Previsão de carga elétrica no Brasil: comparação entre métodos econométricos vs. machine learning

• Ano de defesa: 2023
• Autor(a) principal: Oliveira, Sandro Mendes de
• Orientador(a): Souza, Rafael Martins de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Econometria; Machine Learning; Previsão; Carga Elétrica
• Palavras-chave em Inglês: Econometrics; Machine learning; Forecast; Electric load
• Link de acesso: https://hdl.handle.net/10438/33766

Este estudo objetiva identificar os modelos preditivos mais adequados para a carga elétrica de médio e longo prazo no Sistema Elétrico Nacional Brasileiro (SIN). O desenvolvimento de modelos preditivos de demanda com alto grau de acurácia é uma tarefa de grande relevância no planejamento do sistema elétrico. Dada a participação elevada da eletricidade na matriz energética nacional, a correta previsão da carga elétrica (uma proxy para a demanda) se torna de suma importância para o desenvolvimento econômico brasileiro. Dito isso, diferentes métodos preditivos são candidatos a essa tarefa, o que inclui tanto modelos econométricos tradicionais quanto métodos baseados em inteligência artificial ou machine learning (ML), estes últimos desenvolvidos nas últimas décadas. Este estudo analisa a eficácia dos modelos por meio de medidas de acurácia que medem o erro de previsão dos modelos. Tais medidas apontam para a liderança dos modelos econométricos tradicionais, principalmente os modelos de Vetores de Correção de Erros (VECM) e Box-Jenkins (SARIMA), para previsões de carga de médio e longo prazo. Entretanto, os modelos ML podem ter apresentado piores resultados em virtude do pouco extenso conjunto de dados, uma vez que os dados possuem frequência mensal. O presente trabalho conclui que é desejável o uso de mais de um tipo de modelo preditivo de forma a obter previsões mais acertadas.