LAB · 05 / 09

Calor e carga elétrica

Quanto cada grau puxa o consumo de energia e uma previsão do dia seguinte com erro de 4 %. ONS · INMET · gradient boosting

Visual Leve Como funciona ↓

Como funciona

Modo Visual: sombras, oclusão de ambiente, profundidade de campo e qualidade que se ajusta ao seu aparelho. Modo Leve: sem sombras nem pós-processamento. Cada barra é uma célula dos dados; a análise completa está logo abaixo.

Ficha de cada análise

Objetivo, por quê, variável alvo, variáveis preditoras, método, métrica, validação e se o objetivo foi atingido.

O formato de um dia

Objetivo: Descrever a curva diária de carga e o efeito do calendário.
Por quê: Sem separar dia útil de feriado, qualquer modelo atribui ao clima o que é calendário.
Variável alvo: Carga média por hora (MW).
Variáveis preditoras / explicativas: Hora, dia útil × fim de semana/feriado.
Método: Médias condicionais.
Métrica: MW; diferença por hora.
Validação: Lista oficial de feriados nacionais de 2025 + carnaval.
Objetivo atingido?: Sim: pico médio às 19h; diferença máxima às 14–15h.

A curva em taco de hóquei

Objetivo: Medir quanto cada grau aumenta a carga e a partir de que temperatura.
Por quê: Onda de calor é o maior risco de erro na operação; saber a inclinação acima do ponto de virada transforma previsão do tempo em MW.
Variável alvo: Carga média diária (dias úteis).
Variáveis preditoras / explicativas: Temperatura máxima do dia (média de 2 estações).
Método: Regressão segmentada com ponto de virada buscado entre 20 e 32 °C.
Métrica: MW por °C acima e abaixo da virada; R².
Validação: Cobertura das estações de 99,5 % e 99,7 % das horas.
Objetivo atingido?: Sim: virada em 23,5 °C, +764 MW/°C acima, R² = 0,52.

Prever amanhã

Objetivo: Prever a carga do dia seguinte com erro menor que o método ingênuo, inclusive nos dias quentes.
Por quê: Cada ponto de erro vira geração desnecessária ou compra cara no curto prazo; dia quente é onde o erro custa mais.
Variável alvo: Carga horária (MW).
Variáveis preditoras / explicativas: Hora, dia da semana, feriado, dia útil, temperatura, graus acima de 23,5 °C, carga 2 e 7 dias antes.
Método: Seis modelos, do ingênuo ao gradient boosting (HistGradientBoosting).
Métrica: MAPE geral e nos 10 % de dias mais quentes; importância por permutação.
Validação: Treino jan–set, teste out–dez (no futuro); temperatura observada como limite superior de uma previsão do tempo.
Objetivo atingido?: Sim: MAPE 4,0 % (6,7 % ingênuo) e 6,1 % nos dias quentes (8,4 %).

Carga e clima, hora a hora

Carga horária do subsistema Sudeste/Centro-Oeste (ONS) e temperatura de duas estações do INMET em São Paulo, 2025 inteiro.

Seis modelos, um teste no futuro

Do "mesma hora da semana passada" a gradient boosting com temperatura e carga recente. Treino de janeiro a setembro, teste de outubro a dezembro.

MAPE = média(|real − previsto| / real)

Calor e carga elétrica em dados

Um ano inteiro, hora a hora, da carga de energia do Sudeste/Centro-Oeste, cruzado com a temperatura de duas estações do INMET em São Paulo. A pergunta é a de quem opera ou compra energia: quanto o calor puxa o consumo e dá para prever a carga de amanhã com erro pequeno?

Aplicação real

Programação do dia seguinte e compra de energia: cada ponto percentual de erro na previsão vira geração acionada à toa ou energia comprada no curto prazo, mais cara.

8.583horas com carga e temperatura (2025)

44,3 GWcarga média do subsistema

+764 MWpor grau acima de 23,5 °C

4,0 %erro da previsão do dia seguinte

O formato de um dia

PerguntaComo a carga se distribui ao longo do dia, e o fim de semana muda isso?

Decisão e porquêSeparei dias úteis de fins de semana e feriados (lista dos feriados nacionais de 2025 e carnaval). Sem essa separação, qualquer modelo confunde "domingo" com "dia frio".

ResultadoNos dias úteis a carga sobe a partir das 6h, faz um platô durante o expediente e tem o pico médio às 19h, quando a iluminação e o consumo das casas se somam. No fim de semana a curva inteira fica mais baixa, e a diferença é maior às 14h e 15h (quase 9 GW): é o consumo de comércio e indústria que some.

Fonte: ONS · curva de carga horária 2025 (SE/CO)

Ficha técnica da análise

Objetivo: Descrever a curva diária de carga e o efeito do calendário.
Por quê: Sem separar dia útil de feriado, qualquer modelo atribui ao clima o que é calendário.
Variável alvo: Carga média por hora (MW).
Variáveis preditoras / explicativas: Hora, dia útil × fim de semana/feriado.
Método: Médias condicionais.
Métrica: MW; diferença por hora.
Validação: Lista oficial de feriados nacionais de 2025 + carnaval.
Objetivo atingido?: Sim: pico médio às 19h; diferença máxima às 14–15h.

Carga média por hora (MW)

dia útil
fim de semana e feriado

A curva em taco de hóquei

PerguntaQuanto cada grau a mais aumenta o consumo?

Decisão e porquêUsei a temperatura máxima do dia contra a carga média, só em dias úteis. Em vez de uma reta, ajustei duas retas com um ponto de virada, procurando o ponto que minimiza o erro entre 20 e 32 °C. É o formato esperado: abaixo de certa temperatura ninguém liga o ar-condicionado.

ResultadoO ponto de virada ficou em 23,5 °C. Abaixo dele a carga muda 273 MW por grau; acima, 764 MW por grau, quase 3 vezes mais. A temperatura sozinha explica 52 % da variação diária. O resto é calendário e tendência. O pico do ano (62.150 MW) foi às 14h de 18/02, com 29,3 °C em São Paulo.

Fonte: ONS × INMET A701 e A771 · analises/energia.py

Ficha técnica da análise

Objetivo: Medir quanto cada grau aumenta a carga e a partir de que temperatura.
Por quê: Onda de calor é o maior risco de erro na operação; saber a inclinação acima do ponto de virada transforma previsão do tempo em MW.
Variável alvo: Carga média diária (dias úteis).
Variáveis preditoras / explicativas: Temperatura máxima do dia (média de 2 estações).
Método: Regressão segmentada com ponto de virada buscado entre 20 e 32 °C.
Métrica: MW por °C acima e abaixo da virada; R².
Validação: Cobertura das estações de 99,5 % e 99,7 % das horas.
Objetivo atingido?: Sim: virada em 23,5 °C, +764 MW/°C acima, R² = 0,52.

Temperatura máxima do dia × carga média

dia útil
fim de semana e feriado

temperatura máxima (°C) × carga média (MW)

Linha tracejada: o ajuste em duas retas, feito só com dias úteis.

Prever amanhã

PerguntaQual modelo prevê melhor a carga do dia seguinte, e a temperatura ajuda?

Decisão e porquêTreino de 08/01 a 30/09 e teste de 01/10 a 31/12, sempre no futuro em relação ao treino. Comparei seis modelos, do mais simples (repetir a mesma hora da semana passada) a um gradient boosting com temperatura e a carga de dois dias antes, que já é conhecida quando a previsão é feita. Métrica: erro percentual absoluto médio (MAPE), no geral e nos 10 % de dias mais quentes.

ResultadoO melhor modelo erra 4,0 % em média, 40 % menos que repetir a semana passada (6,7 %). Nos dias quentes, onde o erro custa mais, ele também ganha: 6,1 % contra 8,4 %. Lição: a reta de temperatura, que parecia a explicação mais limpa, piorou fora da amostra (11,7 % nos dias quentes), porque a relação aprendida de janeiro a setembro não se manteve no fim do ano. O nível recente de carga corrige essa mudança de patamar.

Fonte: ONS × INMET · analises/energia.py (scikit-learn)

Ficha técnica da análise

Objetivo: Prever a carga do dia seguinte com erro menor que o método ingênuo, inclusive nos dias quentes.
Por quê: Cada ponto de erro vira geração desnecessária ou compra cara no curto prazo; dia quente é onde o erro custa mais.
Variável alvo: Carga horária (MW).
Variáveis preditoras / explicativas: Hora, dia da semana, feriado, dia útil, temperatura, graus acima de 23,5 °C, carga 2 e 7 dias antes.
Método: Seis modelos, do ingênuo ao gradient boosting (HistGradientBoosting).
Métrica: MAPE geral e nos 10 % de dias mais quentes; importância por permutação.
Validação: Treino jan–set, teste out–dez (no futuro); temperatura observada como limite superior de uma previsão do tempo.
Objetivo atingido?: Sim: MAPE 4,0 % (6,7 % ingênuo) e 6,1 % nos dias quentes (8,4 %).

Erro da previsão do dia seguinte (MAPE)

todos os dias
10 % mais quentes

Semana mais quente do teste, a partir de 23/12 (MW)

real
melhor modelo
semana passada

A semana inclui o Natal. No dia 25 o modelo erra mais (cerca de 9 % acima do real): feriados são poucos no treino e cada um tem seu próprio formato.

O que o melhor modelo usa (importância por permutação)

Quanto o MAPE sobe quando a variável é embaralhada no teste.

O que cada dado contribuiu

Carga horária do ONS: o formato do dia e o peso do calendário (dia útil, feriado).
Temperatura do INMET: o ponto de virada do ar-condicionado e quanto cada grau custa em MW.
Carga recente: a variável mais importante, que acompanha mudanças de patamar que o calendário não vê.
Teste no futuro: mostrou que o modelo mais bonito no treino não era o melhor fora dele.

Limites desta análise

Uso a temperatura observada como se fosse a previsão do tempo: é o limite superior do ganho. Com previsão real, o erro seria um pouco maior.
Duas estações de São Paulo representam um subsistema que vai de Minas ao Centro-Oeste.
Um ano de dados: não captura tendência de vários anos nem anos de seca.

Código da análise: analises/energia.py