|
Abstract:
|
Contextualização e Objetivo: A modelagem preditiva de séries temporais no setor de geração de energia elétrica é fundamental para garantir a estabilidade operacional e subsidiar o planejamento do despacho do sistema de potência. No entanto, sinais de sensores industriais e telemétricos apresentam desafios complexos, incluindo ruídos de medição de alta frequência, quebras na continuidade amostral e alterações nas distribuições estatísticas ao longo do tempo (distribution shift) provocadas por fatores sazonais e ambientais. Este trabalho investiga, aplica e valida experimentalmente o framework modular de código aberto foreBlocks, desenvolvido em PyTorch por pesquisadores da UFSC. O objetivo geral consistiu em avaliar o framework como uma plataforma unificada para a modelagem, previsão e análise de séries temporais multivariadas em usinas de geração, explorando a correspondência teórica e experimental entre as propriedades físicas das matrizes e as estruturas neurais otimizadas.
Metodologia: O pipeline de desenvolvimento foi estruturado integralmente em Python. Para o processamento e saneamento preliminar de mais de 2,3 milhões de registros operacionais históricos disponibilizados pelo Operador Nacional do Sistema Elétrico (ONS), utilizou-se a biblioteca Polars, viabilizando a auditoria de dados ausentes, restrições declaradas de corte de geração (curtailment) e a integridade temporal do calendário de medições com alta performance. Na etapa de modelagem, empregou-se o algoritmo DARTS (AutoML), permitindo testar e encontrar de maneira autônoma as arquiteturas de redes neurais mais adequadas para cada usina analisada. O fluxo integrou ainda o módulo de Normalização Reversível (ReVIN) para conter divergências estatísticas de escala entre diferentes períodos amostrais e técnicas de Inferência Conforme (Conformal Prediction), calculando faixas de erro calibradas com 95% de cobertura populacional para quantificar a confiabilidade das estimativas pontuais.
Resultados: O foreBlocks adaptou-se com consistência às características operacionais das quatro fontes avaliadas. Nas matrizes Térmica e Hidroelétrica, marcadas por maior previsibilidade e inércia do processo físico, o algoritmo convergiu com rapidez e alcançou índices elevados de aderência. Na Térmica (R2 de 0,9125; MSE de 0,0231), priorizaram-se conexões lineares e blocos residuais adequados para mapear patamares de potência despachada. Na Hidroelétrica (R2 de 0,8601; MSE de 0,0271), o modelo uniu transformadas em Wavelets, eficazes para decompor ciclos sazonais de chuva, a convoluções locais voltadas a refinar variações de vazão e despacho. Por outro lado, as usinas Eólica (R2 de 0,6890) e Solar (R2 de 0,6540) impuseram maior complexidade devido à estocasticidade do sinal, associada a comportamentos dinâmicos atmosféricos como oscilações rápidas de vento ou variações de irradiância decorrentes de fatores como a passagem de nuvens. Nesses cenários, a busca priorizou operadores convolucionais mais adequados para acompanhar oscilações locais de curto prazo. Complementarmente, a calibração de intervalos de incerteza forneceu referências estatísticas úteis para quantificar margens de erro, auxiliando no entendimento das flutuações e servindo como apoio informativo ao planejamento operacional do sistema. |
