Consumo de Energia do Bitcoin na Era das Criptomoedas: um Estudo Exploratório e de Previsão Baseado em Dados

Autores

  • Pedro Mark Bianchi
  • Marilaine Colnago
  • Rafaella S. Ferreira
  • Wallace Casaca

DOI:

https://doi.org/10.5540/03.2023.010.01.0035

Palavras-chave:

Sustentabilidade Energética, Criptomoedas, Regressão, Séries Temporais

Resumo

A criptomoeda e a tecnologia blockchain têm sido um dos principais impulsionadores da Quarta Revolução Industrial no setor financeiro. Enquanto, por um lado, a mineração de cripto-moedas permite que mineradores virtuais acumulem ativo financeiro, este processo também leva a um consumo progressivo de eletricidade em todo o mundo. De fato, a preocupação com o aumento desenfreado do consumo de energia decorrente da mineração de criptomoedas ganhou mais força em meados de 2018, quando o uso de eletricidade alcançou 1% de toda a demanda mundial, alertando especialmente países com baixa demanda energética, mas cujas fazendas de mineração têm operado em larga escala. Portanto, neste trabalho, dois modelos de inteligência artificial foram aplicados para prever o consumo global de energia derivado da mineração da criptomoeda Bitcoin. Além disso, foi realizada uma discussão acerca do papel das redes de mineração no crescimento sustentável do consumo global de eletricidade e de como modelos de regressão podem ser calibrados a partir de dados abertos a fim de obter previsões assertivas para o consumo elétrico, permitindo capturar o quadro geral do uso de energia relacionado à mineração, bem como apoiar planos de sustentabilidade energética para países que têm sofrido com atividades de mineração em larga escala.

Downloads

Não há dados estatísticos.

Biografia do Autor

Pedro Mark Bianchi

FEC/UNESP, Rosana, SP

Marilaine Colnago

IQ/UNESP, Araraquara, SP

Rafaella S. Ferreira

IBILCE/UNESP, São José do Rio Preto, SP

Wallace Casaca

IBILCE/UNESP, São José do Rio Preto, SP

Referências

Sergio Luis Náñez Alonso et al. “Cryptocurrency Mining from an Economic and Environmental Perspective. Analysis of the Most and Least Sustainable Countries”. Em: Energies 14.14 (2021), p. 4254. doi: 10.3390/en14144254.

Amin Azari. “Bitcoin Price Prediction: An ARIMA Approach”. Em: arXiv:1904.05315 (2019). url: https://arxiv.org/abs/1904.05315.

University of Cambridge. Bitcoin Network Power. Online. Acessado em 10/03/2023, https://www.cbeci.org/.

Gabriel Rubinsteinn - Exame. Bitcoin ganha força, sobe 12% e registra maior preço dos últimos 40 dias. Online. Acessado em 10/03/2023, https://encurtador.com.br/deitu. 2021.

Foxbit. Halving do bitcoin: Como estar preparado? Online. Acessado em 10/03/2023, https://foxbit.com.br/blog/halving-do-bitcoin. 2020.

Pierce Greenberg e Dylan Bugden. “Energy Consumption Boomtowns in the United States: Community Responses to a Cryptocurrency Boom”. Em: Energy Research & Social Science (2019), pp. 162–167. doi: 10.1016/j.erss.2018.12.005.

How does Bitcoin work? Online. Acessado em 08/03/2023, https://bitcoin.org/en/how-it-works.

Rafael Gregório - Valor Investe. Bitcoin tem maior queda diária da história e derrete 50% em uma semana; e agora? Online. Acessado em 10/03/2023, https://encurtador.com.br/kmYZ5. 2020.

S. Küfeoglu e M. Özkuran. “Energy Consumption of Bitcoin Mining”. Em: Faculty of Economics, University of Cambridge (2019). doi: https://doi.org/10.17863/CAM.41230.

Sinan Küfeoğlu e Mahmut Özkuran. “Bitcoin mining: A global review of energy and power demand”. Em: Energy Research & Social Science (2019), p. 101273. doi: 10.1016/j.erss.2019.101273.

João Vitor Leme et al. “Towards Assessing the Electricity Demand in Brazil: Data-Driven Analysis and Ensemble Learning Models”. Em: Energies 13.6 (2020), p. 1407. doi: 10.3390/en13061407.

Mingxi Liu et al. “Forecasting the price of Bitcoin using deep learning”. Em: Finance Research Letters 40 (2021), p. 101755. doi: 10.1016/j.frl.2020.101755.

Douglas C. Montgomery, Cheryl L. Jennings e Murat Kulahci. Introduction to Time Series Analysis and Forecasting. Wiley-Interscience, 2015. isbn: 9780471653974.

Matheus Paula et al. “Predicting Long-Term Wind Speed in Wind Farms of Northeast Brazil: A Comparative Analysis Through Machine Learning Models”. Em: IEEE Latin America Transactions 18.11 (2020), pp. 2011–2018. doi: 10.1109/TLA.2020.9398643.

Bianca Reichert, Adriano Mendonça Souza e Meiri Mezzomo. “Forecasting electricity generation from renewable sources during a pandemic”. Em: Gestão & Produção 29.1 (2022), pp. 1–19. doi: 10.1590/1806-9649-2022v29e024.

Guilherme Albuquerque Barbosa Silva e Carlo Kleber da Silva Rodrigues. “Rentabilidade econômica da mineração de Bitcoins e Litecoins”. Em: UniCEUB 7.1 (2017), pp. 1–8.

Lakshmi Yermal e Balasubramanian P. “Application of Auto ARIMA Model for Forecasting Returns on Minute Wise Amalgamated Data in NSE”. Em: IEEE International Conference on Computational Intelligence and Computing Research. 2017, pp. 1–5.

Downloads

Publicado

2023-12-18

Edição

Seção

Trabalhos Completos