. e Kendrew, T. J. (1989). Evaluation of technical losses in distribution systems, Proce-

edings of 10th International Conference on Electricity Distribution – CIRED, Brighton, Ingla-
terra, pp. 488–493.
Gustafson, M. W. e Baylor, J. S. (1989). Approximating the system losses equation, IEEE Transacti-
ons on Power Systems 4(3): 850–855.
Gustafson, M. W., Baylor, J. S. e Mulnix, S. S. (1988). The equivalent hours loss factor revisited,
IEEE Transactions on Power Systems 3(4): 1502–1508.
Guyon, I. e Elisseeff, A. (2003). An introduction to variable and feature selection, Journal of Machine
Learning Research 3: 1157–1182.
Hair, J. F., Anderson, R. E., Tatham, R. L. e Black, W. C. (2005). Análise Multivariada de Dados, 5a
edn, Porto Alegre: Bookman.
Hashimoto, K. (2004). Técnicas de otimização combinatória multiobjetivo aplicadas na estimação

do desempenho elétrico de redes de distribuição, Tese de Doutorado, USP.
Haykin, S. (1999). Redes Neurais – Princípios e Prática, 2a edn, Porto Alegre: Bookman.
Hizir (2003). Clustering and Fuzzy Techniques: Theory, Implementation and Applications, Berlin:
Tenea.
Hoebel, H. F. (1959). Cost of electrical distribution losses, Electric Light and Power pp. 52–55.
Hoxie, G. L. (1912). Some features of rate fixing for electric public services properties, April Meeting
of the Engineers and Architects Association of Southern California.
Huang, Y. e Draper, N. R. (2003). Transformations, regression geometry and R2, Computational

Statistics and Data Analysis 42: 647–664.
Juricic, R. (1971). Lois théoriques des quantités d’ouvrages dans les réseaux Électriques, RGE -
Revue Générale d’Electricité 80(4): 323–329.
KEMA (2009a). Analysis of insufficient regulatory incentives for investments into electric networks.
an update, Relatório técnico, Leonardo Energy.
KEMA (2009b). Webinar on energy losses, www.leonardo-energy.org.
Kersting, W. H. (2007). Distribution System Modeling and Analysis, 2a edn, CRC Press.
Kohavi, R. e John, G. (1997). Wrappers for feature selection, Artificial Intelligence 97(1-2): 273–324.
Lincoln, P. M. e Sprole, R. R. (1939). Demand-meter time periods, AIEE Transactions 58: 729–734.
Lorenzeti, J. F., Guimaraes, M. A. e Castro, C. A. (2004). Reconfiguração de redes de distribuição de

energia elétrica para melhoria das condições de operação com relação à estabilidade de tensão,
Anais do XV Congresso Brasileiro de Automática, Gramado, RS.
Mathworks (2007). Statistics Toolbox 6 – User’s Guide.
Meer, K. (2007). Simulated annealing versus metropolis for a tsp instance, Information Processing
Letters 104: 216–219.
REFERÊNCIAS BIBLIOGRÁFICAS 145
Merlin, A. e Back, H. (1975). Search for a minimal-loss spanning tree configuration in an urban power
distribution system, 5th Power System Computation Conference (PSCC), Cambridge, UK.
Mikiḱ, O. M. (2007). Variance-based energy loss computation in low voltage distribution networks,
IEEE Transactions on Power Systems 22(1): 179–187.
Moscato, P. e Von Zuben, F. J. (2002). Tópico 5 – uma visão geral de clusterização de dados, Notas
de aula IA368 – Análise de Dados em Bioinformática. http://www.dca.fee.unicamp.br/ vonzu-
ben/courses.
Oliveira, M. E., Padilha-Feltrin, A., Oliveira, S. A., Camargo, D. B., Candian, F. J. e Pereira, M. A.
(2006). Metodologia para calcular indicadores de perdas técnicas na distribuição, Anais do
Congreso Internacional de Distribuicion Eléctrica – CIDEL, Buenos Aires, Argentina.
Pabla, A. S. (2004). Electric Power Distribution, McGraw-Hill.
Queiroz, L. M. O., Cavellucci, C. e Lyra, C. (2008). Metodologia de geração de redes secundárias

de distribuição de energia elétrica para estudos de planejamento, Anais do XL SBPO – Simpósio
Brasileiro de Pesquisa Operacional, João Pessoa, PB.
Queiroz, L. M. O., Cavellucci, C. e Lyra, C. (2009). Evaluation of technical losses estimation in

lv power distribution systems, Proceedings of the 20th International Conference on Electricity
Distribution – CIRED, Praga, Rep. Tcheca.
Queiroz, L. M. O. e Lyra, C. (2009). Adaptive hybrid genetic algorithm for technical loss reduction in
distribution networks under variable demands, IEEE Transactions on Power Systems 24(1): 445–
453.
Rao, P. S. N. e Deekshit, R. (2006). Energy loss estimation in distribution feeders, IEEE Transactions
on Power Delivery 21(3): 1092–1100.
Reis, P. A. (2007). Otimização baseada em confiabilidade de planos de manutenção de sistemas de

distribuição de energia eletrica, Dissertação de Mestrado, UNICAMP.
Reyneau, P. O. e Seelye, H. P. (1922). Economics of Electrical Distribution, New York, USA:

McGraw-Hill.
Roselli, M. A. e Yatsu, R. K. (2007). Cálculo de perdas técnicas de energia em sistemas de distri-

buição, Proceedings of Congreso Internacional sobre Alta Tensión y Aislamiento Eléctrico –
ALTAE, Cuernavaca, México.
Schultz, N. (1978). Distribution primary feeder I2R losses, IEEE Transactions on Power Apparatus
and Systems PAS-97(2): 603–609.
Shenkman, A. L. (1990). Energy loss computation by using statistical techniques, IEEE Transactions
on Power Delivery 5(1): 254–258.
Shirmohammadi, D., Hong, H. W., Semlyen, A. e Luo, G. X. (1988). A compesation-based power

flow method for weakly meshed distribution and transmission networks, IEEE Transactions on
Power Systems 3(2): 753–762.
Squaiella, D. J. F. (2004). Planejamento agregado em redes de distribuição secundária – modelo

alternativo para empresas com cadastro de redes reduzido, Dissertação de Mestrado, USP.
Srinivas, M. S. (2000). Distribution load flows: a brief review, Power Engineering Society Winter
Meeting, Vol. 2, pp. 942–945.
Stagg, G. W., Adibi, M., Laughton, M., Ness, J. E. V. e Wood, A. J. (1994). Thirty years of power
industry computer applications, IEEE Computer Applications in Power 7(2): 43–49.
Stone, E. C. e Atkinson, R. W. (1911). Cost of transformer losses, Trans. AIEE., Vol. XXX, pp. 2181–
2199.
Stott, B. (1974). Review of load-flow calculation methods, Proceedings of the IEEE 62(7): 916–929.
Strehl, A. e Ghosh, J. (2002). Cluster ensembles – a knowledge reuse framework for combining
multiple partitions, Journal of Machine Learning Research 3: 583–617.
Taleski, R. e Rajicic, D. (1996). Energy summation method for energy loss computation in radial
distribution networks, IEEE Transactions on Power Systems 11(2): 1104–1111.
Tympas, A. (2003). Perpetually laborious: Computing electric power transmission before the elec-
tronic computer, International Review of Social History 48: 73–95.
Villanueva, W. J. P. (2006). Comitê de máquinas em predição de séries temporais, Dissertação de

Mestrado, UNICAMP.
Von Zuben, F. J. (1996). Modelos Paramétricos e Não-paramétricos de Redes Neurais Artificiais e

Aplicações, Tese de Doutorado, UNICAMP.
Ward, J. B. e Hale, H. W. (1956). Digital computer solution of power-flow problems, Transactions of

the Power Apparatus and Systems 75(3): 398–404.
Willis, H. L. (2004). Power Distribution Planning Reference Book, 2a edn, Marcel Dekker.
Xu, R. e Wuncsh II, D. C. (2009). Clustering, Wiley.

Apêndice A
Análise Gráfica dos Modelos de Regressão

dos capítulos 5 e 6
Apresentam-se neste Apêndice os gráficos de dispersão e os histogramas dos resíduos, além dos
gráficos de dispersão dos erros percentuais. São apresentados os gráficos para todos os modelos de-
senvolvidos para estimação das perdas em redes MT e BT (nesta ordem). Para um maior entendimento
dos modelos e do significado de suas siglas, sugere-se a leitura dos capítulos 5 e 6.
Os gráficos de dispersão apresentam os resíduos e os erros percentuais (eixo vertical) para cada
rede do conjunto de teste (eixo horizontal), conforme discutido nos capítulos 5 e 6. Os resíduos
correspondem à diferença da perda de energia esperada com a perda encontrada pelo modelo, em
MWh/ano. Os erros percentuais são calculados pela razão entre o resíduo e o valor esperado.
Os gráficos dos resíduos e dos erros percentuais permitem avaliar a qualidade do modelo de-
senvolvido. Os resíduos devem ser normalmente distribuídos, com média zero (centrados no eixo
horizontal do gráfico de dispersão). Também não devem apresentar tendências, ou seja, os pontos
devem se dispor de forma aleatória.
147
148 Análise Gráfica dos Modelos de Regressão dos capítulos 5 e 6
Figura A.1: Dispersão dos resíduos MT – F1. Figura A.2: Histograma dos resíduos MT – F1.
149
Figura A.10: Histograma dos resíduos MT –

Figura A.9: Dispersão dos resíduos MT – RNA. RNA.
Figura A.11: Dispersão dos resíduos MT – li- Figura A.12: Histograma dos resíduos MT – li-
near. near.
Figura A.13: Dispersão dos resíduos MT – ro- Figura A.14: Histograma dos resíduos MT – ro-
busta. busta.
Figura A.15: Dispersão dos erros (%) MT – F1. Figura A.16: Dispersão dos erros (%) MT – F2.
Figura A.17: Dispersão dos erros (%) MT – F3. Figura A.18: Dispersão dos erros (%) MT – F4.
151
Figura A.19: Dispersão dos erros (%) MT – li- Figura A.20: Dispersão dos erros (%) MT – ro-
near. busta.
Figura A.21: Dispersão dos erros (%) MT – RNA.

Figura A.22: Dispersão dos resíduos BT – F1. Figura A.23: Histograma dos resíduos BT – F1.
153
Figura A.31: Histograma dos resíduos BT –

Figura A.30: Dispersão dos resíduos BT – RNA. RNA.
Figura A.33: Histograma dos resíduos BT – li-

Figura A.32: Dispersão dos resíduos BT – linear. near.
Figura A.34: Dispersão dos resíduos BT – ro- Figura A.35: Histograma dos resíduos BT – ro-
busta. busta.
Figura A.36: Dispersão dos erros (%) BT – F1. Figura A.37: Dispersão dos erros (%) BT – F2.
155
Figura A.38: Dispersão dos erros (%) BT – F3. Figura A.39: Dispersão dos erros (%) BT – F4.
Figura A.40: Dispersão dos erros (%) BT – li- Figura A.41: Dispersão dos erros (%) BT – ro-
near. busta.
Figura A.42: Dispersão dos erros (%) BT – RNA.

Tese Leonardo Queiroz PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tese Leonardo Queiroz PDF

Transféré par

Droits d'auteur :

Formats disponibles

U NIVERSIDADE E STADUAL DE C AMPINAS

FACULDADE DE E NGENHARIA E LÉTRICA E DE C OMPUTAÇÃO

Leonardo Mendonça Oliveira de Queiroz

E STIMAÇÃO E A NÁLISE DAS P ERDAS T ÉCNICAS NA

Leonardo Mendonça Oliveira de Queiroz

E STIMAÇÃO E A NÁLISE DAS P ERDAS T ÉCNICAS NA

Tese de Doutorado apresentada à Faculdade de Engenharia Elé-

Orientador: Christiano Lyra Filho

Aos colegas do Labore, especialmente ao companheiro de luta José.

Aos amigos Renato e Mireille, pela aconchegante estadia em sua casa.

Aos demais colegas de pós-graduação, pelas críticas e sugestões.

Ao CNPq, pelo apoio financeiro nos primeiros anos do trabalho.

Lista de Figuras xvii

Lista de Tabelas xxi

2.3.5 Análise do Desempenho dos Modelos de Regressão . . . . . . . . . . . . . . 43

II Estimação de Perdas de Energia 51

4 Geração de Redes de Média e Baixa Tensão 73

5 Estimação de Perdas em Redes de Média Tensão 95

6 Estimação de Perdas em Redes de Baixa Tensão 111

7 Estimativa de Perdas nos Transformadores e Ramais de Ligação 119

III Análise dos Níveis de Perdas Técnicas e Conclusão 123

9 Conclusão e Trabalhos Futuros 137

Referências Bibliográficas 140

A Análise Gráfica dos Modelos de Regressão dos capítulos 5 e 6 147

1.1 Consumo final energético por fonte (fonte: EPE). . . . . . . . . . . . . . . . . . . . 8

2.1 Ilustração dos métodos de seleção de variáveis. . . . . . . . . . . . . . . . . . . . . 34

3.1 Curva de carga de 96 pontos e duas possíveis integralizações para 24 pontos. . . . . . 55

3.15 Diagrama de cabos econômicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.1 Ilustração do funcionamento dos geradores e seus módulos. . . . . . . . . . . . . . . 75

5.1 Fluxograma ilustrando o fluxo de carga probabilístico. . . . . . . . . . . . . . . . . 97

6.1 Histograma da variável Comprimento Total para as redes BT. . . . . . . . . . . . . . 114

9.1 Ilustração do processo de regulação das perdas técnicas. . . . . . . . . . . . . . . . . 139

A.1 Dispersão dos resíduos MT – F1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

A.8 Histograma dos resíduos MT – F4. . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

1.1 Perdas de energia em alguns países e regiões (fonte: KEMA e ERGEG). . . . . . . . 12

3.1 Estatísticas da curva de carga apresentada na Figura 3.4. . . . . . . . . . . . . . . . 59

4.1 Regras para definição das tipologias das redes BT. . . . . . . . . . . . . . . . . . . . 94

5.1 Correlações das variáveis independentes com a perda de energia. . . . . . . . . . . . 100

6.1 Correlações das variáveis independentes com a perda de energia. . . . . . . . . . . . 112

8.1 Ranking de densidade das distribuidoras analisadas. . . . . . . . . . . . . . . . . . . 131

ABINEE — Associação Brasileira da Indústria Elétrica e Eletrônica

A Agência Nacional de Energia Elétrica (ANEEL) possui a responsabilidade de regular a distri-

O Capítulo 4 apresenta a metodologia desenvolvida para a geração de redes de média e baixa

O desenvolvimento de modelos para aplicação em regulação deve apresentar as características

1.2 Sistemas Elétricos de Potência

A divisão clássica dos sistemas elétricos de potência é baseada na cadeia produção-transporte-

Figura 1.1: Consumo final energético por fonte (fonte: EPE).

Figura 1.2: Ilustração dos sistemas elétricos de potência.

Em novembro de 2009, o Brasil possuía aproximadamente 2120 usinas geradoras em operação,

O segmento de transmissão no Brasil é composto por mais de 90 mil quilômetros de linhas,

Figura 1.3: Mapa do Sistema Interligado Nacional – SIN (fonte: ONS).

O mercado de distribuição de energia elétrica é formado por 63 concessionárias e 26 permis-

mais de 64 milhões de unidades consumidoras, além do acesso a pequenos e médios geradores. A

Devido às diferentes características econômicas envolvidas na cadeia produtiva, implantou-se no

Figura 1.5: Estrutura do setor elétrico brasileiro (fonte: ANEEL).

1.3 Perdas nos Sistemas Elétricos de Potência

Figura 1.6: Perdas de energia no sistema elétrico do Brasil (fonte: ANEEL).

1.4 Métodos para Redução das Perdas na Distribuição

O planejamento das distribuidoras deve acompanhar o desempenho do sistema, avaliando a ne-

Figura 1.7: Perdas de energia no segmento de distribuição (fonte: ANEEL).

O problema de redução de perdas através da reconfiguração de redes MT foi primeiramente abor-

Apesar do problema de alocação de capacitores em redes de distribuição ser estudado desde a

1.5 Regulação das Perdas na Distribuição