Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

Resumo Técnico: Modelagem Preditiva do Consumo de Energia Residencial Urbana na Rede Pré-paga do Quênia

Problema
A previsão precisa da carga elétrica é fundamental para a estabilidade da rede, planejamento de receita e gestão energética, particularmente em regiões de rápida urbanização onde a medição pré-paga tornou-se o sistema de faturamento dominante. No entanto, os modelos de previsão existentes frequentemente baseiam-se em suposições derivadas de mercados ocidentais — especificamente, alta sensibilidade às flutuações climáticas (devido ao uso de HVAC) e significativa responsividade a preços de curto prazo. Essas suposições podem não se sustentar em contextos do subsaariano, onde o consumo residencial é impulsionado por atividades de carga de base essenciais e limitado por saldos de crédito pré-pagos, em vez de controle climático ou elasticidade tarifária imediata. Além disso, a natureza de "caixa-preta" dos modelos avançados de aprendizado de máquina (ML) muitas vezes limita sua utilidade para formuladores de políticas que exigem insights transparentes sobre os vetores de demanda. Este estudo aborda a lacuna na compreensão dos verdadeiros drivers da demanda residencial dentro do setor pré-pago queniano e avalia se arquiteturas complexas de ML oferecem vantagens significativas sobre abordagens estatísticas mais simples neste ambiente específico.

Metodologia
O estudo utiliza um conjunto de dados longitudinais abrangendo de janeiro de 2017 a abril de 2026, integrando registros históricos de consumo, variáveis meteorológicas e informações tarifárias da Autoridade de Regulação de Energia e Petróleo (EPRA).

• Engenharia de Atributos (Feature Engineering): O framework utiliza atributos autorregressivos (Lag 1, Lag 2 e Lag 12 kWh) para capturar a persistência de curto prazo e a sazonalidade anual. As variáveis exógenas incluem a temperatura média mensal, Graus-Dia de Resfriamento (CDD) e parâmetros tarifários (Taxa de Subsídio/Lifeline Rate e Limite).
• Framework de Modelagem: Uma abordagem comparativa compara um modelo de Gradient Boosting Extremo (XGBoost) com um modelo de regressão de Mínimos Quadrados Ordinários (OLS) tradicional.
• Estratégia de Validação: Para evitar o vazamento de informações (information leakage), foi utilizada uma estratégia de validação cronológica rigorosa. Os dados de 2017–2024 serviram para treinamento e otimização de hiperparâmetros, enquanto os dados de 2025–2026 foram reservados exclusivamente para testes fora da amostra (out-of-sample).
• Explicabilidade (XAI): O estudo integra Explicações de SHAP (SHapley Additive exPlanations) para quantificar as contribuições das variáveis e interpretar o modelo XGBoost.
• Diagnósticos: A análise inclui verificações de Fator de Inflação da Variância (VIF) para multicolinearidade, análise de autocorrelação/autocorrelação parcial (ACF/PACF), decomposição sazonal e estudos de ablação para isolar a contribção de diferentes grupos de preditores.

Principais Resultados

1. Dominância do Comportamento Histórico: A análise de correlação e os valores de SHAP revelam que o comportamento de consumo histórico é o principal determinante da demanda futura. Variáveis autorregressivas baseadas em defasagem (particularmente Lag 1 e Lag 2) exibem a maior influência preditiva, superando amplamente o impacto das variáveis climáticas ou tarifárias.
2. Paridade de Desempenho dos Modelos: Apesar de sua maior complexidade, o modelo XGBoost alcançou um desempenho de previsão amplamente comparável ao modelo OLS. O modelo XGBoost apresentou um Erro Médio Absoluto (MAE) marginalmente menor, enquanto o OLS apresentou um Erro Quadrático Médio (RMSE) ligeiramente menor. Isso sugere que a informação preditiva no conjunto de dados é amplamente linear e pode ser capturada por relações autorregressivas simples.
3. Impacto Limitado de Variáveis Exógenas: O clima (CDD) e as variáveis tarifárias contribuíram apenas com melhorias marginais na precisão da previsão. Estudos de ablação confirmaram que a adição dessas variáveis a um modelo de "Apenas Defasagem" (Lag Only) resultou em reduções negligenciáveis no RMSE.
4. Persistência Comportamental: Diagnósticos de autocorrelação e decomposição sazonal indicam que a demanda residencial é governada por uma forte persistência temporal e padrões de consumo recorrentes, em vez de respostas imediatas a mudanças de preço ou variabilidade climática.

Significância e Alegações
O artigo alega que a demanda de eletricidade residencial dentro do setor pré-pago do Quênia é governada principalmente pela persistência comportamental e padrões de consumo recorrentes, em vez da sensibilidade climática ou elasticidade de preço frequentemente assumidas na literatura ocidental.

• Contribuição Metodológica: O estudo demonstra que modelos estatísticos computacionalmente eficientes e transparentes (como o OLS) podem fornecer estimativas de demanda confiáveis para o planejamento de utilidades em ambientes pré-pagos, desafiando a suposição de que arquiteturas de ML cada vez mais complexas são sempre necessárias para um desempenho superior.
• Implicações de Política: Os achados sugerem que a demanda residencial de curto prazo é relativamente inelástica a ajustes tarifários moderados. Formuladores de políticas não devem esperar reduções imediatas na demanda após revisões tarifárias, pois as famílias priorizam serviços essenciais e mantêm hábitos de uso estáveis com base no crédito disponível.
• Valor Operacional: A pesquisa destaca o valor de frameworks de previsão interpretáveis. Ao identificar que o consumo histórico é o driver dominante, as concessionidades podem priorizar o registro preciso do uso passado em vez da implementação de modelos complexos e opacos, aumentando a tomada de decisão operacional e a confiança dos stakeholders.

Em conclusão, o estudo postula que, para a rede pré-paga do Quênia, a "caixa-preta" da IA avançada oferece pouca habilidade de previsão adicional sobre modelos autorregressivos simples, e que compreender a inércia comportamental dos consumidores pré-pagos é mais crítico do que modelar variáveis econômicas ou climáticas externas para a previsão de carga de curto prazo.