A rede elétrica está se tornando cada vez mais complexa à medida que mais fontes de energias renováveis entram em operação. Se antes um pequeno número de grandes usinas de energia abastecia a maioria das residências em um fluxo consistente, agora milhões de painéis solares geram eletricidade variável. O clima cada vez mais imprevisível aumenta o desafio de equilibrar a demanda com a oferta. Para gerenciar o caos, os operadores de rede recorrem cada vez mais à Inteligência Artificial.
A capacidade da IA de aprender com grandes quantidades de dados e responder a cenários complexos a torna particularmente adequada para a tarefa de manter a rede estável, e um número crescente de empresas de software está trazendo produtos de IA para o setor de energia, que é notoriamente lento.
O Departamento de Energia dos EUA reconheceu essa tendência e recentemente concedeu US$ 3 bilhões em subsídios para vários projetos de “rede inteligente” que incluem iniciativas relacionadas à IA.
A empolgação com a IA no setor de energia é palpável. Alguns já estão especulando sobre a possibilidade de uma rede totalmente automatizada em que, em teoria, não seriam necessários humanos para tomar decisões cotidianas.
Mas essa perspectiva ainda está longe; por enquanto, a promessa está no potencial da IA para ajudar os humanos, fornecendo insights em tempo real para um melhor gerenciamento da rede. Aqui estão quatro das maneiras pelas quais a IA já está mudando a forma como os operadores de rede fazem seu trabalho.
- Tomada de decisões mais rápida e melhor
O sistema de rede elétrica é frequentemente descrito como a máquina mais complexa já construída. Como a rede é tão vasta, é impossível para qualquer pessoa compreender totalmente tudo o que está acontecendo nela em um determinado momento, muito menos prever o que acontecerá mais tarde.
Feng Qiu, cientista do Argonne National Laboratory, um instituto de pesquisa financiado pelo governo federal, explica que a IA auxilia a rede de três maneiras principais: ajudando os operadores a entenderem as condições atuais, a tomarem melhores decisões e a prever possíveis problemas.
Qiu passou anos pesquisando como o machine learning pode melhorar as operações da rede. Em 2019, sua equipe fez uma parceria com a Midcontinent Independent System Operator (MISO), uma operadora de rede que atende 15 estados dos EUA e partes do Canadá, para testar um modelo de machine learning destinado a otimizar o planejamento diário de uma rede comparável em escala à rede expansiva da MISO.
Todos os dias, as operadoras de sistemas de rede, como a MISO, executam cálculos matemáticos complexos que preveem a quantidade de eletricidade que será necessária no dia seguinte e tentam encontrar a maneira mais econômica de despachar essa energia.
O modelo de machine learning da equipe de Qiu mostrou que esse cálculo pode ser feito 12 vezes mais rápido do que é possível sem IA, reduzindo o tempo necessário de quase 10 minutos para 60 segundos. Considerando que os operadores de sistema fazem esses cálculos várias vezes ao dia, a economia de tempo pode ser significativa.
Atualmente, a equipe de Qiu está desenvolvendo um modelo para prever quedas de energia incorporando fatores como clima, geografia e até mesmo níveis de renda de diferentes bairros. Com esses dados, o modelo pode destacar padrões, como a probabilidade de interrupções de energia mais longas e mais frequentes em áreas de baixa renda com infraestrutura precária. Melhores previsões podem ajudar a evitar interrupções de energia, agilizar a resposta a desastres e minimizar o sofrimento quando esses problemas ocorrerem.
- Abordagem personalizada para cada residência
Os esforços de integração de IA não se limitam aos laboratórios de pesquisa. A Lunar Energy, uma startup de tecnologia de bateria e rede, usa software de IA para ajudar seus clientes a otimizarem o uso de energia e economizar dinheiro.
“Você tem essa rede de milhões de dispositivos e precisa criar um sistema que possa receber todos os dados e tomar a decisão certa não apenas para cada cliente individual, mas também para a rede”, diz Sam Wevers, chefe de software da Lunar Energy. “É aí que entra o poder da IA e do machine learning.”
O software Gridshare da Lunar Energy reúne dados de dezenas de milhares de residências, coletando informações sobre a energia usada para carregar veículos elétricos, operar máquinas de lavar louça e de aparelhos de ar condicionado, entre outros. Combinadas com dados meteorológicos, essas informações alimentam um modelo que cria previsões personalizadas das necessidades de energia de cada residência.
Como exemplo, Wevers descreve um cenário em que duas casas em uma rua têm painéis solares de tamanho idêntico, mas uma delas tem uma árvore alta no quintal que cria sombra à tarde, de modo que seus painéis geram um pouco menos de energia. Esse tipo de detalhe seria impossível para qualquer empresa de serviços públicos acompanhar manualmente em nível doméstico, mas a IA permite que esses tipos de cálculos sejam feitos automaticamente em grande escala.
Serviços como o Gridshare são projetados principalmente para ajudar clientes individuais a economizar dinheiro e energia. Mas, no conjunto, também fornecem às empresas de serviços públicos padrões de comportamento mais claros que as ajudam a melhorar o planejamento energético. Capturar essas nuances é vital para a capacidade de resposta da rede.
- Como fazer com que os VEs funcionem com a rede
Embora sejam essenciais para a transição da energia limpa, os veículos elétricos representam um verdadeiro desafio para a rede.
John Taggart, cofundador e CTO da WeaveGrid, diz que a adoção de VEs aumenta significativamente a demanda de energia. “A última vez que elas [empresas de serviços públicos] tiveram de lidar com esse tipo de crescimento foi quando os aparelhos de ar-condicionado começaram a crescer no mercado”, diz ele.
A adoção de veículos elétricos também tende a se concentrar em determinadas cidades e bairros, o que pode sobrecarregar a rede local. Para aliviar essa carga, a WeaveGrid, sediada em São Francisco, colabora com empresas de serviços públicos, fabricantes de automóveis e empresas de recarga para coletar e analisar dados de recarga de VEs.
Ao estudar os padrões e a duração da recarga, a WeaveGrid identifica os horários ideais e faz recomendações aos clientes por meio de mensagens de texto ou notificações de aplicativos sobre quando recarregar seus veículos. Em alguns casos, os clientes concedem às empresas controle total para carregar ou descarregar automaticamente as baterias com base nas necessidades da rede, em troca de incentivos financeiros, como vouchers. Isso transforma os próprios carros em uma valiosa fonte de armazenamento de energia para a rede. As principais empresas de serviços públicos, como PG&E, DTE e Xcel Energy, fizeram uma parceria no programa.
A DTE Energy, uma empresa de serviços públicos com sede em Detroit que atende o sul de Michigan, trabalhou com a WeaveGrid para ajudar a melhorar o planejamento da rede. A empresa diz que conseguiu identificar 20.000 residências com VEs em sua região de serviço e está usando esses dados para calcular previsões de carga de longo prazo.
- Detectar desastres antes que eles aconteçam
Várias empresas de serviços públicos já começaram a integrar a IA em operações críticas, especialmente na inspeção e no gerenciamento da infraestrutura física, como linhas de transmissão e transformadores.
Por exemplo, o crescimento excessivo de árvores é uma das principais causas de apagões, pois os galhos podem cair sobre os fios elétricos ou provocar incêndios. Tradicionalmente, a inspeção manual tem sido a norma, mas dada a extensa área das linhas de transmissão, isso pode levar vários meses.
A PG&E, que cobre as regiões norte e central da Califórnia, tem usado o aprendizado de máquina para acelerar essas inspeções. Ao analisar fotografias capturadas por drones e helicópteros, os modelos de machine learning identificam áreas que precisam ser aparadas ou apontam equipamentos defeituosos que precisam de reparos.
Algumas empresas estão indo ainda mais longe e usando a IA para avaliar os riscos climáticos gerais.
A Rhizome, uma startup sediada em Washington, DC, lançou um sistema de IA que utiliza dados históricos das empresas de serviços públicos sobre o desempenho de equipamentos de energia e os combina com modelos climáticos globais para prever a probabilidade de falhas na rede resultantes de eventos climáticos extremos, como tempestades de neve ou incêndios florestais.
Há dezenas de melhorias que uma empresa de serviços públicos pode fazer para aumentar a resiliência, mas ela não tem tempo nem recursos para lidar com todas elas ao mesmo tempo, diz o cofundador e CEO da Rhizome, Mish Thadani. Com um software como esse, as empresas de serviços públicos agora podem tomar decisões mais inteligentes sobre quais projetos devem ser priorizados.
Qual é o próximo passo para os operadores de rede?
Se a IA é capaz de tomar rapidamente todas essas decisões, é possível simplesmente deixá-la operar a rede e mandar os operadores humanos para casa? Os especialistas dizem que não.
Ainda há vários obstáculos importantes antes de podermos automatizar totalmente a rede elétrica. A segurança é a maior preocupação.
Qiu explica que, atualmente, existem protocolos e verificações rigorosos para evitar erros em decisões críticas sobre questões como a resposta a possíveis interrupções ou falhas de equipamentos.
“A rede elétrica precisa seguir uma lei física muito rigorosa”, diz Qiu. Embora seja excelente no aprimoramento de cálculos matemáticos controlados, a IA ainda não é infalível na incorporação das restrições operacionais e dos casos extremos que surgem no mundo real. Isso representa um risco muito grande para os operadores de rede, cujo foco principal é a confiabilidade. Uma decisão errada no momento errado pode levar a blecautes em massa.
A privacidade dos dados é outra questão. Jeremy Renshaw, executivo técnico sênior do Electric Power Research Institute, diz que é fundamental anonimizar os dados dos clientes para que as informações confidenciais, como os horários do dia em que as pessoas ficam em casa, sejam protegidas.
Os modelos de IA também correm o risco de perpetuar preconceitos que podem prejudicar as comunidades vulneráveis. Historicamente, os bairros pobres geralmente eram os últimos a ter sua energia restaurada após apagões, diz Renshaw. Os modelos treinados com base nesses dados podem continuar atribuindo a eles uma prioridade mais baixa quando as concessionárias trabalham para restabelecer a energia.
Para lidar com esses possíveis vieses, Renshaw enfatiza a importância do treinamento da força de trabalho à medida que as empresas adotam a IA, para que a equipe entenda quais tarefas são e quais não são apropriadas para a tecnologia lidar.
“Você provavelmente poderia apertar um parafuso com um martelo, mas se você usar a chave de fenda, provavelmente funcionará muito melhor”, diz ele.
MIT Technology Review
