Bridging the climate to energy data gap: simulated annealing for representative climate year selection

Este estudo propõe e valida um método de otimização por recozimento simulado, utilizando a distância de Wasserstein sazonal fatiada, para selecionar subconjuntos altamente representativos de anos climáticos a partir de grandes conjuntos, superando significativamente as práticas atuais e algoritmos alternativos, a fim de fornecer entradas robustas e não tendenciosas para a modelagem de sistemas energéticos.

O essencial

Imagine que você está tentando projetar uma rede elétrica capaz de lidar com o clima dos próximos 30 anos. O problema é que o clima é caótico e imprevisível. Cientistas do clima executaram simulações em supercomputadores que geraram 180 anos possíveis diferentes de dados climáticos para mostrar todos os cenários possíveis (desde anos super ventosos até secas).

No entanto, os modelos computacionais usados para projetar a rede elétrica real são muito pesados e lentos. Eles não conseguem processar 180 anos de dados de uma vez; conseguem lidar apenas com um punhado minúsculo, talvez 5 ou 30 anos.

A grande questão é: Quais anos específicos devemos escolher?

Se você escolher os anos errados, pode construir uma rede que funciona muito bem em um verão ameno, mas colapsa durante um inverno frio e sem vento. Se escolher os anos errados, pode desperdiçar bilhões de dólares em infraestrutura inadequada.

O Problema com os Métodos Atuais

Atualmente, muitos planejadores energéticos escolhem anos de forma um tanto aleatória ou apenas olhando para o "ano médio". Os autores deste artigo dizem que isso é como tentar entender uma biblioteca inteira lendo apenas uma página aleatória. Frequentemente, isso deixa de fora eventos extremos (como uma "Dunkelflaute"—um período sem vento e sem sol) que são cruciais para o planejamento.

A Solução: Uma "Busca Inteligente" (Recozimento Simulado)

Os autores propõem um novo método chamado Recozimento Simulado.

A Analogia:
Imagine que você está em uma vasta cadeia de montanhas envolta em neblina e quer encontrar o vale absolutamente mais baixo (o melhor conjunto de anos).

• Busca Aleatória é como jogar um dardo em um mapa e caminhar até lá. Você pode ter sorte, mas provavelmente perderá o vale mais profundo.
• K-Medoids (o padrão antigo) é como agrupar as montanhas em clusters e escolher o centro de cada grupo. É aceitável, mas pode perder a forma específica do terreno.
• Recozimento Simulado é como um caminhante que é inteligente, mas também disposto a correr riscos.
  • O caminhante começa em um local aleatório.
  • Ele olha ao redor. Se encontrar um local mais baixo, move-se para lá.
  • Crucialmente: Às vezes, ele pode dar um passo montanha acima (um local pior) apenas para ver se há um vale ainda mais profundo do outro lado daquela colina.
  • À medida que a "caminhada" avança, ele fica menos disposto a dar esses passos arriscados para cima e começa a focar em encontrar o fundo absoluto.
  • Isso impede que ele fique preso em uma pequena depressão rasa (um mínimo local) e perca o ponto mais baixo verdadeiro (o mínimo global).

Como Eles Medem a "Qualidade"

Como eles sabem se os 5 ou 30 anos escolhidos são realmente bons? Eles usam uma ferramenta matemática chamada Distância de Wasserstein Sazonal Fatia.

A Analogia:
Pense nos 180 anos de dados climáticos como um grande smoothie complexo feito de muitos ingredientes (vento, sol, temperatura, demanda de eletricidade).

• Uma média simples pode apenas verificar se a quantidade total de morangos está certa.
• Esta nova ferramenta verifica:
  1. Os Ingredientes: Há a quantidade certa de vento e sol?
  2. A Mistura: Os ingredientes se misturam corretamente? (Por exemplo: o vento forte geralmente ocorre com pouco sol? Ou eles ocorrem juntos?)
  3. O Timing: A mistura está certa separadamente para inverno e verão? (Um verão ventoso é ótimo, mas um inverno ventoso é ainda melhor para aquecimento. Se você escolher anos que são ventosos no verão, mas calmos no inverno, você falha no teste).

A ferramenta calcula uma "pontuação" de quão diferente seu pequeno smoothie (os anos selecionados) é do grande smoothie (todos os 180 anos). Quanto menor a pontuação, melhor a correspondência.

O Que Eles Encontraram

Os pesquisadores testaram seu método de "Busca Inteligente" contra palpites aleatórios, palpites filtrados e o antigo método de agrupamento em três cenários:

1. Apenas os Países Baixos (30 anos).
2. Toda a Europa (30 anos).
3. Toda a Europa (5 anos).

Os Resultados:

• O Vencedor: A "Busca Inteligente" (Recozimento Simulado) encontrou consistentemente os melhores conjuntos de anos.
• O Multiplicador Mágico: Quando escolheram apenas 30 anos usando este método, esses 30 anos foram tão representativos que atuaram como 130 a 140 anos de dados. Eles obtiveram 4 a 5 vezes mais "valor" dos dados do que tinham fisicamente.
• Melhor que a Prática Atual: O método utilizado é 2,5 a 3,5 vezes melhor que o padrão atual usado por grandes organizações energéticas europeias (ENTSO-E).
• Consistência: Ao contrário de outros métodos que dependem fortemente de "sorte" (obter um bom resultado apenas por acaso), este método funciona de forma confiável toda vez que é executado.

A Conclusão

Este artigo não diz apenas "escolha anos melhores". Ele fornece uma receita específica e matematicamente comprovada (Recozimento Simulado + uma ferramenta de pontuação específica) para garantir que, quando as empresas energéticas construírem a rede para o futuro, elas não estejam apostando em um palpite sortudo. Elas estão usando uma amostra pequena, cuidadosamente selecionada, que espelha perfeitamente a realidade complexa e caótica do clima completo.

Uma nota final sobre o "Ano": O artigo também sugere definir um "ano" de 1º de abril a 31 de março (em vez de janeiro a dezembro). Por quê? Porque isso mantém o inverno junto em um único bloco. Como o inverno é o período mais estressante para a rede elétrica (aquecimento + menos sol), dividir o inverno entre dois anos civis quebraria os dados e tornaria mais difícil planejar para essas ondas de frio críticas.

Resumo técnico

Resumo Técnico: Preenchendo a Lacuna entre Dados Climáticos e Energéticos via Recozimento Simulado

Declaração do Problema
Os modelos de sistemas energéticos estão cada vez mais dependentes de entradas climáticas precisas para planejar fontes renováveis dependentes do tempo. No entanto, existe um desajuste fundamental entre a ciência climática e a modelagem de sistemas energéticos. A ciência climática utiliza grandes conjuntos (centenas a milhares de anos simulados) para capturar a distribuição completa de resultados possíveis, incluindo extremos. Por outro lado, os modelos de sistemas de potência, que demandam alto poder computacional (lidando com compromisso de unidades, restrições de rede e dinâmicas de mercado com resolução horária), tipicamente conseguem processar apenas um punhado de anos (1–30).

As práticas atuais para selecionar esses anos representativos, como as utilizadas pelo ENTSO-E na Avaliação de Adequação de Recursos Europeia (ERAA), frequentemente dependem de métodos não validados, como seleção aleatória, seleção pseudo-aleatória em torno de um período-alvo ou agrupamento K-Medoids. Essas abordagens carecem de critérios explícitos de representatividade, arriscando decisões de investimento enviesadas e deixando os sistemas energéticos despreparados para condições climáticas plausíveis que são excluídas por metodologias deficientes. A seleção de um pequeno subconjunto de um grande conjunto é um problema combinatório com uma "explosão combinatória" de possibilidades (por exemplo, selecionar 30 anos de 180 gera $\approx 1,3 \times 10^{34}$ combinações), tornando a busca exaustiva inviável.

Metodologia
Este estudo propõe o Recozimento Simulado (SA) como um método de otimização para selecionar subconjuntos representativos de anos climáticos completos a partir de grandes conjuntos. A abordagem é avaliada contra três métodos alternativos: Busca Aleatória (RS), Busca Aleatória Filtrada (FRS) e agrupamento K-Medoids.

• Fonte de Dados: O estudo utiliza o Banco de Dados Climático Pan-Europeu (PECD), especificamente 180 anos climáticos (6 modelos CMIP6 $\times$ 30 anos sob o cenário SSP2-4.5, 2016–2045).
• Variáveis: A seleção é realizada em variáveis derivadas de impacto energético, em vez de campos meteorológicos brutos, para contabilizar não linearidades. Estas incluem produção eólica offshore/onshore, produção solar, vários tipos de energia hidrelétrica, demanda de eletricidade e carga residual, agregadas em médias diárias ao nível nacional (NUTS0).
• Função de Custo (Métrica de Representatividade): O estudo emprega a Distância de Wasserstein Sazonal Fatia (SSWD).
  • Distância de Wasserstein: Uma métrica de transporte ótimo que quantifica o "trabalho" necessário para transformar uma distribuição de probabilidade em outra, capturando estruturas de dependência conjunta e correlações entre variáveis.
  • Aproximação Fatia: Para lidar com dados de alta dimensão de forma eficiente, os dados multivariados são projetados em linhas unidimensionais aleatórias, e a distância de Wasserstein unidimensional é calculada e média.
  • Extensão Sazonal: Para evitar vieses sazonais (por exemplo, um verão ventoso compensando um inverno de baixo vento), o conjunto de dados é dividido em inverno estendido (outubro–março) e verão (abril–setembro). A SSWD é definida como o máximo das duas distâncias sazonais, garantindo que ambas as estações sejam adequadamente representadas.
• Algoritmos:
  • Recozimento Simulado: Um algoritmo de otimização estocástica que troca iterativamente anos em um subconjunto candidato, aceitando soluções piores com uma probabilidade decrescente para escapar de mínimos locais.
  • K-Medoids: Agrupa anos e seleciona o membro mais central (medoide) de cada agrupamento.
  • Busca Aleatória Filtrada: Aplica pré-filtros baratos (diferença de média e distância energética) para rejeitar candidatos ruins antes de calcular a SSWD, que é custosa.
• Desenho Experimental: Três estudos de caso foram conduzidos: (1) 30 anos para os Países Baixos, (2) 30 anos para a Europa e (3) 5 anos para a Europa. Cada método foi executado 25 vezes para avaliar a consistência usando fatores de "sorte" e "fragilidade".

Principais Resultados
Em todos os três estudos de caso, o Recozimento Simulado produziu consistentemente os subconjuntos mais representativos:

• Desempenho: O SA alcançou as menores pontuações de SSWD em todos os casos. No caso europeu de 30 anos, o subconjunto SA foi aproximadamente 2,5–3,5 vezes mais representativo que a prática atual do ENTSO-E (ERAA25), apesar desta última utilizar 36 anos em comparação com os 30 do SA.
• Tamanho de Amostra Efetivo: Os subconjuntos selecionados pelo SA alcançaram um "tamanho de amostra efetivo" quatro a cinco vezes maior que seu tamanho real. Por exemplo, o melhor subconjunto SA de 30 anos para os Países Baixos foi estatisticamente equivalente a uma extração aleatória de qualidade mediana de 140 anos.
• Consistência: O SA demonstrou baixos fatores de "sorte" e "fragilidade", indicando desempenho estável independentemente das condições iniciais. Em contraste, a Busca Aleatória Filtrada performou bem em cenários de extração única, mas degradou significativamente em casos de alta dimensão (europeus), frequentemente performando pior que a busca aleatória simples devido a pré-filtragem excessivamente restritiva.
• Comparação: O K-Medoids consistentemente ficou em segundo lugar, mas não otimizou diretamente a representatividade da distribuição conjunta da mesma forma que o SA.

Significado e Alegações
O artigo alega que a abordagem proposta SA+SSWD preenche a lacuna entre a ciência climática (grandes conjuntos) e a modelagem de sistemas energéticos (pequenos subconjuntos), fornecendo um método validado e agnóstico à aplicação para seleção de anos climáticos.

• Quantificação Objetiva: O estudo argumenta que a representatividade deve ser objetivamente quantificada e otimizada, em vez de depender de convenção ou extrações aleatórias não validadas.
• Robustez: Ao otimizar o conjunto de dados de entrada antes do processamento específico de energia (uma abordagem de baixo para cima), o método garante que os dados de origem entrando em qualquer estudo energético sejam validados para variabilidade climática. Isso previne que modelos a jusante sejam enviesados por pontos de partida não representativos.
• Aplicabilidade Geral: A metodologia não se limita à modelagem de sistemas energéticos; é aplicável a qualquer domínio que exija a seleção de períodos completos representativos a partir de grandes conjuntos de dados, incluindo avaliações de rendimento eólico, simulações de energia de edifícios, estudos hidrológicos e modelagem de impacto agrícola.
• Recomendações Práticas: Os autores recomendam o uso do Recozimento Simulado com a métrica SSWD, executando múltiplas iterações para garantir quase-optimalidade, e definindo anos climáticos como anos hidrológicos (1º de abril a 31 de março) para preservar eventos de estresse de adequação de recursos no inverno.

O estudo conclui que, embora o SA não garanta um ótimo global (devido à inviabilidade da avaliação por força bruta), seu desempenho consistente em múltiplas execuções e sua capacidade de superar significativamente as práticas atuais da indústria o tornam um padrão superior para selecionar anos climáticos representativos.