Resumo Técnico: Previsão Probabilística de Carga de Pico em Baixa Tensão com Modelos de Fundação de Séries Temporais

1. Definição do Problema

A previsão de carga em baixa tensão (BT) é crítica para Operadores de Sistemas de Distribuição (DSOs) que gerenciam redes com alta eletrificação e geração descentralizada (ex: veículos elétricos, bombas de calor e sistemas fotovoltaicos (FV)). Os métodos atuais de previsão enfrentam diversas limitações:

• Alto Esforço Manual: Modelos tradicionais frequentemente exigem treinamento e ajuste significativos para conjuntos de dados específicos.
• Falta de Estimativa de Incerteza: Muitos métodos falham em fornecer previsões probabilísticas necessárias para a gestão de riscos.
• Previsão de Pico Inadequada: Modelos existentes frequentemente têm dificuldade em prever com precisão os picos de carga críticos, que são o principal motor para o planejamento de ativos da rede e prevenção de sobrecargas.
• Lacunas de Avaliação: As previsões são frequentemente avaliadas usando métricas padrão (ex: MAE, RMSE) que não refletem os requisitos operacionais específicos dos DSOs, como o equilíbrio entre o custo das medidas de controle e o risco de falha da rede.

O artigo aborda a lacuna na literatura quanto à aplicação de Modelos de Fundação de Sé Series Temporais (TSFMs) para a previsão de carga de alimentadores de BT a curto prazo, focando especificamente na previsão de pico probabilística e na avaliação orientada à aplicação.

2. Metodologia

2.1 Conjunto de Dados e Configuração Experimental

• Dados: O estudo utiliza o conjunto de dados FeederBW, composto por 200 alimentadores de BT do mundo real medidos ao longo de dois anos (2023–2025) com resolução temporal de 15 minutos. O conjunto de dados inclui potência ativa (trifásica), dados meteorológicos (previsões de curto prazo) e metadados do alimentador.
• Horizonte de Previsão: É utilizado um horizonte de quatro dias, representando uma janela prática para o planejamento de DSOs.
• Modelos Avaliados:
  • TSFMs (Zero-shot/Few-shot): Chronos-Bolt, Chronos-2 e TabPFN-TS. Estes modelos são avaliados sem treinamento específico para a tarefa (zero-shot), embora um regressor de covariável (CatBoost) seja ajustado para o Chronos-Bolt para incorporar dados meteorológicos.
  • Baselines: Seis modelos totalmente treinados, incluindo um baseline ingênuo (WeekNaive), modelos baseados em árvores (XGBoost, XGBoost+) e redes neurais (MLP, TFT, PatchTST).
• Saída Probabilística: Todos os modelos são configurados para fornecer estimativas pontuais (média/mediana) e quantis (0,05 e 0,95) para permitir a quantificação da incerteza.

2.2 Estudo de Ablação de Covariáveis

Para investigar o papel da informação externa, os autores realizam um estudo de ablação onde as covariáveis meteorológicas (especificamente a radiação solar) são omitidas dos TSFMs. Isso testa a capacidade dos modelos de se adaptarem ao aumento da incerteza e sua dependência de variáveis exógenas, o que é crucial para a previsão de geração fotovoltaica.

2.3 Nova Métrica Orientada à Aplicação

O artigo propõe uma nova métrica adaptada às necessidades operacionais dos DSOs, indo além dos erros de regressão padrão. Esta métrica vincula o desempenho da previsão ao risco de sobrecarga de ativos da rede versus o custo das medidas de controle (ex: corte de carga/curtailment).

• Mecanismo: Inspirado na curva tempo-corrente de um fusível, a métrica define um limiar (baseado em uma porcentagem da capacidade máxima do alimentador) e um tamanho de janela (duração da média móvel).
• Classificação: Os valores reais vs. previstos são comparados contra o limiar para gerar uma matriz de confusão (Verdadeiro/Falso Positivo/Negativo).
  • Falsos Negativos: A carga real excede o limiar, mas a previsão não o faz (Risco de falha/sobrecarga).
  • Falsos Positivos: A previsão excede o limiar, mas a carga real não o faz (Custo de medidas de controle desnecessárias).
• Saída: A métrica calcula a Precisão, o Recall e o F1 Score (média harmônica) como um Indicador Chave de Desempenho (KPI) percentual. É calculado separadamente para picos de consumo (alta carga) e picos de produção (alta injeção/feed-in).

3. Principais Contribuições

1. Avaliação Extensiva de TSFMs: Um benchmarking abrangente de três TSFMs (Chronos-Bolt, Chronos-2, TabPFN-TS) contra seis baselines em 200 alimentadores de BT do mundo real.
2. Análise de Covariáveis: Um estudo de ablação demonstrando como os TSFMs se adaptam à ausência de dados meteorológicos, destacando sua robustez apesar da importância da irradiância solar para a geração fotovoltaica.
3. Métrica Orientada à Aplicação: A introdução de um novo KPI que traduz o desempenho técnico da previsão em métricas relevantes para o negócio (custo vs. risco) para os conselhos de gestão de DSOs.

Implicações e Alegações

O artigo afirma que os Modelos de Fundação de Séries Temporais representam uma mudança de paradigma para a previsão de carga de BT, oferecendo:

• Implantação Rápida: A capacidade de gerar previsões de alta qualidade sem pipelines de treinamento específicos para cada conjunto de dados.
• Robustez: A capacidade de lidar com a incerteza e se adaptar efetivamente à ausência de covariáveis.
• Relevância Operacional: A métrica proposta orientada à aplicação preenche a lacuna entre os resultados da ciência de dados e os objetivos operacionais dos DSOs, permitindo que as partes interessadas avaliem as previsões com base nos compromissos específicos de planejamento de rede (custo vs. confiabilidade).

Os autores concluem que, embora os TSFMs apresentem um desempenho "out-of-the-box" superior, trabalhos futuros devem focar na otimização da integração de covariáveis e na adaptação das funções de perda para otimizar diretamente para métricas específicas de aplicação, como o KPI baseado em F1 proposto. O estudo enfatiza que, embora os TSFMs sejam promissores, sua avaliação deve ser específica ao contexto, particularmente para aplicações de infraestrutura crítica.

4. Resultados

4.1 Desempenho dos Modelos

• Superioridade dos TSFMs: Os TSFMs geralmente superam os baselines totalmente treinados. O Chronos-2 alcança o melhor desempenho geral, com o menor MAE Mediano (3,839 kW) e RMSE, e métricas de quantil superiores (Pinball loss: 0,5545 kW).
• Precisão de Quantil: O Chronos-2 fornece intervalos de previsão bem calibrados com uma cobertura empírica de 89,75% (próximo ao alvo de 90%), equilibrando melhor a nitidez (sharpness) e a cobertura do que outros modelos. O Chronos-Bolt produz intervalos nítidos, mas sofre com baixa cobertura (62,38%), indicando subestimação da incerteza.
• Velocidade de Inferência: Os TSFMs eliminam o tempo de treinamento. O Chronos-2 oferece inferência rápida (<25 min para o conjunto completo), enquanto o TabPFN-TS é significativamente mais lento (>8 horas).

4.2 Impacto das Covariáveis

• Queda de Desempenho: A remoção das covariáveis meteorológicas degrada todos os TSFMs. Para o Chronos-2, o MAE aumenta de 3,839 kW para 4,813 kW.
• Adaptação de Incerteza: Na ausência de dados meteorológicos, os modelos ampliam seus intervalos de previsão (aumentando a incerteza) para compensar, particularmente durante as horas do meio-dia quando a geração fotovoltaica é mais volátil. Isso demonstra a capacidade dos modelos de se adaptarem ao aumento da incerteza sem retreinamento explícito.

4.3 Resultados da Métrica Orientada à Aplicação

• Detecção de Picos: Os TSFMs geralmente alcançam F1 scores mais altos do que os baselines na detecção de picos críticos.
• Consumo vs. Produção: Os picos de produção (injeção) são geralmente mais fáceis de prever (maiores F1 scores) do que os picos de consumo, provavelmente devido à natureza mais determinística da irradiância solar em comparação com o consumo estocástico.
• Ponto vs. Quantil: O uso de quantis (0,95 para consumidores, 0,05 para produtores) aumenta o Recall (menos picos perdidos) mas diminui a Precisão (mais alarmes falsos) em comparação com as estimativas pontuais. O F1 score permanece maior para as estimativas pontuais neste setup específico, embora o equilíbrio seja crítico para a tomada de decisão operacional.