Previsão de preços de energia e adoção de energias renováveis por meio de uma estrutura otimizada de aprendizado baseada em árvores com inteligência artificial explicável

Por que o custo futuro da energia importa para você

Contas de eletricidade, preços de combustíveis e a velocidade com que solar e eólica substituem carvão e petróleo moldam a vida cotidiana e as economias nacionais. Este estudo faz uma pergunta aparentemente simples: podemos usar ferramentas de dados modernas para prever para onde vão os preços da energia e a adoção de energia limpa, e entender o que realmente impulsiona essas mudanças? Ao minerar duas décadas de dados energéticos globais com aprendizado de máquina avançado, o autor constrói um sistema de previsão que não apenas antecipa tendências futuras, mas também explica quais fatores — como dependência de combustíveis fósseis ou emissões de carbono — importam mais.

Acompanhando os hábitos energéticos em mudança no mundo

A pesquisa parte de um grande conjunto de dados que cobre mais de 50 países de 2000 a 2024. Para cada país e ano, monitora quanto de energia as pessoas consomem em média, o quanto o país depende de combustíveis fósseis, como a energia é dividida entre indústria e residências, a quantidade total de energia consumida e o nível de emissões de carbono. Dois resultados-chave são então registrados: um Índice de Preço de Energia, que reflete o quão cara é a energia, e a participação de fontes renováveis como vento, solar e hidrelétricas. Como os dados abrangem muitas regiões e anos, eles capturam tanto diferenças locais quanto tendências globais de longo prazo, tornando-os bem adequados para previsões.

Ensinando “árvores” digitais a aprender com dados energéticos

Para transformar essa informação histórica em previsões, o estudo utiliza uma família de técnicas conhecidas como modelos de aprendizado de máquina baseados em árvores. Esses modelos dividem os dados em ramos com base em questões simples, como se o uso de combustíveis fósseis está acima ou abaixo de certo nível, eventualmente chegando a previsões para preço ou participação de renováveis. Em vez de usar uma única árvore, o autor constrói florestas de árvores e potencializa seu desempenho com algoritmos de otimização metaheurísticos — inspirados em comportamentos animais — que procuram as melhores configurações para cada modelo. Esse processo de ajuste melhora tanto a precisão quanto a estabilidade ao lidar com dados reais complexos e ruidosos.

Verificando a confiabilidade e abrindo a “caixa‑preta”

Previsões precisas só são úteis se resistirem à avaliação rigorosa. O estudo testa seus modelos treinando e avaliando-os repetidamente em diferentes fatias dos dados ordenados no tempo, imitando como eles se comportariam em anos futuros que nunca viram. Nesses testes, os melhores modelos híbridos explicam bem mais de 90% da variação tanto nos preços de energia quanto na participação de energia renovável, com erros típicos relativamente pequenos. Para evitar a crítica comum de que o aprendizado de máquina é uma caixa‑preta, o autor aplica ferramentas de IA explicável. Uma delas, chamada SHAP, atribui cada previsão de volta aos fatores de entrada, mostrando quanto cada um empurrou a previsão para cima ou para baixo. Outra, um método de sensibilidade chamado Método da Amplitude do Cosseno, examina como mudanças e combinações das entradas reverberam nos resultados.

O que realmente impulsiona preços e crescimento da energia limpa

Essas ferramentas de interpretabilidade revelam uma história clara. Para prever a participação de renováveis, duas variáveis se destacam: quão dependente um país é de combustíveis fósseis e quanto carbono ele emite. Alta dependência de fósseis e altas emissões tendem a suprimir o crescimento das renováveis, enquanto mudanças que reduzem a dependência de fósseis estão fortemente ligadas a maiores participações de energia limpa. Para os preços de energia, o consumo total de energia — quanto de energia um país usa em fábricas, escritórios e residências — desempenha papel principal. Regiões que consomem muita energia por pessoa, ou que dependem fortemente de combustíveis fósseis, ficam mais expostas a oscilações de preço quando a oferta é apertada. A análise também mostra que interações importam: por exemplo, o efeito combinado do uso industrial de energia e do consumo total pode ser mais importante do que qualquer um isoladamente.

De previsões mais inteligentes a políticas mais inteligentes

Para não especialistas, a conclusão é direta. Ao parear algoritmos de aprendizado avançados com ferramentas que tornam seu raciocínio transparente, esta pesquisa constrói uma estrutura de previsão que é ao mesmo tempo precisa e compreensível. Mostra que reduzir a dependência de combustíveis fósseis e as emissões de carbono não é apenas bom para o clima; também está intimamente ligado à rapidez com que as renováveis podem crescer e à estabilidade dos preços de energia. Formuladores de políticas, concessionárias e investidores podem usar tais modelos para testar como diferentes escolhas — como precificação de carbono, programas de eficiência ou incentivos a renováveis — podem remodelar contas e emissões futuras. Em essência, o estudo oferece uma bússola orientada por dados para navegar a transição em direção a um sistema energético global mais acessível e sustentável.

Citação: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Palavras-chave: preços de energia, energia renovável, aprendizado de máquina, emissões de carbono, combustíveis fósseis