Previsão a curto prazo de preço de energia utilizando modelo híbrido com sarimax e xgboost

A 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.