Following a global trend, intermittent sources, especially wind, have been experiencing accelerated growth in Brazil—in the last decade, wind power grew 13 times and became the second largest source in the electricity mix (12%), just behind hydropower (60%). Currently, although following regulatory guidelines, the representation of wind power in the long-term operation planning model is done in a simplified way, based on the monthly average of the last five years of aggregated generation, thus demanding improvements. The objective of this work is to describe an approach to be used by the Brazilian power industry to represent the uncertainties of monthly wind power production in the SDDP algorithm applied in the long-term operation planning model, keeping the large-scale stochastic problem still computationally viable, when applied to large interconnected systems, especially with hydroelectric predominance. The proposed methodology comprises statistical clustering of wind regimes and definition of equivalent wind farms; evaluation of monthly transfer functions between wind speed and power production; integrated generation of monthly multivariate synthetic scenarios of inflows and winds, considering associated cross-correlations; and representing monthly wind power in the SDDP algorithm. The application to real configurations of the Brazilian interconnected system, including case studies related to the monthly operation program and the calculation of the maximum amount of energy that can be traded in long-term power purchase agreements, points to its effectiveness and the relevance of modeling the wind uncertainties in the long-term operation planning of large hydro-dominated systems.

The increasing penetration of solar photovoltaic (PV) generation into power systems poses significant operational and planning integration challenges due to the high variability in solar irradiance, which makes PV power forecasting difficult—particularly in the short term. These fluctuations originate from atmospheric dynamics that are only partially captured by numerical weather prediction (NWP) models. In this context, probabilistic forecasting has emerged as a state-of-the-art approach, providing central estimates and additional quantification of uncertainty for decision-making under risk conditions. This work proposes a novel hybrid methodology for day-ahead, hourly resolution point, and probabilistic PV power forecasting. The approach integrates a multiple linear regression (LM) model to predict global tilted irradiance (GTI) from NWP-derived variables, followed by support vector quantile regression (SVQR) applied to the residuals to correct systematic errors and derive GTI quantile forecasts and a linear mapping to PV power quantiles. Robust data preprocessing procedures—including outlier filtering, smoothing, gap filling, and clustering—ensured consistency. The hybrid model was applied to a 960 kWp PV plant in southern Italy and outperformed benchmarks in terms of interval coverage and sharpness while maintaining accurate central estimates. The results confirm the effectiveness of hybrid risk-informed modeling in capturing forecast uncertainty and supporting reliable, data-driven operational planning in renewable energy systems.

Segundo uma tendência mundial, verifica-se no Brasil uma participação já elevada e crescente da energia eólica, o que requer o aprimoramento das ferramentas computacionais que suportam os processos de tomada de decisão na operação e no planejamento de sistemas elétricos. O presente trabalho descreve uma metodologia para a modelagem das correlações espaciais entre os regimes de vento no problema de fluxo de potência probabilístico. A metodologia proposta se baseia na transformação de Nataf, na Simulação de Monte Carlo e na estimação não paramétrica de densidades de probabilidades condicionais entre a velocidade do vento e a potência eólica. A efetividade da metodologia é ilustrada por meio de estudos de caso com o Sistema Teste IEEE 118 barras e com uma configuração do sistema elétrico do Nordeste brasileiro com 965 barras.

Understanding how climate variability is reflected in streamflow is essential for reservoir management and hydropower planning. This study investigated how temporal scale influences climate–streamflow relationships, persistence characteristics, and predictability in two Brazilian reservoirs: Três Marias (São Francisco Basin) and Serra da Mesa (Tocantins Basin). Monthly streamflow and climate-index records (Pacific Decadal Oscillation (PDO), El Niño–Southern Oscillation (ENSO), and Antarctic Oscillation (AAO)) from 1979–2020 were analyzed using a 12-month moving average (MA12) filter to emphasize low-frequency variability. Temporal filtering strengthened climate–streamflow relationships, particularly for PDO and AAO, revealing signals that were less apparent in the original monthly series. Lagged-correlation analyses identified contrasting persistence structures between the reservoirs. Três Marias exhibited multi-year persistence timescales (22–27 months), whereas Serra da Mesa showed shorter and more heterogeneous response timescales, ranging from an immediate PDO response to approximately 14–19 months for ENSO and AAO. Forecasting experiments using benchmark models (Persistence and Linear Regression) and deep learning architectures (LSTM and TCN) showed limited predictive skill on the raw monthly series but substantially improved performance after temporal filtering. For the MA12-filtered series, the benchmark models achieved the highest performance in both reservoirs ($R^2\approx 0.95$ in Três Marias and $R^2\approx 0.93$ in Serra da Mesa). Overall, the results indicate that temporal scale strongly influences the detectability of climate signals, the persistence of streamflow variability, and the predictability of reservoir inflows.

A incerteza da produção eólica constitui um desafio para sua integração ao sistema. A sua modelagem no modelo oficial de planejamento da operação no Brasil inclui a avaliação de funções de transferência mensais (FTMs) entre velocidades mensais do vento e produção de energia eólica, e a representação dessas produções mensais no algoritmo PDDE. Dada a indisponibilidade no Brasil de uma base pública de dados horários medidos e pareados de velocidades e produções eólicas, este trabalho apresenta um procedimento desenvolvido e aprimorado para o cálculo das FTMs, usando modelos de regressão linear, através da combinação de dados de reanálises de velocidades horárias do vento (MERRA2/NASA-1980 a 2023), em conjunto com as previsões semi-horárias de velocidades do vento e produções eólicas disponibilizadas pelo sistema Sintegre do ONS (2019-2023). O procedimento é aplicado a parques eólicos equivalentes de 5 regiões representativas de regimes de ventos no Brasil e os resultados discutidos.

Propõe-se uma modelagem das velocidades mensais de ventos através de distribuições Weibull triparamétricas, na geração de cenários de ventos mensais correlacionados com afluências às usinas hidrelétricas, em um esquema de Programação Dinâmica Dual Estocástica-PDDE. A abordagem constitui-se de duas etapas. Na primeira, os parâmetros da distribuição Weibull dos resíduos das velocidades mensais históricas do vento são estimados pelo Método dos Momentos de 3a Ordem. Se a assimetria das velocidades sintéticas for suficientemente próxima da histórica, o algoritmo para. Caso contrário, a estimativa do parâmetro posição, obtida na primeira etapa é utilizada como valor inicial para calcular estimativas dos outros dois parâmetros (forma e escala) por meio do Método dos Momentos de 2a Ordem. Em seguida, de forma iterativa, o algoritmo atualiza a estimativa inicial do parâmetro posição com vistas a reduzir a diferença entre as assimetrias das velocidades sintéticas e históricas do vento, até que se atinja um valor considerado aceitável. Procura-se, assim, assegurar precisão com o menor esforço computacional possível. A aplicação a parques eólicos do Nordeste e Sul do Brasil, em diferentes meses e assimetrias, aponta para a sua robustez, apresentando desempenho sempre superior a 17 outros métodos avaliados.