Ensemble Forecasting of Power Quality Parameters

Título: Previsão em Conjunto (Ensemble) de Parâmetros de Qualidade de Energia

1. Problema e Contexto

A crescente integração de tecnologias baseadas em eletrônica de potência (como geração eólica, solar, sistemas de armazenamento de energia - BESS, e sistemas HVDC/FACTS) aumentou a necessidade de monitoramento rigoroso da Qualidade de Energia (PQ - Power Quality) nas redes de transmissão.

• Limitação Atual: Embora os Operadores do Sistema de Transmissão (OSTs) coletem grandes volumes de dados, sua utilização é predominantemente restrita a avaliações de conformidade com normas.
• Necessidade: Existe uma lacuna na previsão de médio a longo prazo (horizontes de vários meses a um ano) dos parâmetros de PQ. Uma previsão precisa permitiria a detecção precoce de tendências adversas, o planejamento proativo de manutenção e decisões de investimento mais informadas.
• Desafios: A previsão de séries temporais de PQ enfrenta heterogeneidade de dados, sazonalidade complexa e a necessidade de robustez computacional ao lidar com grandes conjuntos de séries temporais. Modelos de "caixa preta" (ML/Deep Learning) muitas vezes carecem de explicabilidade e eficiência para este escopo específico.

2. Metodologia

O estudo adota uma abordagem estatística focada em modelos interpretáveis e decomposição de séries temporais.

• Dados:

  • Origem: Campanhas de medição de dois OSTs (Alemanha e Estônia).
  • Escala: 716 séries temporais semanais (agregadas a partir de dados de 10 minutos) cobrindo 3 anos.
  • Locais: 27 pontos de medição em diferentes níveis de tensão (110 kV a 380 kV).
  • Parâmetros: Incluem severidade de flicker ($U_{plT}$), desequilíbrio de tensão ($U_{UNB}$), distorção harmônica total ($U_{THD}$) e harmônicos individuais.
  • Pré-processamento: Cálculo do percentil 95% semanal, tratamento de lacunas (até 20% de dados faltantes preenchidos com o último valor disponível) e normalização em relação aos níveis de planejamento (utilização da rede).

• Modelos Individuais (Base):
  Foram avaliados 8 modelos interpretáveis, incluindo:

  • Baselines: Naive (Sazonal e com Deriva).
  • Suavização Exponencial: Holt-Winters (HW).
  • Modelos ARIMA: SARIMA.
  • Modelos Modernos: Prophet.
  • Decomposição (STL): Combinações de decomposição Sazonal e de Tendência (STL) com métodos de deriva, suavização exponencial, Holt e ARIMA.

• Framework de Ensemble (Conjunto):

  • Construção: Foram geradas 247 configurações de ensembles, combinando de 2 a 8 modelos individuais.
  • Métodos de Combinação: Quatro estratégias foram testadas para agregar as previsões:
    1. Média (pesos iguais).
    2. Mediana (robustez a outliers).
    3. sMAPE (pesos baseados na acurácia histórica do modelo).
    4. Rank (pesos baseados na classificação de desempenho).
  • Avaliação: Utilizou-se um conjunto de treino de 105 semanas e um horizonte de teste de 52 semanas. As métricas foram Erro Absoluto Médio (MAE), sMAPE simétrico e Rank médio.

3. Resultados Principais

• Desempenho de Modelos Individuais:

  • Modelos baseados em decomposição (especialmente STL-ARIMA e STL-ES) superaram significativamente os demais.
  • O melhor modelo individual (STL-ARIMA) alcançou um sMAPE médio de 18,22%, superando a linha de base "Seasonal Naive" (SNaive) em cerca de 12,7%.
  • Modelos complexos como Prophet e Holt-Winters não superaram a linha de base SNaive neste contexto específico.

• Desempenho dos Ensembles:

  • Superioridade Consistente: Todos os ensembles no top 100 superaram o melhor modelo individual.
  • Melhor Configuração: O ensemble D28 (composto por STL-ARIMA, STL-ES, SARIMA e SNaive) utilizando a combinação por Mediana foi o vencedor, alcançando um sMAPE de 17,68%.
  • Ganhos: Isso representa uma melhoria de 2,6% sobre o melhor modelo individual e 15,3% sobre a linha de base SNaive.
  • Robustez: A análise mostrou que aumentar o tamanho do ensemble (número de modelos base) reduz tanto o erro médio quanto a variância de desempenho.
  • Composição vs. Método de Agregação: O sucesso do ensemble depende mais da diversidade e qualidade dos modelos individuais incluídos do que da complexidade do método de agregação (Média ou Mediana já são suficientes).

• Estabilidade: Enquanto modelos individuais podem falhar drasticamente em certas séries temporais, os ensembles estabilizam o desempenho, evitando falhas extremas e oferecendo uma solução mais confiável para a maioria dos casos (62% das comparações mostraram melhoria do ensemble sobre o melhor individual).

4. Contribuições Chave

1. Validação de Ensembles para PQ: Demonstra sistematicamente que a previsão em conjunto é uma abordagem robusta e escalável para a previsão de médio/longo prazo de parâmetros de qualidade de energia em redes de transmissão.
2. Análise de Dados Reais: Utiliza um grande conjunto de dados heterogêneos (716 séries) de dois países europeus, validando a metodologia em cenários reais de operação de rede.
3. Estrutura de Avaliação: Estabelece um framework comparativo que avalia não apenas a precisão pontual, mas também a robustez e a redução de risco de seleção de modelo.
4. Insight sobre Decomposição: Confirma que a decomposição de séries temporais (STL) combinada com métodos clássicos é superior a abordagens de "caixa preta" para este tipo de problema específico.

5. Significado e Impacto

O estudo fornece uma ferramenta prática para Operadores do Sistema de Transmissão (OSTs) para transitar de uma gestão reativa (conformidade) para uma gestão proativa de ativos.

• Planejamento: Permite a identificação antecipada de tendências que podem levar à violação de limites de qualidade de energia, facilitando o planejamento de investimentos em infraestrutura.
• Eficiência Computacional: Ao utilizar modelos interpretáveis e combinações simples (média/mediana), a solução é computacionalmente eficiente para grandes volumes de dados, ao contrário de redes neurais profundas.
• Futuro: Os autores indicam que trabalhos futuros focarão na aplicação em redes de distribuição, previsão probabilística e métricas de acurácia assimétrica que priorizem erros próximos aos limites operacionais críticos.