MODELAGEM ESTATÍSTICA DO IMPACTO DA VARIABILIDADE CLIMÁTICA NA OFERTA HIDROENERGÉTICA NO BRASIL

Transcrição

1 MODELAGEM ESTATÍSTICA DO IMPACTO DA VARIABILIDADE CLIMÁTICA NA OFERTA HIDROENERGÉTICA NO BRASIL Mariana Sarnícola Pires Holanda De Macêdo 1 * & Carlos Henrique Ribeiro Lima 2 Resumo - O ano de 2014 e o início de 2015 foram marcados por uma crise hídrica, que afetou principalmente a região Sudeste, com destaque para o estado de São Paulo. A estiagem impactou não só o abastecimento de água, como a oferta hidroenergética do país, evidente pelos baixos níveis dos reservatórios registrados. Diante da necessidade de aprimoramento da gerência de energia, são relevantes as previsões dessa oferta, em um país em que a energia hidrelétrica é responsável por mais de 80% da energia gerada. É interessante analisar a influência do clima na oferta hidroenergética, dado que eventos como El Niño e La Niña estão relacionados a variações no regimes de precipitação e vazão no Brasil. Propõe-se, pois, a construção de um modelo estatístico de previsão da energia natural afluente para as regiões Norte, Nordeste, Sul e Sudeste do Brasil, segundo as divisões do ONS (Operador Nacional do Sistema Elétrico), baseado na influência dos índices climáticos Niño 1+2, Niño 3, Niño 3.4, Oscilação Multidecadal do Atlântico (AMO), Oscilação da Antártica (AAO), Oscilação Decadal do Pacífico (PDO) e pressão média a nível do mar (SSLP). Palavras-Chave influência climática, oferta hidroenergética. STATISTICAL MODELING OF CLIMATE VARIABILITY APPLIED TO BRAZILIAN HYDROPOWER OFFER Abstract - The whole year of 2014 and the beginning of 2015 were marked by a water crisis that has mainly affected the Southeast region, especially the State of São Paulo. The drought has impacted not only the water supply, but also the country s hydropower offer, what is evident by the low reservoir levels. Given the need for energy management improvement, the hydropower offer forecasts are relevant in a country where this kind of energy accounts for over 80% of the energy generated. It is interesting to analyze the influence of climate on hydropower supply, as events such as El Niño and La Niña are related to variations in precipitation and flow regimes in Brazil. It is proposed therefore to build a statistical model for predicting the natural affluent energy to the North, Northeast, South and Southeast regions of Brazil, according to the divisions of the ONS (National Electric System Operator), based on the influence of the climatic indices Niño 1 + 2, Niño 3, Niño 3.4, Atlantic Multidecadal Oscillation (AMO), the Antarctic Oscillation (AAO), the Pacific Decadal Oscillation (PDO) and SSLP (Sea Surface Level Pressure). Keywords climatic influence, hydropower offer. 1 Graduação em Engenharia Civil, Universidade de Brasilia, mariana.sarnicola@gmail.com 2 Departamento de Engenharia Civil e Ambiental, Universidade de Brasília, chrlima@unb.br * Autor Correspondente. XXI Simpósio Brasileiro de Recursos Hídricos 1

2 1. INTRODUÇÃO A influência dos eventos El Niño e La Niña na precipitação brasileira tem sido objeto recorrente de estudos, principalmente na Região Amazônica. Nas últimas décadas, verificou-se elevação da precipitação nas regiões Sul e Sudeste e agravamento das secas no Nordeste e Norte em anos de El Niño. A ocorrência de alterações significativas na temperatura do oceano Pacífico segue periodicidade e provoca alterações no regime pluviométrico brasileiro e, consequentemente, na vazão dos rios. A energia hidrelétrica é a modalidade mais importante de energia no Brasil, representando 65% da capacidade energética instalada e 88% da energia produzida. Assim, dado que o potencial energético das usinas hidrelétricas está relacionado com as vazões das bacias hidrográficas, e estas são intimamente ligadas ao regime pluviométrico, verifica-se a importância da análise da influência da variabilidade climática. Hoje, parte das usinas hidrelétricas já utiliza esse tipo de informação. Em vista de sua importância, é proposta a verificação da relação entre clima e potencial hidroenergético de modo a obter previsões relevantes para a energia hidrelétrica com até três meses de antecedência. Não se pode, entretanto, afirmar que os índices Niño são os únicos que influenciam a energia no Brasil, assim, foram incorporados ao estudo também a pressão média a nível do mar, Oscilação da Antártica, Oscilação Decadal do Pacífico e Oscilação Multidecadal do Atlântico, relevantes para o aprimoramento de previsões, ainda que estes índices possam ser influenciados pelos índices Niño. O Brasil possui um sistema interligado de geração, transmissão e distribuição de energia elétrica, controlado pelo Operador Nacional do Sistema Elétrico (ONS). A energia hidrelétrica supre a maior parte da demanda, mas, como a oferta sofre variações em função dos regimes de vazão, precisa ser gerida adequadamente. Um déficit no potencial hidrelétrico é suprido por energia termelétrica, sendo esta significantemente mais cara. Desse modo, previsões relevantes do potencial energético das usinas hidrelétricas permitem o acionamento antecipado das termelétricas, de modo a evitar flutuações bruscas na oferta energética, além de quantificar a energia necessária que deve ser gerada, reduzindo os custos que uma geração energética excessiva da modalidade termelétrica poderia trazer. 2. DADOS E MÉTODO DE ANÁLISE A metodologia do estudo consistiu na verificação da influência de índices climáticos nas séries de energia natural afluente para as regiões Norte, Nordeste, Sul e Sudeste da ONS com base na correlação dos dados. Posteriormente, foi construído um modelo estatístico de previsão com base nos índices selecionados e na energia natural afluente de um mês anterior correspondente ao horizonte de previsão, para tal, foram utilizados os dados referentes ao período de 1979 a Dada a diminuição da significância dos resultados à medida que se aumenta o horizonte de previsão, a análise foi feita para até três meses de antecedência. Após obtenção das equações para cada mês a partir de uma regressão linear múltipla, foram geradas as previsões para janeiro de 2014 a março de 2015, comparadas graficamente com a energia natural afluente média e a energia real gerada nesse período. Os dados dos índices climáticos foram fornecidos pelo NOAA-ESRL Physical Sciences Division, Boulder Colorado e International Research Institute for Climate and Society. Os dados da energia natural afluente das regiões Sul, Sudeste, Norte e Nordeste são referentes ao período de janeiro de 1931 a janeiro de As séries históricas referentes ao período de 2000 a 2014 foram XXI Simpósio Brasileiro de Recursos Hídricos 2

3 fornecidos pelo ONS (Operador Nacional do Sistema Elétrico) e os dados de 1931 a 2000 foram calculados a partir dos dados de vazão da ANA (Agência Nacional de Águas). Para tal utilizou-se a equação Eaf = Q δ h, onde Q é a vazão, δ é a densidade da água e h é a altura média do reservatório. A expansão dos dados foi validada a partir da correlação entre os valores para o período de 2000 a 2006, que é abrangido pelas duas bases de dados, apresentando erro relativo em torno de 2%. 3. ANÁLISE DOS ÍNDICES CLIMÁTICOS 3.1 Pressão média a nível do mar A influência do índice climático SSLP (Sea Surface Level Pressure) na energia natural afluente foi analisada com base na correlação entre os dados fornecidos pelo NOAA-ESRL Physical Sciences Division de Boulder e as séries de energia natural afluente para cada região fornecidas pelo ONS referentes ao período de 1948 a A figura 1 a seguir apresenta os mapas de correlação para atrasos de um mês gerados no site do instituto citado. a) b) c) d) Figura 1. Mapa de correlação entre o índice SSLP (Sea Surface Level Pressure) e as séries de energia natural afluente para as regiões Norte, Nordeste, Sul e Sudeste correspondente as letras a, b, c e d respectivamente. (Imagem fornecida pelo NOAA-ESRL Physical Sciences Division, Boulder Colorado por meio do Web site XXI Simpósio Brasileiro de Recursos Hídricos 3

4 Assim como os outros preditores, foi analisada a influência dos índices na séries de energia dentro do horizonte de três meses. A figura 1 acima apresenta a correlação para o atraso de um mês, que é em geral mais alta. Para a criação do modelo de previsão, foram selecionadas as área do globo com correlação mais significante para os atrasos de um, dois e três meses para as regiões Norte, Nordeste, Sul e Sudeste, tendo em vista que as zonas de influência não coincidem para as diferentes séries. A tabela 1 abaixo apresenta as coordenadas das regiões selecionadas. Tabela 1. Regiões definidas para o SSLP (Sea Surface Level Pressure) NE N SE S Latitude 8 S-34 S 31 S-54 S 0-28 S 14 N-8 S Longitude 92 W-125 W 104 W-136 W 132 E-170 E 132 W-177 W 3.2 Temperatura Média do Mar A análise da influência da temperatura média do mar nas séries de energia natural afluente para as regiões do ONS foi feita de maneira análoga a da pressão média a nível do mar. Da mesma forma, os mapas de correlação para o atraso de um mês são mostrados na figura 2 abaixo. a) b) c) d) Figura 2. Mapa de correlação entre o índice SST (Sea Surface Temperature) e as séries de energia natural afluente para as regiões Norte, Nordeste, Sul e Sudeste correspondente as letras a, b, c e d respectivamente. (Imagem fornecida pelo NOAA-ESRL Physical Sciences Division, Boulder Colorado por meio do Web site XXI Simpósio Brasileiro de Recursos Hídricos 4

5 Os mapas de correlação apresentam diferentes áreas de influência para as séries de energia, destacando correção positiva altas nas regiões Niño principalmente para as regiões Sul e Sudeste. Diferentemente do método de definir zonas de influência, adotado para a pressão média da superfície do mar, optou-se por escolher índices climáticos que abrangessem tais áreas. Dando seguimento a tal tática, foram selecionados os índices AMO (Atlantic Multidecadal Oscillation) para as regiões Norte e Nordeste, PDO (Pacific Decadal Oscillation) para a Sul e AAO (Antartic Oscillation) para a Sudeste. 3.3 Niño 1+2, Niño 3 e Niño 3.4 Os índices climáticos Niño 1 +2, Niño 3 e Niño 3.4 analisados foram obtidos da biblioteca de dados da plataforma online do International Research Institute for Climate and Society. O período dos dados é relativo a janeiro de 1931 a março de A comparação entre os índices Niño e a energia foi feita utilizando o software R. A correlação simples entre os índices não apresentou resultados numericamente expressivos, o que é justificado pela evidência de que os índices não produzem efeitos imediatos no clima e, consequentemente, na energia natural afluente. Optou-se, portanto, por realizar a correlação cruzada dos dados. Para a escolha do preditor do modelo, apresentado no tópico 4, analisa-se o índice ( Niño 1 + 2, Niño 3 e Niño 3.4 ) que exerce maior influência na energia natural afluente do mês da previsão. Tal análise baseia-se na correlação cruzada entre os dados de energia e os índices para o período de 1931 e A oscilação da temperatura registrada nas regiões do Pacífico Niño influencia a energia com um atraso de em média três meses, assim, o preditor usado na construção do modelo de previsão leva em consideração, também, o tempo que o índice demora para exercer influência na energia (de um a seis meses). 4. MODELO O modelo estatístico de previsão da energia natural afluente foi gerado no software R project com base na regressão linear múltipla de quatro variáveis independentes, escolhidas para cada região. De forma a abranger um mesmo período para todos os dados utilizados na criação do modelo, foi realizada a regressão com os dados referentes ao período de 1949 a 2013; embora a análise de correlação relatada no tópico 3 contemple um período maior, a depender da extensão da base de dados de cada índice climático. Foi obtida uma equação para cada mês do ano para as quatro regiões do ONS. O modelo tem a forma geral: a (1) Em que é a variável resposta que corresponde à energia prevista; é a energia de um mês anterior; é o índice climático Niño; é a pressão média a nível do mar e é um índice climático significativo para a série energética de cada região. Assim, as três primeiras variáveis independentes são comuns aos modelos para as regiões do ONS, enquanto que a corresponde ao AMO para as regiões Norte e Nordeste, ao PDO para a Sul e ao AAO para a região Sudeste. XXI Simpósio Brasileiro de Recursos Hídricos 5

6 A previsão é função do mês da previsão (de um a doze) e do horizonte (um a três). Os preditores, e são funções do tempo e horizonte, e o além dessas duas variáveis, também é função do atraso (lag), explicado no item PREVISÕES Com base no modelo gerado com os dados referentes ao período de 1949 a 2013, foi realizada a previsão da energia natural afluente para janeiro de 2014 a março de Os gráficos com as previsões com um, dois e três meses de antecedência são mostrados na figura 3, juntamente com a média da energia natural afluente do período de 1932 a 2013 e a série registrada pela ONS. As previsões referem-se ao período de 2014 e 2015, percebe-se que estas foram notavelmente mais significantes para a região Norte, na qual a energia constatada esteve em torno da média, com exceção do período entre março e abril de 2014, que esteve acima, e fevereiro a março de 2015, abaixo. Os resultados foram melhores para o período de seca, destacando a convergência entre as previsões com os horizontes de um, dois e três meses nesse período. XXI Simpósio Brasileiro de Recursos Hídricos 6

7 Figura 3. Previsões da energia natural afluente para janeiro de 2014 a março de 2015 para as regiões Norte, Nordeste, Sul e Sudeste da ONS. A linha preta sólida representa os dados fornecidos pela ONS, a tracejada representa a média para o período de 1932 a 2013, e a vermelha, azul e verde correspondem, nessa ordem, às previsões com um, dois e três meses de antecedência. A energia natural afluente da região Nordeste no período de janeiro de 2014 a março de 2015 foi abaixo da média. As previsões apresentaram resultados relevantes, na medida em que revelaram essa diferença, especialmente para os períodos de seca. As previsões são melhores para horizontes menores, com dois e três meses de antecedência, as curvas começam a se distanciar do valor real e se aproximar da média. A região Sudeste também apresentou melhores resultados no período de seca. Em relação a essa região, nota-se uma redução drástica da energia em relação à média para os meses de janeiro e fevereiro tanto de 2014 quanto de 2015, coerente com a crise hídrica atual que atinge, principalmente, a cidade de São Paulo. Entretanto, os resultados obtidos para a região Sudeste foram consideravelmente menos relevantes que os para a região Norte e Nordeste, apresentando, inclusive, valores superiores à média para o início dos dois anos, e, portanto, disparidade quanto ao esperado. XXI Simpósio Brasileiro de Recursos Hídricos 7

8 A energia natural afluente registrada pela ONS revela grande variação para a região Sul, tanto interanual quanto intra-anual, diferente das outras regiões, que apresentam um perfil de elevada e baixa energia evidente ao longo do ano. Por esse motivo, a média não caracteriza adequadamente o perfil anual de energia. A precisão das previsões foi claramente inferior para esta região. O pico registrado em junho foi previsto com erro de um, dois e três meses para esses mesmos horizontes de previsão, com decaimento da amplitude nesta ordem. 6. CONCLUSÃO As alterações no clima afetam diretamente a pluviosidade e, consequentemente, a oferta hidroenergética. A oscilação da temperatura do oceano, assim como a pressão média a nível do mar, a que correspondem os índices analisados, mostraram-se relevantes na variação da energia natural afluente no Brasil, com destaque para os índices climáticos Niño 1+2 e Niño 3. O modelo estatístico proposto apresentou resultados significativos para a região Norte, tendo em vista a proximidade das previsões com os dados reais dentro de um horizonte pequeno de tempo. Apresentou ainda resultados satisfatórios para a região Nordeste no período de seca, em que a energia registrada foi menor que a média e o modelo conseguiu antecipar essa diferença para os horizontes analisados. Os resultados obtidos revelam a dificuldade na previsão da energia natural afluente, tendo em vista a complexidade do clima, que resulta da interação entre diversos fatores, como a temperatura, pressão e relevo. Assim, a simplificação da energia como uma função dependente de quatro variáveis independentes é uma aproximação grosseira. O modelo pode ser aprimorado a partir da introdução de novos preditores, tendo em vista a diversidade de fatores que influenciam o clima do Brasil e, portanto, a energia. As previsões apresentaram resultados mais significantes para os períodos de estiagem. Tendo em consideração que os períodos de déficit energético são os mais preocupantes para a população e cuja medida governamental torna-se necessária, confirma-se a utilidade desse tipo de informação na gestão de energia. REFERÊNCIAS AMARAL, C. S. (2012). Influência de Variáveis Climáticas nos Padrões de Variabilidade da Carga de energia elétrica e oferta hidroenergética no país. In Anais do XI Simpósio de Recursos Hídricos do Nordeste, João Pessoa, Nov MARENGO, J. A. (2006). Mudanças climáticas globais e seus efeitos sobre a biodiversidade: caracterização do clima atual e definição das alterações climáticas para o território brasileiro ao longo do século XXI. Ed. Ministério do Meio Ambiente, Brasília DF, 201p. SIMÕES, M., KRUSCHE, N., AMBRIZZI, T. e ROCHA, P. (2012) Entendendo o Tempo e o Clima na América do Sul. Terrae Didática, 8(1): YOON, J.-H.; ZENG, N. (2010). An Atlantic influence on Amazon rainfall. Climate Dynamics 34: XXI Simpósio Brasileiro de Recursos Hídricos 8