Artículo

19 de noviembre de 2026

Impacto das inconsistências da BDGD no cálculo de perdas técnicas na distribuição de energia elétrica

Marco Antônio Sartorato Nozela; Tábata Rejane Bertazzo

DOI: 10.22167/2675-6528-202603834

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

As perdas técnicas no sistema de distribuição elétrica brasileiro representaram um custo superior a R$ 11 bilhões em 2024, com o cálculo regulatório baseado na Base de Dados Geográfica da Distribuidora (BDGD). Inconsistências nos dados cadastrais dessa base podem comprometer a fidelidade das simulações de fluxo de potência e a precisão das perdas técnicas apuradas. A pesquisa avaliou o impacto de diferentes tipos de inconsistências da BDGD no cálculo de perdas técnicas em sistemas de distribuição de energia elétrica. Para tanto, desenvolveu-se um pipeline de dados automatizado em Python, que incluiu a extração das bases via API da ANEEL, importação para banco de dados relacional DuckDB, reconstrução topológica da rede por algoritmo de busca em largura (BFS), conversão dos dados para o simulador OpenDSS via biblioteca bdgd2opendss e simulação de fluxo de potência. Definiram-se dez regras de verificação de inconsistências, classificadas em categorias que impedem ou podem impedir a simulação, e aquelas que a permitem, mas alteram o percentual de perdas técnicas. Os resultados indicaram que inconsistências não toleradas pela ANEEL, como erros de faseamento e curvas de carga sem correspondência, impediram a simulação. Inconsistências toleradas ou não contempladas pelo script regulatório do GeoPerdas, como parâmetros incorretos de condutores e transformadores, introduziram erros no cálculo das perdas sem inviabilizar a simulação. Concluiu-se que a qualidade dos dados da BDGD é fator determinante para a confiabilidade das simulações de fluxo de potência. Adicionalmente, desenvolveu-se o Analisador de BDGDs, uma aplicação desktop com interface gráfica que automatiza o pipeline e disponibiliza painéis de indicadores e mapas interativos, liberada publicamente no GitHub.

Palavras-chave: BDGD; distribuição de energia elétrica; OpenDSS; perdas técnicas; qualidade de dados.

1. Introdução

As perdas técnicas no sistema de distribuição elétrica brasileiro representaram, em 2024, um custo superior a R$ 11 bilhões, impactando diretamente a modicidade tarifária e a remuneração das concessionárias (Agência Nacional de Energia Elétrica [ANEEL], 2024). Este custo é repassado à sociedade por meio das tarifas de energia, como a Tarifa de Uso dos Sistemas Elétricos de Distribuição (Paul, 2021). A precisão do cálculo dessas perdas é, portanto, fundamental para assegurar uma tarifa justa aos consumidores e uma remuneração coerente às concessionárias de energia.

As perdas técnicas ocorrem durante o processo produtivo da energia elétrica, desde a geração até a distribuição ao consumidor final (Paul, 2021). Elas resultam de fenômenos físicos de dissipação de energia, principalmente pelo aquecimento dos condutores e pelas perdas no ferro dos transformadores, que incluem histerese e correntes parasitas (Bernardon, 2007). A quantificação dessas perdas depende intrinsecamente das propriedades físicas dos componentes da rede elétrica, como resistências, reatâncias e níveis de tensão e corrente.

O cálculo regulatório das perdas técnicas de um sistema de distribuição é conduzido pela ANEEL durante o processo de revisão tarifária. As informações necessárias para este cálculo são obtidas da Base de Dados Geográfica da Distribuidora (BDGD), que contém dados técnicos, comerciais e físico-contábeis dos ativos (Agência Nacional de Energia Elétrica [ANEEL], 2025). As distribuidoras têm a obrigação regulatória de manter esses dados atualizados e enviá-los anualmente à ANEEL, e é com base nessas informações que as simulações de fluxo de potência são realizadas para a definição das perdas técnicas regulatórias (Agência Nacional de Energia Elétrica [ANEEL], 2021a).

A confiabilidade das simulações de perdas técnicas está diretamente ligada à integridade e qualidade dos dados presentes na BDGD. Inconsistências nos dados cadastrais, como erros de faseamento, parâmetros incorretos de condutores ou elementos eletricamente isolados, podem comprometer a fidelidade das simulações de fluxo de potência e, consequentemente, a precisão das perdas técnicas apuradas no processo tarifário. A literatura já ressalta a importância da integridade das BDGDs e a necessidade de ferramentas confiáveis de conversão para simuladores como o Open Distribution System Simulator (Aderaldo, 2023; Bonadia, 2021; Ricci et al., 2019).

Apesar da relevância, existe uma lacuna na literatura sobre como as inconsistências e erros de cadastro presentes nas bases reais afetam as simulações elétricas. Essa questão é crítica no contexto do cálculo de perdas técnicas regulatórias, pois os resultados influenciam diretamente a tarifa do consumidor. A garantia da qualidade dos dados enviados pelas distribuidoras é regulada pelo Módulo dez do PRODIST, que estabelece a validação e aceitação da BDGD após análise de conformidade (Agência Nacional de Energia Elétrica [ANEEL], 2021b). No âmbito das perdas técnicas, a validação é consolidada na Etapa dezessete do script de validação da ANEEL, embutida no software GeoPerdas, que avalia inconsistências elétricas e cadastrais, aplicando diferentes níveis de severidade aos erros (ANEEL, 2023). Contudo, inconsistências que geram apenas um aviso ou são absorvidas por margens de tolerância permitidas podem, ainda assim, degradar e distorcer os resultados das simulações de fluxo de potência.

Diante dessa problemática, este trabalho se distingue por utilizar a simulação de perdas técnicas como vetor analítico para definir e classificar o impacto de dez categorias de inconsistências na BDGD. Os resultados beneficiam pesquisadores que utilizam a BDGD em estudos de sistemas elétricos de potência, distribuidoras de energia que desejam verificar a qualidade de suas bases antes da entrega regulatória e órgãos reguladores, visto que a ANEEL utiliza a BDGD como insumo no processo de revisão tarifária. Assim, o objetivo desta pesquisa é avaliar o impacto de diferentes tipos de inconsistências da BDGD no cálculo de perdas técnicas em sistemas de distribuição de energia elétrica, definindo e classificando os efeitos de dez categorias de inconsistências sobre as simulações de fluxo de potência.

2. Material e Métodos

A pesquisa adotou uma abordagem quantitativa e aplicada, com o objetivo de avaliar o impacto de diferentes tipos de inconsistências da Base de Dados Geográfica da Distribuidora (BDGD) no cálculo de perdas técnicas em sistemas de distribuição de energia elétrica. A metodologia foi estruturada como um pipeline de dados automatizado, desenvolvido em Python, abrangendo desde a coleta de dados brutos até a visualização analítica. As etapas do trabalho foram inspiradas no Ciclo de Vida da Engenharia de Dados (Reis & Housley, 2022).

A coleta e estruturação dos dados foram realizadas em Python. As bases BDGD foram extraídas automaticamente via API pública da ANEEL, utilizando a biblioteca ArcGIS API for Python para conexão com serviços ArcGIS Online (Jordahl et al., 2024). As informações, originalmente em formato File Geodatabase (.gdb) da Esri (2016), foram convertidas para um banco de dados relacional DuckDB, otimizado para análise e consultas SQL (Raasveldt & Mühleisen, 2019). As bibliotecas GeoPandas e Fiona auxiliaram na extração e manipulação de atributos espaciais (Jordahl et al., 2024).

A estrutura topológica da rede elétrica foi reconstruída em Python por meio do algoritmo Breadth-First Search (BFS), ou Busca em Largura (Cormen et al., 2022), a partir das informações de conectividade da BDGD. Esse processo permitiu identificar relações hierárquicas e a sequência elétrica dos equipamentos. Dez regras de verificação de inconsistências foram definidas e implementadas como consultas SQL predefinidas, baseadas no script de validação da Etapa 17 do GeoPerdas da ANEEL (ANEEL, 2023), no Módulo 7 do PRODIST (ANEEL, 2021a) e em normas da ABNT (2025).

Para a simulação, os dados da BDGD foram convertidos para arquivos no formato .dss, interpretável pelo simulador Open Distribution System Simulator (OpenDSS). Essa conversão foi realizada utilizando o pacote bdgd2opendss (Nogueira et al., 2025), desenvolvido em Python. A metodologia de modelagem do bdgd2opendss é inspirada no software ProgGeoPerdas, empregado pela ANEEL para o cálculo regulatório de perdas técnicas (Nogueira et al., 2025).

As simulações elétricas foram executadas no OpenDSS, em regime permanente e no modo diário (daily mode), abrangendo 24 patamares horários, conforme os cálculos de perdas técnicas da ANEEL (ANEEL, 2021a). O motor de simulação foi desenvolvido com a biblioteca AltDSS-Python para automatização e escalabilidade. As inconsistências foram classificadas em dois grupos: aquelas que impedem ou podem impedir a simulação (causando avisos no OpenDSS ou problemas de convergência) e aquelas que permitem a simulação, mas alteram o percentual de perdas técnicas.

Para integrar o pipeline de dados e facilitar a interação, desenvolveu-se uma aplicação desktop com interface gráfica de usuário (GUI), o Analisador de BDGDs. A GUI foi implementada em Python com a biblioteca Tkinter (Lutz, 2014; Moore, 2018), garantindo integração nativa com os módulos de extração, estruturação, análise, conversão e simulação. A ferramenta disponibiliza painéis de indicadores e mapas interativos para visualização georreferenciada das inconsistências identificadas.

O módulo de mapas interativos, para visualização geográfica da rede elétrica e das inconsistências, utilizou as bibliotecas GeoPandas e Folium em Python (Filipe et al., 2024; Jordahl et al., 2024). Para otimizar o desempenho na geração de mapas HTML autocontidos, foram aplicadas técnicas como simplificação geométrica pelo algoritmo de Douglas-Peucker (Douglas & Peucker, 1973), leitura seletiva de campos e indexação espacial por tiles (Haklay & Weber, 2008).

3. Resultados e Discussão

O desenvolvimento deste trabalho seguiu o planejamento metodológico estabelecido, resultando na criação de uma Interface Gráfica de Usuário (GUI) para o pipeline analítico de dados. Essa abordagem visa aprimorar a reprodutibilidade e a acessibilidade do estudo para a comunidade de engenharia elétrica que utiliza a Base de Dados Geográfica da Distribuidora (BDGD). A ferramenta elimina a necessidade de manipulação direta de scripts em linha de comando, proporcionando uma experiência intuitiva ao usuário.

A escolha da biblioteca Tkinter para a construção da interface gráfica foi estratégica, priorizando a compatibilidade multiplataforma e a ausência de dependências externas, conforme destacado por Lutz (2014) e Moore (2018). Essa decisão assegurou a integração nativa com os módulos internos do pipeline computacional, que incluem extração de dados, conversão topológica e acionamento das simulações, todos operando de forma unificada em ambiente Python. O programa resultante foi denominado Analisador de BDGDs e disponibilizado publicamente no GitHub.

O Analisador de BDGDs foi desenvolvido inteiramente em Python, com sua lógica de negócio organizada em dois pacotes principais. O pacote `core` engloba módulos como `extrator.py` para download via API da ANEEL, `banco.py` para gerenciamento de bancos DuckDB, `consultas.py` para as dez regras de inconsistência, `topologia.py` para o algoritmo BFS, `conversao.py` para OpenDSS via `bdgd2opendss`, `simulacao.py` para fluxo de potência, e `mapas.py` para geração de mapas HTML. O pacote `ui` concentra os componentes da interface gráfica, seguindo o princípio de separação de responsabilidades para facilitar a manutenção e extensibilidade (Gamma et al., 1994).

Extração das BDGDs

A etapa inicial de coleta de dados foi automatizada para evitar o download manual das bases BDGD do portal da ANEEL. Identificou-se que as bases são disponibilizadas via ArcGIS Hub, uma plataforma Esri que permite acesso por APIs. Utilizou-se a biblioteca ArcGIS API for Python para conectar-se aos serviços ArcGIS Online, desenvolvendo um script que automatiza a localização e o download das bases BDGD do catálogo da ANEEL, garantindo agilidade e reprodutibilidade no acesso aos dados.

Para a interface gráfica, um mecanismo de seleção da base desejada e extração automática foi implementado utilizando a biblioteca Tkinter, conforme ilustrado na Figura 3 do TCC original. Esse módulo permite ao usuário escolher entre as bases disponíveis no catálogo da ANEEL, simplificando o processo de obtenção dos dados para análise e simulação, e integrando-o de forma coesa ao fluxo de trabalho da ferramenta.

Tratamento e Estruturação dos Dados em Bancos Relacionais

Após a extração, as bases BDGD, originalmente em formato proprietário File Geodatabase (.gdb), foram estruturadas em um banco de dados relacional para as análises propostas. Embora o formato .gdb seja interpretado por Sistemas de Informação Geográfica (SIG), sua manipulação direta para análises automatizadas é limitada. Ferramentas de código aberto como QGIS foram avaliadas, mas descartadas devido à dificuldade de integração com os módulos de conversão, simulação e dashboards do projeto.

A linguagem Python foi escolhida como ferramenta central para integrar todas as etapas do pipeline, incluindo leitura, transformação e execução de consultas analíticas. Bibliotecas como GeoPandas e Fiona foram empregadas para extrair as tabelas e converter atributos espaciais em geodataframes (Jordahl et al., 2024). Contudo, a eficiência para filtragens e agregações complexas levou à decisão de converter as tabelas da BDGD para um banco de dados relacional SQL, que oferece maior eficiência e padronização para scripts de detecção de inconsistências (Date, 2003).

Nesse contexto, o sistema DuckDB foi adotado como mecanismo de banco de dados, otimizado para análise e execução de consultas SQL diretamente a partir do Python, sem a necessidade de servidores intermediários (Raasveldt e Mühleisen, 2019). Um módulo em Python foi desenvolvido para ler a estrutura do File Geodatabase, extrair as tabelas das entidades da rede elétrica e criar as tabelas correspondentes no DuckDB, permitindo também a integração de dados locais em formatos .xlsx e .csv. Essa implementação modular reduz o esforço de preparação de dados e permite a reutilização do pipeline para diferentes distribuidoras ou períodos de referência, com a interface gráfica facilitando o processo, conforme a Figura 4 do TCC original.

Estruturação Topológica da Rede Elétrica

Além da estruturação dos dados em banco relacional, foi desenvolvido um procedimento para mapear a conectividade elétrica da rede. A BDGD, embora contenha informações georreferenciadas e atributos de conexão, não representa diretamente a sequência elétrica dos equipamentos ao longo do alimentador. Para superar essa limitação, um algoritmo em Python foi implementado para reconstruir a topologia da rede a partir dos dados da BDGD.

O algoritmo de travessia em grafos, conhecido como Breadth-First Search (BFS), foi utilizado para explorar a rede a partir do nó inicial do alimentador de média tensão (Cormen et al., 2022). Esse processo identifica elementos predecessores e sucessores, atribuindo uma ordem de conexão relativa na rede. Durante a varredura, são registradas informações cruciais sobre cada equipamento e suas conexões, como identificadores, pontos de conexão e atributos de faseamento elétrico.

A implementação do BFS é fundamental para a análise da qualidade dos dados, pois diversas inconsistências na BDGD só podem ser identificadas ao analisar a estrutura elétrica sequencialmente. Exemplos incluem divergências de faseamento entre elementos conectados e lacunas na continuidade da rede ou do condutor neutro. O resultado dessa etapa é uma tabela estruturada no DuckDB, contendo a sequência de conexão e as relações hierárquicas, que serve como base para a avaliação da consistência elétrica. Um módulo na interface gráfica, ilustrado na Figura 5 do TCC original, facilita a execução do algoritmo para alimentadores específicos ou para toda a base, com a opção de exportar os resultados em formato .xlsx.

Execução de Consultas SQL nos Bancos de Dados

Após a estruturação das bases BDGD em um banco de dados relacional, a etapa seguinte focou no desenvolvimento de ferramentas para explorar esses dados por meio de consultas SQL. A linguagem SQL permite manipular as entidades de forma padronizada, com opções de filtragens por atributos específicos, agregações e cruzamento de informações via `joins`, conferindo flexibilidade analítica à ferramenta e democratizando o acesso às redes elétricas, uma vez que o formato nativo File Geodatabase exige ferramentas específicas de SIG para manipulação.

O módulo de consultas foi concebido com uma dupla camada de interação. A primeira camada oferece um editor SQL livre na interface gráfica, permitindo ao usuário construir e executar consultas customizadas sobre qualquer tabela da BDGD, com exportação direta para planilhas .xlsx. A segunda camada operacional disponibiliza a execução automatizada de dez consultas predefinidas, desenvolvidas para quantificar as categorias de inconsistências mapeadas na pesquisa. Os resultados dessas rotinas são persistidos em um arquivo DuckDB dedicado, servindo como insumo estruturado para o módulo de dashboard, conforme a Figura 6 do TCC original.

Conversão dos Dados da BDGD em Arquivos de Simulação do OpenDSS

A BDGD, embora detalhada em informações contábeis, elétricas e geográficas, possui uma estrutura otimizada para SIGs, o que inviabiliza sua importação direta por ferramentas de simulação elétrica. Para transpor essa barreira, este trabalho adotou o pacote `bdgd2opendss` (Nogueira et al., 2025). Esse conversor, desenvolvido em Python e de código aberto, realiza a tradução automatizada dos dados da BDGD para arquivos de simulação .dss, que são interpretáveis pelo OpenDSS.

A escolha do `bdgd2opendss` justifica-se por seu algoritmo de modelagem ser diretamente inspirado na metodologia do ProgGeoPerdas, o software oficial da ANEEL para cálculo de perdas técnicas regulatórias (Nogueira et al., 2025). Além disso, a ferramenta recebe atualizações constantes no GitHub. A principal contribuição prática deste trabalho, nesse módulo, foi o desenvolvimento de uma interface gráfica que automatiza a tradução das informações da BDGD, permitindo aos usuários parametrizar e executar o pipeline de conversão sem a necessidade de interagir com o código-fonte, conforme ilustrado na Figura 7 do TCC original.

Simulação dos Arquivos de Simulação Convertidos

Após a conversão dos dados da BDGD para arquivos de simulação, um módulo foi desenvolvido para executar simulações em regime permanente das redes de distribuição modeladas. Para integrar essa etapa ao pipeline de dados, foram avaliadas as formas de automatizar os estudos elétricos com o OpenDSS. A interface COM (Component Object Model) do OpenDSS, embora permita automação, apresenta limitações de desempenho (Meira, n.d.).

Para superar essas limitações e garantir escalabilidade, o motor de simulação foi desenvolvido utilizando a biblioteca AltDSS-Python. O módulo de simulação centraliza o controle operacional e dispensa a edição manual de diretórios, com uma interface gráfica que mapeia automaticamente as bases de dados convertidas e lista os alimentadores disponíveis. Ele permite selecionar o tipo de curva diária (dias úteis, sábados, domingos/feriados) e gerenciar iterativamente os arquivos Master de simulação, conforme a Figura 8 do TCC original.

Ao disparar a simulação no modo diário (`daily mode`) do OpenDSS, o algoritmo executa simulações de fluxo de potência para cada um dos 24 patamares horários, seguindo a metodologia da ANEEL para cálculo de perdas técnicas (ANEEL, 2021a). A tela de controle do aplicativo exibe o comportamento dinâmico da rede, apresentando variáveis como potência total demandada (kW), perdas elétricas (kW) e percentual de perdas, além de validar a convergência do fluxo de potência e o número de iterações do solver por patamar. Os resultados e avaliações dessas simulações são discutidos na seção subsequente.

Análise do Impacto das Inconsistências Mapeadas

A avaliação sistemática do impacto das inconsistências da BDGD nas simulações de fluxo de potência é uma lacuna na literatura, e a classificação das inconsistências baseou-se no script de validação da Etapa 17 do GeoPerdas da ANEEL (ANEEL, 2023) e em normas técnicas como o Módulo 7 do PRODIST (ANEEL, 2021a) e ABNT. Para cada inconsistência, foram realizadas simulações comparando cenários com e sem erros, classificando-as em dois grupos: (1) inconsistências que impedem ou podem impedir a simulação e (2) inconsistências que permitem a simulação, mas alteram o percentual de perdas técnicas.

A Regra 01 (R01) identifica equipamentos isolados, ou seja, sem conectividade elétrica rastreável até o início do alimentador, com campo `ORDEM` nulo na tabela `TOPOLOGIA`. O GeoPerdas trata elementos isolados como erro, com tolerâncias de 0% para equipamentos e 2% para segmentos e cargas (ANEEL, 2023). Quando as inconsistências se limitam a pontos da rede secundária, a simulação tende a convergir, mas altera o percentual de perdas técnicas em relação a uma rede 100% conectada. Assim, a R01 permite a simulação, mas altera o percentual de perdas técnicas.

A Regra 02 (R02) verifica erros de faseamento, onde as fases de um elemento filho (A, B ou C) estão ausentes no elemento pai, indicando incompatibilidade cadastral. O GeoPerdas estabelece tolerância zero para esse tipo de erro, não aceitando BDGDs com tais inconsistências (ANEEL, 2023). Os resultados das simulações demonstraram que, na maioria dos alimentadores analisados, a presença de erros de faseamento impediu a convergência da simulação, classificando essa inconsistência como capaz de impedir a simulação.

A Regra 03 (R03) detecta casos em que um elemento filho possui neutro (N) sem que o elemento pai também o possua, excluindo interfaces com transformadores e chaves de baixa tensão, que são pontos naturais de transição. O script do GeoPerdas não considera essa condição um erro impeditivo, emitindo apenas um aviso (ANEEL, 2023). No entanto, as simulações indicaram que a ausência de neutro na rede secundária pode causar problemas de convergência numérica no OpenDSS, dependendo da quantidade de ocorrências e da configuração do alimentador, classificando-a como uma inconsistência que pode impedir a simulação.

A Regra 04 (R04) identifica condutores com resistência unitária nula, ausente ou superior a 10 Ω/km na tabela `SEGCON`, excluindo condutores de aço zincado. O limite de 10 Ω/km foi baseado nos valores regulatórios de resistência do Módulo 7 do PRODIST (ANEEL, 2021a). O script do GeoPerdas não valida os campos de resistência na entidade `SEGCON`, o que torna essa verificação uma contribuição deste trabalho. Os resultados mostraram que valores incorretos de resistência não impedem a simulação, mas afetam diretamente as perdas calculadas, com resistências sobrestimadas resultando em perdas também sobrestimadas. Essa inconsistência permite a simulação, mas altera o percentual de perdas técnicas.

A Regra 05 (R05) avalia transformadores em poste de distribuição com tensão secundária inferior a 2,3 kV, verificando se a potência nominal excede os limites máximos padronizados (100 kVA para monofásicos/bifásicos e 300 kVA para trifásicos), conforme a ABNT (2025) e o GeoPerdas (ANEEL, 2023). Equipamentos fora desses limites indicam valores não padronizados ou erros de cadastro. As simulações revelaram que essa inconsistência não impede a simulação, mas influencia as perdas calculadas no núcleo e no cobre dos transformadores, sendo classificada como uma inconsistência que permite a simulação, mas altera o percentual de perdas técnicas.

A Regra 06 (R06) verifica os campos de perda no ferro e perdas totais cadastrados na tabela `UNTRMT`. É classificada como inconsistente quando a perda total supera 5% da potência nominal ou a perda no ferro supera 2% da potência nominal. O limite de 5% para perda total é um aviso no GeoPerdas, enquanto o limite para perda no ferro baseia-se nos valores de referência do Módulo 7 do PRODIST (ANEEL, 2021a). O GeoPerdas classifica como erro apenas quando a perda no ferro supera a perda total, sem impedir a entrega da base (ANEEL, 2023). As simulações indicaram que essa inconsistência não inviabiliza a simulação, mas produz resultados de perdas distintos do caso base, sendo classificada como uma inconsistência que permite a simulação, mas altera o percentual de perdas técnicas.

A Regra 07 (R07) verifica se a potência nominal cadastrada nos reguladores de tensão está abaixo dos limiares mínimos esperados pelo GeoPerdas (1.000 kVA para monofásicos e 3.000 kVA para trifásicos), tratados como aviso (ANEEL, 2023). A ANEEL espera que seja cadastrada a potência passante do regulador, e não a potência nominal técnica, que resulta em valores tipicamente dez vezes menores (ABNT, 1991). Distribuidoras que cadastram a potência nominal do equipamento informam valores fora dos limites esperados. Os resultados mostraram que essa inconsistência não impede a simulação, mas afeta diretamente o cálculo de perdas em alimentadores com reguladores de tensão, sendo classificada como uma inconsistência que permite a simulação, mas altera o percentual de perdas técnicas.

A Regra 08 (R08) contabiliza segmentos de rede MT (`SSDMT`), BT (`SSDBT`) e ramais de ligação (`RAMLIG`) com comprimento igual a zero ou não preenchido. O script do GeoPerdas aceita essa condição com tolerância de 0,5% para segmentos MT, BT e ramais, caracterizando-a como erro quando superada (ANEEL, 2023). Trata-se de um erro de cadastro evidente, pois todo segmento físico de rede deve ter comprimento mensurável. Caso a biblioteca de conversão da BDGD para o OpenDSS não trate essa situação internamente, o OpenDSS emite aviso e a simulação é inviabilizada, classificando-a como uma inconsistência que impede a simulação.

A Regra 09 (R09) verifica se os códigos de curva de carga atribuídos às unidades consumidoras de MT (`UCMT`), BT (`UCBT`) e pontos de iluminação pública (`PIP`) possuem correspondência válida na tabela de referência de curvas de carga (`CRVCRG`). O script do GeoPerdas trata esse caso como erro com tolerância zero, não aceitando a entrega de bases com curvas de carga sem correspondência (ANEEL, 2023). Essa restrição é justificada pelos resultados: sem a curva de carga associada, o OpenDSS não encontra os 24 patamares de demanda necessários para executar a simulação em modo `daily`, inviabilizando o processamento. Essa inconsistência impede a simulação.

A Regra 10 (R10) valida a consistência entre o tipo de regulador de tensão, o número de equipamentos associados na tabela `EQRE` e as ligações de fase primária e secundária, seguindo as combinações esperadas pelo script do GeoPerdas (ANEEL, 2023). A ANEEL aceita tolerância de 0% para os casos que não respeitem as condições delimitadas. Composições que fogem aos padrões esperados, como reguladores com conexão em delta aberto, mas com três equipamentos cadastrados, resultam em configurações que não refletem o equipamento real. Os resultados das simulações mostraram que erros de modelagem nos reguladores causam problemas de convergência no OpenDSS, classificando essa inconsistência como capaz de impedir a simulação.

Os resultados obtidos, conforme sumarizado na Tabela 1 do TCC original, demonstram que inconsistências com tolerância zero pela ANEEL, como erros de faseamento (R02) e curvas de carga sem correspondência (R09), tendem a impedir a simulação, evidenciando a coerência entre a validação regulatória e o impacto técnico. Contudo, inconsistências tratadas como aviso ou não validadas pelo GeoPerdas, como resistência de condutores (R04), potência de transformadores (R05, R06) e potência de reguladores (R07), permitem a simulação, mas distorcem os resultados de perdas. Além disso, erros de neutro (R03) e comprimento nulo (R08) podem causar problemas de convergência ou inviabilizar a simulação, reforçando a importância de uma análise detalhada.

Dashboard de Resultados das Regras Propostas

O módulo de Dashboard foi desenvolvido para apresentar visualmente os resultados das dez regras de verificação de inconsistências, integrando-se diretamente ao pipeline automatizado da ferramenta. Para a geração dos gráficos, utilizou-se a biblioteca Matplotlib em conjunto com o Tkinter, garantindo integração nativa com a interface gráfica. A principal contribuição desse módulo reside na redução do esforço para avaliar a qualidade de uma BDGD, automatizando o processo que, em um fluxo convencional, exigiria extração manual, importação para banco de dados, conversão, execução de consultas e consolidação em planilhas separadas.

Na ferramenta desenvolvida, todo o processo é encadeado: após a extração da base, importação para DuckDB, execução do algoritmo BFS de topologia e aplicação das dez regras de verificação, o dashboard é automaticamente atualizado a partir do banco de dados DuckDB, criado com os resultados do módulo de Consultas. Dessa forma, a avaliação completa da qualidade de uma BDGD pode ser realizada com poucos cliques, sem necessidade de programação ou manipulação manual de dados, conforme ilustrado na Figura 9 do TCC original.

O painel exibe os indicadores de cada regra por meio de diferentes tipos de gráfico, adaptados à natureza da informação. Inclui gráficos do tipo donut para a proporção de elementos isolados (R01), barras horizontais para distribuição de erros por entidade (R02, R03 e R10), cartões de indicadores para contagens absolutas (R04, R07), barras verticais para comparativos entre categorias de transformadores (R05, R06 e R08) e gráficos de pizzas para distribuição de erros por tabelas (R09). Adicionalmente, o módulo oferece detalhamento tabular e exportação dos resultados consolidados em formato .xlsx, ampliando sua aplicabilidade prática. A funcionalidade de alternar entre diferentes BDGDs permite comparar a qualidade dos dados entre distribuidoras ou ciclos regulatórios.

Mapas Interativos para Visualização da Rede Elétrica e das Inconsistências

Em paralelo ao desenvolvimento do banco de dados e das consultas SQL, implementou-se um módulo para visualização geográfica da rede elétrica na BDGD, facilitando a exploração espacial e a interpretação das inconsistências. Para isso, foram utilizadas as bibliotecas GeoPandas e Folium em Python (Jordahl et al., 2024; Filipe et al., 2024). O GeoPandas foi empregado para leitura direta de entidades geográficas do File Geodatabase, reprojeção para WGS-84 e manipulação de atributos elétricos e geometrias espaciais. O Folium foi utilizado para criar mapas interativos baseados em JavaScript Leaflet, sem necessidade de infraestrutura de servidor (Filipe et al., 2024).

A geração de mapas fluidos a partir de uma BDGD completa impõe desafios de desempenho, devido ao grande volume de segmentos de rede MT com geometrias vetoriais complexas. Para contornar esse problema, foram implementadas quatro otimizações no pipeline de geração: simplificação geométrica pelo algoritmo de Douglas-Peucker (Douglas e Peucker, 1973), leitura seletiva de campos, indexação espacial por `tiles` geográficos e serialização comprimida dos dados via `gzip` com codificação Base64. Os mapas são gerados em formato HTML autocontido e abertos no navegador padrão do sistema operacional, conforme a Figura 10 do TCC original.

Optou-se por não plotar a rede de baixa tensão devido ao volume de dados, que tornaria o arquivo HTML excessivamente pesado. As entidades UCMT e UCBT também não são representadas por não possuírem informação georreferenciada na estrutura da BDGD, sendo suas inconsistências avaliadas pelas regras SQL e exibidas no Dashboard. O mapa oferece funcionalidades de navegação e análise, permitindo filtrar a visualização por subestação, alimentador ou buscar elementos pelo `COD_ID`. As camadas de rede MT, subestações, reguladores, chaves MT e transformadores podem ser habilitadas ou ocultadas individualmente. Ao clicar em qualquer elemento, o painel exibe os atributos cadastrados na BDGD, como faseamento, potência nominal e alimentador. Quatro camadas de fundo são disponibilizadas: CartoDB sem rótulos (padrão), Dark sem rótulos, Satélite Híbrido (Google) e Google Maps. Para diferenciação visual, cada alimentador recebe uma cor de uma paleta de doze cores de alto contraste, garantindo visibilidade sobre fundos escuros e claros, conforme demonstrado na Figura 11 do TCC original.

Foi implementado um painel de inconsistências georreferenciadas no próprio mapa HTML. Ao selecionar uma das dez regras de verificação, os elementos afetados são destacados visualmente sobre o traçado da rede, com um marcador pulsante para navegação sequencial elemento a elemento. Esse recurso permite identificar geograficamente cada ocorrência de inconsistência sobre a rede real: elementos isolados podem ser localizados no campo, erros de faseamento e transformadores com parâmetros incoerentes correlacionados com trechos específicos do alimentador, conforme demonstrado na Figura 12 do TCC original. A integração entre os resultados das regras de inconsistências e a visualização geográfica amplifica a capacidade de análise da BDGD da ferramenta, permitindo priorizar a correção dos erros de maior impacto antes da simulação, representando uma contribuição prática relevante para pesquisadores do setor elétrico.

Em síntese, os resultados desta pesquisa confirmaram que a qualidade dos dados da BDGD é um fator determinante para a confiabilidade das simulações de fluxo de potência e o cálculo de perdas técnicas. Inconsistências como erros de faseamento e curvas de carga sem correspondência impedem a simulação, enquanto parâmetros incorretos de condutores e transformadores, embora permitam a simulação, introduzem erros significativos no cálculo das perdas. O Analisador de BDGDs, com seu pipeline automatizado e interface gráfica, oferece uma ferramenta robusta para identificar, classificar e visualizar o impacto dessas inconsistências, contribuindo para o saneamento das bases de dados e aprimorando a precisão dos estudos regulatórios.

4. Conclusão

O estudo teve como objetivo avaliar o impacto de diferentes tipos de inconsistências na Base de Dados Geográfica da Distribuidora (BDGD) sobre o cálculo de perdas técnicas em sistemas de distribuição de energia elétrica, definindo e classificando seus efeitos nas simulações de fluxo de potência. Verificou-se que inconsistências com tolerância zero pela Agência Nacional de Energia Elétrica (ANEEL), como erros de faseamento e curvas de carga sem correspondência, impediram a simulação de fluxo de potência. Por outro lado, identificou-se que inconsistências toleradas ou não validadas pelo script regulatório do GeoPerdas, como parâmetros incorretos de condutores e transformadores, permitiram a simulação, mas introduziram erros significativos no cálculo das perdas. Adicionalmente, observou-se que erros de neutro e segmentos com comprimento nulo puderam causar problemas de convergência ou inviabilizar o processamento, evidenciando a criticidade da qualidade dos dados da BDGD para a confiabilidade das simulações.

A principal contribuição deste trabalho reside no desenvolvimento do Analisador de BDGDs, uma aplicação desktop com interface gráfica que automatiza o pipeline de dados para extração, estruturação topológica, análise de inconsistências, conversão e simulação. Essa ferramenta, disponibilizada publicamente no GitHub, oferece painéis de indicadores e mapas interativos para visualização georreferenciada das inconsistências, facilitando o saneamento das bases de dados e aprimorando a precisão dos estudos regulatórios. O estudo também preencheu uma lacuna na literatura ao analisar as verificações da Etapa 17 do GeoPerdas sob a ótica do impacto nas simulações. Embora a ferramenta não represente a rede de baixa tensão devido ao volume de dados, e as inconsistências de unidades consumidoras sejam avaliadas apenas por regras SQL, a metodologia proposta reforça a importância de processos sistemáticos de verificação antes de estudos regulatórios e sugere a ampliação do uso da BDGD em pesquisas futuras.

Referências Bibliográficas

Agência Nacional de Energia Elétrica [ANEEL]. 2024. Perdas de energia elétrica na distribuição. Disponível em: <https://git.aneel.gov.br/publico/centralconteudo/-/raw/main/relatorioseindicadores/tarifaeconomico/Relatorio_Perdas_Energia.pdf>. Acesso em: 04 dez. 2025.

Agência Nacional de Energia Elétrica [ANEEL]. 2025. Manual de instruções da base de dados geográfica da distribuidora — BDGD. Disponível em: <https://www.gov.br/aneel/pt-br/centrais-de-conteudos/manuais-modelos-e-instrucoes/distribuicao>. Acesso em: 30 maio 2

Bernardon, D.P.; Comassetto, L.; Canha, L. N.; Abaide, A. R. 2007. Perdas técnicas e comerciais de energia elétrica em sistemas de distribuição. In: VII Conferência Brasileira de Qualidade de Energia Elétrica, 2007, Santa Maria, RS, Brasil. Anais… p. 1-6.

Paul, J.S. 2021. Análise dos parâmetros regulatórios no cálculo das perdas técnicas: estudo de caso na Celesc Distribuição. Dissertação de Mestrado em Engenharia Elétrica. Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina, Florianópolis, SC, Brasil.

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

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.