A previsão de preços de eletricidade (EPF) é um ramo da previsão de energia que aplica modelos matemáticos, estatísticos e de aprendizado de máquina para prever preços futuros de eletricidade. Nas últimas três décadas, essas previsões tornaram-se um insumo fundamental para a tomada de decisões corporativas das empresas de energia, particularmente em mercados desregulamentados, onde a eletricidade é negociada por meio de contratos à vista e derivativos. O campo surgiu juntamente com a liberalização do mercado na Europa, América do Norte, Austrália e Ásia, à medida que setores de energia tradicionalmente monopolistas migraram para estruturas competitivas.
A eletricidade é uma commodity única porque é economicamente não armazenável, exigindo um equilíbrio constante entre produção e consumo para a estabilidade da rede. Sua demanda depende fortemente do clima e dos padrões de atividade diária, como horas de pico versus horas fora de pico e dias úteis versus fins de semana. Essas características produzem dinâmicas de preços não observadas em outros mercados, incluindo sazonalidade diária, semanal e anual, além de picos de preços abruptos e frequentemente imprevistos. A volatilidade dos preços pode ser até duas ordens de grandeza maior do que a de qualquer outra commodity negociada ou ativo financeiro, levando os participantes do mercado a proteger tanto o risco de volume quanto o de preço. Uma concessionária com pico de carga de 1 GW pode economizar cerca de US$ 300.000 por ano com uma redução de 1% no erro percentual absoluto médio (MAPE) em previsões de preços de curto prazo.
Métodos de previsão
A abordagem mais simples de previsão para o dia seguinte envolve solicitar a cada fonte de geração que faça lances em blocos de geração e selecionar os lances mais baratos. Se lances insuficientes forem submetidos, os preços sobem; se houver muitos, os preços podem cair para zero ou se tornar negativos. Os preços de oferta incorporam o custo de geração, o custo de transmissão e a margem de lucro. Os operadores de sistema independentes (ISOs) promovem a concorrência desagregando as operações de transmissão e geração, usando mercados baseados em lances para determinar o despacho econômico. A energia pode ser negociada com pools de energia adjacentes.
Fontes renováveis não despacháveis, como eólica e solar, são tipicamente vendidas antes de outros lances a taxas predeterminadas. Qualquer excesso de geração é vendido a outros operadores de rede, armazenado via hidroeletricidade de bombeamento ou cortado nos piores cenários. O corte pode reduzir significativamente os benefícios econômicos e ambientais da energia solar à medida que os níveis de penetração aumentam. A integração de redes inteligentes e geração renovável distribuída aumentou a incerteza de oferta e demanda, estimulando pesquisas substanciais em técnicas de previsão.
Fatores determinantes
Como a eletricidade é produzida no momento exato da demanda, todos os fatores de oferta e demanda impactam imediatamente os preços do mercado à vista. Os preços de curto prazo são mais influenciados pelo clima, com demanda de aquecimento no inverno e demanda de resfriamento no verão impulsionando picos de preços sazonais. Capacidade adicional movida a gás natural tem reduzido os preços enquanto aumenta a demanda. Os preços dos combustíveis e os preços das permissões de CO2 são fatores-chave do lado da oferta; os preços de carbono da UE dobraram desde 2017, tornando-os um fator de custo significativo.
As dotações de recursos e regulamentações específicas de cada país também moldam as tarifas. Subsídios governamentais a produtores ou consumidores podem manter a eletricidade acessível, mas a maioria dos países adotou alguma forma de precificação baseada no mercado.
Clima
A demanda por eletricidade é impulsionada em grande parte pela temperatura, com graus-dia de aquecimento e graus-dia de resfriamento medindo o consumo de energia em relação a uma linha de base de 65 graus Fahrenheit. O clima também afeta a oferta renovável. A curva do pato da Califórnia ilustra a lacuna entre a demanda e a disponibilidade de energia solar ao longo do dia, com a energia solar inundando o mercado durante períodos ensolarados e caindo à noite, quando a demanda atinge o pico. Previsões meteorológicas podem melhorar a precisão das previsões de preços, especialmente para horizontes de 2 a 4 dias à frente, enquanto previsões para o dia seguinte se beneficiam de efeitos autorregressivos.
Disponibilidade hidrelétrica
Acúmulo de neve, fluxos de rios, sazonalidade e outros fatores hidrológicos determinam a energia potencial disponível para barragens hidrelétricas. A previsão dessas variáveis prediz a capacidade de geração para um determinado período. Regiões como Paquistão, Egito, China e o Noroeste Pacífico dependem fortemente da geração hidrelétrica. Em 2015, a Zâmbia experimentou mais que o dobro dos índices de duração e frequência de interrupção média do sistema (SAIDI e SAIFI) do ano anterior, devido aos baixos níveis de reservatórios de água causados por chuvas insuficientes.
Interrupções de usinas e transmissão
Interrupções planejadas ou não planejadas reduzem a energia total disponível para a rede, prejudicando a oferta e elevando os preços. Concessionárias e operadores de rede devem considerar os cronogramas de interrupção nas previsões de curto prazo.
Saúde econômica
Durante recessões econômicas, as fábricas reduzem a produção em resposta à menor demanda do consumidor, diminuindo seu consumo de eletricidade. Essa redução na demanda pode reduzir os preços no atacado, enquanto o crescimento econômico tipicamente aumenta a demanda e os preços.
Abordagens de aprendizado de máquina
A EPF moderna depende cada vez mais de modelos de inteligência artificial e aprendizado profundo, incluindo redes neurais e métodos de conjunto. Esses modelos capturam relações não lineares entre os fatores de preço, como clima, carga e produção renovável. Técnicas como redes residuais e arquiteturas Transformer (architecture) foram aplicadas a tarefas de previsão de preços, aproveitando grandes conjuntos de dados de preços históricos e entradas meteorológicas. O treinamento frequentemente usa variantes do otimizador Adam e agendamentos de taxa de aprendizado para melhorar a convergência. A escolha de funções de perda e estratégias de aumento de dados pode afetar significativamente o desempenho da previsão.
A pesquisa comparou modelos estatísticos clássicos, como ARIMA, com abordagens de aprendizado de máquina. Embora nenhum método único domine, modelos híbridos que combinam fatores fundamentais com componentes estatísticos ou baseados em aprendizado tendem a ter bom desempenho. A precisão das previsões de geração renovável publicadas pelos operadores de sistema de transmissão (TSOs) pode ser aprimorada com modelos de previsão simples, o que por sua vez melhora as previsões de preços.
Aplicações de mercado
Gestores de portfólio de energia usam previsões de preços que variam de horas a meses à frente para ajustar estratégias de licitação e cronogramas de produção ou consumo. Previsões precisas para o dia seguinte permitem que concessionárias reduzam riscos e maximizem lucros em mercados competitivos. A crescente participação de renováveis intermitentes aumenta a incerteza das previsões, tornando modelos robustos mais valiosos. As previsões de preços também apoiam a gestão de riscos, a avaliação de ativos e o planejamento de investimentos de longo prazo em infraestrutura de geração e rede.