Abordando relâmpagos e incertezas de mercado em autoprogramação: uma abordagem fuzzy-Markov para redes inteligentes

Por que manter as luzes acesas está ficando mais difícil

A eletricidade deixou de fluir em apenas uma direção, das grandes usinas para as casas. As "redes inteligentes" modernas equilibram painéis solares em telhados, parques eólicos, baterias e demandas variáveis dos consumidores, tudo enquanto os mercados e o clima mudam hora a hora. Este artigo explora uma nova maneira de ajudar os operadores das redes a planejar com antecedência quando tanto os preços da energia quanto tempestades violentas — em especial relâmpagos — tornam o futuro incerto, usando uma visão combinada fuzzy e probabilística do que pode acontecer em seguida.

Redes de energia num mundo de tempestades e preços voláteis

As redes inteligentes prometem energia mais limpa e maior eficiência, mas precisam tomar decisões constantes sobre quando comprar, vender ou gerar eletricidade. As condições de mercado — como preços, demanda e receita — podem oscilar rapidamente com notícias econômicas, regulamentações ou comportamento dos consumidores. Ao mesmo tempo, descargas de raio e tempo severo podem danificar linhas, provocar desligamentos ou forçar reduções no consumo. Ferramentas tradicionais de planejamento tendem a tratar ou o lado numérico (como preços) ou o lado vago e baseado em eventos (como risco de relâmpagos), raramente ambos juntos. Os autores argumentam que essa visão fragmentada deixa os operadores vulneráveis quando choques físicos e oscilações financeiras se combinam.

Misturando julgamento humano com matemática

Para fechar essa lacuna, o estudo introduz um arcabouço híbrido que combina lógica fuzzy com cadeias de Markov. A lógica fuzzy imita a forma como as pessoas falam sobre quantidades incertas — usando termos como "preço baixo", "venda média" ou "receita alta" em vez de cortes bruscos. O método pega três medidas financeiras-chave — preço, receita e vendas — e converte cada valor horário em tais categorias qualitativas. Um momento no tempo é então descrito por uma tríade simples como (preço alto, receita baixa, vendas baixas), capturando o humor geral do mercado em rótulos em linguagem comum que os computadores ainda conseguem processar.

Acompanhando as oscilações de humor da rede ao longo do tempo

Uma vez que cada hora é rotulada dessa forma, a abordagem trata a rede inteligente como movendo-se através de um conjunto finito de “estados” fuzzy. Aqui, as cadeias de Markov entram em cena: elas estimam quão provável é que o sistema salte de um estado para outro na hora seguinte. Contando com que frequência, por exemplo, um estado calmo passa para um estado estressado, com preço alto e vendas baixas — especialmente em dias com relâmpagos simulados — o modelo constrói uma matriz de transição, uma espécie de mapa das trajetórias típicas do mercado. Os pesquisadores também calculam estatísticas móveis, como médias deslizantes e volatilidade de preço e receita, para destacar períodos em que as condições estão incomumente calmas ou turbulentas.

Testando a ideia em um ambiente controlado

Como dados reais detalhados que misturam registros de mercado e descargas de raio são difíceis de obter, os autores criam um conjunto de dados sintético de um ano. Eles simulam preços horários, receitas e vendas com tendências e ruído realistas, depois inserem eventos artificiais de relâmpagos que disparam aumentos de preço e reduzem vendas para imitar danos por tempestade e desligamentos preventivos. Os primeiros nove meses de dados treinam as categorias fuzzy e as probabilidades de transição; os últimos três meses testam quão bem o modelo pode adivinhar o próximo estado fuzzy a partir do atual. O arcabouço prevê corretamente o próximo estado em cerca de 56% dos casos — bem acima do palpite aleatório para seis estados possíveis — ao mesmo tempo em que revela quais padrões tendem a persistir e quais mudam rapidamente.

Das previsões às ações práticas

Os autores mostram como essa ferramenta de previsão pode orientar decisões concretas para um microrrede urbana hipotética de 100 MW. Se o modelo sugere que um estado normal provavelmente mudará para uma situação de preço alto e vendas baixas durante uma tarde tempestuosa, os operadores podem comprar energia de reserva antecipadamente, mover preventivamente cargas sensíveis para fontes de backup ou ajustar estratégias de oferta no mercado de eletricidade. Indicadores móveis de risco ajudam a avaliar quanto confiar numa previsão e quão agressivamente responder, transformando probabilidades abstratas em ações financeiras e técnicas direcionadas.

O que isso significa para os futuros sistemas de energia

Em termos simples, a mensagem do artigo é que tratar o futuro da rede como em parte nebuloso e em parte regido por regras produz orientações mais úteis do que confiar em apenas uma das abordagens. Ao combinar categorias em linguagem humana com matemática que acompanha a evolução dos estados, o arcabouço Fuzzy-Markov dá aos operadores uma visão mais clara, ainda que não perfeita, de como pode ser a mistura de preços, demanda e impactos de tempestades no dia seguinte. Mesmo com acurácia moderada, essa perspectiva os ajuda a se preparar para combinações ruins — como preço alto e vendas baixas — antes que ocorram. À medida que as redes inteligentes se tornam mais complexas e os extremos climáticos se intensificam, tais ferramentas híbridas podem se tornar essenciais para manter a energia elétrica confiável, acessível e resiliente.

Citação: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Palavras-chave: redes inteligentes, mercados de energia, gestão de risco, energia renovável, confiabilidade do sistema elétrico