Otimização da alocação de créditos na geração distribuída baseada em previsão de consumo via modelo sarima

Abstract

Resumo: A expansão da Geração Distribuída no Brasil e a consolidação do Sistema de Compensação de Energia Elétrica (SCEE) transformaram o setor elétrico, permitindo a compensação de energia entre unidades consumidoras. Porém, esse cenário trouxe desafios na alocação dos créditos de energia, onde a ineficiência causa perdas operacionais e financeiras. O presente trabalho propõe otimizar a gestão desses créditos substituindo métodos empíricos por modelagem estatística. O estudo de caso analisou dados reais de consumo mensal de energia de uma unidade comercial entre 2021 e 2024, utilizando a linguagem R para ajustar o modelo SARIMA (Seasonal AutoRegressive Integrated Moving Average), capaz de capturar a tendência e a sazonalidade dos dados. A validação do modelo foi feita por testes estatísticos e indicadores de desempenho, como o MAPE (Erro Percentual Absoluto Médio), que resultou em 8,29%. A fim de confirmar sua aplicação na gestão de créditos de energia, foi realizada uma simulação comparativa de balanço energético entre a metodologia proposta e a prática comum de alocação utilizada no mercado, que é baseada apenas na média dos últimos doze meses. Os resultados demonstraram a superioridade da abordagem estatística, que melhorou o retorno financeiro em 10,23% em relação à metodologia comum. Conclui-se que o uso de métodos estatísticos para previsões de séries temporais é útil para melhorar a eficiência da gestão de ativos da geração distribuída

Abstract: The expansion of Distributed Generation in Brazil and the consolidation of the Electric Energy Compensation System (SCEE) transformed the electricity sector, allowing energy compensation between consumer units. However, this scenario brought challenges in the allocation of energy credits, where inefficiency causes operational and financial losses. This work proposes to optimize the management of these credits by replacing empirical methods with statistical modeling. The case study analyzed real monthly energy consumption data from a commercial unit between 2021 and 2024, using the R language to fit the SARIMA (Seasonal AutoRegressive Integrated Moving Average) model, capable of capturing the trend and seasonality of the data. The model validation was performed using statistical tests and performance indicators, such as the MAPE (Mean Absolute Percentage Error), which resulted in 8.29%. In order to confirm its application in energy credit management, a comparative simulation of the energy balance was carried out between the proposed methodology and the common allocation practice used in the market, based solely on the average of the last twelve months. The results demonstrated the superiority of the statistical approach, which improved the financial return by 10.23% compared to the common method. It is concluded that the use of statistical methods for time series forecasting is useful to improve the efficiency of distributed generation asset management