Um modelo híbrido de seleção ótima de características e Conv-LSTM (OFSCL) para previsão de demanda de energia de curto prazo em subestações de distribuição de Ahvaz, Irã

Manter as Luzes Acesas em uma Cidade Quente

Quando uma onda de calor atinge, aparelhos de ar-condicionado são acionados por toda a cidade e a carga na rede elétrica pode disparar em minutos. Se os operadores da rede erram ao estimar quanta eletricidade será necessária, bairros correm risco de apagões ou de um suprimento excessivo e desperdiçador. Este artigo foca em uma subestação real na quente e úmida cidade de Ahvaz, no sudoeste do Irã, e faz uma pergunta simples com grandes consequências: podemos prever, hora a hora, quanta energia essa subestação deve entregar, usando os dados de demanda passada e clima de maneira mais inteligente do que antes?

Por que Previsões de Curto Prazo Importam

Eletricidade não pode ser armazenada facilmente em grande escala, então a oferta precisa acompanhar de perto a demanda. Nas subestações de distribuição, que reduzem a tensão de energia para residências e comércios, esse equilíbrio é especialmente delicado. A demanda varia com a hora do dia, o dia da semana, a estação e o clima, particularmente temperatura e umidade. Ferramentas tradicionais de previsão — como fórmulas estatísticas básicas — frequentemente assumem tendências suaves e padrões simples. Na prática, o consumo de energia em uma cidade quente como Ahvaz é barulhento, não linear e moldado por saltos repentinos no uso de ar-condicionado. Previsões ruins podem sobrecarregar transformadores, reduzir a vida útil dos equipamentos e forçar os operadores a operar a rede de forma conservadora e menos eficiente.

De Fórmulas Simples a Máquinas que Aprendem

Na última década, pesquisadores testaram métodos mais sofisticados, de modelos clássicos de aprendizado de máquina como árvores de decisão e redes neurais a sistemas de aprendizado profundo que se destacam em séries temporais, como redes LSTM (Long Short-Term Memory) e Redes Neurais Convolucionais (CNNs). Esses modelos mais recentes podem captar ritmos de prazo mais longo e padrões sutis que técnicas antigas perdem. Ainda assim, eles enfrentam dois grandes desafios. Primeiro, podem receber dezenas de variáveis de entrada — horas, dias, feriados, velocidade do vento, ponto de orvalho, pressão e mais — muitas das quais acrescentam ruído em vez de informação útil. Segundo, podem ter dificuldade em usar simultaneamente flutuações momentâneas e mudanças sazonais mais lentas. O resultado é que a precisão em dados reais e ruidosos muitas vezes fica aquém do que os operadores de rede precisam.

Um Modelo Híbrido que Aprende o que Realmente Importa

Os autores propõem uma nova arquitetura híbrida de aprendizado profundo chamada Modelo de Seleção Ótima de Características Conv-LSTM (OFSCL). Ele combina duas forças: camadas convolucionais que vasculham muitas variáveis de entrada e focam automaticamente nos padrões mais informativos, e camadas LSTM que acompanham como esses padrões evoluem ao longo do tempo. No OFSCL, a parte convolucional reduz gradualmente a quantidade de informação passada adiante, filtrando redundâncias enquanto preserva sinais-chave. A parte LSTM então aprende como esses sinais refinados mudam de hora a hora e de dia para dia. Finalmente, camadas densas convertem essa representação compacta em uma única previsão: quanta energia a subestação precisará no próximo passo de tempo.

Testando o Modelo em uma Subestação Real

Para verificar se o OFSCL funciona na prática, a equipe coletou um ano de dados horários de uma subestação de distribuição em Ahvaz, junto com registros meteorológicos locais detalhados que cobrem o extremo calor de verão e também as estações mais amenas. Eles compararam o OFSCL contra um espectro de alternativas, incluindo árvores de decisão, k-vizinhos mais próximos, perceptrons multicamadas, modelos puramente LSTM e CNN, e vários híbridos avançados como CNN-LSTM e LSTM com atenção. Todos os modelos usaram os mesmos conjuntos de treinamento e teste, e o desempenho foi avaliado pela proximidade entre as previsões e o consumo real de energia. O modelo OFSCL alcançou um R² de cerca de 90% e os menores índices de erro, treinando em menos tempo do que muitas das outras abordagens de aprendizado profundo. Testes repetidos em diferentes divisões dos dados confirmaram que esses ganhos foram consistentes e não fruto do acaso.

O que o Modelo Aprende Sobre Clima e Demanda

Além da acurácia, os autores quiseram entender em quais entradas o modelo mais se apoiava. Usando uma análise de sensibilidade baseada em gradientes, mediram o quanto pequenas variações em cada característica afetavam a previsão. A temperatura do ar emergiu como o fator dominante, seguida pelo mês do ano e pela umidade relativa, refletindo como a necessidade de resfriamento dispara com o calor e as condições sazonais. Em contraste, se o dia era útil ou feriado teve papel muito menor para esta subestação em particular. A análise também mostrou que o modelo se torna menos sensível a flutuações diminutas à medida que vê mais dados, fixando-se em padrões estáveis em vez de reagir exageradamente ao ruído.

Levar Previsões Mais Inteligentes à Rede

Em termos práticos, o estudo mostra que um sistema de aprendizado cuidadosamente desenhado pode não apenas prever quanto eletricidade uma subestação movimentada precisará nas próximas horas, mas também explicar quais aspectos do clima local são mais relevantes. Ao filtrar automaticamente suas entradas e capturar tanto oscilações rápidas quanto tendências de longo prazo, o modelo OFSCL supera uma gama de métodos existentes ao mesmo tempo em que permanece rápido o suficiente para uso em tempo real. Se estendido e testado em mais regiões e subestações, tais modelos poderiam ajudar concessionárias a operar mais próximas do limite — mantendo o fornecimento de energia de forma confiável, reduzindo desperdício e preparando melhor as cidades para futuros mais quentes e com maior demanda energética.

Citação: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Palavras-chave: previsão da demanda de energia, aprendizado profundo, redes de energia elétrica, clima e consumo de eletricidade, previsão de séries temporais