Resumo Técnico: Previsão de Consumo de Eletricidade Usando Aprendizado de Conjunto Cooperativo com SHAP

Declaração do Problema

Gerenciar o consumo de eletricidade em instituições de ensino apresenta desafios significativos devido à suscetibilidade desse recurso a diversos fatores influenciadores, incluindo expansão institucional, flutuação no número de estudantes e condições climáticas. Nas universidades, a demanda cresce rapidamente, tornando necessária uma gestão energética eficiente para sustentabilidade e competitividade operacional. No entanto, a previsão precisa é complicada pela vulnerabilidade dos padrões de consumo a falhas de equipamentos, instabilidades na rede e comportamentos institucionais únicos, como períodos fixos de férias, horários alternados e eventos esporádicos, como conferências.

A literatura existente frequentemente carece de estudos que abordem a previsão de eletricidade em instituições de ensino utilizando modelos de aprendizado de conjunto cooperativo. Além disso, modelos de séries temporais tradicionais e abordagens padrão de aprendizado de máquina frequentemente lutam com os padrões de consumo não estacionários, irregulares e altamente variáveis observados nesses contextos, particularmente ao prever horizontes estendidos (por exemplo, 12 meses).

Metodologia

O estudo propõe uma estrutura inovadora para prever o consumo de eletricidade com 12 meses de antecedência, utilizando dados de dois campi do Instituto Federal do Paraná (IFPR): Palmas (Conjunto de Dados 1) e Coronel Vivida (Conjunto de Dados 2). A metodologia consiste em três etapas principais:

1. Preparação de Dados e Seleção de Características

• Conjunto de Dados: Dados históricos de consumo (kWh) de setembro de 2017 a março de 2024 (79 meses) foram analisados.
• Variáveis Exógenas: O conjunto de dados foi ampliado com variáveis climáticas (temperatura, chuva, umidade, vento, radiação solar), um identificador do período pandêmico (COVID-19) e variáveis temporais fictícias (Mês, Ano).
• Seleção de Características: Para reduzir a complexidade e melhorar a eficiência, foram empregadas Explicações Aditivas de Shapley (SHAP). Com base nos valores de importância derivados dos modelos XGBoost e Random Forest (RF), foi conduzido um processo de eliminação sequencial de características. Isso reduziu o conjunto inicial de 47 preditores para 11, retendo as características mais significativas, como defasagens de consumo, métricas específicas de temperatura e identificadores temporais.

2. Treinamento de Modelo e Otimização de Hiperparâmetros

Quatro modelos de aprendizado de máquina foram selecionados por sua eficácia comprovada: Long Short-Term Memory (LSTM), Random Forest (RF), Regressão por Vetores de Suporte (SVR) e Extreme Gradient Boosting (XGBoost).

• Otimização: Os hiperparâmetros de cada modelo foram ajustados finamente utilizando dois algoritmos metaheurísticos: Algoritmo Genético (GA) e Otimização por Enxame de Partículas (PSO). O objetivo foi minimizar o Erro Absoluto Médio (MAE).
• Seleção: O GA consistentemente superou o PSO na busca por configurações ótimas, particularmente para RF e XGBoost, onde o PSO teve dificuldades com a convergência. Os modelos otimizados foram designados como GA-LSTM, GA-RF, GA-SVR e GA-XGBoost.
• Validação: Uma abordagem híbrida de divisão de dados foi utilizada, reservando os últimos 12 meses para teste e empregando validação cruzada de 5 dobras para treinamento.

3. O Ensemble "Weaker Separator Booster" (WSB)

Uma nova abordagem de aprendizado de conjunto cooperativo, denominada Weaker Separator Booster (WSB), foi proposta para aprimorar o desempenho do melhor preditor individual (GA-LSTM).

• Conceito: O WSB aproveita o teorema "no-free-lunch" (não há almoço grátis) ao calcular a média das previsões dos modelos "mais fracos" (GA-RF, GA-SVR, GA-XGBoost), que tendiam a produzir previsões lineares e estáveis, mais próximas de uma linha horizontal.
• Mecanismo: Essa média serve como um ponto de referência estável representando a "incapacidade de aprender" padrões complexos. Um mecanismo de boosting adaptativo ajusta a previsão do GA-LSTM (o aprendiz mais forte) incorporando essa referência. O ajuste é governado por um parâmetro de peso que aumenta e diminui dinamicamente ao longo do horizonte de previsão para mitigar o acúmulo de erro na previsão recursiva.

Principais Resultados

A abordagem proposta foi avaliada usando Erro Absoluto Médio (MAE) e Erro Porcentual Absoluto Médio Simétrico (sSMAPE).

• Conjunto de Dados 1 (Campus Palmas):

  • O modelo WSB alcançou o melhor desempenho com um sSMAPE de 13,90% e um MAE de 1990,87 kWh.
  • O modelo GA-LSTM autônomo ficou em segundo lugar com um sSMAPE de 15,35% e MAE de 2264,50 kWh.
  • Ambos superaram significativamente os modelos de séries temporais tradicionais (por exemplo, ARIMA, Holt-Winters) e outras redes neurais (CNN, ESN).

• Conjunto de Dados 2 (Campus Coronel Vivida):

  • O modelo WSB novamente demonstrou desempenho superior com um sSMAPE de 18,72% e um MAE de 464,93 kWh.
  • O modelo GA-LSTM alcançou um sSMAPE de 18,80% e MAE de 466,92 kWh.
  • Modelos tradicionais e outras redes neurais apresentaram taxas de erro mais altas, com valores de sSMAPE variando até 41,59%.

• Análise SHAP:

  • A análise de importância das características revelou que valores defasados de séries temporais (consumo histórico) foram os preditores dominantes para ambos os campi.
  • Variáveis climáticas tiveram influência mínima em comparação com fatores temporais e históricos.
  • Padrões distintos emergiram: Em Palmas, os valores defasados influenciaram positivamente as previsões, enquanto em Coronel Vivida, eles exibiram uma correlação negativa, sugerindo relações inversas entre o consumo passado e presente naquele local específico.

Significado e Alegações

O artigo afirma que a abordagem proposta Weaker Separator Booster (WSB) aborda efetivamente a complexidade da previsão de consumo de eletricidade em instituições de ensino. Seu significado reside em três contribuições principais:

1. Integração de Variáveis Externas: O estudo incorpora sistematicamente variáveis externas (pandemia, clima, eventos de calendário) e utiliza SHAP para seleção rigorosa de características, garantindo que os modelos sejam treinados com as entradas mais relevantes.
2. Otimização Comparativa: Fornece uma comparação abrangente de diversos modelos de IA (redes neurais, métodos de ensemble, SVMs) otimizados via GA e PSO, oferecendo insights sobre as arquiteturas mais adequadas para este domínio específico.
3. Estratégia de Ensemble Inovadora: O método WSB introduz uma estratégia única para preencher a lacuna entre o melhor preditor e os modelos mais fracos. Ao usar a média de preditores mais fracos e estáveis para ajustar o preditor mais forte, a abordagem reduz o viés e melhora a generalização, alcançando taxas de erro mais baixas do que modelos individuais ou métodos estatísticos tradicionais.

Os autores reconhecem que, embora a abordagem WSB tenha melhorado o desempenho, prever 12 meses à frente permanece desafiador devido ao acúmulo de erro em estratégias recursivas e eventos imprevistos (por exemplo, o pico de consumo de 2023). O estudo conclui que, embora o método proposto seja promissor, trabalhos futuros devem explorar horizontes de previsão mais curtos e expandir a metodologia para instituições geograficamente diversas para validar ainda mais sua aplicabilidade.