Como estará o tempo amanhã? Quanta energia elétrica um painel solar consegue produzir amanhã? Quanta energia um sistema de aquecimento irá consumir nos próximos dias? Quantas toneladas de cimento devo produzir hoje? Estas são algumas perguntas pertinentes que os industriais podem fazer para conseguirem tomar as decisões certas na hora certa. Nestas situações, os algoritmos de previsão são uma excelente ferramenta.
Mas o que são exatamente? Como nos podem ajudar a reduzir e otimizar o nosso consumo energético? Como podem ser postos em prática mais concretamente? E como exatamente estão relacionados com os Sistemas de Gestão e Otimização de Energia (EMOS)? Neste artigo, Dorian Grosso e Pascal Lu da equipe de P&D da METRON respondem estas perguntas.
O que é exatamente o forecast?
Mais amplamente, o forecast serve para antever acontecimentos futuros com base em acontecimentos passados. A previsão da série temporal, mais especificamente, é a antevisão dos valores futuros de uma série cronológica com base em valores passados observados. A série temporal contém uma dependência cronológica, o que significa que o valor atual da série cronológica depende de valores passados.
Antes da previsão, normalmente realizamos uma análise da série temporal para eliminar anomalias, para conseguirmos extrair apenas informação pertinente, como sazonalidade e tendências. Isto permite-nos fazer previsões mais precisas, que se baseiam nos dados mais valiosos.
A primeira etapa da previsão é definir alguns parâmetros operacionais do modelo. Estes dependem do problema que tem de ser resolvido. Os parâmetros comuns incluem:
- A granularidade de dados (1 hora, 1 dia, 1 semana...).
- O horizonte temporal das previsões (1 hora, 1 dia, 1 semana...).
- Discretização do sinal (um ponto a cada 1 min, 10 min ou 1 hora...).
- As características temporais (minuto da hora, hora do dia, dia do ano).
- Outras características dinâmicas que podem influenciar as nossas previsões.
Para antever o futuro, também precisamos de informação sobre o passado. Ao analisar uma série temporal que ocorreu durante um longo período, podemos identificar padrões que aconteceram no passado e prever quais os que podem ocorrer no futuro.
Dependendo do caso, podemos antever o futuro da série temporal usando dois métodos:
- Previsão univariada: Usando apenas o passado de uma série temporal para antever o futuro da mesma série temporal. Por exemplos, podemos antever a energia térmica de um sistema de arrefecimento com base na energia do dia anterior.
- Previsão multivariada: Utilizando outras características dinâmicas que podem influenciar as previsões, bem como a mesma série temporal. Por exemplo, podemos antever a produção de eletricidade de um painel solar que depende dele e das condições meteorológicas (uma influência externa).
A etapa seguinte é dividir a série temporal num conjunto de treino e num conjunto de teste. Um conjunto de treino é utilizado para treinar um algoritmo (estimador), para que consiga calcular as previsões. Para verificar a precisão do estimador, deve fazer previsões num conjunto de teste. Por exemplo, para uma série temporal registada de 2016 a 2021, podemos escolher dados do conjunto de treino de 2016 a 2020 e os dados do conjunto de teste para o ano de 2021. Neste caso, conseguimos perceber se o estimador é preciso se as previsões estiverem de acordo com a série temporal registada em 2021.
Como podemos usar o forecast no setor energético?
Na área da energia, os exemplos de previsão da série temporal incluem:
- Produção diária da eletricidade de um painel solar ou turbina eólica.
- Necessidade (carga) diária de eletricidade de uma fábrica, edifício ou habitação.
- Necessidade diária de energia térmica de um sistema de arrefecimento numa fábrica.
- Preço da eletricidade do mercado.
Previsão da gestão energética ao longo de um horizonte futuro
Por exemplo, um cliente ligado à rede principal num contrato de energia variável, com uma bateria controlável e painéis solares, deve satisfazer uma necessidade de eletricidade. As duas fontes de incerteza no futuro são a necessidade (carga) de eletricidade e a produção de energia renovável. Temos de as prever para evitar um apagão quando se minimiza o custo total de eletricidade ao longo do horizonte temporal.
Quais são os benefícios de antever intervalos de previsão?
Normalmente prevemos o valor médio e uma distribuição de probabilidade. Isso acontece para que possamos avaliar o nível de incerteza e avaliar o espectro de todos os cenários possíveis no futuro.
Por exemplo, em vez de dizer que a produção de eletricidade dos painéis solares será de 150 kWh no dia seguinte, é melhor fazer uma previsão da probabilidade. Se dissermos que existe uma probabilidade de 95 % de a produção de eletricidade estar entre 120 kWh e 180 kWh, podemos estar cientes dos valores extremos, como no caso de alta ou baixa produção.
Saber a distribuição da probabilidade permite ao cliente
- pesar os riscos
- tomar as melhores decisões
- minimizar o custo operacional médio
Antever intervalos de previsão permite-nos quantificar as incertezas de:
- variância de ruído nos dados: o conjunto de treino que usamos para treinar o modelo é composto apenas por algumas amostras.
- incerteza do modelo: quão bem o modelo aprendido se consegue aproximar do modelo exato.
Existem diferentes estratégias para estimar intervalos, como:
1) Estimativa da variância segundo a hipótese da incerteza gaussiana. O erro associado à previsão é representado por uma distribuição gaussiana caracterizada por 2 parâmetros: o valor médio da previsão e o desvio padrão (raiz quadrada da variância). A probabilidade de encontrar o sinal no intervalo +/- 2 vezes o desvio padrão à volta da média é igual a 95 %. A curva à direita da imagem abaixo representa a densidade de probabilidade prevista para o tempo t+h no futuro.
2) Estimativa dos quantis da distribuição de probabilidade segundo uma perda de quantil. Neste caso, não assumimos que o erro associado à previsão é representado por uma distribuição gaussiana. Não fazemos suposições sobre a forma da distribuição do erro, prevemos o conjunto de quantis que irão caracterizar a distribuição estatística associada ao erro. A curva à direita da imagem abaixo representa o histograma da densidade de probabilidade prevista para o tempo t+h no futuro.
3) Estimativa de quantis de um conjunto de trajetórias desenhadas futuras (métodos de Monte Carlo). Tal como antes, neste caso não fazemos quaisquer suposições sobre a forma da distribuição do erro, calculamos a posteriori o conjunto de quantis a partir de um grande número de trajetórias plausíveis no futuro. A curva à direita da imagem abaixo representa o histograma da densidade de probabilidade prevista para o tempo t+h no futuro.
Caso de Utilização do Algoritmo de Forecast: DeepAR
O DeepAR é um algoritmo de redes neurais recorrentes autoregressivas desenvolvido pela Amazon Research em 2017, em que a observação atual é novamente injetada na rede neural para prever a observação seguinte.
Por exemplo, o DeepAR pode ser usado para prever a quantidade de energia térmica que será necessária para congelar água para um sistema de refrigeração numa fábrica. Para a série temporal, definimos uma janela (informação passada) de 48 horas e um horizonte (previsões futuras) de 24 horas. Depois de o DeepAR ser treinado, conseguimos testar trajetórias futuras com um sinal passado. A partir destas trajetórias, calculamos a trajetória média e vários quantis para quantificar a incerteza. Como observado na imagem, quanto mais testarmos, mais precisa a trajetória média e os quantis serão.
Imagem 1: Previsões de energia térmica usando água congelada para um sistema refrigerado em que a janela passada é de 48 h e o futuro é um horizonte de 24 h. Este gráfico mostra a série temporal passada e 100 trajetórias futuras geradas pelo DeepAR.
Imagem 2: Como antes, isto mostra as previsões para energia térmica usando água congelada para um sistema refrigerado em que a janela passada é de 48 h e o futuro é um horizonte de 24 h. Contudo, este gráfico mostra a trajetória média geral e quantis calculados a partir de 100 trajetórias futuras.
Imagem 3: Previsões para energia térmica usando água congelada para um sistema refrigerado em que a janela passada é de 48 h e o futuro é um horizonte de 24 h. Este gráfico representa a trajetória média e quantis calculados a partir de 5000 trajetórias futuras testadas. Desenhar mais trajetórias ajuda a nivelar as curvas do quantil. Isto mostra-nos que usar mais trajetórias torna a previsão mais precisa e exata.
Principais Conclusões
Os algoritmos de previsão são uma ferramenta inteligente que nos pode ajudar a reduzir e otimizar o nosso consumo energético. Podem ser usados como parte de um sistema de Gestão e Otimização de Energia para ajudar a tomar decisões melhores e mais informadas, bem como para permitir que as equipas sejam mais eficientes. É claro que estas ferramentas não existem para substituir humanos, existem para nos tornar mais avançados!
Você quer aprender mais sobre a implementação de um SGOE - Sistema de Gestão e Otimização de Energia?
