Previsão de carga baseada em otimização e gerenciamento de demanda em microrredes de prédios inteligentes com Greylag Goose e modelos de grafo em dois níveis

Por que prédios mais inteligentes precisam de cérebros de energia mais inteligentes

À medida que residências, escritórios e campi instalam painéis solares, baterias e veículos elétricos, gerenciar energia torna-se surpreendentemente complexo. Os edifícios precisam decidir constantemente quando puxar energia da rede, quando carregar ou descarregar baterias e como evitar desperdício e quedas de energia. Este artigo apresenta um novo “cérebro de energia” para microrredes de prédios inteligentes que prevê o consumo elétrico com alta precisão e planeja o uso das baterias de forma tão cuidadosa que pode mais do que dobrar sua vida útil.

Manter as luzes acesas em uma mini-rede complexa

Uma microrrede de prédio inteligente é como um pequeno sistema de energia centrado em um único local. Pode incluir energia solar no telhado, pequenas turbinas eólicas, baterias, veículos elétricos e conexão à rede principal. O gerente de energia do prédio deve equilibrar oferta e demanda a cada poucos minutos, mesmo com variações na luz solar, entrada e saída de pessoas e envelhecimento das baterias. Se as previsões estiverem erradas, o prédio pode comprar energia de pico cara, desperdiçar energia renovável ou desgastar as baterias mais rápido do que o esperado. Os autores focam em dois objetivos principais: prever a demanda de energia de curto prazo nesses prédios e usar esse conhecimento para operar as baterias de modo a reduzir tanto custos quanto desgaste.

Limpeza dos dados antes de fazer previsões

O sistema começa com um ano de medições detalhadas de uma microrrede real de um prédio inteligente na Índia. A cada cinco minutos, sensores registravam correntes e tensões da rede, produção solar, comportamento da bateria e condições meteorológicas como temperatura, umidade e velocidade do vento. Dados do mundo real são bagunçados: sensores falham, leituras apresentam saltos e diferentes grandezas usam escalas distintas. Para corrigir isso, os autores aplicam um passo de limpeza especializado chamado Fast Resampled Iterative Filtering, que suaviza o ruído mantendo as variações reais na demanda. Em seguida, usam um método de busca inspirado na natureza, Prairie Dog Optimization, para decidir quais leituras de sensores realmente importam para a previsão. Ele seleciona cinco entradas principais — como tensão solar, potência de descarga da bateria e horário do dia — removendo sinais redundantes que adicionam complexidade mas pouca informação nova.

Ensinando uma rede a ler a teia de energia

Em vez de tratar cada medição como uma série temporal isolada, os autores modelam suas interações como uma rede. Em sua Relational Bi-Level Aggregation Graph Convolutional Network, cada nó do grafo representa uma das características-chave (por exemplo, temperatura ou potência de descarga da bateria) e as ligações representam o quanto elas influenciam umas às outras ao longo do tempo. O modelo primeiro aprende padrões locais, como a forma com que tensão solar e potência da bateria se movimentam juntos em uma janela curta, e então constrói padrões globais que capturam ciclos diários e relações mais amplas. Ao combinar essas camadas, o sistema enxerga não apenas quando a demanda muda, mas como essa mudança está ligada ao sol, à temperatura e ao uso da bateria, melhorando sua capacidade de prever cargas futuras.

Tomando emprestado um padrão de voo das gansos

Para ajustar esse modelo de grafo, os autores usam outro método bioinspirado, Greylag Goose Optimization. Na natureza, gansos em formação em V ajustam constantemente suas posições para economizar energia e manter a rota. Neste algoritmo, cada “ganso” representa um possível conjunto de configurações do modelo, como taxa de aprendizado e pesos internos. Durante o treinamento, esses gansos virtuais exploram e refinam suas posições, buscando combinações que produzam o menor erro de previsão sem ficarem presos em soluções locais ruins. Esse ajuste adaptativo ajuda o modelo a se manter estável mesmo quando as cargas do prédio são altamente irregulares, como picos súbitos de carga por recarga de veículos elétricos ou quedas durante horários desocupados.

Previsões mais nítidas e baterias de vida mais longa

Testado contra vários métodos populares de deep learning e híbridos, o novo framework alcança cerca de 98,3% de precisão média nas previsões, contra aproximadamente 80–92% das melhores alternativas. Suas medidas de erro são menos da metade das modelos concorrentes, e suas previsões são mais consistentes entre execuções. Quando as previsões resultantes são usadas para agendamento consciente da bateria, o prédio consegue manter a demanda dentro de uma faixa eficiente e evitar ciclos profundos e estressantes de carga e descarga. As simulações sugerem que esse controle mais cuidadoso pode mais do que dobrar o tempo que uma bateria permanece acima de 80% de sua capacidade original, convertendo melhor previsão em economia real de hardware.

O que isso significa para os usuários de energia do dia a dia

Para leigos, a mensagem principal é que um melhor “planejamento digital” dentro de um prédio pode se traduzir diretamente em contas mais baixas, menos distúrbios na rede e baterias e equipamentos com vida útil mais longa. Ao limpar dados de sensores, focar nos sinais mais informativos, modelar como eles interagem e ajustar o modelo de forma inteligente, a abordagem proposta oferece às microrredes de prédios uma visão muito mais clara do futuro próximo. Essa clareza, por sua vez, permite escolhas mais inteligentes sobre quando armazenar, usar ou vender eletricidade, aproximando-nos de prédios confiáveis e de baixo carbono que gerenciam sua própria energia silenciosamente nos bastidores.

Citação: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Palavras-chave: microrredes de prédios inteligentes, previsão de carga, degradação de bateria, gerenciamento de energia, redes neurais de grafos