🤖 machine learning

Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers

Este artigo apresenta o Longitudinal Tabular Transformer (LTT), um modelo de atenção axial que reformula a previsão do tempo de restauração de interrupções elétricas como uma tarefa longitudinal ao aproveitar dados de revisões históricas, alcançando reduções significativas de erro e melhoria na satisfação do cliente em seis empresas de serviços públicos em comparação com os métodos existentes.

Autores originais: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

Publicado 2026-09-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Quando uma tempestade interrompe o fornecimento de energia, a pergunta mais urgente para uma família com um dispositivo médico, um negócio com estoque congelado ou uma cidade planejando um centro de acolhimento não é apenas quando as luzes voltarão, mas quando eles podem esperar que elas voltem. As empresas de serviços públicos fornecem essa resposta como um Tempo Estimado de Restauração, uma promessa que guia decisões críticas sobre segurança e sobrevivência. Por décadas, a indústria tratou essas interrupções como eventos estáticos, como tirar uma única fotografia de um fio partido e calcular um tempo de reparo com base naquele único momento. Essa abordagem ignora a realidade de que uma interrupção de energia é uma história viva e em constante mudança. Ela começa com a atribuição de uma equipe, passa pela chegada deles ao local e evolui conforme eles relatam danos, são redirecionados para trabalhos de maior prioridade ou iniciam reparos parciais. Cada uma dessas etapas é registrada como uma nova atualização, uma revisão que altera o tempo restante esperado, embora os métodos tradicionais frequentemente descartem o histórico dessas atualizações para focar apenas no último instantâneo.

Uma equipe de pesquisadores da Exelon Corporation desenvolveu uma nova maneira de lidar com essa complexidade, tratando uma interrupção não como um evento único, mas como uma sequência de revisões. Eles construíram um modelo computacional especializado que aprende com todo o histórico de uma interrupção conforme ela se desenrola. Em vez de adivinhar o tempo de reparo uma única vez, este modelo emite uma estimativa refinada a cada etapa do processo, usando as informações de todas as atualizações anteriores para melhorar sua previsão. Ao analisar dados de quase 243.000 interrupções relacionadas a tempestades em seis empresas de serviços públicos diferentes, envolvendo mais de dez milhões de atualizações registradas, os pesquisadores descobriram que essa abordagem supera significativamente os métodos padrão atuais usados pelas concessionárias. O novo modelo reduziu o erro nas estimativas de tempo em uma mediana de quase 37 por cento em comparação com as estimativas oficiais publicadas pelas empresas durante as mesmas tempestades. Ele também superou os melhores métodos existentes de aprendizado computacional em mais de 11 por cento, provando que ouvir a história completa de uma interrupção, em vez de apenas seu capítulo final, leva a previsões mais precisas e confiáveis para os clientes.

O cerne desta melhoria reside na forma como o modelo processa as informações. No passado, os sistemas olhavam para o status mais recente de uma interrupção e ignoravam o caminho percorrido até chegar ali. O novo sistema, chamado de Longitudinal Tabular Transformer, presta atenção ao fluxo do tempo. Ele entende que uma equipe chegando a um local altera a perspectiva de forma diferente de uma equipe sendo suspensa e enviada para outro trabalho. O modelo rastreia essas mudanças continuamente, aprendendo que, quanto mais atualizações ele vê, mais precisa se torna sua estimativa. Isso é particularmente importante porque os maiores erros de previsão ocorrem logo no início, quando há pouco histórico para se apoiar. À medida que a interrupção progride e mais dados se acumulam, a precisão do modelo melhora constantemente, espelhando a maneira como os despachadores humanos ganham confiança à medida que reúnem mais fatos.

Os pesquisadores testaram este sistema contra as estimativas reais divulgadas pelas empresas de serviços públicos durante tempestades reais, utilizando uma métrica que pondera os erros com base em quantos clientes são afetados e por quanto tempo. Isso é crucial porque um erro de estimativa para um pequeno bairro é menos prejudicial do que um erro para uma grande área onde milhares de pessoas estão esperando. Os resultados mostraram que o novo modelo não apenas reduziu o erro médio de tempo, mas também o fez evitando uma armadilha comum dos sistemas antigos. As estimativas tradicionais das concessionárias muitas vezes tendem a ser excessivamente conservadoras, prometendo um tempo de espera maior do que o necessário apenas para garantir que não percam seu prazo. Embora essa estratégia possa fazer com que os clientes se sintam ligeiramente mais satisfeitos no curto prazo, ela leva a grandes erros na duração real. O novo modelo encontrou um equilíbrio melhor, fornecendo estimativas que foram tanto mais precisas quanto mais confiáveis, reduzindo o erro quadrático médio — uma medida de quão longe estavam as previsões — em todas as seis empresas estudadas.

Uma das descobertas mais significativas foi que a melhoria não veio simplesmente de atualizar as estimativas com mais frequência. Os pesquisadores compararam seu modelo com outros programas de computador avançados que também atualizavam suas previsões a cada etapa da interrupção. Mesmo quando esses modelos concorrentes receberam a mesma oportunidade de atualizar com a mesma frequência que o novo sistema, o Longitudinal Tabular Transformer ainda teve um desempenho superior. Isso sugere que a vantagem vem da maneira como o modelo entende a sequência de eventos, e não apenas da velocidade de suas atualizações. O estudo também confirmou que o modelo funciona bem mesmo quando os dados são desorganizados ou incompletos, uma realidade comum na resposta a tempestades, onde as informações podem ser atrasadas ou estar ausentes. Ao contabilizar explicitamente a informação ausente em vez de apenas supô-la, o modelo mantém sua confiabilidade.

O impacto deste trabalho estende-se para além de apenas números melhores em uma tela. Para os milhões de clientes que dependem dessas estimativas para tomar decisões sobre sua saúde, alimentação e segurança, uma previsão mais precisa significa menos incerteza e melhor preparação. O estudo cobriu uma vasta gama de condições, desde interrupções pequenas e rápidas até tempestades massivas que duraram dias, e o modelo apresentou um desempenho consistentemente bom em todas elas. Embora ainda haja espaço para melhorias, já que nenhuma previsão pode ser perfeita, esta pesquisa demonstra um caminho claro a seguir. Ao mudar o foco de uma visão única e estática para uma compreensão dinâmica e evolutiva de uma interrupção, as empresas de serviços públicos podem fornecer aos seus clientes a informação mais confiável possível, transformando uma experiência caótica e estressante em uma onde o cronograma é conhecido com maior certeza.

Resumo Técnico: Predição de Tempos Estimados de Restabelecimento para Interrupções Elétricas Usando Transformers Tabulares Longitudinais

Formulação do Problema
As concessionárias fornecem Tempos Estimados de Restabelecimento (ETRs) aos clientes durante interrupções causadas por tempestades, uma métrica crítica para a tomada de decisão em relação a equipamentos médicos, segurança alimentar e realocação. Pesquisas anteriores trataram a predição de ETR como uma tarefa de regressão tabular estática, onde cada interrupção é caracterizada por um único vetor de características e predita uma única vez. Essa abordagem descarta a natureza longitudinal da gestão de interrupções, onde uma interrupção evolui através de uma sequência de revisões (ex: atribuição de equipe, despacho, avaliação de danos, suspensão, restabelecimento parcial). Cada revisão atualiza a duração restante esperada, mas os modelos existentes normalmente ignoram a trajetória dessas atualizações, baseando-se apenas no estado final ou mais recente.

Os autores reformulam a predição de ETR como um problema de regressão tabular longitudinal. O objetivo é prever o tempo restante até o restabelecimento ( $y_{i,j}$ ) em cada revisão $j$ de um evento de interrupção $i$ , condicionado ao histórico das revisões precedentes. O alvo é definido como o tempo restante, em vez de um carimbo de data/hora absoluto, para remover componentes determinísticos relacionados à posição no calendário e ao tempo da tempestade, garantindo que o alvo seja invariante a quando a interrupção ocorreu.

Metodologia: Transformer Tabular Longitudinal (LTT)
O artigo introduz o Longitudinal Tabular Transformer (LTT), um modelo de atenção axial projetado para consumir o fluxo de revisões que precedem uma predição.

Tokenização e Embedding: As características são incorporadas (embedded) de forma independente. Características contínuas são projetadas linearmente, enquanto características categóricas são mapeadas via embeddings aprendidos. A ausência de dados (missingness) é tratada explicitamente pela adição de um vetor aprendido, em vez de imputar valores, preservando o valor informacional dos dados ausentes (ex: nenhuma equipe atribuída ainda).
Arquitetura: O modelo emprega um mecanismo de atenção de dois eixos:
1. Eixo Intra-revisão: Um bloco Transformer processa os tokens de características dentro de uma única revisão, utilizando um token de agrupamento (pooling) aprendido para agregar a informação das características.
2. Eixo Inter-revisão: Uma sequência de revisões é processada usando atenção cruzada contra características estáticas e contexto do sistema. O modelo incorpora uma codificação temporal usando representações periódicas aprendidas para capturar intervalos operacionais irregulares (ex: tempo decorrido, hora do dia, tempo desde o início da tempestade).
3. Mascaramento: O modelo utiliza uma janela deslizante de tamanho $W=20$ revisões. O preenchimento (padding) é aplicado às posições iniciais da janela para as primeiras revisões. Crucialmente, o modelo utiliza atenção bidirecional dentro da janela porque todas as posções na janela $W(i,j)$ referem-se a timestamps $t_{i,j'} \le t_{i,j}$ , garantindo que não haja vazamento temporal (temporal leakage).
Cabeça de Saída (Output Head): O modelo prediz níveis de quantis ordenados ( $Q = \{1/2, 5/6, 9/10\}$ ) como uma base mais incrementos não negativos. Isso garante a monotonicidade ( $\hat{y}^{(1)} \le \hat{y}^{(2)} \le \hat{y}^{(3)}$ ) e a não negatividade. A estimativa operacional primária corresponde ao nível $5/6$ .
Função Objetivo: O objetivo de treinamento é uma função de penalidade por partes derivada de uma análise interna de satisfação do cliente. Penaliza fortemente a subpredição (o restabelecimento chegando mais tarde do que o prometido) e penaliza moderadamente a sobrepredição. A perda é suavizada por Huber para facilitar o treinamento com métodos baseados em gradiente. Um termo de estabilidade penaliza grandes saltos no timestamp predito entre revisões consecutivas.

Dados e Configuração Experimental
O estudo utiliza dados de seis empresas operadoras (OPCO-1 a OPCO-6) de uma única holding, cobrindo 242.928 interrupções atribuídas a tempestades e aproximadamente 10 milhões de revisões.

Coorte: O conjunto de dados inclui interrupções de clientes padrão e detectadas via SCADA, excluindo interrupções momentâneas, interrupções planejadas e eventos cancelados.
Avaliação: As métricas são ponderadas pelas horas-cliente de exposição para priorizar a precisão em eventos grandes e de longa duração. As principais métricas incluem Erro Assimétrico Ponderado (WAE), Raiz do Erro Quadrático Médio (RMSE) e um Índice de Satisfação do Cliente (CSI) que reflete a estrutura de penalidade assimétrica.
Baselines: O LTT é comparado contra:
- A estimativa do OMS (Sistema de Gestão de Outage) atual da concessionária (publicada durante as mesmas tempestades).
- Um preditor climatológico.
- Modelos de árvore impulsionada (boosted trees) estáticos e com lag-flattened (LightGBM, XGBoost, CatBoost).
- Redes neurais recorrentes (GRU, LSTM).
- Um baseline "lag-flattened" que concatena revisões recentes como características para testar se o benefício provém de engenharia de atributos ou da arquitetura.

Principais Resultados

Performance vs. Incumbente: O LTT reduz o erro assimétrico ponderado pelo cliente (WAE) em uma mediana de 36,9% (intervalo de 10,0–54,0%) em comparação com as estimativas publicadas pelas concessionárias durante as mesmas tempestades em todas as seis empresas.
Performance vs. Baselines Aprendidos: O LTT reduz o WAE em uma mediana de 11,3% (intervalo de 6,2–19,2%) contra o baseline aprendido mais forte de cada empresa.
Trade-off entre Satisfação e Erro: O OMS incumbente frequentemente alcança um CSI competitivo através de uma sobrepredição sistemática (conservadorismo), que uma estatística baseada em taxa como o CSI falha em penalizar. O LTT é o único método que melhora o CSI do incumbente em todas as seis empresas, enquanto simultaneamente reduz o RMSE em todas as seis.
Trajetória de Revisão: A análise de erro mostra que o erro do LTT é maior na primeira revisão (onde não há histórico) e diminui monotonicamente conforme as revisões se acumulam, confirmando a capacidade do modelo de alavancar a trajetória da interrupção.
Independência de Cadência: O ganho de performance não se deve apenas ao fato de o LTT emitir atualizações mais frequentes. Quando o LTT é pontuado usando apenas a predição mais recente disponível no momento de uma atualização do OMS, ele ainda retém um ganho mediano de 34,2% sobre o incumbente.

Significância e Alegações
O artigo alega novidade em três áreas específicas:

Formulação: É o primeiro trabalho a modelar o fluxo de revisões de uma interrupção como uma sequência longitudinal, em vez de um snapshot estático.
Benchmarking: Fornece um benchmark contra estimativas reais de concessionárias voltadas ao cliente, com um controle de cadência explícito, em vez de comparar apenas contra outros modelos de machine learning.
Arquitetura: Contribui com a arquitetura LTT e demonstra sua eficácia através de seis ambientes operacionais distintos.

Os autores concluem que tratar interrupções como sequências de revisões melhora significativamente a precisão do ETR. No entanto, eles permanecem modestos, observando que um erro substancial permanece em todas as empresas e que a caracterização da parte de erro irredutível, juntamente com a avaliação cronológica, é objeto de trabalhos contínuos.

Mais como este