Avaliação e modelação estatística do impacto da mobilidade elétrica no perfil de carga do sistema electroprodutor português: análise atual e projeções do consumo

Abstract

Esta dissertação examina a procura por carregamento de veículos elétricos em Portugal, usando dados da rede pública, meteorologia, fatores económicos, calendário e preços. Foram aplicados modelos estatísticos multinomiais (clássico e Bayesiano), algoritmos de aprendizagem automática (XGBoost e técnicas explicativas) e modelos de séries temporais (ARIMA, ETS, STL, TBATS e VAR) para prever a demanda até 2050. A componente residencial foi modelada hipoteticamente e validada temporalmente, com incerteza quantificada via bootstrap. Os resultados revelam forte sazonalidade, influência de tarifas, clima e produção renovável, além de desempenho superior na combinação de decomposição sazonal e métodos exponenciais. O estudo destaca fatores relevantes e sugere otimização de reforço dos carregadores rápidos conforme orçamento e potência. Finaliza abordando implicações práticas, limitações (exemplo: modelação residencial hipotética e heterogeneidade espacial) e propõe avanços como a inclusão de dados residenciais observados e integração veículo-rede (vehicle-to-grid); - Esta dissertação examina a procura por carregamento de veículos elétricos em Portugal, usando dados da rede pública, meteorologia, fatores económicos, calendário e preços. Foram aplicados modelos estatísticos multinomiais (clássico e Bayesiano), algoritmos de aprendizagem automática (XGBoost e técnicas explicativas) e modelos de séries temporais (ARIMA, ETS, STL, TBATS e VAR) para prever a demanda até 2050. A componente residencial foi modelada hipoteticamente e validada temporalmente, com incerteza quantificada via bootstrap. Os resultados revelam forte sazonalidade, influência de tarifas, clima e produção renovável, além de desempenho superior na combinação de decomposição sazonal e métodos exponenciais. O estudo destaca fatores relevantes e sugere otimização de reforço dos carregadores rápidos conforme orçamento e potência. Finaliza abordando implicações práticas, limitações (exemplo: modelação residencial hipotética e heterogeneidade espacial) e propõe avanços como a inclusão de dados residenciais observados e integração veículo-rede (vehicle-to-grid) - Esta dissertação examina a procura por carregamento de veículos elétricos em Portugal, usando dados da rede pública, meteorologia, fatores económicos, calendário e preços. Foram aplicados modelos estatísticos multinomiais (clássico e Bayesiano), algoritmos de aprendizagem automática (XGBoost e técnicas explicativas) e modelos de séries temporais (ARIMA, ETS, STL, TBATS e VAR) para prever a demanda até 2050. A componente residencial foi modelada hipoteticamente e validada temporalmente, com incerteza quantificada via bootstrap. Os resultados revelam forte sazonalidade, influência de tarifas, clima e produção renovável, além de desempenho superior na combinação de decomposição sazonal e métodos exponenciais. O estudo destaca fatores relevantes e sugere otimização de reforço dos carregadores rápidos conforme orçamento e potência. Finaliza abordando implicações práticas, limitações (exemplo: modelação residencial hipotética e heterogeneidade espacial) e propõe avanços como a inclusão de dados residenciais observados e integração veículo-rede (vehicle-to-grid) - Assessment and Statistical Modeling of the Impact of Electric Mobility on the Load Profile of the Portuguese Electricity Production System: Current Analysis and Consumption Projections Abstract: This dissertation examines the demand for electric vehicle charging in Portugal, using data from the public grid, meteorology, economic factors, timing and prices. To forecast demand through 2050, a variety of approaches were used, including classical and Bayesian multinomial statistical models, machine learning algorithms like XGBoost with interpretability methods, as well as time series models such as ARIMA, ETS, STL, TBATS, and VAR. The residential component was hypothetically modeled and validated temporarily, with quantified uncertainty via bootstrap. The results reveal strong seasonality, influence of tariffs, weather and renewable production, as well as superior performance in the combination of seasonal decomposition and exponential methods. The study highlights relevant factors and suggests optimizing the reinforcement of fast chargers according to budget and power. It concludes by addressing practical implications, limitations (e.g., hypothetical residential modeling and spatial heterogeneity) and proposes advances such as the inclusion of observed residential data and vehicle-to-grid integration.