Crise Hídrica: uma análise da quantidade de água que chega às usinas

Tem sido noticiado pela imprensa, uma vez mais, o risco de desabastecimento de energia elétrica no país. A causa para isso seria o menor volume de chuvas, que estaria impactando o nível dos reservatórios, utilizados para a geração de energia pelas usinas hidrelétricas. A quantidade de água que chega em uma usina, utilizada para a geração de energia, é chamada de energia natural afluente, ou simplesmente ENA. Em modelos de previsão para o preço de curto prazo no mercado de energia, essa variável assume importância fundamental. O Operador Nacional do Sistema Elétrico (ONS), inclusive, disponibiliza uma série histórica bastante consistente para a ENA. Nesse Comentário de Conjuntura, analisamos o comportamento da ENA, tendo como foco comparativo o ano de 2021 com a série histórica.

O script começa importando os dados para o RStudio como abaixo.


library(tidyverse)
library(lubridate)
library(fpp3)

data = read_csv2('ena.csv') %>%
mutate(date = yearmonth(parse_date_time(date, orders = "%d/%m/%Y %H-%M"))) %>%
as_tsibble(index = date)

Um primeiro gráfico com as séries é disponibilizado abaixo.


data %>%
gather(variavel, valor, -date) %>%
ggplot(aes(x=date, y=valor, colour=variavel))+
geom_line()+
facet_wrap(~variavel, scales='free')+
theme(legend.position = 'none',
plot.title=element_text(size=9, face='bold'))+
labs(x='', y='',
title='Energia Natural Afluente (MWmed)',
caption='Fonte: analisemacro.com.br')

Observe, primeiro, que estamos vendo a ENA pelos quatro subsistemas: norte, nordeste, sul e sudeste/centro-oeste. Segundo, as séries apresentam uma sazonalidade bastante pronunciada. Por isso, é importante visualizar essa sazonalidade mais de perto. Isso é feito a seguir.


data %>%
gather(variavel, valor, -date) %>%
gg_season()+
facet_wrap(~variavel, scales='free')+
theme(legend.position = 'none',
plot.title = element_text(size=9, face='bold'))+
labs(x='', y='',
title='Sazonalidade da Energia Natural Afluente (MWmed)',
caption='Fonte: analisemacro.com.br')

Os subsistemas nordeste, sudeste e norte apresentam uma sazonalidade bastante pronunciada, correlacionada ao início do período seco. Já o subsistema sul não tem uma tendência muito clara, a partir dessa visualização.

A seguir, nós comparamos a média histórica com o dado de 2021.

Para começar, nós olhamos para o subsistema sudeste/centro-oeste. As linhas vermelhas representam a média de ENA nos respectivos meses, enquanto a bolinha azul representa o ocorrido em 2021. Observa-se que 2021 está, de fato, abaixo da média histórica para o subsistema sudeste/centro-oeste.

No subsistema nordeste, a situação é similar, à exceção do mês de março, onde a ENA ficou dentro da média histórica.

No susbsistema norte, a situação já é bastante confortável. As ocorrências de 2021 estão acima da média histórica.

No subsistema sul, a vazão começou boa no início do ano, mas tem se mantido abaixo da média histórica a partir de março, o que também indica alguma preocupação.

A análise dos gráficos, de modo geral, gera preocupação. Em particular, o subsistema sudeste/centro-oeste, o principal do país, tem apresentado uma vazão abaixo da média histórica nos meses de 2021, o que gera o sinal de alerta para as autoridades responsáveis pela operação do sistema.

Menor vazão para as usinas hidrelétricas vai implicar, necessariamente, em maior acionamento das termelétricas, o que tem impacto direto no preço da energia elétrica para o consumidor, já que a água é, por definição, o insumo mais barato para a produção de energia.

________________

(*) O script completo desse exercício estará disponível no Clube AM essa semana. 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Simplificando análises de dados manuais do Excel usando o Python

Tratar e analisar dados no Excel pode ser um verdadeiro caos, mesmo que você precise fazer coisas simples como cruzar duas tabelas de dados. Uma solução melhor é o uso de scripts em Python, que possibilitam a automação de tarefas repetitivas e manuais. Neste artigo mostramos um exemplo simples, comparando o Excel versus Python.

Como automatizar o tratamento de dados feito no Excel usando o Python?

Segundo a pesquisa “State of Data Science”, profissionais de dados gastam 3 horas/dia (38% do tempo) apenas preparando os dados, antes mesmo de analisá-los. Neste artigo advogamos que este gasto de tempo pode ser drasticamente reduzido ao utilizar ferramentas open source, como Pandas e Python, para automatizar tarefas repetitivas que costumam ser feitas em Excel.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.