Previsão Retrospectiva Utilizando Dados de Grade Provincial e um Modelo Híbrido Físico-IA Baseado em Cotas

Resumo

Este estudo propõe um modelo híbrido de previsão de custos para redes elétricas que combina cotas de custos físicos com ajustes dinâmicos de fatores macroeconômicos e tecnológicos e compensação de resíduos baseada em XGBoost. Com precisão de 2,34% de MAPE, ele equilibra acurácia e interpretabilidade, atendendo às necessidades de transparência regulatória no estabelecimento de tarifas.

Resumo

A transição energética global e as contínuas reformas do mercado de eletricidade exigem que as empresas de rede elétrica equilibrem o fornecimento confiável de energia com regulamentações tarifárias de transmissão e distribuição cada vez mais rigorosas. Os métodos tradicionais de orçamento baseados em extrapolação histórica frequentemente não refletem a base física das operações dos ativos, enquanto modelos de aprendizado de máquina orientados por dados alcançam alta precisão preditiva, mas carecem da transparência necessária para a verificação regulatória dos custos. Para abordar o compromisso entre precisão da previsão e interpretabilidade, este estudo propõe um modelo híbrido de previsão de custos baseado em cotas de custo. A estrutura utiliza cotas operacionais padronizadas como base física para o orçamento e incorpora um mecanismo dinâmico de evolução das cotas impulsionado por condições macroeconômicas e progresso tecnológico. O Extreme Gradient Boosting (XGBoost) é empregado para capturar os resíduos não lineares além das estimativas baseadas em cotas, enquanto o SHAP (Shapley Additive exPlanations) é utilizado para interpretar a contribuição dos principais fatores de custo. O modelo foi avaliado utilizando 16 anos de dados operacionais anônimos de uma rede elétrica provincial na China. Ele alcançou um erro percentual absoluto médio (MAPE) de 2,34%, reduzindo os erros de previsão em 61,8%, 46,6% e 34,1% em comparação com os modelos SARIMAX, XGBoost isolado e Attention-LSTM, respectivamente. A estrutura proposta integra princípios de cota de custo de engenharia com inteligência artificial explicável, fornecendo tanto previsões precisas de custos de longo prazo quanto uma ferramenta de apoio à decisão transparente para a verificação regulatória de custos permitidos.

Introdução

A transição energética global está remodelando a gestão de ativos e as práticas operacionais das redes elétricas por meio da integração de geração renovável distribuída, aumento de eventos climáticos extremos e implantação generalizada de tecnologias IoT, tudo o que exige maior flexibilidade operacional e recursos de manutenção para garantir a confiabilidade do sistema^1,2. Ao mesmo tempo, os reguladores de eletricidade têm intensificado a supervisão das tarifas de transmissão e distribuição por meio de estruturas como a RIIO do Reino Unido e as revisões da taxa de retorno da Comissão Federal Reguladora de Ener....

Protocolo

Este estudo utilizou dados operacionais e financeiros anonimizados coletados de uma rede elétrica provincial no leste da China. Todos os dados foram agregados e desidentificados antes da análise, e nenhuma informação pessoal identificável ou sensível em nível individual foi incluída. Portanto, não foi necessária aprovação ética. O acesso e a análise dos dados cumpriram as regulamentações aplicáveis de proteção de dados e os acordos institucionais que regem as informações do setor elétrico.

Visão geral da estrutura de previsão

Para integrar abordagens de previsão baseadas na física e orientadas po....

Resultados

Comparação panorâmica com redução de dimensionalidade da precisão de previsão

Quando todos os modelos otimizados pelo Estimador de Parzen com Estrutura de Árvore (TPE) foram avaliados no conjunto de teste fora da amostra de 2023–2025, que incluiu flutuações da recuperação pós-pandemia e eventos extremos de alta temperatura, foi possível comparar objetivamente o desempenho dos principais algoritmos de previsão. Para fornecer uma avaliação rigorosa e abrangente, foram incluídos .......

Discussão

Este estudo demonstra que a integração de cotas de custo industriais com aprendizado de máquina fornece uma estrutura interpretável e precisa para previsão de custos de rede elétrica em longo prazo. Os resultados mostram que variáveis relacionadas ao clima, particularmente dias com temperaturas extremamente altas e índices de impacto de desligamento de linhas, são os principais fatores responsáveis pelos resíduos de custo, destacando a crescente influência de perturbações externas nas despesas das concessionárias. Esses .......

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Conjunto de dados contábeis mensais anonimizados da E-Grid	Rede elétrica provincial no leste da China	N/A	Conjunto de dados anonimizados de produção e custos operacionais mensais (2010–2025) composto por 192 observações, incluindo dados de ativos físicos, operação e manutenção, macroeconômicos e ambientais. Utilizado para o desenvolvimento do modelo (156 observações) e testes fora da amostra (36 observações).
Biblioteca de plotagem Matplotlib	Equipe de desenvolvimento do Matplotlib	3.5.2	Utilizada para gerar figuras do manuscrito e saídas gráficas, incluindo gráficos de desempenho do modelo, visualizações de topologia, diagnósticos de resíduos, gráficos de radar e resumos visuais relacionados ao SHAP.
Biblioteca de computação numérica NumPy	Desenvolvedores do NumPy	1.22.3	Utilizada para operações com arrays numéricos, cálculos matriciais e controle de reprodutibilidade. Uma semente aleatória fixa de 42 foi aplicada quando relevante.
Biblioteca de manipulação de dados Pandas	Equipe de desenvolvimento do pandas	1.4.2	Utilizada para importação, integração, reestruturação, filtragem e pré-processamento de dados, incluindo imputação de valores ausentes, alinhamento de séries temporais e preparação das variáveis de entrada do modelo.
Ambiente de programação Python	Python Software Foundation	3.9.13	Ambiente de programação utilizado para implementar todo o fluxo de trabalho de previsão, incluindo pré-processamento de dados, engenharia de características, treinamento do modelo, otimização de hiperparâmetros, predição, testes estatísticos e avaliação de desempenho.
Biblioteca de aprendizado de máquina Scikit-learn	Colaboradores do scikit-learn	1.0.2	Utilizada para pré-processamento de dados, divisão entre treinamento e validação, avaliação de modelos auxiliares e procedimentos estatísticos, incluindo análise de correlação de Pearson e cálculo de métricas de desempenho selecionadas.
Biblioteca de computação científica SciPy	Colaboradores do SciPy	1.9.0	Utilizada para cálculos estatísticos, incluindo análise de correlação de Pearson e procedimentos auxiliares para tratamento de outliers e winsorização.
Implementação do Estimador Parzen Estruturado em Árvore	Colaboradores do Optuna	3.1.0	Implementação de otimização bayesiana utilizada para ajustar os hiperparâmetros do XGBoost, incluindo profundidade máxima da árvore, taxa de aprendizado e parâmetros de regularização. O Estimador Parzen Estruturado em Árvore foi implementado por meio do pacote de código aberto Optuna.
Biblioteca de software XGBoost	DMLC / Colaboradores do XGBoost	1.7.1	Biblioteca de aprendizado conjunto baseada em árvores de decisão utilizada para compensação não linear de resíduos. O modelo implementou uma função objetivo regularizada com perda Huber e penalidades de complexidade da árvore, conforme descrito nas Equações 7–9.