Análise e Aplicação de Previsões de Séries Temporais para o Crescimento da Geração Distribuida de Energia Fotovoltaica No Brasil

Abstract

A energia solar é considerada a fonte de energia mais verde entre todas as energias renováveis e continua em fase de crescimento, com grande potencial para contribuir na matriz energética do Brasil. No entanto, a quantidade de novos empreendimentos e a potência instalada nos próximos anos ainda são incertas. Por isso, realizou-se uma análise exploratória do banco de dados de geração distribuída da Agência Nacional de Energia Elétrica (ANEEL) e aplicaram-se algoritmos de previsão de séries temporais, como Holt, Error Trend Seasonal (ETS), Autoregressive Integrated Moving Average (ARIMA) e suas variações. A aplicabilidade de cada modelo foi verificada com base em dados históricos de 2012 a 2020, usados para treinamento, e de 2021 a 2022, usados como base para validação das previsões. A validação considerou a tendência dos algoritmos em comparação com os dados de validação e avaliou métricas como Mean Square Error (MSE), Mean Percentage Error (MPE), Mean Absolute Error (MAE) e Mean Absolute Percentage Error (MAPE). O modelo ETS destacou-se como o mais adequado, sendo utilizado para prever a quantidade de novos empreendimentos e a potência instalada até o final de 2024 e 2026. Os resultados mostraram que o modelo ETS apresentou valores de 1528,31 para MAE, 20,93 para MPE e 23,03 para MAPE, considerados razoáveis quando comparados com a magnitude dos valores analisados. Além disso, a reaplicação do modelo ETS gerou previsões de 40,2 GW e 79,5 GW de potência instalada para 2024 e 2026, respectivamente.

Solar energy is considered the greenest among all renewable energy sources and continues to expand, with significant potential to contribute to Brazil’s energy matrix. However, the number of new projects and the installed capacity in the coming years remain uncertain. Therefore, an exploratory analysis of the distributed generation database from the National Electric Energy Agency (ANEEL) was conducted, and time series forecasting algorithms such as Holt, Error Trend Seasonal (ETS), Autoregressive Integrated Moving Average (ARIMA), and their variations were applied. The applicability of each model was verified using historical data from 2012 to 2020 as the training dataset and data from 2021 to 2022 as the validation dataset. For validation, the trends predicted by the algorithms were compared with the actual validation data, and metrics such as Mean Square Error (MSE), Root MSE (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE) were evaluated. The ETS model proved to be the most suitable, being used to forecast the number of new projects and installed capacity until the end of 2024 and 2026. The results showed that the ETS model presented values of 1528.31 for MAE, 20.93 for MPE, and 23.03 for MAPE, which are reasonable given the magnitude of the values analyzed. Furthermore, the re-application of the ETS model yielded forecasts of 40.2 GW and 79.5 GW of installed capacity for 2024 and 2026, respectively.