Priorização de investimentos em redes de distribuição de energia: um modelo de benchmarking de continuidade baseado em aprendizado de máquina

Abstract

A continuidade do fornecimento de energia é regulada no Brasil por metas de DEC e FEC cujo descumprimento gera compensações financeiras às distribuidoras, que estipulam duração e frequência máximas regulatórias de interrupções elétricas. Diante de orçamento limitado e milhares de alimentadores urbanos, priorizar investimentos pelo pior indicador absoluto é insuficiente, pois confunde a magnitude do problema, ligada ao porte do alimentador, com a real possibilidade de melhorá-lo. Este trabalho propõe uma metodologia de priorização baseada em benchmarking de continuidade por aprendizado de máquina. Um modelo de regressão baseado em gradient boosting estima o cliente-hora interrompido (CHI) esperado de cada alimentador a partir apenas de suas características estruturais, alcançando um $R^2$ de 0,53 em validação cruzada por conjunto, patamar calibrado que constitui um referencial confiável. O resíduo entre o observado e o esperado resulta na folga, ou seja, o quanto o alimentador está aquém de pares estruturalmente semelhantes. A parcela persistente da folga é cruzada com a magnitude do problema por média geométrica, gerando um instrumento de priorização renormalizado internamente a cada distribuidora, e a decomposição do indicador em três margens classifica cada alimentador por tipo de problema dominante. Aplicada a cerca de treze mil alimentadores da base pública da ANEEL, entre 2018 e 2024, o modelo demonstrou robustez, com estabilidade temporal fora da amostra medida por correlação de Spearman de 0,78. A abordagem transforma registros históricos em um instrumento defensável de planejamento de investimentos.

In Brazil, electricity supply continuity is regulated through DEC and FEC targets, which stipulate maximum regulatory duration and frequency of power interruptions and whose violation triggers financial compensation paid by distribution utilities. Given limited budgets and thousands of urban feeders, prioritizing investments by the worst absolute indicator is insufficient, as it confuses the magnitude of the problem, tied to feeder size, with the real scope for improving it. This work proposes a prioritization methodology based on continuity benchmarking through machine learning. A gradient boosting regression model estimates the expected customer-hours interrupted (CHI) of each feeder from its structural characteristics alone, achieving an $R^2$ of 0.53 under group cross-validation, a calibrated level that provides a reliable reference.. The residual between observed and expected values yields the gap, that is, how far a feeder falls short of structurally similar peers. The persistent portion of the gap is combined with the magnitude of the problem through a geometric mean, yielding a prioritization instrument renormalized within each utility, and the decomposition of the indicator into three margins classifies each feeder by dominant problem type. Applied to about thirteen thousand feeders from the public database of the Brazilian regulator ANEEL, from 2018 to 2024, the model proved robust, with out-of-sample temporal stability measured by a Spearman correlation of 0.78. The approach turns historical records into a defensible investment planning instrument.