Análise de Modelos para Previsão das Componentes de Tendência e Sazonalidade em Séries Temporais de Preços de Energia Elétrica no Mercado Brasileiro
Resumo
A previsão de preços de energia elétrica no mercado brasileiro exige modelos avançados para lidar com alta volatilidade não linear, gerada pela necessidade de equilíbrio em tempo real, dependência climática e inelasticidade da demanda. Este artigo avalia algoritmos preditivos — Prophet, Holt-Winters e LightGBM — na previsão de curto prazo de uma série temporal de preços, comparando-os a um modelo base o qual utiliza SARIMAX para tendência e sazonalidade além do XGBoost para resíduo. Utilizando a metodologia Knowledge Discovery in Databases (KDD), dados históricos (2012 a 2025) foram submetidos à decomposição STL, sendo focado os componentes de tendência e sazonalidade para a realização dos testes. A avaliação empírica, baseada em MAE, MSE, RMSE e MAPE, demonstrou que as técnicas HoltWinters e Prophet não apresentaram ganhos expressivos. Em contraste, a aplicação do LightGBM, obteve o melhor desempenho, reduzindo o erro MAPE de 17,95% do modelo base para 9,05%. O trabalho conclui que abordagens baseadas em árvores de decisão iterativas (Gradient Boosting), com tratamento temporal adequado, superam expressivamente as técnicas tradicionais na predição energética.
Referências
Apaydin, H., Taghi Sattari, M., Falsafian, K., and Prasad, R. (2021). Artificial intelligence modelling integrated with singular spectral analysis and seasonal-trend decomposition using loess approaches for streamflow predictions. Journal of Hydrology, 600:126506.
Arunraj, N. S. and Ahrens, D. (2015). A hybrid seasonal autoregressive integrated moving average and quantile regression for daily food sales forecasting. International Journal of Production Economics, 170:321–335.
Cao, Q., Wu, Y., Yang, J., and Yin, J. (2023). Greenhouse temperature prediction based on time-series features and lightgbm. Applied Sciences, 13(3).
Curiël, R., Alsahag, A. M. M., and Mohammadi Ziabari, S. S. (2025). Integrating climate and economic predictors in hybrid prophet–(q)lstm models for sustainable national energy demand forecasting: Evidence from the netherlands. Sustainability, 17(19).
Dcide (2026). Dcide — preços de energia, curva forward, análise de risco. [link]. Acesso em: 16 maio 2026.
Gono, D. N., Napitupulu, H., and Firdaniza (2023). Silver price forecasting using extreme gradient boosting (xgboost) method. Mathematics, 11(18).
Ke, G., Meng, Q., et al. (2017). Lightgbm: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems, volume 30.
Kramar, V. and Alchakov, V. (2023). Time-series forecasting of seasonal data using machine learning methods. Algorithms, 16(5).
Monteiro, F. P., Monteiro, S., Rodrigues, C., Reis, J., Bezerra, U., Tostes, M. E., and Almeida, F. A. F. (2025). A hybrid methodology using machine learning techniques and feature engineering applied to time series for medium- and long-term energy market price forecasting. Energies, 18(6).
Taylor, S. J. and Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1):37–45.
Thakker, Z. L. and Buch, S. H. (2024). Effect of feature scaling pre-processing techniques on machine learning algorithms to predict particulate matter concentration for gandhinagar, gujarat, india. Int. J. Sci. Res. Sci. Technol, 11(1):410–419.
Veríssimo, A. J., da Cunha Alves, C., Henning, E., do Amaral, C. E., and da Cruz, A. C. (2013). Métodos estatísticos de suavização exponencial holt-winters para previsão de demanda em uma empresa do setor metal mecânico. Revista Gestão Industrial, 8(4).
Veríssimo, A. J. et al. (2013). Métodos estatísticos de suavização exponencial holt-winters para previsão de demanda. Revista Gestão Industrial, 8(4).
