PREVISÃO DO PERFIL DE DEMANDA DE ENERGIA ELÉTRICA UTILIZANDO O MODELO SARIMA
Conteúdo do artigo principal
Resumo
A previsão de demanda de energia elétrica constitui um desafio recorrente no planejamento energético, tanto para concessionárias quanto para grandes consumidores. A correta estimativa do perfil futuro de consumo permite reduzir custos operacionais, evitar penalidades e promover maior segurança no fornecimento de energia. O presente estudo aplica o modelo estatístico SARIMA sobre dados reais de demanda, faturadas entre janeiro de 2020 e dezembro de 2023, obtendo projeções para os doze meses de 2024. Diferentemente de estudos que utilizam abordagens de aprendizado de máquina, de maior complexidade, no presente trabalho empregou-se o modelo SARIMAX. A modelagem resultou em previsões mensais acompanhadas de intervalos de confiança de 90%, permitindo avaliar não apenas a tendência central, mas também a incerteza associada às estimativas. Os resultados demonstraram que o SARIMA é capaz de capturar o padrão sazonal e a tendência de crescimento observada no histórico, revelando-se uma ferramenta eficaz de apoio à tomada de decisão no planejamento energético.
Detalhes do artigo
Referências
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA (Brasil). Resolução Normativa nº 1.000, de 7 de dezembro de 2021. Estabelece as regras de prestação do serviço público de distribuição de energia elétrica. Diário Oficial da União: seção 1, Brasília, DF, n. 232, p. 150-165, 9 dez. 2021. Disponível em: https://www2.aneel.gov.br/cedoc/ren20211000.pdf. Acesso em: 22 ago. 2025.
ARMSTRONG, J. S. (org.). Principles of forecasting: a handbook for researchers and practitioners. Boston: Kluwer Academic Publishers, 2001.
BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control. San
Francisco: Holden-Day, 1970.
CHATFIELD, C. The analysis of time series: an introduction. 6. ed. Boca Raton:
Chapman & Hall/CRC, 2004.
GELLINGS, C. W. The concept of demand-side management for electric utilities.
Proceedings of the IEEE, v. 73, n. 10, p. 1468-1470, Oct. 1985. DOI:
1109/PROC.1985.13318.
GUJARATI, D. N.; PORTER, D. C. Econometria básica. 5. ed. Porto Alegre: AMGH,
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. 2.
ed. Melbourne: OTexts, 2018. Disponível em: https://otexts.com/fpp2/. Acesso em: 22 ago. 2025.
KROESE, D. P.; BRERETON, T.; TAIMRE, T.; BOTEV, Z. I. Why the Monte Carlo
method is so important today. Wiley Interdisciplinary Reviews: Computational
Statistics, v. 6, n. 6, p. 386-392, 2014. DOI: 10.1002/wics.1314.
METROPOLIS, N.; ULAM, S. The Monte Carlo method. Journal of the American Statistical Association, v. 44, n. 247, p. 335-341, 1949. DOI: 10.1080/01621459.1949.10483310.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 2. ed. São Paulo:
Blucher, 2006.
SHUMWAY, R. H.; STOFFER, D. S. Time series analysis and its applications: with R
examples. 4. ed. Cham: Springer, 2017.
WOOD, A. J.; WOLLENBERG, B. F. Power generation, operation, and control. 3. ed. Hoboken: John Wiley & Sons, 2012.