Avaliação dos mecanismos de previsão energética com fontes renováveis para maximização da matriz energética brasileira utilizando machine learning

• Gomes Barreto Abreu, Laís ^[1] ; Mauricio Yepes Maya, Diego ^[1] ; Rafael Melian Cobas, Vladimir ^[1] ; José Garcia Pabón, Juan ^[1] ; Proenza Perez, Nestor ^[1]
  1. [1] Universidade Federal de Itajubá–Unifei
• Localización: Latin American Journal of Energy Research - LAJER, ISSN-e 2358-2286, Vol. 11, Nº. 1, 2024, págs. 167-179
• Idioma: portugués
• Títulos paralelos:
  • Evaluation of energy forecasting mechanisms with renewable sources for maximizing the brazilian energy matrix using machine learning
• Enlaces
  • Texto completo
• Resumen
  • português

    O presente estudo concentra-se no cenário energético brasileiro e destaca o aumento progressivo do uso de fontes renováveis na matriz de energia elétrica do país. O principal objetivo deste trabalho é contribuir para a busca de soluções e impulsionar debates e reflexões sobre as ações futuras necessárias para o planejamento energético. Para isso, a pesquisa emprega ferramentas computacionais baseadas em machine learning e mineração de dados, utilizando fontes de dados governamentais e de mercado de energia. A metodologia abrange a utilização de ferramentas computacionais para projetar a previsão do mercado de energia elétrica no país, inclui a execução de modelos de previsão, destacando o comportamento do mercado energético ao longo do tempo, a partir dos métodos Redes Neurais Multilayer Perceptron (MLP), Regressão do Processo Gaussiano (GPR) e Regressão Linear para projetar a geração elétrica por fonte no Brasil. Os resultados indicam um crescimento considerável das fontes renováveis no mercado energético nacional até o ano de 2030, aproximando-se do objetivo do Plano Decenal de Expansão de Energia de atingir 90% de renovabilidade, abrangendo fontes como hidrelétrica, biomassa, eólica e solar. O método de Regressão Linear alcançou 86% de renovabilidade, enquanto o método de GPR atingiu 90%, e o método das MLP chegou a 88%. A projeção da previsão do mercado de energia elétrica, possibilitou a identificação dos padrões de comportamento mercadológico, permitindo antecipar as tendências e mudanças no mercado. Essas previsões têm o propósito de fornecer informações para apoiar o desenvolvimento de ações no processo de planejamento energético, contribuindo para a transição para fontes mais sustentáveis e renováveis de energia no Brasil.

  • English

    The present study focuses on the Brazilian energy scenario and highlights the progressive increase in the use of renewable sources in the country's electricity matrix. The main objective of this study is to contribute to the search for solutions and to stimulate debates and reflections on the future actions necessary for energy planning. To achieve this, the research employs computational tools based on machine learning and data mining, using government and energy market data sources. The research methodology encompasses the use of computational tools to project the forecast of the electricity market in the country. The methodology employed includes the execution of forecasting models, highlighting the behavior of the energy market over time, using methods such as Multilayer Perceptron Neural Networks (MLP), Gaussian Process Regression (GPR), and Linear Regression to project electricity generation by source in Brazil. The results indicate a considerable growth of renewable sources in the national energy market by the year 2030, approaching the goal of the Ten-Year Energy Expansion Plan to achieve 90% renewability, covering sources such as hydroelectric, biomass, wind, and solar. The Linear Regression method achieved 86% renewability, while the GPR method reached 90%, and the MLP method reached 88%. The projection of the electricity market forecast allowed for the identification of market behavior patterns, enabling the anticipation of trends and changes in the market. These forecasts aim to provide information to support the development of actions in the energy planning process, contributing to the transition to more sustainable and renewable energy sources in Brazil.