Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

Resumo Técnico: Desagregação Temporal e de Carga Guiada por Proxy Generalizado

Declaração do Problema
A descarbonização do setor de edifícios, particularmente através da eletrificação dos sistemas de aquecimento, é dificultada pela falta crítica de perfis de carga térmica granular. Embora modelos de previsão avançados (que variam de redes neurais profundas a ferramentas baseadas em física como o EnergyPlus) exijam dados de alta resolução, tais dados são raramente disponíveis para os estoques de edifícios existentes. A medição de gás de alta resolução foge dos requisitos de negócio padrão das concessionárias, deixando os pesquisadores apenas com dados mensais de baixa frequência, irregulares e esparsos. Abordagens convencionais de aprendizado de máquina são impraticáveis neste contexto devido à escassez de dados, enquanto métodos tradicionais de modelagem inversa (por exemplo, métodos de graus-dia) carecem da resolução intra-diária necessária para o dimensionamento preciso de equipamentos e para a modelagem estocástica do comportamento dos ocupantes.

Metodologia
O artigo propõe o framework de Desagregação Temporal e de Carga Guiada por Proxy Generalizado, um processo de quatro estágios projetado para reconstruir perfis de consumo de gás de alta resolução (horários) a partir de faturas de gás mensais de baixa frequência e dados de eletricidade horários. A metodologia baseia-se na decomposição do consumo total de gás natural ($G_{total}$) em dois regimes físicos distintos: aquecimento de espaços ($G_{heat}$) e água quente doméstica ($G_{dhw}$), sendo este último o baseload do sistema, impulsionado pelo comportamento estocástico dos ocupantes.

O framework opera através dos seguintes passos sequenciais:

1. Extração de Proxy de Ocupação Generalizado via Normalização Meteorológica:
   Para isolar sinais comportamentais dos dados de eletricidade horários ($E$), os autores aplicam a Normalização Meteorológica Multivariada utilizando um framework de Regressão Linear Múltipla (MLR). Este passo remove as cargas de resfriamento sazonais (confundidas pelo ar-condicionado) ao regredir a eletricidade contra variáveis meteorológicas (velocidade do vento, umidade, horas de graus de resfriamento) e priors temporais. O Proxy de Ocupação ($E_N$) resultante é um sinal comportamental limpo que representa o uso de iluminação e eletrodomésticos, derivado ao zerar os componentes térmicos no modelo de regressão.

2. Segmentação Unificada e Agrupamento Normalizado:
   Para abordar a insignificância estatística de registros individuais esparsos, o framework identifica períodos de "não-aquecimento" (definidos como meses onde a média de Horas de Graus de Aquecimento < 5). Dados desses períodos em 11 edifícios residenciais multifamiliares são agrupados. Para garantir a comparabilidade, a eletricidade é normalizada pela área de piso, e o consumo de gás é normalizado pela razão específica de volume-para-área ($\phi$) do edifício. Isso cria um conjunto de dados unificado ($D_{pool}$) que revela tendências robustas invisíveis ao nível de um edifício individual.

3. Estimativa de Parâmetros de Baseload Unificado e Calibração Local:
   Um modelo de Mínimos Quadrados Ordinários (OLS) generalizado é treinado no conjunto de dados agrupados para estabelecer uma relação global entre o proxy de ocupação e o consumo de água quente doméstica ($G_{dhw}$). Para considerar as variações específicas de cada edifício na eficiência dos aparelhos, um passo de Calibração Local é aplicado. Um fator de calibração escalar ($\kappa_i$) é derivado para cada edifício, minimizando o resíduo entre a previsão universal e o consumo de gás observado durante o mês mais representativo de não-aquecimento do edifício.

4. Desagregação Temporal por Componentes:
   O estágio final reconstrói perfis horários para ambos os componentes usando uma abordagem de otimização de fluxo duplo.

   • Reconstrução de Baselord: Impulsionada pelas características do proxy elétrico ($X_{dhw}$), modelando o comportamento do ocupante.
   • Reconstrução de Aquecimento: Impulsionada por características meteorológicas ($X_{heat}$), modelando a demanda termodinâmica.
     Um algoritmo de otimização minimiza o erro entre as previsões horárias agregadas e as metas mensais conhecidas, garantindo que os perfis sintetizados conservem estritamente a massa de energia das faturas mensais originais, enquanto aderem a dinâmicas temporais específicas.

Principais Resultados
O framework foi validado em dois conjuntos de dados: um conjunto de dados operacionais de 18 meses de 11 edifícios residenciais multifamiliares e o conjunto de dados de alta resolução Almanac of Minutely Power (AMPds).

• Eficácia do Proxy: O proxy de ocupação normalizado meteorologicamente ($E_N$) demonstrou uma correlação de Pearson média de 0,74 com o consumo de gás em períodos de não-aquecimento, uma melhoria significativa sobre os dados de eletricidade brutos (média $r = 0,28$), confirmando o sucesso no isolamento dos sinais comportamentais.
• Precisão do Baseload: A estratégia de agrupamento e calibração unificada alcançou um Erro Percentual Médio Quadrático (MSPE) de 8,58% para o período de baseload em todo o portfólio.
• Reconstrução da Carga Total: O consumo de gás total reconstruído ($\hat{G}_{total}$) alcançou um MSPE médio de portfólio de 6,37% e um Erro Quadrático Médio Normalizado (NRMSE) de 0,20. O modelo rastreou com sucesso tanto as variações de alta frequência do baseload quanto os picos de aquecimento sem atraso temporal significativo.
• Validação de Alta Resolução: Quando testado no conjunto de dados AMPds (dados em nível de minuto), o framework conseguiu desacoplar efetivamente os componentes de aquecimento e baseload, produzindo MSPEs por componente de aproximadamente 10–11%, demonstrando robustez mesmo em intervalos de nível de minuto.

Significância e Alegações
O artigo afirma que este framework preenche efetivamente a lacuna de resolução entre os dados de utilidades de baixa frequência e os conjuntos de treinamento de alta fidelidade necessários para a modelagem de descarbonização baseada em dados. Ao utilizar a eletricidade horária como um proxy dinâmico e não intrusivo para o comportamento do ocupante, o método supera a escassez de dados que tipicamente impede a aplicação de análises avançadas de IA em retrofits de edifícios.

Os autores posicionam o framework como uma solução escalável para gerar dados de treinamento granulares sem a necessidade de infraestrutura de submedição. A significância reside em sua capacidade de transformar registros de faturamento mensais esparsos em perfis térmicos de alta resolução confiáveis, permitendo assim o dimensionamento preciso de equipamentos e o desenvolvimento de estratégias de eletrificação sustentável para os estoques de edifícios existentes. O artigo conclui que esta abordagem oferece uma ferramenta prática para acelerar os retrofits de eletrificação de edifícios, mantendo a consistência física com o balanço de massa de energia.