28 de janeiro de 2026
Machine learning na previsão de ressarcimentos por danos elétricos
Benjamim Abreu de Souza; Wilson Tarantin Junior
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
O fornecimento de energia elétrica, um serviço essencial, está sujeito a interrupções que geram reclamações e pedidos de ressarcimento por danos elétricos, frequentemente associados a fatores ambientais (ANEEL, 2024). Este estudo emprega técnicas de aprendizado de máquina para modelar e prever a ocorrência dessas solicitações em municípios de uma distribuidora no Sudeste do Brasil. A pesquisa adota uma abordagem exploratória, combinando dados quantitativos e qualitativos de fontes públicas, incluindo informações meteorológicas, socioeconômicas e técnicas da distribuição de energia (Cipoli, Nogueira e Rios, 2003). A modelagem foi realizada no ambiente Spyder, utilizando a linguagem Python e bibliotecas como Sklearn e Statsmodels (Fávero e Belfiore, 2024). A estrutura hierárquica dos dados foi considerada em dois níveis: municípios dentro de regiões climatologicamente homogêneas (INCAPER, 2025).
A metodologia envolveu a coleta de dados de diversas fontes. A primeira, denominada indgercomercial, acessou via API os Indicadores Gerenciais da Distribuição (INDGER) da ANEEL, abrangendo o período de 2023 a 2024. As variáveis coletadas incluíram o código IBGE do município, a quantidade de unidades consumidoras ativas e a quantidade de solicitações de ressarcimento por danos (ANEEL, 2025). A segunda coleta, interrupcoesaneel, também utilizou código Python para acessar dados de interrupções por subestação de distribuição de energia, igualmente entre 2023 e 2024. As informações obtidas detalharam a subestação, o número da ordem da interrupção, as datas de início e fim, e o fato gerador (ANEEL, 2024). Uma terceira base de dados, dados_climaticos, foi obtida do Instituto Nacional de Meteorologia (INMET), contendo informações meteorológicas de 12 estações no Espírito Santo, organizadas por mês e ano (INMET, 2025). Adicionalmente, o estudo incorporou o Índice Sócio Econômico (INSE) dos municípios, disponibilizado pelo governo estadual (INEP, 2023).
Para modelar as solicitações de ressarcimento, foram aplicadas técnicas de aprendizado de máquina supervisionado: modelagem Multinível de regressão, modelo de regressão para dados de contagem e Random Forest (Géron, 2019). A modelagem Multinível, adequada para dados com estrutura aninhada, permitiu analisar as variações individuais e entre grupos (Fávero e Belfiore, 2024). O modelo de regressão para dados de contagem utilizou a distribuição Binomial Negativa, apropriada para números inteiros não negativos com superdispersão (Cameron e Trivedi, 1990). O algoritmo Random Forest, por sua vez, agregou um conjunto de previsores de árvore de decisão (Géron, 2019). A validação cruzada dos modelos utilizou 5 folds e o coeficiente de determinação R² como métrica de desempenho.
Os resultados revelaram que o modelo Multinível superou os modelos Binomial Negativo e Random Forest, embora todos tenham fornecido contribuições relevantes. Características do município, como a quantidade de unidades consumidoras e o indicador socioeconômico, mostraram-se estatisticamente significantes em pelo menos um dos modelos, assim como a velocidade média do vento, um parâmetro das regiões climatologicamente homogêneas. A análise exploratória dos dados identificou alta correlação entre variáveis preditoras como unidades consumidoras, interrupções, velocidade do vento, rajada, umidade, pressão e temperatura (Vasconcellos e Alves, 2000). A modelagem Multinível constatou heterogeneidade nas solicitações de ressarcimento entre as regiões, com a variância de intercepto referente às regiões sendo significativamente diferente de zero. O modelo final, após transformação de Box Cox, apresentou significância estatística para as variáveis unidades, velocidade do vento e rajada do vento. O modelo Binomial Negativo também considerou a variável INSE como estatisticamente significante. O modelo Random Forest, por sua vez, indicou a importância das interrupções de energia elétrica, embora sem significância estatística nos outros modelos.
A análise conjunta dos modelos indicou que as variáveis com significância estatística nos modelos Multinível e Binomial Negativo possuem potencial para influenciar as solicitações de ressarcimento. O número de unidades consumidoras com contrato vigente no município emergiu como a variável mais importante, seguida pela velocidade do vento e rajada, e pelo índice socioeconômico dos municípios. A aplicação de diferentes modelagens combinada a dados públicos demonstrou ser suficiente para investigar os fatores que influenciam as solicitações de ressarcimento de danos elétricos. Conclui-se que o objetivo foi atingido: identificou-se que o número de unidades consumidoras, a velocidade do vento e o índice socioeconômico são fatores determinantes para a ocorrência de solicitações de ressarcimento por danos elétricos, com o modelo Multinível apresentando o melhor desempenho preditivo.
Referências Bibliográficas:
Agência Nacional de Energia Elétrica [ANEEL]. 2021a. Módulo 9 do PRODIST: Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional. Disponível em: <https://www2.aneel.gov.br/cedoc/aren202195628.pdf>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2021b. Resolução Normativa nº 1000, de 2021. Diário Oficial da União, Brasília, 23 dez. 2021. Disponível em: <https://www2.aneel.gov.br/cedoc/ren20211000.html>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2024. Qualidade do Fornecimento de Energia Elétrica. Disponível em: <https://www.gov.br/aneel/pt-br/assuntos/distribuicao/qualidade-do-fornecimento-de-energia-eletrica>. Acesso em: 16 mar. 2025.
Agência Nacional de Energia Elétrica [ANEEL]. 2025. Indicadores Gerenciais da Distribuição. Disponível em: <https://dadosabertos.aneel.gov.br/dataset/indger-indicadores-gerenciais-da-distribuicao>. Acesso em: 16 mar. 2025.
Brasil. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira [INEP]. 2023. Saeb 2021: Indicador de Nível Socioeconômico do Saeb 2021: nota técnica. Inep, Brasília, DF, Brasil.
Cameron, A. C.; Trivedi, P. K. 1990. Regression-based test for over dispersion in the Poisson model.Journal of Econometrics, v.46, n. 3, p. 347 – 364.
Cipoli, J.A.; Nogueira, E.D.B.; Rios, A.J.S. 2003. Ressarcimento de Danos Elétricos. Disponível em: <http://www.mfap.com.br/pesquisa/arquivos/20090428131506-Ressarcimento%20de%20Danos%20Eletricos.pdf>. Acesso em: 28 fev. 2025.
Fávero, L.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel, SPSS, Stata, R e Python. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
Géron, A. 2019. Mãos à obra: aprendizado de máquina com Scikit-Learn e TensorFlow. Alta Books, Rio de Janeiro, RJ, Brasil.
Instituto Capixaba de Pesquisa, Assistência Técnica e Extensão Rural [INCAPER]. 2025. Legenda de Regiões Meteorológicas. Disponível em: <https://meteorologia.incaper.es.gov.br/legenda_regioes>. Acesso em: 25 set. 2025.
Instituto Nacional de Meteorologia [INMET]. 2025. Glossário. Disponível em: <https://portal.inmet.gov.br/glossario/glossario>. Acesso em: 29 set. 2025.
Vasconcellos, M.; Alves, D. 2000. Manual de econometria. Atlas, São Paulo, Brasil.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:

