Análise e projeção do comportamento de compra de consumidores do mercado livre de energia através do estudo de séries temporais

Abstract

Desde 2019 há uma progressiva flexibilização na diminuição dos requisitos para migrar do Ambiente de Contratação Regulada para o Mercado Livre de Energia, gerando como consequência uma expansão do último e diminuição do primeiro. Os consumidores livres que negociam suas condições têm obrigação de garantir, por meio de contratos, o atendimento à totalidade da sua carga de energia. Assim, é sabido que esses consumidores precisarão firmar acordos para comercialização de energia, mas não se sabe nem quando isso irá ocorrer e nem quais fatores intensificam a procura desses compradores. Dessa forma, o presente estudo se propõe a avaliar o comportamento de compra dos consumidores de uma comercializadora de energia no Ambiente de Contratação Livre. Os objetivos envolvem a identificação de causalidade, defasada e contemporânea, entre a série de Oportunidades de Vendas Recebidas e variáveis selecionadas, além da projeção dessa série estudada através de modelos de previsão, com a seleção daquele com maior acurácia. As abordagens metodológicas compreenderam a utilização de Vetores Autorregressivos e Decomposição da Variância, para análise defasada, e Regressões Lineares Simples, para análise contemporânea, com garantia de que as séries Oportunidades de Venda, PIB, IPCA, Selic, Consumo de energia elétrica, preço no longo prazo (DCIDE) e preço no curto prazo (PLD) estivessem estacionárias. Para as projeções, os métodos de previsão empregados foram Holt-Winters Aditivo, Holt-Winters Multiplicativo, SARIMA e Redes Neurais Artificiais, contando com as métricas MAE, RMSE, MAPE e MASE na definição do melhor modelo. Constatou-se relações de causalidade defasada para todas as séries independentes selecionadas, com destaque para as variáveis Selic com 12 defasagens, Selic com 7 defasagens, PLD com 7 defasagens e DCIDE com 9 defasagens. Na análise contemporânea as variáveis PLD, Consumo e Selic apresentaram os melhores resultados. Dos 4 métodos de previsão utilizados, a verificação das métricas de erros aponta o modelo de Redes Neurais Artificiais como o de maior acurácia. Entretanto, ressalta-se a importância de uma análise qualitativa, observando se a tendência esperada no futuro próximo vai ao encontro de comportamentos mais ou menos defasados da série, visto que os modelos deram relevâncias diferentes na seleção do número de defasagens a ser utilizado nos métodos.

Since 2019, there has been a gradual flexibilization in the reduction of requirements for transitioning from the Regulated Contracting Environment to the Free Energy Market, resulting in an expansion of the latter and a reduction in the former. Free consumers who negotiate their terms are obliged to ensure, through contracts, the fulfillment of their entire energy demand. Thus, it is known that these consumers will need to enter into agreements for energy trading, but it is not known when this will happen and what factors intensify the demand from these buyers. Therefore, this study aims to assess the purchasing behavior of consumers from an energy marketer in the Free Contracting Environment. The objectives involve identifying lagged and contemporaneous causality between the series of Sales Opportunities Received and selected variables, as well as projecting this studied series using forecasting models, with the selection of the most accurate one. The methodological approaches included the use of Autoregressive Vectors and Variance Decomposition for lagged analysis, and Simple Linear Regressions for contemporaneous analysis, with the assurance that the Sales Opportunities, GDP, IPCA, Selic, electricity Consumption, long-term price (DCIDE), and short-term price (PLD) series were stationary. For the projections, the forecasting methods employed were Additive Holt-Winters, Multiplicative Holt-Winters, SARIMA, and Artificial Neural Networks, with the MAE, RMSE, MAPE, and MASE metrics used to determine the best model. Lagged causality relationships were found for all selected independent series, with a notable emphasis on the Selic variable with 12 lags, Selic with 7 lags, PLD with 7 lags, and DCIDE with 9 lags. In the contemporaneous analysis, the PLD, Consumption, and Selic variables yielded the best results. Of the four forecasting methods used, the examination of error metrics indicates that the Artificial Neural Networks model has the highest accuracy. However, it is important to emphasize the need for a qualitative analysis, considering whether the expected trend in the near future aligns with more or less lagged behaviors in the series, as the models gave different importance to the selection of the number of lags to be used in the methods.