🤖 machine learning

Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

Este artigo propõe um framework de explicação escalável baseado em SHAP para Modelos Fundamentais de Séries Temporais, demonstrando que eles podem alcançar precisão competitiva na previsão de carga para o dia seguinte, ao mesmo tempo em que mantêm a transparência e a interpretabilidade alinhada ao domínio exigidas para infraestruturas energéticas críticas.

Autores originais: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

Publicado 2026-05-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

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

Imagine que você está tentando prever quanto eletricidade uma região inteira usará amanhã. No passado, especialistas usavam regras simples ou truques estatísticos. Agora, temos "Modelos Fundamentais de Séries Temporais" (TSFMs). Pense neles como chefes de IA superinteligentes e pré-treinados. Eles provaram milhões de "receitas" diferentes (dados de séries temporais) de todo o mundo. Por terem visto tanto, podem preparar uma previsão para uma nova cozinha (como uma rede elétrica específica) sem nunca precisar praticar naquela cozinha específica antes. Isso é chamado de aprendizado "zero-shot".

No entanto, há um problema. Esses chefs de IA são caixas-pretas. Eles lhe dão uma previsão deliciosa (a previsão), mas não dizem por que adicionaram sal em vez de açúcar. Na rede elétrica, onde erros podem causar apagões, os operadores precisam saber por que a IA acha que a demanda será alta. Eles precisam de transparência, não apenas de um número.

Este artigo apresenta uma nova maneira de olhar dentro da mente do chef para ver exatamente quais ingredientes influenciaram o prato final.

O Problema: A Cozinha "Caixa-Preta"

Os autores usaram dois chefs de IA específicos: Chronos-2 e TabPFN-TS.

Chronos-2 é como um chef que se especializa em ler o ritmo do tempo (como um músico).
TabPFN-TS é como um chef que é ótimo em olhar uma planilha de fatos e encontrar padrões.

Ambos são incrivelmente precisos ao prever a carga elétrica. Mas, se você perguntar: "Por que você previu alto uso para a próxima terça-feira?", eles geralmente apenas dizem: "Porque minha rede neural disse isso". Isso é arriscado para infraestruturas críticas.

A Solução: O Teste do "Ingrediente Faltante"

Para corrigir isso, os autores criaram um método para calcular valores SHAP. Em termos simples, SHAP é uma maneira de dividir justamente o crédito por uma previsão entre todos os ingredientes usados.

Imagine que você está assando um bolo e ele fica delicioso. Para descobrir quanto crédito os ovos merecem, você assa o bolo novamente, mas desta vez deixa de fora os ovos.

Se o bolo desmoronar, os ovos foram cruciais.
Se o bolo tiver o mesmo sabor, os ovos não importaram muito.

Os autores fizeram isso para previsão de eletricidade, mas com uma reviravolta inteligente para torná-lo rápido:

Mascaramento Temporal: Eles perguntaram à IA: "E se fingirmos que não sabemos qual foi o uso de eletricidade na semana passada?" ou "E se fingirmos que não sabemos o que aconteceu ontem?"
Mascaramento de Covariáveis: Eles perguntaram: "E se fingirmos que não sabemos a previsão do tempo?" ou "E se fingirmos que não sabemos se é feriado?"

Ao remover sistematicamente esses "ingredientes" (passos de tempo ou dados meteorológicos) e ver como a previsão muda, eles puderam calcular matematicamente exatamente quanto cada fator contribuiu para a resposta final.

Os Resultados: A IA Está Ouvindo

A equipe testou esses modelos em dados reais de eletricidade de Baden-Württemberg, Alemanha. Aqui está o que eles descobriram:

1. A IA é tão boa quanto os especialistas.
Mesmo sem ser treinada especificamente em dados alemães, esses modelos pré-treinados performaram quase tão bem quanto modelos que passaram anos estudando dados de eletricidade alemães. Eles também foram muito mais rápidos de configurar porque não precisaram ser re-treinados.

2. A IA entende o mundo.
Quando os autores olharam para as "explicações" (os valores SHAP), o raciocínio da IA correspondia perfeitamente ao senso comum humano:

Feriados: Quando o modelo previu menor uso em um domingo ou feriado público, a explicação mostrou que o ingrediente "Feriado" foi a razão principal. Ele sabia que as fábricas fecham e as pessoas ficam em casa.
Temperatura: Em dias frios, o modelo previu maior uso. A explicação mostrou que o ingrediente "Temperatura" estava impulsionando isso, provavelmente porque as pessoas estão usando aquecimento elétrico.
Luz Solar: Quando o sol estava menos brilhante do que no dia anterior, o modelo previu maior uso na rede. A explicação mostrou que isso ocorreu porque os painéis solares (que geralmente ajudam a reduzir a carga na rede) estavam produzindo menos energia.

3. É rápido o suficiente para usar.
Geralmente, fazer esse teste de "ingrediente faltante" leva uma eternidade porque há tantas combinações. Mas, como esses modelos de IA são flexíveis (podem lidar facilmente com dados ausentes), os autores puderam executar o teste em segundos. Por exemplo, explicar uma previsão levou cerca de 5 segundos para o Chronos-2.

A Conclusão

Este artigo prova que não precisamos escolher entre precisão e transparência. Podemos usar esses modelos de IA poderosos e pré-treinados para prever necessidades de eletricidade e também podemos perguntar a eles: "Por quê?" e obter uma resposta clara e lógica que corresponde à nossa compreensão do mundo real sobre clima, feriados e comportamento humano.

É como ter um assistente superinteligente que não apenas lhe dá a resposta certa, mas também lhe entrega o livro de receitas e aponta a página exata onde decidiram adicionar o açúcar extra. Isso torna seguro e confiável o uso dessas ferramentas de IA para manter as luzes acesas.

1. Declaração do Problema

Contexto: A previsão precisa de carga é crítica para equilibrar oferta e demanda nas redes elétricas modernas. Embora modelos de aprendizado profundo (especificamente Modelos Fundamentais de Séries Temporais ou TSFMs) tenham demonstrado desempenho superior em cenários de zero-shot e few-shot, eles operam como "caixas pretas".
Desafio: Aplicações de infraestrutura crítica (como redes elétricas) exigem transparência e confiança, especialmente sob quadros regulatórios como o Ato de IA da UE. Métodos padrão de explicabilidade post-hoc, como Explicações Aditivas de Shapley (SHAP), são teoricamente sólidos, mas computacionalmente proibitivos para TSFMs.
Gargalo Específico: Calcular valores SHAP exatos requer avaliar um modelo em todos os subconjuntos possíveis (coalizões) de características ( $2^n$ ). Para séries temporais com horizontes de entrada longos e múltiplas covariáveis, isso geralmente exige amostragem de um conjunto de dados de fundo para lidar com características ausentes, o que é caro e introduz variância. Além disso, TSFMs padrão são frequentemente tratados como opacos, tornando incerto se eles utilizam covariáveis relevantes para o domínio (como clima, calendário) corretamente.

2. Metodologia

Os autores propõem um algoritmo eficiente para calcular valores SHAP exatos para TSFMs informados por covariáveis, aproveitando sua flexibilidade arquitetural.

Inovação Central: Mascaramento sem Amostragem de Fundo

Diferentemente das implementações tradicionais de SHAP que amostram características ausentes de um conjunto de dados de fundo, esta abordagem explora o fato de que TSFMs (especificamente Chronos-2 e TabPFN-TS) podem lidar nativamente com comprimentos de contexto de entrada arbitrários e covariáveis ausentes.

Agrupamento de Características: Para reduzir a complexidade exponencial ( $2^n$ $2^{n}$ ), as características são agrupadas em $N$ $N$ subconjuntos ( $N \ll n$ $N ≪ n$ ):
- Grupos Temporais: A série temporal histórica de carga é dividida em quatro blocos: Último Dia, Curto Prazo (1 semana), Intermediário (4 semanas) e Longo Prazo (>4 semanas).
- Grupos de Covariáveis: Cada covariável (Feriado, Temperatura, Irradiância) forma seu próprio grupo.
Estratégias de Mascaramento:
- Mascaramento Temporal:
  - Chronos-2: Reduz o comprimento do contexto para mascaramento inicial; define valores como NaN para mascaramento intermediário (tratados internamente como ausentes).
  - TabPFN-TS: Remove as linhas correspondentes inteiramente, pois não consegue lidar com NaN na variável alvo.
- Mascaramento de Covariáveis: Remove completamente covariáveis específicas da entrada.
- Previsão Base: Quando todos os dados são mascarados, o modelo prevê a carga média das últimas 48 semanas (Chronos-2) ou do ano (TabPFN-TS).
Cálculo: O valor SHAP é calculado comparando previsões entre essas $2^N$ coalizões. Isso elimina a necessidade de amostragem de fundo e permite o cálculo exato.

Modelos Avaliados

Chronos-2: Um TSFM baseado em Transformer pré-treinado em diversas séries temporais, estendido para lidar com covariáveis.
TabPFN-TS: Um modelo fundamental tabular adaptado para séries temporais usando aprendizado em contexto (sem ajuste fino baseado em gradiente).

3. Contribuições Principais

Benchmarks de Desempenho: Uma comparação abrangente entre Chronos-2 e TabPFN-TS e Transformers de última geração treinados do zero em dados específicos de Operadores do Sistema de Transmissão (TSO).
Algoritmo SHAP Eficiente: Um método novo e agnóstico ao modelo (dentro de TSFMs) para calcular valores SHAP exatos usando mascaramento temporal e de covariáveis, contornando o custo computacional da amostragem de fundo.
Validação Empírica da Explicabilidade: Demonstração de que TSFMs informados por covariáveis utilizam características externas (clima, calendário) de maneiras consistentes com o conhecimento físico do domínio, validando sua confiabilidade para uso operacional.

4. Resultados Experimentais

Conjunto de Dados e Configuração

Dados: Dados de carga elétrica horários da TransnetBW (Alemanha, Baden-Württemberg) de janeiro de 2015 a setembro de 2025.
Covariáveis: Temperatura, Irradiância Solar (do reanálise ERA5) e um indicador de Feriado.
Tarefa: Previsão de carga para o dia seguinte (horizonte de 24 horas).
Baselines: Uma simples base sazonal e um Transformer treinado do zero (com 1 ano e 8,75 anos de dados).

Precisão da Previsão

Desempenho Zero-Shot: Ambos os TSFMs superaram um Transformer treinado apenas com um ano de dados.
- TabPFN-TS reduziu o MAE em 23,5% comparado ao Transformer de 1 ano.
- Chronos-2 reduziu o MAE em 26,8%.
Dados Completos de Treinamento: Um Transformer treinado com 8,75 anos de dados alcançou o menor erro (MAE: 150,2 MW), superando ligeiramente os TSFMs zero-shot (Chronos-2: 156,2 MW; TabPFN-TS: 163,2 MW).
Impacto das Covariáveis: Incorporar covariáveis melhorou significativamente o desempenho dos TSFMs:
- MAE do Chronos-2 melhorou em 27,0%.
- MAE do TabPFN-TS melhorou em 31,5%.
Comprimento do Contexto: Chronos-2 superou TabPFN-TS em todos os comprimentos de contexto. TabPFN-TS exigiu pelo menos duas semanas de contexto para superar a base, enquanto Chronos-2 precisou apenas de uma semana.

Eficiência de Tempo de Execução

Treinamento: TSFMs requerem tempo de treinamento zero (pré-treinados), enquanto o Transformer levou ~19 minutos para treinar.
Inferência: Chronos-2 é rápido (~~66 ms/previsão). TabPFN-TS é mais lento (~~5,5 s/previsão).
Explicação: Gerar uma explicação SHAP completa leva ~5 segundos para Chronos-2 e ~367 segundos para TabPFN-TS (devido ao tempo de inferência mais lento multiplicado pelo número de coalizões).

Análise de Explicabilidade

Importância Global:
- Carga Passada é a característica dominante (~87-89% de importância).
- Entre as covariáveis, Feriados são os mais importantes, seguidos por Temperatura, depois Irradiância.
- Chronos-2 e TabPFN-TS concordaram na classificação da importância das covariáveis.
Análise Local/Dependência:
- Feriados: Os modelos reduziram corretamente as previsões de carga em feriados e aumentaram-nas no dia útil subsequente. TabPFN-TS dependeu mais pesadamente da bandeira de feriado para domingos/segundas-feiras, enquanto Chronos-2 inferiu padrões semanais a partir da carga passada.
- Temperatura: Os modelos identificaram corretamente que temperaturas em ascensão (relativas ao dia anterior) diminuem a carga (redução da demanda de aquecimento), e vice-versa.
- Irradiância: Os modelos reagiram corretamente a quedas na irradiância solar aumentando as previsões de carga (contabilizando a geração reduzida de PV atrás do medidor).
Conclusão sobre Confiança: As explicações SHAP alinharam-se perfeitamente com o conhecimento de domínio estabelecido, confirmando que os modelos não estão apenas ajustando ruído, mas aprendendo relações físicas.

5. Significado e Trabalho Futuro

Viabilidade Operacional: O estudo prova que TSFMs não são apenas precisos, mas também transparentes. Eles podem servir como ferramentas confiáveis para operadores de rede sem a necessidade de retreinamento extensivo ou coleta de dados.
Conformidade Regulatória: A capacidade de fornecer explicações exatas e teoricamente fundamentadas aborda a barreira da "caixa preta", facilitando a conformidade com regulamentações de IA em infraestrutura crítica.
Escalabilidade: A estratégia de mascaramento proposta é uma abordagem generalizável para explicar qualquer TSFM que aceita contextos de entrada variáveis.
Direções Futuras:
- Estender o framework para previsões probabilísticas e quantificação de incerteza.
- Aplicar o método a outras tarefas energéticas (previsão de preços, geração renovável).
- Investigar como o ajuste fino afeta os padrões de atribuição de características.

Em resumo, este artigo preenche a lacuna entre o alto desempenho dos modelos fundamentais e os estritos requisitos de transparência do setor de energia, demonstrando que Chronos-2 e TabPFN-TS são soluções viáveis, explicáveis e eficientes para previsão operacional de carga.