A gestão do consumo de eletricidade e os fatores que influenciam o deslocamento de pico em redes inteligentes a partir de modelo de rede neural recorrente e aprendizado profundo

Por que o uso mais inteligente da energia em campus importa

Campi universitários fervilham de atividade 24 horas por dia: aulas, laboratórios, vida nos alojamentos, estudos noturnos e o zumbido constante de servidores e iluminação. Tudo isso resulta em grandes oscilações na demanda por eletricidade—picos acentuados quando muitos dispositivos estão ligados ao mesmo tempo e vales profundos quando edifícios ficam pouco usados. Esses picos são caros para a rede e desperdiçam recursos do planeta. Este estudo explora como combinar ferramentas modernas de IA com armazenamento de energia baseado em hidrogênio pode ajudar campi a prever quando vão precisar de energia, suavizar esses picos e usar eletricidade de forma mais eficiente sem prejudicar o aprendizado.

Vendo padrões na vida diária do campus

No centro do trabalho está a ideia de que o uso de eletricidade em um campus não é aleatório—ele segue de perto as rotinas humanas. Os pesquisadores coletaram dados detalhados de consumo elétrico de 15 prédios em uma universidade chinesa ao longo de cerca de um ano e meio, junto com registros meteorológicos e horários de aulas. Em seguida, usaram mapas de calor para mostrar como o uso de energia sobe e desce hora a hora em diferentes locais: dormitórios, salas de aula, escritórios, cafeterias e sistemas de iluminação. A partir dessas imagens, definiram seis padrões cotidianos, como dormitórios com dois grandes picos no horário do almoço e tarde da noite, salas de aula que atingem pico apenas durante o horário das aulas e iluminação de rua que queima de forma constante durante a noite. Esses padrões formam a base para táticas de economia de energia adaptadas a cada tipo de edifício.

Ensinando uma rede neural a prever a demanda

Para agir sobre esses padrões, primeiro é preciso saber como será o amanhã. A equipe treinou um tipo de inteligência artificial chamada rede neural recorrente (RNN) para prever quanto cada prédio consumiria de uma hora para a outra. RNNs são projetadas para trabalhar com sequências, o que as torna adequadas para acompanhar como a demanda por energia evolui ao longo do tempo. O modelo processou 24 horas de histórico recente de uma vez—consumo passado, temperatura, umidade, hora do dia, dia da semana ou fim de semana e até se havia aulas programadas—e então previu o consumo da próxima hora. Os autores foram cuidadosos com a limpeza dos dados: preencheram leituras ausentes buscando dias semelhantes com clima e horários parecidos e dividiram os dados cronologicamente em conjuntos de treinamento, validação e teste para evitar sobreajuste.

Superando outros métodos de previsão

O desempenho da RNN foi testado contra várias ferramentas comuns de previsão, incluindo regressão linear simples, regressão não linear mais flexível, modelos estatísticos tradicionais como ARIMA e modelos Grey, e outro método de aprendizado profundo chamado LSTM. Nos dados do campus e em três conjuntos públicos de eletricidade, a RNN produziu consistentemente erros menores. Em testes reais no campus, o erro quadrático médio da RNN—uma medida que penaliza grandes desvios—foi dramaticamente menor que o da regressão linear, e seu erro percentual médio ficou na casa dos dígitos únicos. As distribuições de erro mostraram que os enganos da RNN estavam fortemente concentrados e que suas curvas previstas quase se sobrepunham à carga real, indicando tanto precisão quanto estabilidade. Embora os autores observem que isso não significa que RNNs sempre superem LSTMs em geral, mostra que uma rede relativamente simples pode funcionar muito bem nesse cenário específico.

Abaixando a curva de consumo com armazenamento em hidrogênio

A previsão por si só não reduz a conta; também é preciso uma maneira de remodelar a demanda. Aqui, o estudo introduz um sistema virtual de armazenamento de energia em hidrogênio que se comporta como um grande buffer recarregável. Quando a previsão da RNN sinaliza horas de baixa carga, o sistema "carrega" convertendo eletricidade em hidrogênio; quando os picos se aproximam, ele "descarrega", devolvendo energia armazenada ao campus. Uma rotina de programação dinâmica decide, hora a hora, se o armazenamento deve carregar, descarregar ou ficar ocioso, respeitando limites de capacidade, potência e eficiência. Em um exemplo representativo de 24 horas, essa estratégia reduziu a carga máxima diária de cerca de 46 quilowatt-hora para aproximadamente 33, diminuiu a diferença entre pico e uso médio e eliminou todos os períodos em que a demanda excedia uma cota pré-estabelecida. O preço foi um pequeno aumento no consumo energético diário total—menos de um por cento—devido às perdas no ciclo de armazenamento.

O que isso significa para os usuários de energia no dia a dia

Em termos simples, o estudo mostra que campi—e, por extensão, parques empresariais, complexos hospitalares ou bairros residenciais—podem usar IA não só para prever seu futuro energético, mas também para moldá-lo. Ao prever quando e onde a eletricidade será necessária e ao acoplar essas previsões a armazenamento flexível, como tanques de hidrogênio ou baterias, os operadores podem reduzir picos custosos, aproveitar melhor a energia fora de pico e reduzir a sobrecarga na rede mais ampla. Os autores alertam que seus resultados vêm de um único campus e de uma unidade de armazenamento simulada, e que implantações no mundo real devem considerar preços, carbono e conforto. Ainda assim, a estrutura oferece um roteiro realista para um uso de eletricidade mais inteligente e mais limpo em lugares onde os hábitos energéticos de amanhã estão sendo formados hoje.

Citação: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Palavras-chave: rede inteligente, energia em campus, previsão de carga, armazenamento em hidrogênio, aprendizado profundo