Previsão de Curto Prazo da Demanda Energética com XGBoost: Uma Abordagem Baseada em Séries Temporais

Abstract

Diante do crescimento contínuo da demanda energética, a previsão da demanda de energia elétrica torna-se essencial para a operação do sistema elétrico. Modelos de Inteligência Artificial (IA) têm se destacado nessa tarefa devido à sua capacidade de capturar padrões complexos. Este trabalho implementa um modelo baseado no Extreme Gradient Boosting (XGBoost) para a previsão de curto prazo da demanda energética na região Sudeste, utilizando dados históricos do Operador Nacional do Sistema Elétrico (ONS) e variáveis climáticas do Instituto Nacional de Meteorologia (INMET). Foram consideradas diversas estações meteorológicas dentro de um polígono que abrange grande parte da população da região Sudeste. O estudo inclui a análise do impacto de diferentes variáveis preditoras e a avaliação do modelo por meio de métricas como Mean Absolute Error (MAE) e Root Mean Square Error (RMSE). Os resultados demonstram que o modelo obteve baixa margem de erro e desempenho competitivo para aplicações práticas.