Uma das iniciativas estratégicas da Volt Robotics para conseguir acelerar sua curva de aprendizado e assim conseguir gerar resultados de alto impacto para seus clientes é transformar nossos projetos em contribuições científicas relevantes, levando conhecimento gerado a fóruns, conferências e periódicos nacionais e internacionais de alta relevância.

Essas publicações são fruto do trabalho árduo e colaborativo das nossas equipes, especialmente nos projetos de Pesquisa, Desenvolvimento e Inovação (PDI).

Recentemente, tivemos a satisfação de renovar esse compromisso com o avanço do setor ao publicar nosso mais novo artigo científico: “Brazilian Free-Energy Market Mid-and Long-Term Forecasting Using Multi-Source Ensemble Solution”, disponível no IEEE Xplore após apresentação no International Conference on Machine Learning and Applications (ICMLA) 2024.

O artigo é resultado do projeto de P&D da ANEEL (PD-07427-0722/2022) “Solução Digital Inteligente para Promover Margens de Comercialização de Energia Sustentáveis”, desenvolvido pela Volt Robotics e financiado pela Norte Energia, por meio do Programa de Pesquisa, Desenvolvimento e Inovação da ANEEL – Agência Nacional de Energia Elétrica. O foco do trabalho está em metodologias de previsão de preços de energia no médio e longo prazos.

A previsão de preços se mostra ainda mais relevante no cenário atual, marcado por alta volatilidade e por mudanças metodológicas que buscam alinhar os processos de formação de preços à realidade operativa do Sistema Elétrico, promovendo maior eficiência por meio de sinais de preços claros e coerentes.

Neste contexto, nossa análise de curvas de preços de mercado para diferentes horizontes temporais — um trimestre e um semestre à frente — fornece insights valiosos sobre a dinâmica do mercado. Esses insights permitem que empresas de energia otimizem suas estratégias de portfólio e mitiguem riscos com mais precisão.

Para alcançar esse objetivo, desenvolvemos uma combinação sofisticada de modelos baseados em Aprendizado de Máquina (Machine Learning – ML), enriquecidos com um amplo conjunto de dados exógenos, para prever contratos de energia com vigência em dois, três e quatro anos à frente (Y2, Y3 e Y4).

Como diferencial, propusemos uma abordagem simples, eficaz e interpretável para lidar com as séries temporais exógenas: em vez de usá-las diretamente como entrada dos modelos, agregamos conjuntos de séries relacionadas em histogramas.

Tal estratégia de Extração de features se justifica na necessidade de se evitar o que Richard Bellman apontou, em 1961, como a “Maldição da Dimensionalidade”.

Basicamente, tal termo é utilizado em estatística, aprendizado de máquina e mineração de dados para se referir às dificuldades que começam a surgir à medida que um problema passa a contar com dimensões elevadas.

Os principais problemas que podem surgir são:

• Overfitting: Ajuste demasiado aos dados de treinamento sem capacidade de generalização (O algoritmo decora o problema e não aprende realmente);

• Esparsidade: Surgem regiões de aprendizado com padrões significativos, mas com baixa densidade de dados, sendo eventualmente ignoradas;

• Necessidade de mais dados: Quanto mais dimensões o problema tiver, mais dados são necessários para treinamento para evitar padrões irreais.

Cada histograma representa a distribuição de valores de um grupo de séries ao longo do tempo — por exemplo, a quantidade de precipitação diária registrada em diversas bacias é condensada em um único histograma, que pode ser facilmente interpretado por especialistas humanos e aproveitado por modelos de ML.

As faixas dos histogramas, derivadas com base nos percentis dos dados de treinamento, transformam a série temporal multivariada original em uma nova representação mais compacta, porém informativa.

Essa técnica de compressão é leve, interpretável e eficiente para reter informações relevantes ao aprendizado dos modelos. Tal técnica foi aplicada, neste estudo, aos dados previstos e realizados de vazões para cada usina hidrelétrica; Previsoes de chuvas para cada uma das bacias; e, por fim para as cargas previstas e realizadas de cada submercado de energia.

A solução proposta, chamada Multiple Histograms Aggregated Forecasting (MHAF), demonstrou desempenho superior aos modelos estatísticos tradicionais, a outras abordagens de ML e a fortes modelos de referência, especialmente no horizonte de previsão de um trimestre — e também apresentou resultados competitivos para o horizonte de um semestre.

Além de oferecer previsões mais robustas, o MHAF gera insights estratégicos importantes para a comercialização de energia, sobretudo para geradoras com ativos hidrelétricos, que estão mais expostas a riscos de volume.

Previsores bem calibrados podem ajudar empresas a decidir quando e quanto comprar ou vender energia, protegendo seu portfólio, minimizando a volatilidade e viabilizando melhores margens futuras.

O artigo completo pode ser acessado na plataforma online IEEE Xplore, em Brazilian Free-Energy Market Mid-and Long-Term Forecasting Using Multi-Source Ensemble Solution | IEEE Conference Publication | IEEE Xplore.

Quer saber sobre como a Volt Robotics pode ajudar você e sua empresa a aproveitarem o poder da Inteligência Artificial? Entre em contato conosco!