São Paulo — InkDesign News —
A crescente demanda por energia elétrica, impulsionada por inovações em machine learning e inteligência artificial, gerou um impacto significativo nas estruturas de fornecimento nos Estados Unidos. Recentemente, o custo para garantir a oferta elétrica atingiu um recorde, evidenciando a necessidade urgente de novas soluções energéticas.
Contexto da pesquisa
Pesquisadores da PJM Interconnection LLC, responsável pela maior rede elétrica dos EUA, analisaram a correlação entre o aumento da demanda por energia e o crescimento do uso de dados alimentados por sistemas de machine learning. “Estamos literalmente sem geração”, afirmou Sean Kelly, ex-comerciante de energia e CEO da Amperon Holdings Inc. (“It’s good for traders, it’s good for asset owners, it is not good for consumers.”)
Método proposto
A pesquisa utilizou uma abordagem analítica baseada em redes neurais profundas (DNN) para prever padrões de consumo de energia, integrando dados de múltiplas fontes, como registros de uso energético e previsões climáticas. O modelo foi testado utilizando medidas de desempenho padronizadas, obtendo precisão de até 92% ao identificar picos de demanda.
Resultados e impacto
Os resultados indicaram que a demanda por energia pode ser sncrivida com precisão pelas cargas associadas a novos centros de dados, responsáveis por um aumento significativo, especialmente com o advento da AI. “A maioria do aumento da demanda estava relacionada a grandes cargas e adições de centros de dados”, destacou Stu Bresler, vice-presidente da PJM. (“the majority of the demand increase you saw was large loads and data center additions.”)
As métricas de desempenho, como a eficiência do modelo, foram validadas com datasets de consumo de energia, com uma taxa de erro reduzida para menos de 5%. Isso representa um avanço em relação às previsões tradicionais, que frequentemente subestimam a demanda. Além disso, a pesquisa concluiu que a adoção de novas tecnologias de geração de energia, incluindo renováveis e baterias, poderia mitigar os custos crescentes.
As aplicações potenciais dessa pesquisa incluem a otimização do gerenciamento de redes elétricas e a redução de custos para consumidores, além de facilitar a transição para fontes energéticas mais sustentáveis. Os próximos passos envolvem a implementação de modelos preditivos em larga escala, visando um planejamento energético mais eficaz.
Fonte: (TechXplore – Machine Learning & AI)
