Erro de IA na estimativa de geração solar oculta subiu de 0,104 para 0,185 kW

As operadoras de rede querem saber quanta eletricidade os painéis solares nos telhados produzem, mas a maioria das casas só é observada por medidores inteligentes "líquidos": o aparelho registra a diferença entre consumo e geração, e não cada uma das grandezas. Modelos profundos conseguem separar esse sinal, mas um novo trabalho no arXiv mostra que a utilidade deles depende de para quem e quando o modelo é aplicado. Nos dados da Ausgrid, o erro absoluto médio (MAE) diurno do melhor modelo foi de 0,104 kW para casas já conhecidas em um período de teste futuro e de 0,185 kW para casas que o modelo não tinha visto, no mesmo período. A diferença é de quase 1,8 vez.

Quatro modos em vez de um número médio

Normalmente, esses modelos são avaliados por um único número, calculado sobre uma amostra de teste geral. Os autores dividiram os cenários de uso em quatro modos de implantação: o modelo atende clientes conhecidos, clientes novos, períodos futuros ou novas regiões. Isso separa a transferência entre domicílios da extrapolação no tempo. A base foi o conjunto de dados de medidores inteligentes da Ausgrid; para a verificação em outra região, usou-se o conjunto Pecan Street.

O treinamento foi fixado em um protocolo único, e depois foram comparadas arquiteturas profundas representativas para sequências. O resultado contraria a lógica habitual dos benchmarks: com o contrato de treinamento fixo, o modo de implantação explica uma parcela muito maior da variação do erro do que a escolha do modelo em si. Trocar de arquitetura para ganhar alguns pontos percentuais faz menos sentido do que definir com honestidade em quais dados o sistema vai operar.

Principais números

• Contexto: janela fixa de 48 horas.
• MAE diurna do melhor modelo em casas conhecidas no período futuro: 0,104 kW.
• MAE diurna em casas desconhecidas no mesmo período: 0,185 kW.
• O ajuste fino com cinco casas da região-alvo reduz em 28–36% o erro de transferência do modelo original.
• Para a transferência, usou-se normalização pelo domínio-alvo.

Transferência para outra região e tamanho da janela

Na transferência da Ausgrid para a Pecan Street, o modelo treinado em uma região perde precisão: o clima, as instalações típicas e os hábitos de consumo são diferentes. Os autores mostram que um pequeno ajuste já recupera boa parte dessa perda. A normalização pelas estatísticas do domínio-alvo, somada ao ajuste fino com cinco casas da região, reduz o erro em 28–36%. Para a operadora, esse é um número concreto: não é preciso coletar rótulos de milhares de casas, basta uma amostra pequena com geração conhecida.

Outra questão é o tamanho da janela de entrada. O contexto longo ajuda na extrapolação para clientes conhecidos, quando o modelo já viu o comportamento de cada casa. Para clientes novos, o resultado depende da arquitetura: em alguns modelos a janela longa traz ganho, em outros não. O trabalho não confirma uma regra única do tipo "quanto mais longa, melhor".

Como usar na prática

Para empresas de rede e fornecedores de análise de dados, o estudo aponta três passos práticos. Primeiro, reservar um orçamento de erro separado para cada modo: o número obtido para clientes conhecidos em um período futuro não serve como promessa para casas novas, e muito menos para uma nova região. Segundo, ao lançar o modelo em uma nova região, planejar um piloto pequeno, com geração medida em cerca de cinco casas, para fazer o ajuste fino do modelo e normalizar os dados. Terceiro, escolher o tamanho do contexto de acordo com a tarefa: prever o comportamento de assinantes conhecidos e estimar a geração de clientes recém-conectados exigem configurações diferentes.

É preciso ter em mente uma limitação: o estudo usa dois conjuntos de dados e avalia o desempenho em benchmarks, não em operação industrial. Ainda assim, a metodologia de avaliação por modos separados pode ser transferida para outras tarefas de análise de energia, nas quais o modelo é treinado com alguns clientes e aplicado a outros.