Previsão de Carga para Veículos Elétricos com Aprendizado Federado
A ascensão meteórica dos veículos elétricos (VEs) está redefinindo não apenas o setor automotivo, mas também desafiando os alicerces dos sistemas energéticos globais. Com milhões de novos veículos elétricos entrando nas estradas anualmente, a demanda por energia para recarga está se tornando um dos principais fatores de estresse para as redes elétricas urbanas e rurais. A capacidade de prever com precisão a carga de curto prazo gerada por esses veículos é fundamental para garantir a estabilidade da rede, otimizar a geração e distribuição de energia, e planejar a expansão da infraestrutura de carregamento. No entanto, os modelos tradicionais de previsão enfrentam um obstáculo crítico: eles exigem dados detalhados sobre o comportamento do usuário para alcançar alta precisão, mas esses dados são altamente sensíveis e não podem ser compartilhados livremente devido a preocupações com privacidade.
Uma equipe de pesquisadores da Escola de Engenharia Elétrica e de Informação da Universidade de Tianjin, liderada pelo professor Yang Ting, apresentou uma solução inovadora que aborda esse dilema de forma elegante e eficaz. Em um estudo publicado na revista High Voltage Engineering, os cientistas introduzem um novo método baseado no aprendizado federado (federated learning, FL), uma estrutura de inteligência artificial que permite melhorar a precisão da previsão da carga de curto prazo dos VEs, tudo isso sem comprometer a segurança dos dados dos usuários.
O cerne do trabalho de Yang Ting, junto com seus colegas Qin Xiaobing, Feng Xiangwei e Xu Zheming, é a integração de fatores de comportamento do usuário—como horários de início e fim da recarga, estado de carga (SOC) da bateria durante todo o processo, capacidade da bateria e potência de carregamento selecionada—em um modelo de aprendizado de máquina, enquanto se garante que os dados pessoais permaneçam protegidos e localizados. Esse avanço representa um salto significativo, pois reconhece que o comportamento humano é um dos principais determinantes da demanda de energia, mas que esse conhecimento não deve ser adquirido às custas da privacidade individual.
A metodologia proposta se afasta radicalmente dos modelos centralizados. Em vez de coletar todos os dados de carregamento em um servidor único, o que cria um ponto único de falha e risco de violação de dados, o aprendizado federado opera de forma descentralizada. Nesse modelo, cada operador de carregamento de veículos elétricos (EVCO) treina um modelo local usando exclusivamente seu próprio conjunto de dados. O que é compartilhado com um agregador central, como uma empresa de energia, não são os dados brutos dos usuários, mas sim os parâmetros do modelo, como os pesos e os bias de uma rede neural. Esses parâmetros são então agregados para formar um modelo global mais robusto, que é redistribuído para os operadores participantes, que o utilizam para refinar ainda mais seus modelos locais. Esse ciclo iterativo permite que o modelo global aprenda com a diversidade de padrões de comportamento de diferentes regiões e grupos demográficos, aumentando enormemente sua capacidade de generalização, tudo sem que um único dado pessoal precise deixar o ambiente seguro do operador.
O modelo central proposto é uma rede neural de memória de longo e curto prazo bidirecional (BiLSTM). Essa arquitetura foi escolhida por sua superioridade em capturar dependências temporais complexas em séries temporais. Diferentemente das redes LSTM tradicionais, que processam dados em uma única direção (do passado para o futuro), o BiLSTM analisa a informação em ambas as direções. Isso permite que o modelo detecte padrões sutis e complexos no comportamento de carregamento—como picos de uso em horários específicos, tendências na duração das sessões e curvas de recuperação da bateria—com uma sensibilidade muito maior, levando a previsões mais precisas.
A preparação dos dados de entrada foi meticulosa. A equipe construiu um conjunto de características compostas que combina medições históricas de carga com indicadores derivados do comportamento do usuário. Por exemplo, a energia total necessária em um determinado momento foi calculada com base no número de usuários ativos, seu SOC médio e suas capacidades de bateria. Da mesma forma, a potência média de carregamento e o SOC em que os usuários tipicamente encerram suas sessões foram extraídos para refletir padrões de uso real. Essas características foram então alimentadas ao modelo BiLSTM através de uma estratégia de janela deslizante, permitindo que o sistema atualizasse continuamente suas previsões com base nos dados mais recentes.
Um dos pontos altos do estudo é a decisão de transmitir os parâmetros finais do modelo—pesos e bias—em vez dos gradientes de atualização. Embora o aprendizado federado convencional muitas vezes transmita gradientes, que podem, em teoria, ser usados para inferir dados de treinamento originais, a transmissão de pesos e bias finais adiciona uma camada extra de proteção. Mesmo se interceptados, esses parâmetros são muito menos suscetíveis a revelar informações identificáveis, reforçando a segurança geral do sistema e alinhando-se com regulamentações rigorosas de proteção de dados como o GDPR da UE.
A validação do modelo foi conduzida com dados de carregamento de nove EVCOs em uma grande cidade chinesa, cobrindo um mês inteiro de operações em dezembro de 2022. O conjunto de dados incluía 25.920 pontos de amostragem, capturando tanto a dinâmica da carga quanto o comportamento detalhado do usuário. Os dados foram divididos em conjuntos de treinamento, validação e teste em uma proporção de 4:1:1, e todas as entradas foram normalizadas para garantir consistência.
O desempenho foi avaliado usando duas métricas padrão: erro médio absoluto percentual (MAPE) e erro quadrático médio (RMSE). Os resultados foram convincentes. Quando os dados de comportamento do usuário foram incorporados ao modelo, tanto o RMSE quanto o MAPE mostraram reduções significativas para todos os operadores. Por exemplo, um participante específico viu uma queda de 5,57% no RMSE e uma melhoria de 0,55% no MAPE, demonstrando que as características de comportamento melhoram substancialmente a precisão da previsão.
Ainda mais impressionante foi a comparação entre modelos locais isolados e a abordagem de aprendizado federado. Em todos os casos, o modelo federado superou os modelos locais individuais, com reduções no RMSE variando de 9,34% a 11,07% e melhorias no MAPE entre 2,13% e 5,29%. Essa melhoria consistente sublinha o valor do aprendizado colaborativo: ao combinar insights de múltiplos operadores, o modelo global é exposto a um espectro muito mais amplo de comportamentos de carregamento, levando a previsões mais robustas e precisas.
Talvez a demonstração mais poderosa da força do modelo tenha sido um teste de generalização com um novo operador, anteriormente desconhecido, referido como C10. Este operador tinha uma quantidade extremamente limitada de dados históricos, tendo registrado apenas 24 horas de atividade de carregamento. Quando um modelo local foi treinado apenas com esses dados, seu desempenho foi pobre, resultando em um RMSE de 65,3 kW e um MAPE de 19,2%—níveis inaceitáveis para o planejamento operacional. No entanto, quando o modelo federado pré-treinado foi aplicado aos dados de C10, o RMSE caiu drasticamente para 29,4 kW e o MAPE caiu para 6,8%, representando melhorias de 54,9% e 12,4%, respectivamente.
Esse resultado destaca uma vantagem crucial do aprendizado federado: ele permite uma implantação rápida e previsões precisas mesmo para novos ou operadores com poucos dados. Em termos práticos, isso significa que redes de carregamento emergentes podem imediatamente se beneficiar da inteligência coletiva dos operadores estabelecidos, acelerando sua integração no ecossistema energético mais amplo sem a necessidade de anos de acumulação de dados.
Do ponto de vista computacional, o modelo foi otimizado usando o algoritmo Adam, um método adaptativo de taxa de aprendizado que ajusta as atualizações dos parâmetros com base em gradientes históricos. Isso não apenas acelera a convergência, mas também ajuda a evitar mínimos locais, garantindo um treinamento estável e eficiente. Todo o processo de aprendizado federado foi configurado com 100 rodadas de comunicação global, 5 épocas locais por rodada e um tamanho de lote de 128, equilibrando precisão do modelo e eficiência computacional.
As implicações desta pesquisa vão além do desempenho técnico. À medida que governos e empresas de serviços públicos lidam com a integração de recursos energéticos distribuídos, incluindo VEs, painéis solares e sistemas de armazenamento residenciais, a capacidade de prever a demanda com alta fidelidade torna-se um pilar da resiliência da rede. As ferramentas de previsão tradicionais, muitas vezes baseadas em dados agregados e anonimizados, estão se tornando inadequadas diante dos padrões dinâmicos e descentralizados de consumo de energia.
O framework de aprendizado federado proposto por Yang Ting e seus colegas oferece uma alternativa escalável, segura e inteligente. Ele está alinhado com os princípios modernos de governança de dados, como os descritos no Regulamento Geral sobre a Proteção de Dados (RGPD) da UE e na Lei de Proteção de Informações Pessoais da China (PIPL), minimizando a exposição de dados e descentralizando o controle. Ao mesmo tempo, capacita operadores e gestores de rede com insights mais precisos e acionáveis.
Além disso, a arquitetura do modelo é inerentemente extensível. Versões futuras poderiam incorporar fontes de dados adicionais, como condições climáticas, sinais de preço da eletricidade ou níveis de congestionamento de tráfego, para refinar ainda mais as previsões. O mesmo framework também poderia ser adaptado para outras aplicações, como gestão de resposta à demanda, coordenação veículo-rede (V2G) ou previsão de energia renovável.
Para os operadores de carregamento, os benefícios são claros: uma melhor previsão de carga permite um planejamento de capacidade mais eficiente, reduz encargos por demanda de pico e melhora a satisfação do cliente ao minimizar tempos de espera e interrupções no serviço. Para os operadores de rede, previsões precisas apoiam um compromisso de unidade mais eficiente, regulação de frequência e controle de tensão—funções críticas para manter a qualidade e confiabilidade da energia.
O estudo também abre novos caminhos para a colaboração entre partes interessadas públicas e privadas. Ao estabelecer um consórcio de aprendizado federado entre EVCOs, empresas de energia e instituições de pesquisa, as cidades podem construir plataformas de previsão compartilhadas que sirvam ao bem comum sem comprometer a vantagem competitiva ou a privacidade do usuário.
Em uma era em que os dados são frequentemente descritos como o novo petróleo, esta pesquisa nos lembra que o valor nem sempre vem da centralização. Às vezes, os insights mais poderosos surgem não de acumular dados, mas de aprender juntos—de forma segura, ética e inteligente.
À medida que o mundo avança rumo à mobilidade eletrificada, os desafios de integração à rede só se tornarão mais complexos. Mas com abordagens inovadoras como o aprendizado federado, o caminho para frente está se tornando mais claro. Ao respeitar a privacidade do usuário enquanto desbloqueia o poder preditivo dos dados de comportamento, este trabalho estabelece um novo padrão para a análise inteligente de redes—um padrão que equilibra ambição tecnológica com responsabilidade ética.
O sucesso deste projeto também reflete a crescente maturidade das aplicações de IA nos sistemas energéticos. Não mais confinadas a simulações teóricas ou ambientes de laboratório controlados, as máquinas de aprendizado agora estão sendo implantadas em ambientes do mundo real, com múltiplas partes interessadas, onde a privacidade de dados, robustez do modelo e viabilidade operacional são primordiais. O fato de este modelo ter sido testado com dados de múltiplos operadores independentes fala de sua prontidão para implementação no mundo real.
Em conclusão, o trabalho de Yang Ting, Qin Xiaobing, Feng Xiangwei e Xu Zheming representa um salto significativo no campo da previsão de carga de veículos elétricos. Demonstra que alta precisão e forte proteção de privacidade não são objetivos mutuamente exclusivos, mas sim objetivos complementares que podem ser alcançados por meio de um design de sistema reflexivo. À medida que a mobilidade elétrica continua a evoluir, tais inovações serão essenciais para construir um futuro energético sustentável, resiliente e centrado no usuário.
Yang Ting, Qin Xiaobing, Feng Xiangwei, Xu Zheming, Escola de Engenharia Elétrica e de Informação, Universidade de Tianjin. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20230765