Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

As cidades são organismos vivos que respiram eletricidade. Das luzes em uma casa à energia que alimenta um hospital, o fluxo de energia mantém a vida moderna em movimento. Mas, como qualquer sistema complexo, esse fluxo nem sempre é perfeito. Às vezes, a energia é desperdiçada através de ineficiências ocultas, falhas de equipamentos ou padrões de uso irregulares que passam despercebidos até que uma conta chegue ou um sistema falhe. Encontrar esses problemas ocultos é difícil porque os dados gerados por medidores inteligentes e sensores são vastos, desordenados e em constante mudança. Os métodos tradicionais de busca por erros, como estabelecer um limite simples e esperar que um número o ultrapasse, muitas vezes perdem os sinais sutis de problemas ou geram alarmes falsos. Para resolver isso, pesquisadores estão recorrendo a um ramo da ciência da computação chamado aprendizado de máquina, onde computadores aprendem a reconhecer padrões sem serem explicitamente instruídos sobre o que procurar. Ao ensinar esses sistemas a entender o que é o uso de energia "normal", eles podem detectar os comportamentos estranhos que sinalizam desperdício ou perigo, oferecendo um caminho para cidades mais limpas e sustentáveis.

Uma equipe de pesquisadores de universidades da Índia, Iraque, Malásia e Bahrein partiu com o objetivo de construir um sistema que pudesse fazer exatamente isso para as redes de energia urbana. O objetivo deles era criar um vigia digital que pudesse filtrar dados brutos de consumo de energia e identificar anomalias — aqueles picos ou quedas irregulares que sugerem que algo está errado. Eles não confiaram em um único método para encontrar esses erros. Em vez disso, construíram uma equipe de quatro modelos de computador diferentes, cada um com sua própria maneira de interpretar os dados. Um modelo, conhecido como Isolation Forest, trabalha dividindo os dados aleatoriamente para ver quais pontos permanecem isolados. Outro, chamado Local Outlier Factor, observa o quão densa é uma área específica dos dados, sinalizando pontos que estão muito distantes de seus vizinhos. Um terceiro utiliza uma técnica chamada One-Class Support Vector Machine para desenhar um limite ao redor do comportamento normal, marcando qualquer coisa fora dessa linha como suspeita. O quarto e mais complexo modelo é um Autoencoder, um tipo de rede neural artificial que tenta reconstruir os dados que vê; se ele tiver dificuldade em reconstruir uma parte da informação, assume que essa parte é incomum.

Os pesquisadores começaram limpando um conjunto de dados de registros de energia municipal, o que envolveu preencher números ausentes, ajustar dados enviesados e escalar os valores para que o computador pudesse processá-los de forma justa. Eles então treinaram esses quatro modelos com esses dados limpos. Para testar o quão bem eles funcionavam, simularam um cenário onde dez por cento dos dados eram conhecidamente anormais, uma taxa comum para testes de tais sistemas. Os resultados mostraram que, embora todos os modelos tivessem seus pontos fortes, o Autoencoder se destacou. Ele alcançou uma pontuação de 0,9740 em uma métrica que equilibra a detecção de problemas reais com a prevenção de alarmes falsos, superando os outros três modelos individuais. O Isolation Forest e o Local Outlier Factor também tiveram um bom desempenho, mas o Autoencoder foi o mais preciso ao distinguir entre flutuações normais e ineficiências genuínas.

No entanto, os pesquisadores sabiam que confiar em apenas um modelo poderia ser arriscado. Se esse único modelo cometesse um erro, todo o sistema falharia. Para tornar a solução mais robusta, eles combinaram os quatro modelos em um sistema de ensemble. Isso funciona como um comitê: um dado só é sinalizado como uma anomalia se pelo menos dois dos quatro modelos concordarem que ele é estranho. Essa abordagem reduziu drasticamente o número de alarmes falsos. Em seus testes, este sistema combinado alcançou precisão perfeita, o que significa que, sempre que emitia um alerta, estava correto. Embora sua precisão geral fosse ligeiramente inferior à do melhor modelo individual, a troca valeu a pena para um sistema do mundo real, onde alarmes falsos podem desperdiçar tempo e recursos. A equipe também utilizou uma ferramenta chamada SHAP para explicar por que os modelos tomavam suas decisões. Essa análise revelou que características específicas nos dados, particularmente aquelas relacionadas aos períodos de pico de uso e padrões de alto consumo, foram os principais impulsionadores por trás dos alertas.

O estudo conclui que, embora modelos de aprendizado profundo como o Autoencoder sejam ferramentas poderosas para detectar o desperdício de energia, combiná-los com outros métodos cria uma rede de segurança mais segura e confiável para a infraestrutura urbana. O sistema identificou com sucesso padrões de consumo irregulares sem precisar de exemplos pré-rotulados de cada falha possível, uma vantagem crucial, já que cidades reais raramente possuem registros perfeitos de todos os problemas passados. Os pesquisadores observaram que seu trabalho foi baseado em dados de verdade fundamental simulados e que esforços futuros precisarão incorporar dados de séries temporais em tempo real para lidar com a natureza dinâmica das redes elétricas ao vivo. Ao tornar visíveis essas ineficiências invisíveis, tais sistemas oferecem um passo prático em direção ao objetivo das Nações Unidas de energia acessível e limpa, ajudando gestores urbanos a proteger recursos e garantir que a energia que flui por suas ruas seja usada com sabedoria.