Navegando por Assunto "Energy price forecasting"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Acesso aberto (Open Access) Previsão a curto prazo de preço de energia utilizando modelo híbrido com sarimax e xgboost(Universidade Federal do Pará, 2025-05-15) ROCHA, Cezar Augusto Figueiredo da; MONTEIRO, Suzane Cruz de Aquino; http://lattes.cnpq.br/7989335496626791; https://orcid.org/0000-0002-1679-3928; TOSTES, Maria Emilia de Lima; http://lattes.cnpq.br/4197618044519148; ******; BEZERRA, Ubiratan Holanda; MONTEIRO, Flávia Pessoa; PONTE, Márcio José Moutinho; http://lattes.cnpq.br/6542769654042813; http://lattes.cnpq.br/3434022917410660; http://lattes.cnpq.br/4760076685971693; ******; ******; https://orcid.org/0000-0002-0724-3721A previsão eficiente do preço de compra de energia elétrica a curto prazo é um desafio crucial, especialmente no cenário brasileiro, marcado pela alta volatilidade de preços e por um mercado energético dinâmico. As peculiaridades do setor elétrico nacional, como a dependência de fontes renováveis, variações climáticas sazonais e a crescente complexidade da integração de sistemas distribuídos, tornam essa tarefa ainda mais desafiadora. Grande parte dos métodos disponíveis foca na modelagem direta da série temporal, sem explorar plenamente a decomposição estrutural dos dados para aumentar a previsibilidade. Este trabalho propõe um modelo híbrido (SARIMAX-XGBoost) para previsão de curto prazo, combinando o modelo estatístico autorregressivo com médias móveis sazonais (SARIMAX) e o algoritmo de aprendizado extremo por reforço de gradiente (XGBoost). O SARIMAX captura componentes estruturais, como tendências, sazonalidade e efeitos de variáveis externas que estão intrínsecas no próprio histórico da variável alvo, enquanto o XGBoost modela resíduos e padrões complexos não explicados. A previsão final é obtida pela integração das saídas dos dois modelos. A validação foi realizada com dados reais do mercado brasileiro, abrangendo séries históricas de preços de energia elétrica. Os resultados experimentais mostram que o método proposto é eficaz em capturar a volatilidade do mercado, oferecendo previsões precisas e estáveis tanto em precisão quanto em estabilidade.