O futuro da previsão de energia: inteligência híbrida neuromórfica-axolote revolucionando operações de rede através do domínio de dados faltantes inspirado na biologia

Mantendo as luzes acesas em um mundo ruidoso

Nossas redes de energia dependem cada vez mais de previsões precisas sobre quanto eletricidade residências, fábricas, centros de dados e veículos elétricos vão consumir nas próximas horas e dias. Ainda assim, os dados que alimentam essas previsões estão cheios de lacunas e falhas causadas por sensores quebrados, mau tempo e problemas de comunicação. Este artigo apresenta uma combinação incomum de ideias da lógica, da biologia de salamandras e do comportamento de primatas que, juntas, criam uma nova maneira de reparar dados danificados e afiar dramaticamente as previsões de demanda de energia.

Por que números faltantes ameaçam a rede

Sistemas elétricos modernos conciliam painéis solares residenciais, parques eólicos, carregamento de veículos elétricos e centros de dados famintos por energia. Para equilibrar oferta e demanda de forma segura e econômica, operadores de rede dependem de fluxos de medições: temperaturas, níveis de radiação solar e fluxos de energia em diferentes zonas. Na prática, muitos desses números simplesmente não chegam. Sensores falham, enlaces de comunicação caem e tempestades podem derrubar seções inteiras da rede. Se modelos de previsão forem alimentados com essas séries temporais quebradas “como estão”, seus erros aumentam, e os operadores são obrigados a manter energia de reserva extra em standby, elevando tanto custos quanto emissões.

Uma nova maneira de pensar sobre dados incertos

A maioria dos métodos existentes para preencher valores faltantes trata os números como conhecidos ou desconhecidos e tenta adivinhar os espaços em branco observando valores próximos. Os autores, em vez disso, usam uma descrição em três partes de cada ponto de dado: quão provável é que esteja correto, quão incerto ele é e quão provável é que esteja errado. Essa abordagem, derivada de uma ideia matemática chamada conjuntos neutrosóficos, permite ao sistema representar sensores ruidosos, outliers suspeitos e leituras genuinamente confiáveis lado a lado. Esses três “graus” então fluem por um modelo ao estilo Markov que rastreia como certeza e incerteza evoluem ao longo do tempo na curva de consumo de energia.

Pegando truques de reparo de uma salamandra incomum

Para realmente reconstruir trechos faltantes da demanda de energia, a estrutura se inspira no axolote, uma salamandra famosa por regenerar membros perdidos. No modelo, trechos faltantes de dados se comportam como tecido danificado. Um módulo regenerativo examina padrões locais, ciclos sazonais e pistas contextuais como temperatura e horário, e então “faz crescer” valores plausíveis nos gaps. Ele atua em múltiplas escalas temporais ao mesmo tempo: detalhes finos para faltas curtas e tendências mais amplas para quebras prolongadas. Com o tempo, o sistema regenerativo também “lembra” quais estratégias de reparo funcionaram melhor em situações similares, de modo que melhora seu próprio comportamento à medida que vê mais dados.

Deixando macacos virtuais organizarem a informação

Mesmo com valores faltantes reparados, modelos de previsão podem ficar sobrecarregados por sinais demais e sobrepostos. Para enfrentar isso, os autores introduzem um novo algoritmo de otimização modelado no comportamento territorial e social de macacos uakari de cabeça careca. No contexto da rede, cada “território” representa um subconjunto candidato de características, como determinadas variáveis meteorológicas ou zonas. Esses territórios se expandem, contraem e competem por recursos, enquanto interações sociais ajudam a população de candidatos a explorar muitas combinações. Esse processo converge para um conjunto compacto de características que, em conjunto, oferecem as melhores previsões sem desperdiçar poder computacional.

Da matemática complexa a ganhos práticos para a rede

Quando o sistema híbrido completo foi testado em sete grandes conjuntos de dados do mundo real — de residências a plantas industriais, microrredes e carregamento de veículos elétricos — ele superou consistentemente uma ampla gama de técnicas tradicionais e modernas. Reparar dados faltantes e selecionar características em conjunto levou a cerca de 31% de aumento na acurácia das previsões e quase 24% de queda no erro de reconstrução, mesmo quando até 40% dos dados estavam ausentes. A abordagem transferiu-se bem para novas regiões e tipos de rede com pouco treinamento adicional e rodou rápido o suficiente para dispositivos de borda em subestações. Para o leitor leigo, a conclusão é que esse “curador” bioinspirado de dados quebrados pode ajudar as redes a operar mais próximo do limite com maior confiança, integrando mais renováveis e novas cargas elétricas enquanto reduz desperdício, custo e risco de falha.

Citação: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Palavras-chave: previsão de demanda de energia, dados faltantes, rede inteligente, algoritmos bio-inspirados, integração de renováveis