Sistemas de energia podem ser extremamente complexos, incorporando uma variedade impressionante de geradores, tecnologias de distribuição e usuários finais — e prever como todas essas variáveis vão mudar no futuro apresenta desafios para o planejamento de longo prazo. Um novo método melhora a modelagem computacional desses sistemas, oferecendo a formuladores de políticas novos insights sobre quais variáveis têm maior impacto e merecem maior atenção.

Para entender melhor esse avanço e por que ele é importante, conversamos com Anderson de Queiroz, coautor do artigo sobre a descoberta e professor associado de engenharia civil, de construção e ambiental na NC State. O artigo, “A framework for global sensitivity analysis in long-term energy systems planning using optimal transport,” é publicado em acesso aberto na revista Energy.

Matt Shipman: Pergunta inicial – quando falamos sobre sistemas de energia e planejamento de sistemas de energia, do que estamos falando? O que é um sistema de energia?

Anderson de Queiroz: Você pode pensar em um sistema de energia como toda a cadeia de suprimentos que entrega energia para pessoas, edifícios, meios de transporte e indústrias. Ele inclui recursos (como vento, solar, carvão ou gás natural), tecnologias de conversão (como turbinas, geradores e painéis fotovoltaicos), redes de transmissão, armazenamento e demandas de uso final. E todos esses elementos são conectados por regras técnicas, econômicas e políticas. Planejar um sistema de energia significa decidir o que construir, quando e onde, e como operá-lo ao longo do tempo, para atender às necessidades energéticas da sociedade de forma confiável, acessível e sustentável.

Shipman: Você e seus coautores neste artigo são especialistas em modelagem de sistemas de energia. O que são esses modelos e como eles são usados no contexto dos sistemas de energia?

de Queiroz: São modelos de otimização que podem ser usados para buscar as formas mais econômicas de construir, manter e operar sistemas de energia, atendendo à demanda energética, restrições técnicas, e cumprindo leis e regulamentos existentes. Em termos técnicos, diríamos que os modelos identificam “planos de investimento/operação de menor custo, sujeitos a restrições de engenharia e políticas públicas”.

Analistas usam esses modelos para rodar cenários de “what-if”, levando em conta variáveis como preços de combustíveis, custos de tecnologias e políticas de carbono. Podemos testar como o sistema seria construído e operado sob cada possível cenário. O modelo de otimização utilizado foi o TEMOA (Tools for Energy Model Optimization and Analysis), que é um exemplo de modelo de otimização para sistemas de energia bastante conhecido, de código aberto, desenvolvido na NC State e usado em escalas regionais, nacionais (inclusive com aplicações no Brasil) e multirregionais por diversos pesquisadores ao redor do mundo.

Shipman: Com qual modelo vocês trabalharam neste projeto e qual era o desafio ou problema que buscavam resolver?

de Queiroz: O artigo aplica um arcabouço de análise de sensibilidade global ao modelo de otimização de sistemas de energia TEMOA. O desafio é que modelos de planejamento de longo prazo têm muitos parâmetros incertos (custos tecnológicos, qualidade de recursos, crescimento da demanda, políticas energéticas, etc). Desenvolvemos um arcabouço que permite entender quais desses insumos realmente geram grandes impactos nas saídas do modelo — custos, expansão de capacidade de geração, emissão de CO2, entre outras — para que os tomadores de decisão saibam onde a incerteza importa mais.

Shipman: Como esses resultados tornam os modelos de otimização de sistemas de energia mais úteis?

de Queiroz: Em termos gerais, penso em três maneiras:

1. Podemos projetar cenários mais úteis. Se sabemos quais variáveis são mais importantes, podemos focar nos insumos que dominam os resultados.
2. Coleta de dados direcionada. Se demanda de eletricidade, CAPEX de gás natural ou preços de commodities dominam o risco, podemos focar na coleta de dados melhores ou previsões setoriais mais detalhadas nessas áreas.
3. Decisões mais transparentes. Podemos explicar melhor a não especialistas por que temos confiança nas previsões do modelo sobre determinado plano, o que aumenta a confiança no modelo e no próprio plano.

Shipman: Este artigo analisa sistemas de energia em escala global, mas também examina especificamente a Itália. Por quê?

de Queiroz: É necessário um sistema concreto para demonstrar o método. Em 2023, iniciamos uma colaboração com o Politécnico de Turim na área de planejamento de sistemas de energia de longo prazo. Matteo Nicoli, então doutorando, veio para a NC State trabalhar comigo nessa área, e juntos desenvolvemos uma análise do sistema italiano usando o TEMOA. Matteo concluiu seu doutorado desde então — seu trabalho focou na análise do sistema energético italiano — e tive o prazer de ser seu coorientador, juntamente com Laura Savoldi, do Politécnico de Turim.

A Itália oferece recursos variados, metas políticas ambiciosas e compensações tecnológicas complexas — o que a torna um excelente estudo de caso para mostrar como a abordagem de modelagem apresentada em nosso artigo pode ser escalada para um plano nacional completo usando o TEMOA. Quando fizemos o trabalho, havia preocupações significativas sobre o suprimento de gás natural da Rússia, criando grande incerteza sobre os custos de energia e a estratégia de longo prazo do país.

Essencialmente, a Itália serve como um excelente estudo de caso para mostrar como podemos melhorar modelos de otimização de sistemas de energia a fim de gerar percepções importantes em escala nacional.

Shipman: Essa abordagem também pode ser usada por outros países? E por entidades menores, como estados?

de Queiroz: Sim, absolutamente. O arcabouço é suficientemente independente do modelo para ser aplicado a outros conjuntos de dados TEMOA (países, estados, cidades, etc) e, conceitualmente, a outros modelos de planejamento energético de longo prazo. As saídas de interesse (custo, mix de capacidade, emissões) são as mesmas; você apenas insere a geografia e os pressupostos relevantes.

Shipman: O que vem a seguir? Como esse trabalho nos faz avançar?

de Queiroz: Há várias linhas de pesquisa futuras, mas destaco duas que considero particularmente importantes hoje.

Primeiro, podemos usar o que aprendemos sobre quais insumos importam mais para projetar estratégias robustas de melhoria dos sistemas de energia. Em vez de apenas saber que certos parâmetros influenciam custos ou emissões, podemos usar esses insights para testar melhor como diferentes políticas ou caminhos de investimento se comportam em diferentes cenários. Isso permitirá que planejadores e analistas desenvolvam portfólios adaptativos e resilientes — essencialmente, identificando decisões que continuam funcionais mesmo quando o futuro não ocorre exatamente como o esperado.

Segundo, podemos integrar essa nova abordagem a modelos surrogates baseados em machine learning. A combinação de análise de sensibilidade global com planejamento de sistemas energéticos pode ser computacionalmente pesada para sistemas grandes e detalhados. Acoplar o TEMOA a modelos surrogates baseados em machine learning (por exemplo, redes neurais ou máquinas de vetor de suporte) pode acelerar a exploração de milhares de cenários possíveis. Esses modelos surrogates aproximariam as respostas do modelo de otimização, permitindo aos analistas mapear rapidamente sensibilidades e robustez em um espaço de incertezas muito mais amplo.