26 de outubro de 2026
Modelo integrado de previsão e otimização para operações de campo no setor de energia elétrica
Rondinele Araujo Carvalho; Patrícia Belfiore Fávero
DOI: 10.22167/2675-6528-202603429
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
A gestão de operações de campo no setor elétrico enfrenta desafios diários como alto volume de ordens de serviço, restrições regulatórias rígidas e demanda variável, frequentemente resultando em improdutividade e violação de prazos. Para abordar essa questão, desenvolveu-se e avaliou-se um modelo integrado de previsão e otimização aplicado a essas operações. Utilizaram-se 321.781 ordens de serviço reais, coletadas entre dezembro de 2024 e abril de 2026, com uma média de 639,7 ordens por dia, tratadas de forma agregada e anonimizada. A metodologia combinou análise exploratória de dados, modelagem preditiva com SARIMA e estratégias prescritivas de priorização e alocação. O modelo SARIMA reduziu o erro quadrático médio (RMSE) em 48,6% em comparação com uma linha de base de média móvel (177,27 contra 344,66). A simulação prospectiva de cenários demonstrou que a abordagem híbrida, que priorizou por prazo regulatório e otimizou espacialmente, elevou o cumprimento de Service Level Agreement (SLA) em 0,83 ponto percentual sobre o cenário base e reduziu o deslocamento médio estimado em 20%. Concluiu-se que o modelo gerou ganhos simultâneos de conformidade regulatória e eficiência logística, substituindo decisões reativas por um processo estruturado e orientado por dados.
Palavras-chave: Alocação de recursos; Gestão de campo; Pesquisa operacional; SARIMA; Séries temporais.
1. Introdução
A gestão de operações de campo no setor de energia elétrica representa um desafio complexo, caracterizado pelo alto volume diário de ordens de serviço, pela rigidez das restrições regulatórias e pela demanda altamente variável. As distribuidoras dependem de uma cadeia de prestação de serviços para garantir que cortes, religações, novas ligações e atendimentos emergenciais sejam realizados com qualidade e dentro dos prazos estabelecidos para milhões de consumidores. Essa dinâmica é particularmente exigente durante o Plano Verão, período entre outubro e março, quando chuvas intensas aumentam os acionamentos emergenciais.
Historicamente, as decisões de alocação e priorização de atendimentos são tomadas de forma reativa, baseadas em regras empíricas ou na experiência individual dos gestores. Esse modelo, embora funcional em operações de menor escala, revela fragilidades em ambientes de grande porte, com equipes geograficamente dispersas e múltiplas restrições simultâneas (Gil, 2017). A consequência direta dessa abordagem é a baixa produtividade, o deslocamento desnecessário das equipes e o risco de violação dos prazos regulatórios, conhecidos como Service Level Agreement (SLA), além de um aumento no risco de formação de backlog e improdutividade, especialmente nos meses críticos do Plano Verão.
Para mitigar esses desafios, a literatura especializada aponta para a eficácia de técnicas quantitativas, como a análise de dados, a modelagem preditiva e a pesquisa operacional, que demonstram resultados consistentes na melhoria da eficiência e no cumprimento dos requisitos regulatórios (Fávero; Belfiore, 2024; Hillier; Lieberman, 2015). A crescente maturidade da Ciência de Dados e da Pesquisa Operacional permite a integração de previsões de demanda, informações geográficas e restrições operacionais em sistemas de apoio à decisão mais robustos. Tais sistemas possibilitam antecipar cenários críticos, priorizar atendimentos de forma estruturada e organizar sequências de execução de maneira lógica, promovendo uma gestão proativa em vez de reativa (Santos et al., 2023). O problema de alocação e sequenciamento de ordens de serviço em campo guarda estreita analogia com os Problemas de Roteamento de Veículos com Janelas de Tempo (VRPTW), cuja natureza combinatória torna a busca por soluções ótimas computacionalmente inviável em contextos operacionais reais, justificando o emprego de abordagens heurísticas e prescrições estruturadas (Hillier; Lieberman, 2015; Arenales et al., 2007).
Nesse contexto, a pesquisa propõe um modelo integrado de previsão e otimização para as operações de campo no setor elétrico. O modelo combina análise exploratória de dados, modelagem preditiva utilizando Seasonal Autoregressive Integrated Moving Average (SARIMA) e estratégias prescritivas de priorização e alocação. Foram utilizadas 321.781 ordens de serviço reais, abrangendo o período de dezembro de 2024 a abril de 2026, com uma média de 639,7 ordens de serviço por dia, tratadas de forma agregada e anonimizada.
Diante da necessidade de aprimorar a conformidade regulatória e a eficiência logística, o presente trabalho teve como objetivo desenvolver e avaliar um modelo integrado de previsão e otimização voltado para operações de campo no setor elétrico.
2. Material e Métodos
A pesquisa adotou um delineamento quantitativo e aplicado, conforme as diretrizes de Creswell (2016), para investigar a gestão de operações de campo no setor elétrico. O estudo baseou-se em um banco de dados que reuniu registros históricos de ordens de serviço provenientes de operações reais. Em conformidade com as normas de sigilo e ética, os dados foram tratados de forma agregada e anonimizada, sem qualquer identificação de instituições, pessoas ou valores individuais, seguindo o Manual de Instruções e Normas para Trabalhos de Conclusão de Curso da USP/Esalq.
A unidade de análise consistiu em 321.781 ordens de serviço reais, coletadas ao longo do período de dezembro de 2024 a abril de 2026, com uma média diária de 639,7 ordens de serviço. Para cada registro, estavam disponíveis informações como data e hora de abertura e execução da ordem de serviço, coordenadas geográficas (latitude e longitude), tipo de serviço, status de execução e o prazo regulatório de atendimento (SLA).
O pré-processamento dos dados foi realizado em ambiente Python, utilizando a biblioteca Pandas para as etapas de leitura, limpeza, filtragem e transformação. Registros com o campo `ordem_servico` nulo foram excluídos da análise. As variáveis de tempo operacional, `duracao` (tempo de execução da atividade em campo) e `tempo_de_deslocamento` (tempo de deslocamento entre atendimentos consecutivos), foram tratadas para permitir análises independentes de eficiência de execução e logística.
A análise exploratória teve como objetivo mapear o comportamento operacional ao longo do período estudado. Investigaram-se padrões de volume diário, a distribuição das ordens por tipo de serviço e as variações sazonais. A agregação dos registros por data permitiu calcular o volume diário de atendimentos e identificar a sazonalidade semanal, bem como a variação anual associada ao Plano Verão.
Para a modelagem preditiva do volume diário de ordens de serviço, empregou-se o modelo Seasonal Autoregressive Integrated Moving Average (SARIMA), dada a presença de sazonalidade semanal identificada na análise exploratória (Fávero; Belfiore, 2024). O SARIMA combinou componentes autorregressivos, de média móvel e sazonais, adequados para séries com padrões cíclicos regulares. Uma média móvel de sete dias foi utilizada como linha de base para comparação do desempenho.
O desempenho do modelo SARIMA foi avaliado pelo erro percentual absoluto médio (MAPE) e pelo erro quadrático médio (RMSE), após a partição dos dados em conjuntos de treinamento (80%) e teste (20%), procedimento recomendado para a avaliação da capacidade de generalização de modelos preditivos (Hastie et al., 2009). A seleção dos parâmetros do modelo SARIMA (p, d, q)(P, D, Q)[s] seguiu o Critério de Informação de Akaike (AIC), que penaliza a complexidade do modelo e minimiza o risco de sobreajuste.
A estacionariedade da série foi verificada pelo teste de Dickey-Fuller Aumentado (ADF), onde um valor-p inferior a 0,05 confirmou a ausência de raiz unitária, dispensando diferenciação adicional além da ordem d = 1 já incorporada. A adequação do ajuste foi validada pelo teste de Ljung-Box sobre os resíduos, que não rejeitou a hipótese de ausência de autocorrelação residual, condição necessária para a validade das previsões geradas pelo modelo.
A estimativa de risco operacional foi realizada para capturar as diferenças no grau de criticidade das ordens de serviço. Calculou-se um indicador de risco com base na taxa histórica de improdutividade por tipo de serviço, atribuindo peso mais elevado às ordens com maior frequência de não conclusão no primeiro atendimento, influenciando o processo de priorização.
A etapa prescritiva focou na estruturação de um processo de otimização para a alocação e priorização dos atendimentos, buscando três objetivos simultâneos: maximizar o cumprimento dos prazos regulatórios (SLA), reduzir os deslocamentos geográficos das equipes e elevar a eficiência operacional geral. A estratégia combinou regras de priorização explícita com uma heurística de sequenciamento espacial do tipo nearest neighbor, onde ordens com prazo crítico foram alocadas primeiro, e as demais sequenciadas por proximidade geográfica, calculada pela distância euclidiana entre coordenadas.
Do ponto de vista da Pesquisa Operacional, o modelo prescritivo foi estruturado com variáveis de decisão (a sequência de execução por equipe), uma função objetivo (maximização simultânea do cumprimento de SLA e minimização do tempo total de deslocamento) e restrições (capacidade máxima de atendimentos por equipe por dia, prazos ANEEL por tipo de serviço e disponibilidade geográfica das equipes) (Hillier; Lieberman, 2015). Devido à natureza combinatória do problema, que torna a resolução exata inviável para o volume diário de ordens de serviço, adotou-se uma abordagem heurística construtiva, prática consolidada na literatura de otimização operacional (Arenales et al., 2007).
Para avaliar o impacto das estratégias propostas em relação à prática corrente, foram simulados três cenários operacionais: (i) Cenário Base, com sequenciamento conforme a prática vigente e sem diferenciação por prazo regulatório; (ii) Cenário Eficiência, com sequenciamento exclusivo por proximidade geográfica; e (iii) Cenário SLA-first (Híbrido), onde ordens de serviço com prazo crítico foram alocadas primeiro, e as remanescentes sequenciadas por proximidade. A simulação foi prospectiva, modelando a execução sequencial de até 50 ordens de serviço por dia por equipe, com tempo médio de 30 minutos por ordem de serviço e 15 minutos de deslocamento base, utilizando parâmetros calibrados por dados reais da operação, incluindo a taxa histórica de execução e os prazos regulatórios da ANEEL por tipo de serviço.
3. Resultados e Discussão
A pesquisa revelou um modelo integrado de previsão e otimização capaz de transformar a gestão de operações de campo no setor elétrico, substituindo abordagens reativas por um processo estruturado e orientado por dados. Os achados demonstram ganhos significativos em conformidade regulatória e eficiência logística, validando a aplicação de técnicas de análise de dados e pesquisa operacional. A análise exploratória inicial forneceu uma compreensão aprofundada do comportamento da demanda, enquanto a modelagem preditiva com SARIMA ofereceu uma capacidade de antecipação robusta. Por fim, a simulação de cenários confirmou a eficácia das estratégias prescritivas de priorização e alocação, evidenciando a superioridade da abordagem híbrida proposta.
Análise exploratória dos dados
A análise exploratória dos dados revelou uma variabilidade expressiva no volume diário de atendimentos ao longo do período estudado. O banco de dados compreendeu um total de 321.781 registros de ordens de serviço, coletados entre dezembro de 2024 e abril de 2026, com uma média geral de 639,7 ordens por dia. A maior parte desses atendimentos concentrava-se em serviços essenciais como corte, religação e ligação nova, refletindo a natureza crítica das operações de campo no setor elétrico. Essa caracterização inicial foi fundamental para compreender a dinâmica operacional e os desafios inerentes à gestão diária.
Identificou-se uma variação sazonal relevante, especialmente entre os meses de outubro e março, período conhecido como Plano Verão. Durante esse intervalo, que coincide com maior incidência de chuvas e acionamentos emergenciais, a média diária de atendimentos reduziu para 550,4 ordens de serviço por dia, em contraste com a média de 689,1 ordens por dia observada no período regular, de abril a setembro. Essa diminuição na capacidade de atendimento durante o Plano Verão indica uma restrição operacional significativa e um risco elevado de formação de backlog, particularmente em atividades com prazos regulatórios mais curtos, o que sublinha a necessidade de estratégias proativas.
A distribuição dos status operacionais das ordens de serviço também apontou para uma parcela considerável de atendimentos que não foram concluídos no primeiro contato. Essa taxa de improdutividade, que variou conforme o tipo de serviço e o período do ano, apresentou índices mais elevados durante o Plano Verão. A constatação reforçou a importância de incorporar a taxa histórica de não conclusão como um critério fundamental no processo de priorização dos atendimentos, visando mitigar os riscos de descumprimento dos prazos regulatórios e otimizar a alocação de recursos.
Resultados da previsão de demanda
Para prever o volume diário de ordens de serviço, o modelo Seasonal Autoregressive Integrated Moving Average (SARIMA) foi desenvolvido e comparado a uma linha de base de média móvel de sete dias. Após a agregação diária das ordens de serviço, os dados foram divididos em 402 dias para treinamento e 101 dias para teste. O erro quadrático médio (RMSE) foi a métrica principal de avaliação, uma vez que o erro percentual absoluto médio (MAPE) foi descartado devido à presença de dias com volume nulo, o que distorceria os resultados pela divisão por zero.
O modelo SARIMA demonstrou um desempenho superior, alcançando um RMSE de 177,27, em comparação com o RMSE de 344,66 da linha de base de média móvel. Essa performance representa uma redução de 48,6% no erro, indicando uma capacidade significativamente maior de antecipar o volume diário de ordens de serviço. A seleção dos parâmetros do modelo SARIMA foi guiada pelo Critério de Informação de Akaike (AIC), e a estacionariedade da série foi confirmada pelo teste de Dickey-Fuller Aumentado, com valor-p inferior a 0,05, validando a ausência de raiz unitária.
A adequação do ajuste do modelo foi ainda validada pelo teste de Ljung-Box sobre os resíduos, que não rejeitou a hipótese de ausência de autocorrelação residual, uma condição essencial para a confiabilidade das previsões. O SARIMA mostrou-se particularmente eficaz em capturar a queda sazonal de demanda característica do trimestre de dezembro a fevereiro, período em que o volume de emergências tende a aumentar devido às chuvas. Essa precisão na previsão é crucial para a gestão, permitindo ajustar proativamente a alocação de equipes e reduzir o risco de descumprimento dos prazos regulatórios, conforme destacado por Silver (2012).
Otimização prescritiva
A etapa de otimização prescritiva foi estruturada para alcançar três objetivos simultâneos: maximizar o cumprimento dos prazos regulatórios (SLA), reduzir os deslocamentos geográficos das equipes e elevar a eficiência operacional geral. Para isso, combinou-se um conjunto de regras de priorização explícita com uma heurística de sequenciamento espacial do tipo *nearest neighbor*. As ordens de serviço com prazos críticos foram priorizadas e alocadas primeiro, enquanto as demais foram sequenciadas com base na proximidade geográfica, calculada pela distância euclidiana entre as coordenadas.
A criticidade das ordens de serviço foi determinada por um indicador de risco baseado na taxa histórica de improdutividade por tipo de serviço. Ordens com maior frequência de não conclusão no primeiro atendimento receberam um peso mais elevado no processo de priorização, garantindo que os recursos fossem direcionados primeiramente aos atendimentos mais sensíveis. Essa abordagem sistemática contrasta com as decisões reativas historicamente adotadas, que frequentemente resultavam em improdutividade e deslocamentos ineficientes.
Do ponto de vista da Pesquisa Operacional, o modelo prescritivo foi formalmente estruturado com variáveis de decisão que definem a sequência de execução das ordens por cada equipe em campo. A função objetivo buscou a maximização simultânea do cumprimento de SLA e a minimização do tempo total de deslocamento. As restrições incluíram a capacidade máxima de atendimentos por equipe por dia, os prazos regulatórios da ANEEL por tipo de serviço e a disponibilidade geográfica das equipes (Hillier; Lieberman, 2015). A complexidade combinatória de resolver esse modelo exatamente para um volume diário de aproximadamente 640 ordens de serviço e dezenas de equipes justificou a adoção de uma abordagem heurística construtiva, que sacrifica a otimalidade global em favor de soluções viáveis e computacionalmente eficientes (Arenales et al., 2007).
Simulação de cenários com restrições de SLA
Para avaliar o impacto das estratégias propostas em relação à prática corrente, foram simulados três cenários operacionais distintos. O Cenário Base representou a prática vigente, sem diferenciação por prazo regulatório. O Cenário Eficiência focou no sequenciamento exclusivo por proximidade geográfica. Por fim, o Cenário SLA-first, ou Híbrido, priorizou as ordens de serviço com prazo crítico e sequenciou as remanescentes por proximidade. Os parâmetros da simulação foram calibrados com dados reais da operação, incluindo uma taxa histórica de execução de 50,93% e os prazos regulatórios da ANEEL para diferentes tipos de serviço, como 4 horas para religação/emergência, 8 horas para corte, 48 horas para ligação nova e 72 horas para medição.
A simulação prospectiva modelou a execução sequencial de até 50 ordens de serviço por equipe por dia, considerando um tempo médio de 30 minutos por ordem de serviço e 15 minutos de deslocamento base. Os indicadores resultantes revelaram que o Cenário SLA-first apresentou o maior cumprimento de prazo, atingindo 39,80% de SLA cumprido, o que representa um ganho de 0,83 ponto percentual sobre o Cenário Base, que registrou 38,97%. O Cenário Eficiência, por sua vez, obteve 39,70% de SLA cumprido, com um ganho de 0,73 ponto percentual em relação ao cenário base.
Em termos de eficiência logística, ambos os cenários de otimização, Eficiência e SLA-first, resultaram em uma redução significativa do deslocamento médio diário das equipes. O deslocamento total foi reduzido em 20%, passando de 750 minutos por dia no Cenário Base para 600 minutos por dia nos cenários otimizados. Essa redução de 20% no tempo de deslocamento possui implicações econômicas diretas e substanciais, uma vez que, em operações com múltiplas equipes ativas, cada minuto economizado por equipe ao dia se traduz em ganhos acumulados em custos de combustível, depreciação de frota e horas-equipe liberadas para atendimentos produtivos adicionais (Lima, 2023).
Embora o ganho absoluto no cumprimento de SLA seja modesto, refletindo o gargalo de capacidade operacional imposto pela combinação de prazos regulatórios curtos (4 a 8 horas para 55% das ordens de serviço) e o tempo necessário para execução sequencial, a estratégia híbrida demonstrou ser a mais eficaz. A comparação entre o Cenário Eficiência e o Cenário SLA-first confirmou que a priorização por urgência regulatória deve preceder o sequenciamento espacial, pois a abordagem híbrida obteve um desempenho de SLA ligeiramente superior. A priorização estruturada por SLA também contribui para a redução da exposição contratual a penalidades regulatórias, mitigando riscos operacionais decorrentes do descumprimento dos prazos da ANEEL.
Os resultados obtidos estão em consonância com a literatura especializada, que aponta para a eficácia da combinação de priorização estruturada com critérios logísticos na promoção de melhorias simultâneas em conformidade e eficiência (Hillier; Lieberman, 2015; Santos et al., 2023). A pesquisa também evidenciou que o principal limitador do cumprimento de SLA é a capacidade de atendimento por equipe, sugerindo que futuras extensões do modelo poderiam incorporar decisões de dimensionamento da força de trabalho. Do ponto de vista gerencial, mesmo uma versão inicial do modelo integrado, com heurísticas relativamente simples, é capaz de gerar valor operacional imediato, permitindo antecipar ajustes na força de trabalho e elevar a conformidade regulatória e a produtividade das equipes.
Em síntese, o modelo integrado de previsão e otimização demonstrou sua capacidade de gerar ganhos simultâneos de conformidade regulatória e eficiência logística nas operações de campo do setor elétrico. A análise exploratória detalhou a sazonalidade e os desafios operacionais, o modelo SARIMA forneceu previsões de demanda com 48,6% de redução no RMSE, e a simulação de cenários confirmou que a abordagem híbrida de priorização por prazo regulatório e otimização espacial elevou o cumprimento de SLA em 0,83 ponto percentual e reduziu o deslocamento médio em 20%. Esses achados validam a substituição de decisões reativas por um processo estruturado e orientado por dados, promovendo uma gestão mais proativa e eficiente.
4. Conclusão
O presente trabalho buscou desenvolver e avaliar um modelo integrado de previsão e otimização para as operações de campo no setor elétrico, com o objetivo de aprimorar a conformidade regulatória e a eficiência logística. Verificou-se que o modelo SARIMA demonstrou uma capacidade preditiva superior, reduzindo o erro quadrático médio (RMSE) em 48,6% em comparação com a linha de base de média móvel, o que permitiu uma antecipação robusta do volume diário de ordens de serviço. A simulação prospectiva de cenários evidenciou que a abordagem híbrida, que combinou a priorização por prazo regulatório com a otimização espacial, elevou o cumprimento do Service Level Agreement (SLA) em 0,83 ponto percentual sobre o cenário base e reduziu o deslocamento médio estimado das equipes em 20%. Esses achados confirmam a viabilidade de substituir decisões reativas por um processo estruturado e orientado por dados, gerando ganhos simultâneos de conformidade regulatória e eficiência logística, além de oferecer valor gerencial imediato ao permitir ajustes proativos na força de trabalho e mitigar riscos de penalidades regulatórias.
Apesar dos ganhos observados, identificou-se que o principal limitador do cumprimento de SLA reside na capacidade operacional de atendimento por equipe, influenciada pela combinação de prazos regulatórios curtos e o tempo necessário para a execução sequencial das ordens. Como extensões futuras, sugere-se a incorporação de decisões de dimensionamento da força de trabalho ao modelo, a exploração de algoritmos preditivos mais sofisticados, como Random Forest e XGBoost, para capturar relações não lineares, e a inclusão de indicadores financeiros e regulatórios da ANEEL na avaliação dos cenários. Recomenda-se, ainda, a evolução para um sistema de apoio à decisão em tempo real, integrado aos bancos de dados operacionais, o que ampliaria a aplicabilidade do modelo a outras distribuidoras e regiões.
Referências Bibliográficas
Arenales, M.; Armentano, V.; Morabito Neto, R.; Yanasse, H. 2007. Pesquisa operacional. Elsevier, Rio de Janeiro, RJ, Brasil.
Creswell, J.W. 2016. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 5ed. Penso, Porto Alegre, RS, Brasil.
Fávero, L.P.; Belfiore, P. 2024. Análise de dados: estatística e modelagem multivariada com Excel, SPSS, Stata, R e Python. 2ed. GEN | LTC, Rio de Janeiro, RJ, Brasil.
Gil, A.C. 2017. Métodos e técnicas de pesquisa social. 7ed. Atlas, São Paulo, SP, Brasil.
Hastie, T.; Tibshirani, R.; Friedman, J. 2009. The elements of statistical learning: data mining, inference, and prediction. 2ed. Springer, New York, NY, USA.
Hillier, F.S.; Lieberman, G.J. 2015. Introduction to operations research. 10ed. McGraw-Hill Education, New York, NY, USA.
Lima, F.G. 2023. Análise de riscos. 3ed. Atlas, São Paulo, SP, Brasil.
Santos, M.; Gomes, C.F.S.; Moreira, M.A.L.; Costa, I.P.A. 2023. Ferramentas computacionais de apoio à tomada de decisão. 1ed. Atlas, São Paulo, SP, Brasil.
Silver, N. 2012. The signal and the noise: why so many predictions fail but some don’t. Penguin Press, New York, NY, USA.
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

