Short-Term Hourly Hydropower Prediction: Evaluating Long Short-Term Memory (LSTM) and Mixed-Integer Linear Programming (MILP)-Based Methods

Resumo Técnico: Previsão Hidrelétrica Horária de Curto Prazo via LSTM e MILP

Definição do Problema
O artigo aborda o problema do Escalonamento Hidrelétrico de Curto Prazo (STHS - Short-Term Hydropower Scheduling), focando especificamente na previsão da vazão de água horária para duas usinas hidrelétricas interconectadas (Chute-du-Diable e Chute-à-la-Savane) no Rio Péribonka, em Quebec, Canadá. O desafio central envolve a gestão de recursos hídricos para atender às demandas de energia, respeitando as restrições dos reservatórios e as realidades operacionais. As abordagens tradicionais dependem de Programação Linear Inteira Mista (MILP) para otimizar a produção, mas esses modelos enfrentam problemas de escalabilidade e complexidade computacional, particularmente ao lidar com não convexidades e sistemas de grande escala. Embora o aprendizado de máquina (ML) tenha mostrado promessa em previsões de médio e longo prazo, sua aplicação ao escalonamento horário de curto prazo permanece subexplorada, particularmente para sistemas influenciados pelo regime de vazão (run-of-river), onde a descarga de água depende fortemente do fluxo a montante e da variabilidade da entrada natural.

Metodologia
O estudo propõe e avalia um modelo de Long Short-Term Memory (LSTM) autorregressivo projetado para prever a vazão total de água (soma da vazão de descarga e do transbordo/derramamento) para um horizonte de 96 horas.

• Fonte de Dados: O modelo utiliza 12 anos de dados históricos (dezembro de 2010 – dezembro de 2022) fornecidos pela Rio Tinto. O conjunto de dados inclui características horárias como volume do reservatório, estados das unidades de turbina, entrada natural e produção de energia.
• Pré-processamento: A limpeza de dados envolveu o suavizamento de valores atípicos (outliers) na entrada natural e nos valores de descarga. Uma média móvel (MA) foi aplicada às características de entrada futura para reduzir o ruído e representar cenários determinísticos para o treinamento. Para a usina a jusante (CalS), a entrada total foi calculada somando a saída da usina a montante (CdD) à entrada natural local, reconhecendo a ausência de atraso de tempo de percurso entre as duas usinas.
• Arquitetura do Modelo: A solução proposta é um LSTM supervisionado e autorregressivo.
  • Entrada: Uma janela das últimas 48 horas de dados (incluindo volume do reservatório, unidades ativas e previsões de entrada).
  • Mecanismo: O modelo opera em um ciclo de feedback onde a previsão de um passo de tempo é alimentada como entrada para o próximo, permitindo gerar uma sequência de 96 horas futuras.
  • Configuração: O modelo utiliza 256 células LSTM, o otimizador NADAM e uma função de perda de Erro Quadrático Médio (MSE). Foi treinado em 80% dos dados (84.000 instâncias) e testado em 20% (20.938 instâncias).
• Benchmarking: O desempenho do LSTM foi comparado com:
  1. Um modelo MILP determinístico (previamente desenvolvido para este sistema específico) que maximiza a geração de energia sujeito a restrições de reservatório e de compromisso de unidade (unit commitment).
  2. Decisões operacionais históricas (dados do mundo real).
• Métricas de Avaliação: O desempenho foi avaliado por meio de Erro Médio Absoluto (MAE), MSE e Raiz do Erro Quadrático Médio (RMSE). Crucialmente, a viabilidade foi avaliada analisando se os volumes previstos dos reservatórios respeitavam os limites físicos (níveis mínimos e máximos) e calculando a produção de energia resultante.

Principais Resultados

• Precisão de Previsão: O modelo LSTM capturou com sucesso os padrões temporais na descarga de água. A usina CalS (a jusante) apresentou melhores métricas de desempenho (menores MSE e MAE) do que a usina CdD, provavelmente devido à inclusão de características de descarga a montante, que ajudaram a correlacionar as operações.
• Comparação com MILP e Realidade:
  • Em 2021 (anos de menor entrada), as previsões do LSTM situaram-se geralmente entre as decisões otimizadas do MILP e as decisões históricas reais, sugerindo um comportamento de compromisso.
  • Em 2020 (anos de alta entrada), o LSTM tendeu a prever valores de descarga menores em comparação tanto com a realidade quanto com a otimização MILP.
• Viabilidade e Restrições: Uma limitação significativa identificada foi a incapacidade do modelo em impor explicitamente as restrições do reservatório.
  • Enquanto o modelo MILP aderiu estritamente aos limites de volume, o modelo LSTM produziu soluções inviáveis em diversas instâncias, particularmente durante períodos de alta entrada (ex: 2020), onde os volumes previstos dos reservatórios excederam a capacidade máxima.
  • O modelo teve dificuldade em se adaptar a mudanças súbitas e abruptas na descarga de água, muitas vezes ajustando as previsões gradualmente em vez de instantaneamente, o que levou a erros de acumulação de volume ao longo do horizonte de 96 horas.
• Limitações de Horizonte: Os autores observaram uma degradação na precisão da previsão após aproximadamente 72 horas, sugerindo que o horizonte de 96 horas utilizado para comparabilidade com o MILP pode ser muito longo para a configuração autorregressiva atual.

Significância e Alegações
O artigo afirma ser a primeira aplicação de um modelo LSTM autorregressivo supervisionado especificamente projetado para prever decisões futuras de fluxo de água para um sistema hidrelétrico usando estados anteriores da usina. Suas principais contribuições são:

1. Benchmarking: Fornece uma comparação clara e direta entre uma abordagem baseada em dados de Redes Neurais Recorrentes (RNN) e um método tradicional de otimização MILP para o problema de STHS, uma lacuna observada na literatura existente.
2. Prova de Conceito: Demonstra que modelos de ML podem aproximar decisões operacionais e capturar as dependências sequenciais inerentes ao escalonamento hidrelétrico, oferecendo uma alternativa potencial aos modelos de otimização computacionalmente pesados.
3. Limitações como Direção Futura: Os autores concluem modestamente que, embora o LSTM ofereça uma alternativa viável e rápida para a gestão de curto prazo, ele atualmente carece do tratamento explícito de restrições. Eles identificam a necessidade de trabalhos futuros para incorporar mecanismos de restrição (ex: correção pós-previsão ou modelos híbridos), reduzir o horizonte de previsão para melhorar a precisão e modelar melhor a incerteza da entrada de água.

O estudo posiciona o LSTM não como um substituto para a otimização em todos os contextos, mas como uma ferramenta promissora para a tomada de decisão rápida e adaptativa que complementa os métodos tradicionais, desde que as restrições de viabilidade sejam abordadas em iterações futuras.