No passado dia 20 de setembro, o R&D Nester esteve representado na 5º reunião plenária do projeto I-NERGY, que decorreu em Riga, Letónia. Este encontro, que foi a primeira reunião plenária presencial deste projeto europeu, teve como objetivo apresentar os principais resultados dos pilotos de demonstração e das restantes componentes do projeto antes do final do projeto, previsto para dezembro de 2023.

O I-NERGY é um projeto financiado pela UE que visa apoiar, desenvolver e demonstrar aplicações inovadoras de análise de serviços de AI-as-a-Service (AIaaS) Energy Analytics Applications e Digital Twins validados em 9 pilotos, distribuídos por 8 países. Os serviços centram-se em três setores diferentes: Energy Commodity Networks (nas quais o R&D Nester está envolvido), Distributed Energy Resources e Energy Efficiency. A grande cobertura geográfica dos locais de demonstração, ilustrada na figura abaixo, visa apoiar a replicabilidade em toda a UE e a aceitação pelo mercado de soluções baseadas em IA em diferentes contextos socioeconómicos, para maximizar o impacto dos serviços I-NERGY em toda a Europa. A abordagem dos pilotos I-NERGY permite testar exaustivamente a análise inicial das partes interessadas do setor energético, cobrindo desde a operação e manutenção até ao impacto social, bem como interesses transversais, como a elaboração de políticas e a investigação.

No âmbito do projeto, o R&D Nester implementou um piloto de demonstração em Portugal, focando-se nos dois seguintes Use Cases (UCs):

• UC1: IA para manutenção preditiva de ativos de rede;
• UC2: IA para a previsão de carga regional e nacional.

 UC1

IA para manutenção preditiva aprimorada de ativos de rede, integrando dados fora da rede com monitoramento baseado em condições

Além de apresentar o progresso e os resultados atuais para ambos os use cases, a reunião em Riga foi uma oportunidade para apresentação de uma demonstração ao vivo de um dos serviços desenvolvidos para o UC1, nomeadamente o Circuit Breaker Asset Management. Nicolò Italiano, Engenheiro de Investigação em Sistemas de Energia do R&D Nester, apresentou uma demonstração passo-a-passo do funcionamento do serviço, que está atualmente disponível como aplicação web no Catálogo AIoD, no seguinte LINK.

O serviço, que pode ser testado após solicitação das credenciais ao R&D Nester, dispõe de um sistema de processamento, análise, reporte de dados de falhas totalmente automatizado e estimativa da vida útil restante dos disjuntores (Remaining Useful Life - RUL), para eventos que ocorram em qualquer sistema elétrico. Especificamente, inclui os seguintes sub-módulos, representados no fluxo de trabalho abaixo:

• Deteção de falhas, que utiliza técnicas de processamento de sinais para detetar se uma ocorrência é ou não uma falha;
• Classificação de falhas, identificando o tipo de falha ocorrida (ex. monofásica-terra, trifásica-terra), utilizando Machine Learning (ML);
• Relatórios de incidentes, que extraem estatísticas de incidentes que são fundamentais para as divisões de gestão de ativos dos operadores de sistema;
• Predição RUL, prevendo a Vida Útil Remanescente de um determinado disjuntor, aproveitando funções de probabilidade de falha ajustadas em conjunto com dados históricos dos incidentes ocorridos, e identificando a recomendação de manutenção correspondente. 

Adicionalmente, o serviço propõe uma visualização automática e rápida dos eventos processados, dispondo todos os sinais de corrente e tensão segmentados nas diferentes fases que caracterizam as faltas, conforme gráfico abaixo. Finalmente, a aplicação web inclui uma base de dados de gestão de ativos, na qual todas as falhas processadas são armazenadas e agrupadas por ativos. O banco de dados utiliza um sistema de rótulos de semáforos para visualização rápida e de leitura fácil do status dos ativos, com a cor dependendo da probabilidade de falha prevista.

UC2

IA para cargas de rede e previsão para um planeamento operacional eficiente

O segundo use case considera a previsão da carga nacional e da carga líquida no interface TSO/DSO, com o objetivo de apoiar o planeamento operacional. Os resultados mais recentes apresentados em Riga dizem respeito ao Modelo de Previsão de Carga Líquida na subestação, com o objetivo de mostrar robustez a uma ocorrência específica em que a carga líquida está sujeita a uma alteração substancial no padrão da série temporal, ilustrado na figura abaixo:

Desvio de conceito observado na carga líquida (eixo y), durante um determinado período de tempo (eixo x)

Tais ocorrências podem surgir por diversos motivos, entre os quais, por exemplo, a instalação de uma nova central fotovoltaica (FV) ao nível da distribuição, carregadores de veículos elétricos (EV), em larga escala, ou a ligação de um novo consumidor de grande escala. O primeiro caso poderia até levar a fluxos de potência inversos, como os representados pelos valores negativos na figura, o que pode ser bastante difícil de prever por um modelo que sempre foi treinado exclusivamente em valores positivos.

Por esta razão, é fundamental desenvolver e utilizar modelos que, além de apresentarem alta precisão na previsão, também tenham capacidade de adaptação a novos padrões e mudanças nos dados. No âmbito do I-NERGY, foram consideradas as três abordagens abaixo enumeradas:

• Long Short-Term Memory neural network-based model (LSTM); 
• Ensemble models (XGB, DT, Lasso, SVR) based on Iterative Learning;
• Adaptive Random Forest based on incremental learning (Adaptive RF).

Estes três modelos foram inicialmente treinados com base num grande conjunto de dados que incluíam desvios significativos (Cenário 1), e depois treinados num conjunto de dados menor antes da ocorrência dos desvios (Cenário 2), com o objetivo de estudar a diferença de desempenho entre os dois casos. O segundo cenário foi desenhado para analisar como os modelos reagem a novos padrões e mudanças nos dados que não são vistos durante o treino. Os cenários consideraram o mesmo conjunto de dados de teste, que incluiu um ano que não foi utilizado para treino dos modelos.

Os resultados mostraram que o Adaptive RF é o modelo que melhor se adapta às alterações do padrão da série temporal, mantendo um Normalized Root Mean Squared Error (NRMSE) de 8,6% para ambos os cenários. O NRMSE corresponde ao erro quadrado médio sobre o máximo dos valores absolutos das medidas no conjunto de teste.  Por outro lado, o Ensemble model apresenta a maior quebra de desempenho, com um NRMSE de 9,1% no cenário 1 e de 14,1% para o cenário 2. A quebra de desempenho do primeiro para o segundo cenário no Ensemble models indica que ele não se adapta bem a novos padrões no conjunto de dados de ensaio, ao contrário do Adaptive RF. Estes resultados, descritos em detalhe no artigo científico "Short term net load forecasting using computational intelligence Techniques" apresentado na 7ª conferência E-Mobility Power System Integration Symposium, em Copenhaga, realçam a importância da utilização de técnicas de previsão adaptativas.

As figuras abaixo mostram os resultados de previsão dos três diferentes modelos comparados com a carga líquida real, para os Cenários 1 e 2, respetivamente, e para um determinado intervalo de tempo. Novamente, é possível observar que o Adaptive RF (em azul) é o modelo que melhor acompanha os padrões reais de carga líquida, especialmente no segundo cenário.

Previsão de resultados do Cenário 1

Previsão de Resultados do Cenário 2

Para uma análise completa sobre os resultados, incluindo a descrição completa do conjunto de dados, bem como as técnicas utilizadas para evitar overfitting e as métricas de avaliação adicionais consideradas, consulte "Laouali I., et al, SHORT TERM NET LOAD FORECASTING USING COMPUTATIONAL INTELLIGENCE TECHNIQUES, 7th E-Mobility Power System Integration Symposium, 2023".

Para mais informação:

Projeto I-NERGY @ website do R&D Nester

website do Projeto I-NERGY