22 de outubro de 2026
Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid
Kevin Dessanai; Luiz Henrique Lino de Oliveira
DOI: 10.22167/2675-6528-202603756
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
Um modelo de regressão estatística múltipla foi proposto para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com base em grandezas elétricas internas. A microrrede integra geração fotovoltaica, baterias e um gerador a gás. Dados do sistema de gerenciamento de energia foram coletados em intervalos de cinco minutos durante um mês. O Índice de Confiabilidade Operacional, definido como a razão entre energia atendida e demandada, foi estabelecido como variável dependente. O modelo foi ajustado para o modo de operação ilhado, avaliando o impacto da demanda, estado de carga, geração solar e energia suprida. Os resultados revelaram elevado poder explicativo, indicando que a confiabilidade operacional depende da interação entre suprimento e demanda. Observou-se que o período noturno concentrou a maior taxa de atendimento parcial, atribuída à redução da geração solar. Concluiu-se que a regressão múltipla oferece uma estrutura interpretável e útil para o monitoramento de microrredes e o apoio a estratégias de controle.
Palavras-chave: Armazenamento em baterias; Geração fotovoltaica; Índice de Confiabilidade; Operação ilhada; Sistema de Gerenciamento de Energia.
1. Introdução
A evolução dos sistemas elétricos de potência, historicamente compostos por etapas de geração, transmissão, distribuição, controle e consumo de energia elétrica, esteve associada à expansão de grandes usinas centralizadas e redes extensas. Esse modelo foi essencial para a universalização do acesso à eletricidade (Kagan et al., 2005; Grigsby, 2012), mas passou a apresentar limitações diante da necessidade de maior confiabilidade, flexibilidade, sustentabilidade e integração de fontes renováveis distribuídas, que possuem natureza intermitente (Lasseter, 2007).
Nesse contexto, o conceito de microrrede ganhou relevância como uma alternativa para controlar recursos energéticos de forma coordenada e despachável. A concepção de microrrede foi impulsionada pelo conceito “CERTS Microgrid” no início dos anos 2000, que propôs tratar geração distribuída, cargas e dispositivos de controle como um subsistema elétrico capaz de operar conectado à rede principal ou de maneira autônoma (Lasseter et al., 2002). De acordo com o U.S. Department of Energy (2024), uma microrrede é definida como um conjunto de cargas e recursos energéticos distribuídos inseridos em limites elétricos claramente definidos, capaz de atuar como uma entidade controlável única em relação à rede principal.
As microrredes surgem, portanto, como resposta à necessidade de sistemas elétricos mais resilientes, descentralizados e capazes de integrar diferentes fontes de energia. Seu uso permite combinar geração renovável, geradores fósseis despacháveis, sistemas de armazenamento de energia, cargas com resposta à demanda e medidores inteligentes (Liu et al., 2023). Entre seus principais benefícios destacam-se a melhoria da confiabilidade do suprimento, o aumento da resiliência frente a falhas da rede principal, a possibilidade de operação ilhada, a integração de fontes renováveis e a maior eficiência no gerenciamento local da energia (Feng et al., 2018). Contudo, a implantação de microrredes também apresenta desafios significativos, como o elevado custo de investimento inicial, a necessidade de infraestrutura de comunicação, proteção e controle, além da exigência de estratégias operacionais para lidar com incertezas na geração renovável e na demanda (Eyimaya, 2024).
A presença de sistemas de armazenamento em baterias amplia a flexibilidade operacional das microrredes, mas introduz desafios relacionados ao estado de carga, ciclos de carga e degradação (Shamarova et al., 2022). Nesse cenário, o sistema de gerenciamento de energia (EMS) exerce papel central, coordenando o despacho dos recursos, equilibrando geração e demanda, e preservando a estabilidade operacional em diferentes condições, incluindo a transição entre os modos conectado e ilhado (Khan et al., 2024).
No contexto brasileiro, a CampusGrid, implantada no campus da Universidade Estadual de Campinas (UNICAMP), representa um exemplo relevante de microrrede voltada à pesquisa, demonstração tecnológica e avaliação operacional em ambiente real. Essa infraestrutura permite investigar aspectos relacionados à integração de fontes renováveis, armazenamento de energia, estratégias de controle e diferentes modos de operação, contribuindo para o avanço de estudos aplicados sobre o assunto no país (UNICAMP, 2024).
A complexidade operacional das microrredes exige o desenvolvimento de métodos que apoiem a análise de desempenho. Abordagens baseadas em dados, como modelos estatísticos e técnicas de aprendizado de máquina, são cada vez mais empregadas para previsão, controle e identificação de padrões operacionais (Porawagamage et al., 2024). Contudo, embora técnicas avançadas ofereçam alta capacidade preditiva, modelos interpretáveis são cruciais em aplicações de engenharia, especialmente quando o objetivo não é apenas prever o comportamento do sistema, mas compreender as relações entre variáveis operacionais e indicadores de desempenho.
Nesse contexto, modelos de regressão fornecem uma estrutura transparente, útil e de baixo custo computacional para a análise de microrredes (Javadi e Pong, 2025). A escolha dessa abordagem busca avaliar em que medida variáveis internas da microrrede podem explicar e estimar seu comportamento operacional, contribuindo para o monitoramento e o aprimoramento das estratégias de operação. Assim, este trabalho propõe a utilização de um modelo de regressão estatística múltipla para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, a partir de grandezas elétricas internas.
2. Material e Métodos
A metodologia da pesquisa foi estruturada em duas etapas complementares: I) aquisição, tratamento e organização dos dados operacionais da microrrede e II) modelagem estatística, validação e análise dos resultados obtidos. O estudo buscou avaliar como variáveis internas da microrrede podem explicar e estimar seu comportamento operacional, contribuindo para o monitoramento e aprimoramento das estratégias de operação.
Na primeira etapa, realizou-se pesquisa documental e tecnológica, com extração de dados temporais, registros de eventos e logs operacionais do sistema de gerenciamento de energia da CampusGrid. Foram coletadas e organizadas variáveis elétricas internas da microrrede, incluindo potência das fontes de geração, demanda elétrica das cargas, estado de carga do sistema de armazenamento e outras grandezas operacionais. Para isso, foi definida uma janela temporal contínua para contemplar a variabilidade da carga, diferenças entre dias úteis e não úteis, distintas condições de despacho e eventuais ocorrências de ilhamento ou contingência.
A base de dados foi submetida a critérios de inclusão e exclusão, com eliminação de registros duplicados, descarte de outliers e padronização de dias com lacunas em variáveis críticas. A partir das variáveis tratadas, foi construído o Índice de Confiabilidade Operacional [ICO], utilizado como variável-dependente do modelo estatístico. O ICO representa a capacidade da microrrede em atender à demanda requerida e foi calculado pela razão entre a energia efetivamente atendida e a energia total demandada no respectivo instante de tempo, conforme a Equação (1):
ICO₁ = Eatendidať / Edemandadat (1)
Onde ICO: é o índice de confiabilidade operacional no instante t; Eatendidať : é a energia efetivamente suprida pela microrrede; e Edemandadať : é a energia total requerida pelas cargas no mesmo período. O índice assume valores entre 0 e 1, indicando maior confiabilidade operacional quanto mais próximo de 1.
Na segunda etapa, realizou-se a modelagem estatística dos dados tratados utilizando regressão múltipla. O modelo foi estruturado para estimar o índice diário de confiabilidade operacional a partir das variáveis elétricas internas da microrrede, conforme a Equação (2):
ICO₁ = Bo + B₁X1,t + B2X2,t + … + BXn,t + Et (2)
Onde ICOdt: é a variável dependente no instante t; X1,t, X2,t,…, Xn,t: são as variáveis explicativas das medições internas da microrrede; β₀: é o intercepto; β₁,β2,…,βn: são os coeficientes estimados para cada variável explicativa; e ɛt: é o termo dos erros.
A validação do modelo incluiu a análise dos resíduos, verificação da significância estatística dos coeficientes e avaliação de métricas de desempenho como coeficiente de determinação [R²], erro médio absoluto e raiz do erro quadrático médio. Aspectos como multicolinearidade entre variáveis explicativas e aderência dos resíduos aos pressupostos do modelo também foram avaliados.
O tratamento estatístico foi realizado no ambiente Python, utilizando bibliotecas como Pandas, NumPy e Scikit-learn, além de outras bibliotecas para inferência estatística e visualização de padrões. Foram geradas tabelas de desempenho do modelo, estimativas de coeficientes, intervalos de confiança, indicadores de colinearidade, testes diagnósticos, gráficos de resíduos e análises de sensibilidade.
A pesquisa utilizou exclusivamente dados técnicos e desidentificados, sem tratamento de informações pessoais, garantindo um percurso transparente e replicável.
Area de Estudo
A CampusGrid, localizada em um campus universitário (coordenadas -22.815762 e -47.072456), serviu como plataforma de demonstração e desenvolvimento tecnológico. A infraestrutura integra geração fotovoltaica (565 kilowatts-pico [kWp]), armazenamento em baterias (1,27 Megawatts-hora [MWh]), gerador a gás natural (250 kilovolt-ampere [kVA]), infraestrutura em baixa e média tensão e um sistema inteligente de supervisão e controle. Essa arquitetura é adequada para estudos de operação conectada e ilhada, despacho energético, gerenciamento de cargas e avaliação do comportamento dinâmico do sistema.
Figura 1. Microrrede Campusgrid
Fonte: Dados originais da pesquisa
3. Resultados e Discussão
Análise estatística
A operação de uma microrrede, caracterizada pela interação entre geração renovável intermitente, armazenamento, geração despachável, perfis de carga e estratégias de controle, apresenta complexidade técnica. Uma análise inicial avaliou dados do sistema de gerenciamento de energia (EMS) da CampusGrid, abrangendo tanto o modo conectado à rede principal quanto o modo ilhado. Os dados foram padronizados e organizados em intervalos de 5 minutos, cobrindo um mês de operação ininterrupta. A Figura 2 ilustra a matriz de correlação entre as variáveis registradas pelo sistema de monitoramento.Figura 2. Matriz de correlação dos dados obtidos da Microrrede Campusgrid
Fonte: Resultados originais da pesquisa
A matriz de correlação inicial indicou que o índice de confiabilidade operacional (ICO), considerando os modos conectado e desconectado, apresentava pouca ou nenhuma correlação com a maioria das variáveis. Isso se deveu principalmente ao fornecimento de energia da rede principal, cujos dados não foram monitorados pela microrrede. Em modo conectado, sem geração local, o ICO sempre seria 1, pois a demanda seria suprida pela rede principal. Observou-se que a variação delta do estado de carga do sistema de armazenamento de energia (dsoc) e o grupo gerador a gás natural (gerador) mostraram correlação leve a moderada com o modo de operação, pois atuam como backup em quedas de energia. O sistema fotovoltaico (sfv) não apresentou correlações significativas, enquanto a energia entregue localmente pela microrrede correlacionou-se principalmente com a demanda.
Para uma análise mais precisa do ICO, os dados foram depurados para incluir apenas os instantes em que a microrrede operava no modo ilhado, eliminando a interferência da rede principal. Do total de 8640 observações, 195 referiam-se ao modo ilhado, o que, embora reduzido, permitiu uma avaliação mais realista da capacidade de sustentação das cargas locais. A Figura 3 apresenta a matriz de correlação para o sistema operando exclusivamente no modo ilhado.Figura 3. Matriz de correlação dos dados da Microrrede Campusgrid para o modo ilhado
Fonte: Resultados originais da pesquisa
No modo de operação ilhado, o ICO mostrou uma relação positiva mais acentuada com a operação da bateria e o sistema fotovoltaico, indicando que maiores estados de carga da bateria e maior geração fotovoltaica estão associados a valores mais elevados de ICO. O sfv também apresentou leve interdependência com o gerador a gás. Em relação à demanda, a correlação foi moderada a forte e negativa, sugerindo que o ICO tende a diminuir com o aumento da demanda. Com base nesses dados, foi possível obter a equação (4) que descreve o comportamento do sistema:
ICO = 0,899025 – 0,129712demanda + 0,000546dsoc + 0,001845gerado + 0,011725sfv + 0,150857energia (4)
A análise de regressão, conforme a Tabela 1, revelou que o gerador não possui significância estatística relevante como variável explicativa do ICO, com um p-valor de aproximadamente 0,152. A Figura 4 ilustra esse comportamento em forma de grafo, onde as retas mais azuis e vermelhas indicam níveis de correlação mais fracos e mais fortes, respectivamente.Tabela 1. Tabela com os resultados individuais das variáveis
| Variáveis | Coeficiente | Erro | t | P > | t | | [ 0.025 | 0.975 ] |
|---|---|---|---|---|---|---|
| Intercepto | 0.899025 | 0.015 | 58.838 | 0.000 | 0.874 | 0.934 |
| demanda | -0.129712 | 0.06 | -21.082 | 0.000 | -0.143 | -0.0118 |
| dsoc | 0.000546 | 0.000 | 3.193 | 0.002 | 0.000 | 0.001 |
| gerador | 0.001845 | 0.00128 | 1.438 | 0.152 | -0.000685 | 0.004374 |
| sfv | 0.011725 | 0.004 | 3.297 | 0.001 | 0.005 | 0.021 |
| energia | 0.150857 | 0.010 | 15.427 | 0.000 | 0.131 | 0.170 |
Fonte: Resultados originais da pesquisaFigura 4. Grafos de correlação dos dados da Microrrede Campusgrid para o modo ilhado
Fonte: Resultados originais da pesquisa
O intervalo do coeficiente do gerador, conforme a Figura 4, passa pelo zero, sugerindo que estatisticamente é plausível que seu efeito real seja nulo, levemente negativo ou positivo. Assim, o modelo não consegue afirmar com segurança um efeito próprio da variável explicativa do gerador, que pode ser excluída da equação principal, resultando na equação (5):
ICO = 0,899025 – 0,129712demanda + 0,000546dsoc + 0,011725sfv + 0,150857energia (5)
O resumo do ajuste por Mínimos Quadrados Ordinários (OLS), apresentado na Tabela 2, demonstrou desempenho estatístico satisfatório. O coeficiente de determinação R² indicou que aproximadamente 77,2% da variabilidade observada em ICO é explicada pelas variáveis independentes, sugerindo elevado poder explicativo. O R² ajustado de 0,767 confirmou que o modelo mantém capacidade explicativa, mesmo após a penalização pelo número de preditores, indicando que as variáveis inseridas contribuem de forma relevante para a explicação do ICO.Tabela 2. Tabela com os resultados da OLS do modelo
| Variáveis | Coeficiente |
|---|---|
| R2 | 0,772 |
| R² ajustado | 0,767 |
| Estatística-F | 161,0 |
| Probabilidade (Estatistica-F) | 6,86 x 10-60 |
| Log-verosimilhança | 178,53 |
| AIC | – 347,1 |
| BIC | – 330,7 |
| MAE | 0,0607 |
| RMSE | 0,1032 |
Fonte: Resultados originais da pesquisa
O valor da estatística F de 161,0, associado a um p-valor de 6,86 × 10⁻⁶⁰, permitiu rejeitar a hipótese nula de que todos os coeficientes angulares são simultaneamente iguais a zero. Isso significa que o conjunto das variáveis explicativas possui capacidade estatisticamente significativa para explicar o comportamento da variável dependente. O modelo foi ajustado com as 195 observações do banco de dados original, resultando em 190 graus de liberdade dos resíduos e 4 graus de liberdade para o modelo, indicando quatro preditores explicativos. O erro médio absoluto (MAE) de 0,0607 e o erro quadrático médio (RMSE) de 0,1032 indicaram que o modelo reproduz com boa aproximação o nível de confiabilidade operacional observado, embora a dispersão aumente em eventos de atendimento parcial. A Figura 5 ilustra a relação entre o índice de confiança observado e o previsto.Figura 5. Indice de confiança observado x Indice de confiança previsto
Fonte: Resultados originais da pesquisa
A Figura 5 mostra uma forte concentração de pontos próximos ao valor unitário do índice, com maior espalhamento para valores inferiores, o que indica que episódios de atendimento parcial são mais difíceis de capturar com precisão perfeita. Contudo, a proximidade visual dos pontos em relação à reta de referência sugere que o modelo linear múltiplo mantém uma capacidade explicativa útil para análise e monitoramento operacional. A confiabilidade operacional é predominantemente influenciada pela relação entre a carga requerida e a energia efetivamente atendida, enquanto a geração fotovoltaica e o estado do sistema de armazenamento atuam como suporte, e não como determinantes principais isolados. Demanda e energia compartilham uma parcela significativa da informação explicativa, o que é esperado do ponto de vista físico, dada a relação direta com o atendimento da carga.
A análise de multicolinearidade, apresentada na Figura 6 e Tabela 3, indicou fatores de inflação da variância (VIF) de 8,973 para energia e 7,722 para demanda, enquanto dsoc e sfv permaneceram em patamares baixos, com 1,689 e 1,177, respectivamente. Apesar da multicolinearidade moderada a alta entre demanda e energia, os coeficientes mantiveram sinais coerentes e elevada significância estatística, justificando a permanência dessas variáveis no modelo do ponto de vista interpretativo. Esse resultado sugere que o comportamento do índice de confiança emerge de uma interação estreita entre a necessidade de suprimento e a capacidade efetiva de atendimento local, reforçando o sentido físico da regressão estimada.Figura 6. Fator de inflação da variância (VIF) das variáveis do modelo reduzido
Fonte: Resultados originais da pesquisaTabela 3. Valores VIF para as variáveis explicativas
| Variáveis | Valor |
|---|---|
| energia | 8,973 |
| demanda | 7,722 |
| dsoc | 1,689 |
| sfv | 1,177 |
Fonte: Resultados originais da pesquisa
Para diagnosticar a heterocedasticidade, foi realizado o teste de Breusch-Pagan. O teste retornou um valor LM de 21,183 com p-valor de 0,000748, e um valor F de 4,607 com p-valor de 0,000546. Dessa forma, a hipótese nula de homocedasticidade foi rejeitada ao nível de 5%, indicando que os resíduos do modelo apresentam variância não constante, conforme detalhado na Tabela 4.Tabela 4. Valores para o teste de Breusch-Pagan
| Variáveis | Valor |
|---|---|
| LM | 21,183 |
| p-valor LM | 0,000748 |
| Estatística F | 4,606626 |
| p-valor F | 0,000546 |
Fonte: Resultados originais da pesquisa
Ao agrupar as observações por faixa horária, verificou-se que o período das 18:00 às 00:00 horas concentrou a maior parcela de eventos com ICO menor que 1. Nessa faixa, a taxa de atendimento parcial foi de 0,3409, mais que o dobro da faixa das 06:00 às 12:00 horas e mais de cinco vezes superior aos intervalos das 00:00 às 06:00 e das 12:00 às 18:00, ambos com 0,0638. Nesse período noturno, observou-se o menor ICO médio (ICOm) e o maior gap médio (GAPm) de suprimento, como mostra a Tabela 5 e a Figura 7. Esse resultado é consistente com a lógica de funcionamento da microrrede, pois no fim da tarde a contribuição fotovoltaica diminui ou cessa, enquanto a demanda permanece elevada, especialmente em cargas pós-expediente ou no início do período de ponta. Nessas condições, o sistema depende mais da energia armazenada e da coordenação dos recursos disponíveis.Tabela 5. Resultados de ICO por faixa horária
| Horário | Observações | ICO <1 | Taxa | ICOm | GAPm |
|---|---|---|---|---|---|
| 00:00-06:00 | 47 | 3 | 0,0638 | 0,9643 | 0,2178 |
| 06:00-12:00 | 57 | 10 | 0,1754 | 0,9020 | 0,3187 |
| 12:00-18:00 | 47 | 3 | 0,0638 | 0,9651 | 0,1915 |
| 18:00-00:00 | 44 | 15 | 0,3409 | 0,8115 | 1,3594 |
Fonte: Resultados originais da pesquisaFigura 7. Frequência de ICO < 1 por faixa horária
Fonte: Resultados originais da pesquisa
A análise semanal, apresentada na Figura 8, reforçou esse comportamento. Nos dias úteis, os menores níveis médios de confiabilidade foram observados na sexta-feira e na quinta-feira, enquanto o sábado apresentou o melhor desempenho e a menor taxa de atendimento parcial. O domingo também mostrou desempenho superior aos dias úteis. Esse padrão indica que a microrrede responde não apenas à variabilidade intradiária, mas também a mudanças no perfil de consumo ao longo da semana, o que é compatível com o funcionamento de um campus universitário, onde a intensidade de uso da infraestrutura tende a cair nos fins de semana.Figura 8. Frequência de ICO < 1 por dia da semana
Fonte: Resultados originais da pesquisa
A observação exploratória por faixa horária indicou que os eventos com ICO menor que 1 se concentraram principalmente entre 18 e 24 horas, sugerindo a influência do regime temporal na confiabilidade operacional. Com base nesse achado, foram introduzidas variáveis dummy de faixa horária no modelo de regressão para verificar a relevância estatística do horário após o controle das variáveis elétricas. Foram consideradas quatro categorias (madrugada, manhã, tarde e noite), com procedimento n-1 dummies, e os resultados estão na Tabela 6.Tabela 6. Tabela com os coeficientes do modelo adaptado com dummies
| Variáveis | Coeficiente | Erro | t | P > | t | | [ 0.025 | 0.975] |
|---|---|---|---|---|---|---|
| Intercepto | 0,916820 | 0,0163 | 56,376 | 0,000 | 0,8847 | 0,948900 |
| demanda | -0,128049 | 0,0605 | -21,16 | 0,0014 | -0,1399 | -0,116114 |
| dsoc | 0,000590 | 0,00016 | 3,812 | 0,000 | 0,00028 | 0,000895 |
| gerador | 0,002826 | 0,00129 | 2,195 | 0,0294 | -0,00028 | 0,005365 |
| sfv | 0,012682 | 0,00404 | 3,144 | 0,0019 | 0,00473 | 0,020655 |
| energia | 0,144647 | 0,0097 | 14,92 | 0,000 | 0,12553 | 0,163764 |
| manhã | -0,053940 | 0,016581 | -3,253118 | 0,001353 | -0,086648 | -0,021231 |
Fonte: Resultados originais da pesquisa
Após o procedimento stepwise, apenas a dummy correspondente ao período da manhã permaneceu estatisticamente significativa (β = -0,053940; p = 0,001353). O modelo adaptado apresentou um R² ajustado de 0,7799, superior ao modelo apenas quantitativo. Contudo, o teste de Breusch-Pagan continuou significativo, indicando a persistência da heterocedasticidade, conforme a Tabela 7.Tabela 7. Valores para o teste de Breusch-Pagan para o modelo com dummies
| Variáveis | Coeficiente |
|---|---|
| R² | 0,786 |
| R² ajustado | 0,779 |
| AIC | – 355,9 |
| BIC | – 332,9 |
| LM | 29,70 |
| p-valor LM | 0,000045 |
Fonte: Resultados originais da pesquisa
O estudo demonstrou a viabilidade da aplicação de modelos de regressão estatística múltipla para estimar o desempenho operacional de microrredes, utilizando a CampusGrid da UNICAMP como estudo de caso. A construção do Índice de Confiabilidade Operacional permitiu quantificar a capacidade do sistema em atender à demanda, especialmente em modo ilhado. Os resultados indicaram que a demanda e a energia efetivamente entregue são os principais determinantes do desempenho do sistema, com a geração fotovoltaica e o armazenamento atuando como suporte. O modelo estatístico desenvolvido apresentou elevado poder explicativo, confirmando que variáveis elétricas internas são suficientes para fornecer uma estimativa consistente do comportamento da microrrede. A análise temporal revelou padrões operacionais importantes, como a maior suscetibilidade a déficits de suprimento no período noturno, quando a geração solar cessa e a demanda permanece elevada. A incorporação de variáveis categóricas de faixa horária aprimorou o modelo, reforçando a influência do perfil de consumo ao longo do dia, e o melhor desempenho observado nos finais de semana corrobora a adequação do modelo à dinâmica de um campus universitário.
4. Conclusão
O presente estudo propôs a utilização de um modelo de regressão estatística múltipla para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com foco na operação em modo ilhado a partir de grandezas elétricas internas. Verificou-se que o modelo desenvolvido apresentou elevado poder explicativo, com um R² ajustado de 0,767, indicando que aproximadamente 77,2% da variabilidade do Índice de Confiabilidade Operacional (ICO) foi explicada pelas variáveis independentes. Os resultados evidenciaram que a demanda e a energia efetivamente entregue constituíram os principais determinantes do desempenho do sistema, enquanto a geração fotovoltaica e o estado de carga do sistema de armazenamento atuaram como elementos de suporte essenciais para a manutenção do suprimento. A análise demonstrou que variáveis elétricas internas, monitoradas pelo sistema de gerenciamento de energia, são suficientes para fornecer uma estimativa consistente do comportamento da microrrede, oferecendo uma estrutura interpretável e útil para o monitoramento e apoio a estratégias de controle.
A análise temporal revelou padrões operacionais importantes, como a maior suscetibilidade a déficits de suprimento no período noturno, especificamente entre dezoito e vinte e quatro horas, quando a geração solar cessa e a demanda permanece elevada. Observou-se também um melhor desempenho nos finais de semana, o que corrobora a adequação do modelo à dinâmica de um campus universitário. Apesar das limitações inerentes à abordagem baseada em dados, como a dependência da qualidade dos registros históricos e a persistência de heterocedasticidade nos resíduos, o modelo de Mínimos Quadrados Ordinários (OLS) provou ser uma ferramenta analítica transparente e de baixo custo computacional. A interpretabilidade dos coeficientes permite que operadores e pesquisadores compreendam as relações entre as variáveis do sistema. Sugere-se para estudos futuros a incorporação de variáveis meteorológicas explícitas, a exploração de técnicas de regressão não linear ou séries temporais para lidar com a heterocedasticidade, e a aplicação do modelo em diferentes arquiteturas de microrredes para validar sua generalização.
Referências Bibliográficas
DOE – U.S. Department of Energy. The U.S. Department of Energy’s Microgrid Initiative. [S.I.]: U.S. Department of Energy, 2016. Disponível em: . Acesso em: 07 mar. 2026.
Eyimaya, S. E.; Altin, N. Review of Energy Management Systems in Microgrids. Applied Sciences, v. 14, n. 3, art. 1249, 2024. Disponível em: . Acesso em: 01 abr. 2026.
Feng, W. et al. A review of microgrid development in the United States. Applied Energy, 2018.
Grigsby, L. L. Electric Power Generation, Transmission, and Distribution. 3. ed. Boca Raton: CRC Press, 2012.
Javadi, A. B.; Pong, P. A review on symbolic regression in power systems: Methods, applications, and future directions. Renewable and Sustainable Energy Reviews, v. 224, art. 116075, 2025. Disponível em: . Acesso em: 07 fev. 2026.
Kagan, N.; Oliveira, C. C. B.; Robba, E. J. Introdução aos sistemas de distribuição de energia elétrica. São Paulo: Blucher, 2005.
Khan, M. R. et al. A Comprehensive Review of Microgrid Energy Management Systems. Processes, v. 12, n. 2, 2024.
Lasseter, R. H. Microgrids and Distributed Generation. Journal of Energy Engineering, v. 133, n. 3, p. 144-149, 2007.
Liu, X. et al. Microgrid Energy Management with Energy Storage Systems. 2023.
Porawagamage, G. et al. A review of machine learning applications in power system protection and control. Frontiers in Smart Grids, 2024.
Shamarova, N. et al. Review of Battery Energy Storage Systems Modeling in Microgrids with Renewables Considering Battery Degradation. Energies, 2022.
UNICAMP – Universidade Estadual de Campinas. Unicamp e CPFL inauguram microrrede de energia no campus de Barão Geraldo. Campinas: UNICAMP, 22 nov. 2024. Disponível em: . Acesso em: 07 abr. 2026.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
