Previsão de carga elétrica no Brasilcomparação entre métodos econométricos vs. machine learning

Resumo

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.

Ficha do documento

Tipo

Dissertação

Ano

2023

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/33766

Temas

EconomiaInfraestruturaDesenvolvimento EconômicoTecnologiaDados

Palavras-chave

EconometriaMachine LearningPrevisãoCarga ElétricaEconometricsForecastElectric loadEconomiaInteligência artificialAprendizado do computadorEnergia elétricaDesenvolvimento econômicoControle preditivoModelos econométricos