Modelo LSTM aprimora simulação de carga térmica elétrica
A transformação do setor energético global está em pleno andamento, impulsionada por metas ambiciosas de descarbonização e sustentabilidade. À medida que a geração de energia renovável se expande, os sistemas elétricos enfrentam novos desafios para manter a estabilidade e o equilíbrio entre oferta e demanda. Nesse contexto, os recursos de demanda, especialmente os sistemas de aquecimento elétrico distribuídos, estão emergindo como ativos-chave para a flexibilidade da rede. No entanto, a precisão dos modelos tradicionais de simulação desses sistemas tem sido uma barreira significativa para sua integração eficaz em estratégias de controle de rede.
Um avanço recente, publicado na revista Power Demand Side Management, apresenta uma solução inovadora para esse desafio. Liderado por Liu Yaxuan do Laboratório de Simulação e Controle de Sistemas Elétricos Modernos e Tecnologias de Energia Renovável da Universidade de Northeast Electric Power, um time de pesquisa desenvolveu um modelo de simulação baseado em redes neurais LSTM (Long Short-Term Memory) que demonstra uma precisão significativamente superior em relação aos modelos tradicionais de Parâmetros Térmicos Equivalentes (ETP).
A importância desse desenvolvimento reside na crescente relevância dos sistemas de aquecimento elétrico, particularmente nas regiões do norte da China, onde a transição para um aquecimento mais limpo está em andamento. Esses sistemas, instalados em residências como unidades individuais, não apenas fornecem conforto térmico, mas também possuem o potencial de participar de programas de resposta à demanda. Eles são rápidos para responder, fáceis de controlar e podem ser temporariamente desligados para aliviar a carga na rede durante picos de demanda. A capacidade de controlar esses recursos de forma precisa e confiável é fundamental para a operação de redes elétricas modernas, mas depende diretamente da qualidade do modelo que representa seu comportamento.
Os modelos ETP, que têm sido a abordagem padrão por anos, baseiam-se em princípios físicos de transferência de calor. Eles tentam simular a temperatura interna de um ambiente resolvendo equações diferenciais que consideram fatores como a temperatura externa, a capacidade térmica do ar e das paredes, e a potência do aquecedor. Apesar de sua base teórica sólida, esses modelos sofrem de limitações práticas sérias. A identificação precisa dos parâmetros térmicos específicos de cada edifício é um processo complexo e muitas vezes inviável. Pequenos erros na calibração desses parâmetros podem se acumular ao longo do tempo, levando a previsões de temperatura e estados de operação do aquecedor que se desviam significativamente da realidade, especialmente em simulações de longo prazo.
É aqui que o novo modelo baseado em LSTM se destaca. Liu Yaxuan e sua equipe reconheceram que o comportamento térmico de um edifício é inerentemente sequencial e dependente do tempo. A temperatura interna em um dado momento não é determinada apenas pelas condições atuais, mas também pela “memória térmica” do sistema — o calor residual armazenado nas paredes, móveis e massa de ar. Este efeito de inércia é uma característica que os modelos estáticos ETP não conseguem capturar de forma eficaz.
As redes LSTM são um tipo especial de rede neural recorrente (RNN) projetada especificamente para lidar com dados sequenciais. Diferentemente das RNNs convencionais, que perdem a memória de eventos passados em sequências longas (um problema conhecido como “desaparecimento do gradiente”), as LSTM incorporam mecanismos internos chamados “portas” (de entrada, saída e esquecimento). Essas portas permitem que a rede decida conscientemente quais informações do passado são relevantes e devem ser mantidas, e quais podem ser descartadas. Essa arquitetura as torna excepcionalmente boas em aprender padrões complexos em séries temporais, tornando-as ideais para prever a evolução da temperatura em um ambiente aquecido.
O modelo proposto foi construído com base em dados experimentais coletados de uma câmara climática controlada, projetada para simular um ambiente residencial sob diversas condições de temperatura externa. Os dados, amostrados a cada minuto, incluíam a temperatura interna, a temperatura externa e o estado de operação (ligado/desligado) do aquecedor de filme elétrico. O time identificou três cenários principais para testes: temperaturas externas constantes de -10°C e -15°C, e um cenário dinâmico onde a temperatura externa variava entre -5°C e -20°C.
A metodologia do estudo foi meticulosa. Primeiro, o modelo LSTM foi treinado com 66,7% dos dados coletados. Durante essa fase, a rede aprendeu as complexas relações não lineares entre as variáveis de entrada (temperatura interna anterior, temperatura externa atual e estado do aquecedor) e a variável de saída (temperatura interna no próximo minuto). Um aspecto crucial do experimento foi a estratégia de simulação “em loop fechado” utilizada na fase de teste. Em vez de usar a temperatura real medida para alimentar o próximo passo da simulação, o modelo usou sua própria previsão anterior como entrada. Esse procedimento é essencial para testar a robustez do modelo em um cenário real, onde não há acesso a dados de medição em tempo real para correção contínua.
Para avaliar o desempenho do modelo de forma abrangente, os pesquisadores introduziram um quadro de avaliação de erro bidimensional, um conceito sofisticado que vai além das métricas tradicionais. A primeira dimensão é o “erro vertical”, que mede a diferença numérica direta entre a temperatura simulada e a temperatura real medida. Este erro é quantificado pelo Erro Absoluto Médio (MAE), um indicador padrão de precisão.
A segunda dimensão, o “erro horizontal”, é particularmente inovadora e crítica para aplicações de controle. Ele mede o desvio temporal entre o momento em que o modelo prevê que o aquecedor deve ligar ou desligar e o momento em que isso realmente acontece. Mesmo que a temperatura média seja prevista com precisão, um desvio de alguns minutos no tempo de comutação pode ser suficiente para desincronizar uma frota de aquecedores, reduzindo drasticamente a eficácia de um programa de resposta à demanda coordenado. Para calcular esse erro, os pesquisadores compararam os períodos de tempo em que o estado de operação (ligado/desligado) do modelo simulado coincidia com o estado real, determinando a porcentagem de tempo de concordância.
Os resultados foram inequívocos. Em todos os três cenários testados, o modelo LSTM superou consistentemente o modelo ETP de segunda ordem, que é considerado um dos mais avançados entre os modelos físicos tradicionais. Em termos de erro vertical, o MAE do modelo LSTM permaneceu consistentemente abaixo de 0,5°C em todas as condições. Este nível de precisão é notável e demonstra a capacidade do modelo de rastrear com fidelidade a trajetória térmica real do ambiente.
Ainda mais impressionante foi o desempenho do modelo LSTM no erro horizontal. A porcentagem de tempo em que o estado de operação do carregamento simulado coincidiu com o estado real superou 88% em todos os cenários, atingindo um impressionante 97,6% em condições de temperatura externa constante. Isso prova que o modelo não apenas prevê o valor da temperatura com alta precisão, mas também captura com notável fidelidade a dinâmica de comutação do termostato, um requisito essencial para o controle em larga escala.
Um dos maiores avanços do modelo LSTM é sua independência em relação à identificação complexa de parâmetros. Enquanto os modelos ETP exigem um conhecimento detalhado e muitas vezes impraticável das propriedades térmicas do edifício (como a espessura e o material das paredes), o modelo LSTM aprende essas características implicitamente a partir dos dados. Ele “aprende” como o edifício específico responde às mudanças de temperatura e ao uso do aquecedor. Isso torna o modelo muito mais flexível, fácil de implantar e escalável, pois pode ser aplicado a diferentes tipos de edifícios com mínima necessidade de calibração.
Essa abordagem baseada em dados alinha-se perfeitamente com a era das redes inteligentes, onde sensores e dispositivos conectados geram volumes massivos de dados. A capacidade de construir modelos precisos diretamente a partir desses dados reduz a barreira de entrada para empresas de energia e agregadores que desejam aproveitar a flexibilidade da demanda. Para os operadores de rede, isso significa previsões mais confiáveis sobre a capacidade de resposta da demanda, permitindo um planejamento e controle mais eficazes. Para os consumidores, pode significar programas de resposta à demanda mais inteligentes e menos intrusivos, que otimizam o consumo de energia sem comprometer o conforto térmico.
O sucesso do modelo LSTM abre caminho para pesquisas futuras. Estudos subsequentes podem explorar arquiteturas híbridas que combinem os princípios físicos dos modelos ETP com o poder preditivo das redes neurais, criando modelos que sejam tanto precisos quanto interpretáveis. Técnicas de aprendizado por transferência também podem permitir que um modelo pré-treinado seja rapidamente adaptado a novos tipos de edifícios, acelerando o tempo de implantação.
O rigor experimental do estudo, baseado em dados reais coletados em um ambiente controlado, confere uma credibilidade substancial aos resultados. Ao contrário de pesquisas que dependem de dados sintéticos ou modelos simplificados, este trabalho se fundamenta em medições diretas e repetíveis, estabelecendo um benchmark robusto para futuras investigações.
Em conclusão, o trabalho de Liu Yaxuan, Wang Siyan, Jiang Jing e Zhang Liwei representa uma contribuição significativa para a modelagem de carga elétrica. A demonstração da eficácia das redes LSTM na simulação precisa de cargas de aquecimento elétrico distribuído não é apenas um avanço técnico, mas um passo concreto em direção a redes elétricas mais inteligentes, resilientes e sustentáveis. À medida que o mundo continua a descarbonizar seus sistemas energéticos, a capacidade de controlar com precisão a demanda se tornará cada vez mais crucial, e este estudo fornece uma ferramenta poderosa para enfrentar esse desafio.
Liu Yaxuan, Wang Siyan, Jiang Jing, Zhang Liwei, Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.03.010