Previsão da direção do spread tarifário da tarifa de uso do sistema de distribuição (tusd) utilizando modelos gated recurrent unit (gru) multissérie: uma avaliação da acurácia direcional em cenários regulatórios

Abstract

A previsão de tarifas no setor elétrico brasileiro representa um desafio de alta complexidade, dada a natureza das séries temporais do setor, que são caracterizadas por longos períodos de constância interrompidos por saltos discretos anuais, que são um reflexo direto dos ciclos regulatórios da ANEEL. Este trabalho aborda o desafio de prever o comportamento do spread tarifário, a diferença entre as tarifas da Tarifa de Uso do Sistema de Distribuição (TUSD) nos postos ponta e fora ponta, focando não apenas na previsão da magnitude, mas, de forma mais crítica, na previsão da direção de sua variação, uma métrica de maior relevância para a tomada de decisão. A hipótese central deste trabalho é que, para lidar com a dinâmica complexa e não linear dos dados, modelos de aprendizado profundo são mais adequados que as abordagens estatísticas clássicas. Para validar esta hipótese, foi desenvolvida uma metodologia de pesquisa que partiu da implementação de modelos de referência (ARIMA e uma heurística de tendência) e culminou na proposta de um modelo GRU (Gated Recurrent Unit) multissérie autorregressivo. Esta arquitetura, implementada através do software computacional PyTorch, foi treinada simultaneamente em múltiplos cenários tarifários de diferentes distribuidoras, utilizando embeddings categóricos, que são representações vetoriais de características, para condicionar o comportamento do modelo a cada cenário. O processo de otimização de hiperparâmetros foi conduzido com a ferramenta Optuna, priorizando a maximização da acurácia direcional. A análise dos resultados no conjunto de teste demonstrou a superioridade da abordagem proposta, que alcançou uma acurácia direcional de 68,7%, superando significativamente os modelos de referência ARIMA (54,7%) e de tendência (55,6%). A pesquisa também identificou uma clara relação de compromisso entre a acurácia direcional e o erro de magnitude, validando a escolha metodológica de focar na qualidade decisória do modelo.

Forecasting tariffs in the Brazilian electricity sector represents a highly complex challenge, given the nature of the sector’s time series, which are characterized by long periods of constancy interrupted by discrete annual jumps, which are a direct reflection of ANEEL’s regulatory cycles. This work addresses the challenge of forecasting the behavior of the tariff spread, the difference between the Distribution System Usage Tariffs (TUSD) for peak and off-peak periods, focusing not only on predicting the magnitude but, more critically, on forecasting the direction of its variation, a metric of greater relevance for decision-making. The central hypothesis of this work is that, to handle the complex and non-linear dynamics of the data, deep learning models are more suitable than classical statistical approaches. To validate this hypothesis, a research methodology was developed, starting from the implementation of baseline models (ARIMA and a trend-based heuristic) and culminating in the proposal of a multi-series, autoregressive GRU (Gated Recurrent Unit) model. This architecture, implemented through the PyTorch computational software, was trained simultaneously on multiple tariff scenarios from different distribution companies, using categorical embeddings, which are vector representations of features, to condition the model’s behavior to each scenario. The hyperparameter optimization process was conducted with the Optuna framework, prioritizing the maximization of directional accuracy. The analysis of the results on the test set demonstrated the superiority of the proposed approach, which achieved a directional accuracy of 68.7%, significantly outperforming the ARIMA (54.7%) and trend-based (55.6%) baseline models. The research also identified a clear trade-off between directional accuracy and magnitude error, validating the methodological choice to focus on the model’s decision-making quality