Deep learning revela recursos ocultos em modelo para comportamento de rede elétrica
São Paulo — InkDesign News — Pesquisadores do Oak Ridge National Laboratory (ORNL) desenvolveram um método de modelagem dinâmica para redes elétricas que utiliza machine learning para simular com alta precisão o comportamento do grid, sem requerer o detalhamento das tecnologias proprietárias internas.
Contexto da pesquisa
A transição para uma rede elétrica mais resiliente e diversificada demanda a incorporação de múltiplas fontes de energia, exigindo ferramentas que prevejam como a rede reage a variações no fluxo de eletricidade. Modelos de grid são essenciais para que concessionárias planejem a distribuição de energia, mas tecnologias proprietárias, como inversores, dificultam o acesso a detalhes internos que melhorariam a precisão dos modelos convencionais. Além disso, esses modelos exigem grande capacidade computacional, aumentando tempo e consumo energético.
Método proposto
A inovação do ORNL é uma abordagem “caixa preta” baseada em aprendizado profundo (deep learning), que simula o comportamento de inversores trifásicos de fonte de tensão sem precisar conhecer detalhes internos ou parâmetros de controle. O sistema foi treinado com casos de teste representando variações no fluxo e na tensão, e incorporado a uma ferramenta open source para validação. Essa metodologia representa o sistema apenas por dados, balanceando precisão e flexibilidade, e evitando modelos computacionalmente pesados.
Resultados e impacto
O modelo apresentou um erro médio inferior a 5% em diferentes condições operacionais, superando os padrões da indústria para planejamento e operação de sistemas de energia elétrica. Além disso, demonstrou ser 10 a 20 vezes mais rápido que métodos convencionais, reduzindo significativamente a demanda computacional. Isso permite que fabricantes testem novas configurações de controle e proteção mais rapidamente, acelerando o desenvolvimento de tecnologias para a rede elétrica.
“Normalmente, é difícil obter precisão no modelo sem entender a estrutura e os parâmetros internos, informações proprietárias que as empresas preferem não compartilhar. Além disso, esse nível de detalhe aumenta muito a carga computacional, tornando a análise muito pesada.”
(“Normally, it’s hard to get modeling accuracy without understanding the structure and control parameters of internal systems, proprietary information that companies may not want to share. And while that level of detail improves accuracy, it also adds to the computational load and makes analysis burdensome.”)— Sunil Subedi, Líder do Grupo de Modelagem e Controle de Redes, ORNL
“A abordagem de machine learning permite representar um sistema apenas com dados, o que é intrigante. A tecnologia equilibra precisão e flexibilidade, superando limitações de métodos anteriores e oferecendo novas capacidades para utilities e fabricantes.”
(“The machine learning approach lets you get what you need by representing a system with just data, which is fascinating. The technology strikes a balance between accuracy and flexibility, overcoming the limitations of previous approaches and providing utilities and manufacturers with new capabilities.”)— Sunil Subedi, Líder do Grupo de Modelagem e Controle de Redes, ORNL
O avanço pode ampliar a confiança das utilities na diversificação das fontes de energia, promovendo redes mais robustas e confiáveis. As próximas etapas envolverão a aplicação do modelo em contextos reais para acelerar a implementação de novos dispositivos na rede.
Fonte: (TechXplore – Machine Learning & AI)
