Modelos híbridos de conhecimento–dados aplicáveis para previsão de carga de refrigeração no dia seguinte em condições de escassez de dados: estudo de caso e validação de desempenho

Por que prever a refrigeração de edifícios importa

À medida que as cidades crescem e as ondas de calor se tornam mais frequentes, grandes edifícios de escritórios dependem fortemente do ar condicionado. Saber antecipadamente a demanda de refrigeração de amanhã ajuda os operadores a comprar eletricidade com mais sabedoria, operar chillers de forma eficiente e apoiar uma rede elétrica que incorpora cada vez mais solar e eólica. Ainda assim, os edifícios mais novos e eficientes frequentemente têm muito poucos dados dos primeiros meses de operação, o que dificulta que ferramentas padrão de inteligência artificial prevejam sua demanda de refrigeração de forma confiável.

O desafio da limitação de dados

Muitas ferramentas de previsão atuais tratam o edifício como uma caixa preta. Elas inserem uso de energia passado, clima e escalonamentos, e deixam um algoritmo de aprendizado buscar padrões. Esses modelos, que demandam muitos dados, podem funcionar bem quando anos de registros de alta qualidade estão disponíveis. Mas em um edifício novo ou recém-reformado, existe apenas um histórico curto. Nessas condições, modelos puramente baseados em dados tendem a se prender a peculiaridades do conjunto limitado, perder saltos súbitos na demanda e fornecer previsões que variam muito de um dia para outro. Isso é especialmente problemático para o planejamento do dia seguinte, quando os operadores precisam agendar equipamentos de refrigeração e interagir com o mercado de eletricidade com 24 horas de antecedência.

Misturando física simples com aprendizado moderno

O estudo introduz um caminho intermediário prático entre simulações físicas detalhadas e mineração pura de dados. Em vez de tentar modelar cada fonte de calor no edifício, os autores concentram-se em duas contribuições que podem ser calculadas a partir de informações que a maioria dos edifícios já possui: o calor que entra com o ar exterior fresco e o calor que vaza através das paredes e janelas. Usando fórmulas básicas de transferência de calor, eles convertem previsões meteorológicas, propriedades do vidro e cronogramas de ventilação em estimativas aproximadas, fisicamente plausíveis, dessas cargas. Essas estimativas não substituem a demanda de refrigeração medida, mas são adicionadas como entradas extras que orientam um modelo de aprendizado profundo que combina camadas convolucionais e recorrentes.

Testando a ideia híbrida em uma torre de escritórios real

A abordagem foi testada em um edifício de escritórios de 23 andares em Hangzhou, China, com fachada de vidro moderna e sistema central de refrigeração. Os pesquisadores usaram uma temporada de refrigeração com dados horários, cerca de 4.300 horas no total, e então restringiram artificialmente quanto desse histórico cada modelo podia ver durante o treinamento. Em alguns testes, os modelos puderam aprender a partir de apenas 10% dos dados, equivalente a pouco mais de duas semanas de registros. Entre quatro versões do preditor, três usaram cargas baseadas em física (ar fresco ou paredes e janelas) como sinais orientadores, enquanto uma quarta confiou exclusivamente em dados passados de refrigeração e clima. Todos os modelos tentaram prever o perfil horário de refrigeração do dia seguinte.

Previsões mais precisas e mais estáveis

Quando os dados de treinamento eram escassos, as diferenças entre as abordagens foram marcantes. Com apenas 10% dos dados disponíveis, o modelo puramente orientado por dados frequentemente deixava de capturar a acentuada elevação matinal na refrigeração quando os trabalhadores chegavam e subestimava os picos quentes da tarde. Seus erros variavam amplamente dependendo de quais dias foram usados no treinamento. Em contraste, todas as três versões híbridas acompanharam o momento e a altura dos picos muito mais de perto e mostraram muito menos dispersão em seus erros. Em média, os modelos híbridos reduziram o erro típico de previsão em cerca de metade e diminuíram a amplitude dos erros em quase uma ordem de magnitude em comparação com a linha de base. A variante mais simples, que usava apenas a carga de ar fresco como informação extra, ofereceu um equilíbrio especialmente atraente entre precisão, estabilidade e facilidade de implantação.

O que isso significa para edifícios reais

Para proprietários de edifícios e gestores de energia, a mensagem principal é que um pouco de física vai longe. Ao incorporar estimativas simples e fáceis de calcular de como o ar fresco e a envoltória do edifício contribuem para as necessidades de refrigeração em um modelo de aprendizado, torna-se possível obter previsões úteis para o dia seguinte mesmo nos primeiros meses de operação, quando os dados históricos ainda são escassos. O estudo mostra que essa abordagem híbrida conhecimento–dados consegue domar o sobreajuste, manter os custos de treinamento modestos e fornecer orientação confiável para agendamento de chillers e armazenamento. Em termos práticos, combinar conhecimento de engenharia básica com ferramentas modernas de dados ajuda os edifícios a manter o conforto, reduzir desperdícios e cooperar de forma mais eficiente com uma rede elétrica em transformação.

Citação: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Palavras-chave: previsão de carga de refrigeração, energia predial, modelagem híbrida, escassez de dados, aprendizado profundo