Previsão de demanda de energia elétrica no Brasil: uma abordagem com modelos estatísticos e redes neurais

Abstract

O setor elétrico brasileiro, altamente dependente de fontes renováveis, enfrenta de safios operacionais decorrentes da variabilidade climática e do crescimento da demanda energética. Nesse contexto, obter previsões de demanda cada vez mais precisas torna-se fundamental para o planejamento e a operação eficiente do sistema. Este trabalho propõe uma metodologia para previsão da curva de demanda de energia no Brasil, fundamentada tanto em modelos estatísticos tradicionais, como Prophet, ARMA e ARIMA, quanto em modelos de inteligência artificial, com destaque para algoritmos como Florestas Aleatórias e redes neurais, incluindo MLP e LSTM. Além dessas abordagens, também são exploradas metodologias híbridas que operam no domínio da frequência, utilizando técnicas como Transformada Rápida de Fourier e Transformada Wavelet Discreta. A validação dos modelos foi conduzida em três cenários temporais distintos: pré pandemia (2018), pandemia (2021) e pós-pandemia (2023), utilizando as métricas de de sempenho MSE, RMSE, MAPE e R2 . Além dos dados históricos do Operador Nacional do Sistema Elétrico, o estudo incorporou variáveis exógenas, como informações meteorológi cas e indicadores de consumo, com o objetivo de aprimorar a acurácia das estimativas de demanda. Os resultados indicam que a escolha do modelo ideal varia conforme o contexto: em períodos de consumo estável, como no cenário pré-pandêmico, as redes neurais alcançaram maior precisão. Por outro lado, em situações de alta instabilidade, como no cenário pandêmico, o modelo estatístico ARIMA demonstrou maior robustez. A eficácia da in clusão de variáveis exógenas variou significativamente conforme o ano analisado. Em 2018 e 2023, sua adição contribuiu para melhorar o desempenho preditivo dos modelos, enquanto em 2021 o impacto foi pouco relevante.