Redes residuais profundas com extração de características convolucionais para previsão de carga de curto prazo

Por que o uso de energia de amanhã importa hoje

Cada vez que acionamos um interruptor, as concessionárias já precisam ter a quantidade correta de eletricidade pronta para uso. Se gerarem pouco, as luzes piscam e fábricas param; se gerarem demais, desperdiçam combustível e dinheiro. Este artigo explora um novo método de inteligência artificial que ajuda operadores de rede a prever, hora a hora, quanto de eletricidade as pessoas usarão no dia seguinte, em climas muito diferentes, desde a nevada Nova Inglaterra até a tropical Malásia.

O desafio de estimar nossas necessidades diárias de energia

A previsão de carga de curto prazo é a tarefa de prever quanta eletricidade uma região precisará desde a próxima hora até a próxima semana. Essas previsões orientam decisões cruciais, como quais usinas ligar, como agendar manutenção e como planejar negociações de energia. Mesmo uma pequena melhora pode economizar somas significativas; para uma grande concessionária, reduzir o erro de previsão em apenas um por cento pode economizar milhões de dólares em custos de combustível por ano. Mas a demanda por eletricidade é moldada por muitos fatores entrelaçados: hora do dia, dia da semana, estação, clima, feriados e hábitos em mudança. Capturar todos esses padrões de forma confiável é difícil, especialmente à medida que os sistemas energéticos se tornam mais complexos e as condições climáticas mais variáveis.

Limites das ferramentas inteligentes anteriores

Pesquisadores há muito tentam melhorar essas previsões com modelos matemáticos e, mais recentemente, com aprendizado profundo. Abordagens tradicionais como regressão e redes neurais simples têm dificuldade quando o número de entradas cresce, frequentemente perdendo padrões sutis ou ajustando-se demais a dados passados. Redes mais avançadas têm pontos fortes e fracos: redes convolucionais são boas em detectar flutuações de curto prazo nos dados, mas não tendências de longo prazo; redes recorrentes como LSTM e GRU podem acompanhar sequências mais longas, mas são lentas e mais difíceis de treinar; modelos Transformer capturam relações complexas, mas exigem grande poder de computação e podem tornar‑se instáveis à medida que ficam mais profundos. Um compromisso popular, conhecido como rede residual profunda, adiciona conexões "atalho" que ajudam modelos muito profundos a aprender sem que o treinamento entre em colapso. Ainda assim, a maioria dos projetos anteriores usava esses truques residuais apenas nas camadas finais de predição, não durante os estágios iniciais cruciais em que as características brutas são primeiro extraídas.

Um modelo em duas etapas que olha de perto e de longe

Os autores propõem um sistema de previsão redesenhado chamado Rede Residual Profunda com CNN Embutida. Na primeira etapa, o modelo foca no detalhe local. Ele alimenta históricos recentes de carga e temperatura — variando desde as últimas 24 horas até os últimos vários meses — por blocos de convolução unidimensionais. Esses blocos atuam como janelas deslizantes, vasculhando séries temporais para detectar formas recorrentes: picos matinais, aumentos vespertinos, quedas de fim de semana ou picos súbitos provocados pelo clima. Uma etapa de pooling comprime cada padrão detectado em um resumo compacto, reduzindo ruído enquanto preserva o que mais importa. Em paralelo, informações de calendário como estação, dia da semana e sinalizadores de feriado são processadas e mescladas. Vinte e quatro pequenas sub‑redes, uma para cada hora do dia seguinte, então transformam essas características enriquecidas em uma previsão inicial de 24 horas.

Refinamento profundo e testes em duas redes muito diferentes

Na segunda etapa, uma rede residual aprimorada recebe essa primeira previsão e a polimenta. "Blocos" empilhados com conexões atalho ajustam os valores horários enquanto mantêm a forma diária geral realista e impedem que o processo de treinamento trave. A equipe treinou e ajustou essa arquitetura em dois conjuntos de dados do mundo real: ISO New England, que abrange seis estados dos EUA com fortes oscilações sazonais, e a Malásia, onde o consumo de eletricidade é mais estável sob um clima tropical. Eles compararam seu modelo com uma ampla gama de alternativas, incluindo redes puramente convolucionais, várias redes recorrentes, um Transformer, o projeto original de rede residual e variantes que adicionavam apenas partes convolucionais ou residuais isoladamente. O desempenho foi avaliado com medidas de erro comuns, especialmente o erro percentual absoluto médio, e testado quanto à significância estatística usando intenso reamostramento bootstrap.

O que os resultados dizem sobre redes mais inteligentes

A Rede Residual Profunda com CNN Embutida entregou consistentemente as previsões mais precisas. Nos dados de New England, reduziu o erro percentual médio para cerca de 1,53 por cento, melhorando sobre concorrentes fortes baseados em residuais em até aproximadamente 11 por cento. Na Malásia, onde os padrões são mais suaves e os ganhos são mais difíceis de alcançar, ainda assim cortou o erro para cerca de 5,06 por cento e superou todos os outros modelos. Testes sazonais mostraram que o método lidou com picos de primavera e verão, cargas de aquecimento no inverno e temporadas chuvosas e secas tropicais sem perder precisão. Verificações estatísticas confirmaram que essas melhorias não foram fruto do acaso. Para não especialistas, a conclusão é direta: ao combinar um "microscópio" para padrões de curtíssimo prazo com uma "coluna vertebral" que estabiliza o aprendizado profundo, essa abordagem oferece aos operadores de rede uma maneira mais confiável de antecipar as necessidades de eletricidade de amanhã, economizando dinheiro, reduzindo desperdício e apoiando a transição para sistemas de energia mais inteligentes e limpos.

Citação: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Palavras-chave: previsão de carga de curto prazo, aprendizado profundo, rede elétrica, redes neurais convolucionais, redes residuais