Previsão de Carga de VE com IA Espacial e Temporal
A ascensão meteórica dos veículos elétricos (VEs) está remodelando não apenas as paisagens urbanas, mas também os fundamentos da infraestrutura energética global. Com mais de dez milhões de novos VEs registrados apenas em 2023, a pressão sobre as redes elétricas se intensifica a cada dia. O desafio central não reside apenas no aumento da demanda total, mas na natureza altamente volátil e imprevisível desse novo tipo de carga. Diferentemente dos padrões de consumo residencial ou industrial, o comportamento de carregamento de um VE é moldado por uma infinidade de fatores dinâmicos: hábitos individuais dos motoristas, horários de trabalho, destinos de viagem, condições climáticas e, crucialmente, a localização e disponibilidade das estações de carregamento. Essa complexidade transforma a gestão da rede elétrica em um desafio em tempo real para os operadores, que precisam prever com precisão quando e onde ocorrerão picos de demanda para garantir a estabilidade da rede, otimizar a geração de energia e integrar de forma eficaz as fontes renováveis intermitentes. Os métodos tradicionais de previsão de carga, que por décadas serviram como padrão, estão demonstrando limitações crescentes. Essas abordagens frequentemente tratam cada estação de carregamento como uma entidade isolada, analisando sua carga ao longo do tempo sem considerar o contexto circundante. Esse enfoque, embora útil, ignora um aspecto fundamental: a profunda interdependência espacial entre as próprias estações de carregamento.
Essa cegueira espacial representa um erro crítico. A demanda em uma estação não é um fenômeno isolado, mas está intrinsecamente ligada à sua posição geográfica e à rede de estações vizinhas. Uma estação localizada diante de um centro comercial terá um perfil de carga completamente distinto de uma estação adjacente a um parque empresarial. A distância para a estação mais próxima, a densidade de tráfego nas vias circundantes e a concentração de pontos de carregamento em uma determinada área criam uma “impressão digital espacial” única que molda o comportamento do usuário. Um pico repentino de demanda em uma estação popular no centro da cidade não apenas causa filas nesse local, mas desencadeia uma reação em cadeia: motoristas que não encontram vagas se deslocam para estações próximas, redistribuindo a carga e criando uma rede de dependências complexas que modelos convencionais não conseguem captar. Esse erro se traduz em previsões imprecisas, levando a uma programação ineficiente da geração de energia, ao desperdício de energia renovável disponível e a um risco aumentado de instabilidade na rede.
Em resposta a essa lacuna crítica na precisão das previsões, uma equipe de pesquisadores da China desenvolveu uma abordagem inovadora que promete revolucionar a forma como as redes elétricas se preparam para a era dos veículos elétricos. Um consórcio de especialistas da State Grid Lanxi Power Supply Company, da Zhejiang Jie’an Engineering Co., Ltd. e do Nanjing Institute of Technology introduziu um modelo de previsão baseado em inteligência artificial (IA) que, pela primeira vez, integra de forma sistemática tanto as dimensões espaciais quanto temporais dos dados de carregamento. Sua solução, denominada modelo GCN-LSTM, combina o poder de duas tecnologias de ponta: as Redes Neurais de Convolução em Grafos (GCN) e as Redes de Memória de Curto e Longo Prazo (LSTM). Essa arquitetura híbrida representa uma mudança de paradigma, pois transforma a percepção da rede de carregamento de uma coleção de pontos isolados em um ecossistema dinâmico e interconectado.
O princípio fundamental por trás do modelo GCN-LSTM é que a carga em uma estação específica está inseparavelmente ligada à sua posição geográfica. Para capturar essa relação, os pesquisadores começam construindo um “grafo” que represente a infraestrutura de carregamento da cidade. Nesse grafo, cada estação de carregamento é um nó. As conexões entre esses nós, as arestas, são definidas pela proximidade física entre as estações, geralmente pela distância em linha reta. Essa representação matemática transforma a rede de carregamento em uma estrutura que uma IA pode analisar. É aqui que entra em ação a Rede de Convolução em Grafos (GCN), que atua como o analista espacial. Ao contrário das redes neurais tradicionais que processam dados em uma grade regular, como uma imagem, as GCNs são projetadas especificamente para operar em estruturas de dados irregulares, como grafos. A GCN processa o grafo “agregando” informações de cada nó com as informações de seus nós vizinhos imediatos. Ela aprende a reconhecer padrões espaciais, como um grupo de estações que experimenta uma queda simultânea na carga, o que poderia indicar que os motoristas estão sendo atraídos por uma nova estação de carregamento rápido que acabou de entrar em operação. Esse processo extrai as “informações de dependência espacial”, fornecendo uma compreensão rica e contextual de como as estações de carregamento estão interconectadas, um conhecimento completamente ausente nos métodos tradicionais.
Enquanto a GCN lida com o “onde”, a rede LSTM cuida do “quando”. As redes LSTM são uma variante especializada de redes neurais recorrentes (RNNs) excelentes em aprender padrões de longo prazo em sequências de dados. Elas podem identificar que uma estação específica experimenta um pico de demanda todos os dias entre 17h e 19h, ou que a carga diminui em dias chuvosos. A verdadeira inovação desta pesquisa reside na forma como essas duas tecnologias poderosas são integradas. O modelo não as executa em paralelo ou em uma sequência simples. Em vez disso, utiliza a GCN para processar os dados espaciais em cada intervalo de tempo discreto—cada 15 minutos, neste estudo. A saída da GCN em cada um desses passos de tempo é uma representação sofisticada e enriquecida com informações espaciais do estado de toda a rede. Essas representações, marcadas com o tempo, são então transformadas em uma sequência que é inserida na rede LSTM. Isso permite que a LSTM aprenda os padrões temporais do comportamento de carregamento, mas com uma compreensão profunda do contexto espacial em cada momento. Ela agora pode aprender, por exemplo, que um padrão temporal de alta demanda vespertina se intensifica quando um grande evento ocorre em um distrito vizinho, uma nuance que seria invisível para um modelo que utiliza apenas dados de séries temporais.
Para validar a eficácia de seu modelo GCN-LSTM, a equipe de pesquisa realizou um estudo de caso rigoroso utilizando dados reais de nove estações de carregamento público em uma área urbana da China. O conjunto de dados abrangeu três meses, fornecendo um total de 8.736 pontos de dados registrados a cada 15 minutos. Essa vasta base de dados permitiu treinar o modelo sob uma ampla variedade de condições, incluindo dias úteis, fins de semana, feriados e diferentes padrões climáticos. As características de entrada para o modelo foram cuidadosamente selecionadas para refletir fatores do mundo real: a carga histórica de carregamento, o preço de carregamento vigente em cada estação e uma simples flag binária para distinguir entre dias úteis e dias de descanso. Antes de inserir esses dados no modelo, foi realizado um passo crucial de pré-processamento: a normalização. Esse passo garante que características com escalas muito diferentes—como a carga em quilowatts e o preço em moeda—não distorçam o processo de aprendizado, permitindo que a IA se concentre nos padrões subjacentes em vez da magnitude dos números.
O processo de treinamento foi meticuloso. Os pesquisadores empregaram uma técnica de janela deslizante para converter os dados históricos de séries temporais em um formato adequado para aprendizado supervisionado. Por exemplo, ao modelo foram mostrados os dados de carga dos últimos 12 passos de tempo (três horas) e foi solicitado que predissesse a carga no passo 13. Esse processo foi repetido milhares de vezes ao longo do conjunto de dados, permitindo que o modelo aprendesse as complexas relações entre estados passados e futuros. O desempenho do modelo foi otimizado por meio de uma busca em grade para encontrar os hiperparâmetros ideais, como o número de camadas na GCN e na LSTM, o tamanho do lote e a taxa de abandono (dropout), uma técnica usada para prevenir o sobreajuste ao ignorar aleatoriamente alguns neurônios durante o treinamento, forçando assim a rede a aprender características mais robustas. A função de perda do modelo foi o Erro Absoluto Médio (MAE), enquanto seu desempenho foi monitorado usando o Erro Quadrático Médio (RMSE) e o coeficiente de determinação (R²), fornecendo uma visão completa de sua precisão e confiabilidade.
Os resultados do estudo foram transformadores. O modelo GCN-LSTM foi comparado com vários pontos de referência estabelecidos: uma rede neural tradicional de retropropagação (BP), um modelo GCN independente e um modelo LSTM independente. A diferença de desempenho foi marcante e consistente. Para a Estação de Carregamento nº 1, o modelo GCN-LSTM alcançou um valor de R² de 0,917, indicando que explicou mais de 91% da variância nos dados de carga reais. Essa foi uma melhoria significativa em relação ao 0,885 do modelo BP, o 0,818 da GCN e o 0,868 da LSTM. Mais importante ainda, as métricas de erro contaram uma história ainda mais convincente. O Erro Absoluto Médio (MAE) para o modelo GCN-LSTM foi de 31,584 kW, uma redução drástica em relação aos 81,404 kW do modelo BP e aos 41,133 kW da LSTM. Da mesma forma, o Erro Percentual Absoluto Médio (MAPE) caiu para apenas 2,200%, em comparação com 15,433% do modelo BP. Para a Estação de Carregamento nº 6, os resultados foram ainda mais impressionantes, com o modelo GCN-LSTM alcançando um R² de 0,957 e um MAPE de um notável 1,849%. Esses números representam um nível de precisão que era inatingível com métodos convencionais.
Uma análise mais profunda dos resultados revelou o papel crítico das informações espaciais. Quando os pesquisadores testaram o modelo reduzindo artificialmente o número de nós (estações de carregamento) no grafo, a precisão da previsão diminuiu drasticamente. Esse experimento demonstrou que o desempenho superior do modelo era diretamente atribuível à sua capacidade de aprender com uma rica rede de relações espaciais. Com menos estações, a quantidade de informação espacial disponível para a GCN diminuía, dificultando a captura das complexas interdependências, e, consequentemente, as previsões se tornavam menos precisas. Essa descoberta sublinha uma conclusão fundamental: para alcançar a máxima precisão de previsão, é necessário considerar todo o ecossistema de carregamento, não apenas estações individuais isoladas.
As implicações dessa pesquisa vão muito além do mundo acadêmico. Para as empresas de energia, uma previsão mais precisa é uma ferramenta poderosa para a gestão pró-ativa da rede. Permite um planejamento melhorado da geração de energia, garantindo que a oferta corresponda exatamente à demanda prevista de VEs, reduzindo assim a dependência de usinas de pico caras e poluentes. Permite uma integração mais eficaz de fontes de energia renovável, como solar e eólica, cuja produção é variável. Sabendo exatamente quando e onde os veículos elétricos irão carregar, as empresas podem incentivar os motoristas a carregar quando a geração renovável é alta, maximizando o uso de energia limpa e minimizando as emissões de carbono. Para os planejadores urbanos e operadores de estações de carregamento, o modelo fornece informações inestimáveis para o desenvolvimento da infraestrutura. Pode identificar áreas subatendidas onde novas estações são necessárias e prever o impacto de uma nova estação na rede circundante, evitando custosas superconstruções. Também pode informar estratégias de precificação dinâmica, onde os preços são ajustados em tempo real com base na demanda prevista, ajudando a suavizar os picos de carga e melhorar a eficiência geral da rede de carregamento.
O sucesso do modelo GCN-LSTM também aponta para uma tendência mais ampla na aplicação da IA a problemas complexos do mundo real. Demonstra o poder de combinar diferentes arquiteturas de IA, cada uma com suas próprias forças, para criar uma solução que é maior do que a soma de suas partes. A capacidade da GCN de lidar com estruturas de dados complexas e não euclidianas, como redes, combinada com a maestria da LSTM em dados sequenciais, cria um efeito sinérgico que é perfeitamente adequado para a natureza espaço-temporal do carregamento de veículos elétricos. Essa abordagem pode ser facilmente adaptada a outros domínios, como prever o fluxo de tráfego, prever a qualidade do ar urbano ou modelar a propagação de informações em redes sociais, todos os quais envolvem entidades que estão conectadas espacialmente e evoluem com o tempo.
Em conclusão, o trabalho de Huang Jian, Chen Jianhong, He Jianjie, Wu Yan, Wan Xiu e Chen Fan representa um avanço significativo no campo da previsão de carga para veículos elétricos. Ao fundir engenhosamente a análise espacial baseada em grafos com a aprendizagem temporal profunda, eles criaram um modelo que captura a verdadeira complexidade do ecossistema de carregamento. Sua pesquisa, publicada na prestigiada revista Zhejiang Electric Power, fornece uma estrutura robusta e baseada em dados que pode capacitar operadores de rede, planejadores urbanos e empresas de energia a navegar os desafios da revolução dos veículos elétricos com uma confiança e precisão sem precedentes. À medida que o mundo avança em direção a um futuro de transporte sustentável, ferramentas como esta serão essenciais para construir uma infraestrutura energética mais inteligente, resiliente e limpa.
Huang Jian, State Grid Lanxi Power Supply Company; Chen Jianhong, Zhejiang Jie’an Engineering Co., Ltd.; He Jianjie, Zhejiang Jie’an Engineering Co., Ltd.; Wu Yan, Zhejiang Jie’an Engineering Co., Ltd.; Wan Xiu, Nanjing Institute of Technology; Chen Fan, Nanjing Institute of Technology. Zhejiang Electric Power. DOI: 10.19585/j.zjdl.202412006