Resumo Técnico: Predição Conformal Probabilística Hierárquica para a Adoção de Recursos Energéticos Distribuídos

Declaração do Problema

A rápida adoção de Recursos Energéticos Distribuídos (DERs), como painéis solares em telhados, introduz desafios operacionais significativos para a gestão da rede elétrica. O mapeamento preciso do crescimento dos DERs é essencial para o planejamento proativo de infraestrutura, mas as abordagens tradicionais de predição pontual falham em capturar a incerteza inerente e a disparidade espacial dos padrões de adoção.

Um desafio crítico, frequentemente negligenciado, é a estrutura hierárquica das redes de distribuição. As redes consistem em múltiplas linhas (circuitos) conectadas a subestações. As decisões operacionais exigem previsões confiáveis tanto ao nível do circuito individual quanto ao nível agregado da subestação. Métodos padrão de predição conformal garantem a validade ao nível individual (circuito), mas não garantem que as predições agregadas (subestação) mantenham a cobertura estatística. A agregação ingênua de intervalos de nível de circuito pode levar a inconsistências lógicas, resultando em intervalos de nível de subestação que subestimam ou superestimam a incerteza real, comprometendo a gestão de riscos e as decisões de planejamento.

Metodologia

O artigo propõe a Predição Conformal Probabilística Hierárquica (HPCP), uma estrutura livre de distribuição projetada para construir intervalos de predição que satisfaçam garantias de validade estatística simultaneamente nos níveis de circuito e de subestação. A metodologia integra três componentes principais:

1. Modelo Base Probabilístico (Processo de Hawkes Multivariado):
   A estrutura utiliza um Processo de Hawkes Multivariado para modelar a dinâmica espaço-temporal da adoção de DERs. Diferente dos modelos tradicionais de séries temporais, esta abordagem captura:

   • Autoexcitação: A influência de instalações passadas na adoção futura dentro do mesmo circuito.
   • Influência mútua: O efeito de "contágio" onde instalações em um circuito influenciam circuitos vizinhos.
   • Fatores exógenos: Covariáveis socioeconômicas e políticas.
     O modelo gera previsões probabilísticas via amostragem por afinamento (thinning sampling), produzindo uma distribuição de contagens de instalações futuras em vez de uma estimativa pontual única. Isso preserva a variância e o comportamento de cauda, cruciais para a quantificação da incerteza.

2. Pontuação de Não Conformidade Hierárquica:
   A inovação central reside no design da pontuação de não conformidade usada no algoritmo de predição conformal de divisão (split conformal prediction).

   • Métodos padrão tratam as dimensões de forma independente ou agrupam resíduos globalmente.
   • A HPCP define uma pontuação baseada em "circuitos irmãos" (circuitos conectados à mesma subestação). Para um determinado circuito $k$, a pontuação incorpora os resíduos de todos os circuitos associados à mesma subestação.
   • Especificamente, a pontuação $e_{j,k}$ é a norma $\ell_\infty$ mínima da diferença entre o vetor observado e os vetores simulados, restrita ao conjunto de circuitos irmãos. Isso aproveita a topologia da rede para alinhar os limites das predições agregadas.

3. Calibração Conformal de Divisão:
   Os dados são divididos em conjuntos de treinamento e calibração.

   • O conjunto de treinamento ajusta os parâmetros do processo de Hawkes.
   • O conjunto de calibração simula resultados futuros para calcular as pontuações de não conformidade.
   • Os intervalos de predição são construídos estimando os quantis apropriados dessas pontuações.
   • Para lidar com potenciais mudanças de distribuição, o método emprega ajustes de quantis ponderados com base na proximidade temporal das janelas de calibração em relação ao tempo de predição.

Principais Contribuições

• Agregação Consciente da Topologia: O artigo introduz uma nova pontuação de não conformidade que incorpora explicitamente a matriz de afiliação da rede (conectividade circuito-subestação). Isso garante que os intervalos de predição permaneçam válidos não apenas para circuitos individuais, mas também para sua agregação linear no nível da subestação.
• Garantias Teóricas: Os autores estabelecem garantias de validade de amostra finita sob condições de regularidade brandas (especificamente, mistura forte dos resíduos). Eles provam que o método satisfaz as restrições de cobertura em ambos os níveis, abordando o desafio não trivial de dados dependentes e agregação hierárquica.
• Melhorias de Eficiência: A análise teórica (Proposição 1) demonstra que a pontuação proposta produz intervalos de predição mais estreitos (mais eficientes) do que a predição marginal conformal padrão, a predição conjunta e as alternativas baseadas em norma $\ell_p$. Isso é alcançado explorando a esparsidade da matriz de afiliação e utilizando as propriedades da norma $\ell_\infty$.
• Validação Empírica: A estrutura é avaliada tanto em dados sintéticos quanto em dados reais de instalação solar ao nível do cliente em Indianápolis, Indiana.

Resultados

• Dados Sintéticos: Em vários cenários de simulação (variando esparsidade, intensidade e correlações), a HPCP alcançou consistentemente taxas de cobertura empírica acima do nível de referência nominal, enquanto produziu tamanhos de intervalo significativamente menores do que as bases de controle conjunta e de correção de Bonferroni.
• Dados Reais (Indianápolis):
  • Precisão Preditiva: O modelo base do processo de Hawkes multivariado superou as bases padrão (RNN, LSTM, VAR, Processos Gaussianos) em termos de Erro Médio Absoluto (MAE) em múltiplas resoluções temporais (mensal a anual).
  • Quantificação de Incerteza: A HPCP alcançou a taxa de cobertura desejada de 90% tanto nos níveis de circuito quanto de subestação. Em contraste, outros métodos ou falharam em atingir as metas de cobertura ou produziram intervalos excessivamente amplos.
  • Sensibilidade: O método permaneceu robusto a variações no tamanho da simulação ($M$) e nas taxas de erro de cobertura nominal, com eficiência ótima observada em tamanhos de simulação moderados.
  • Insights Espaciais: O modelo identificou com sucesso disparidades regionais no crescimento da adoção e a incerteza associada, destacando áreas com alto potencial de crescimento, mas com riscos de planejamento compostos.

Significância e Alegações

O artigo alega que a HPCP fornece uma ferramenta teoricamente sólida e praticamente confiável para o planejamento de operação de DERs consciente da topologia. Sua significância é tripla:

1. Confiabilidade: Aborda a lacuna crítica na literatura existente, onde as previsões de nível de circuito não se traduzem em garantias válidas de nível de subestação, uma necessidade para a gestão de rede avessa ao risco.
2. Eficiência: Ao aproveitar a topologia da rede, evita o excesso de conservadorismo típico dos métodos de agregação ingênua, fornecendo intervalos mais precisos que são mais úteis para a tomada de decisão.
3. Aplicabilidade: A estrutura é particularmente valiosa em cenários com dados limitados e alta estocasticidade, como mercados de DER emergentes, onde as previsões pontuais tradicionais são propensas a erros elevados.

Os autores reconhecem limitações, observando que o algoritmo atual assume uma hierarquia de dois níveis fixa e é mais adequado para previsões de curto prazo. Eles sugerem que trabalhos futuros possam estender a estrutura para hierarquias mais profundas e estruturas de rede não estáticas.