Como construir modelos de predição de consumo de energia 

Publicado por Bruno Santos Pimentel em sex, 10/08/2018 - 17:25
Como construir modelos de predição de consumo de energia 

Entenda como aplicações consistentes de técnicas de Machine Learning podem contribuir para identificar grandes oportunidades de ganhos em processos intensivos em energia.

 

Muito se fala atualmente sobre Inteligência Artificial, Machine Learning e seu potencial de criação de valor em diversas áreas. De fato, por mais que esses temas tenham sido intensamente popularizados pela crescente disponibilização de linguagens de programação, bibliotecas, ferramentas de modelagem, cursos, dentre outras fontes, os casos de aplicações bem-sucedidas ainda são menos numerosos. Além disso, boas aplicações de Machine Learning necessariamente passam por um profundo conhecimento sobre o processo que está sob análise.

Neste artigo, vamos discutir projetos que envolvem a análise, modelagem e interpretação de dados sobre consumo de energia e sobre o contexto em que esse consumo acontece.

Mas antes disso, vale a pena chamar a atenção para um conceito importante: Explainable Artificial Intelligence. Como o próprio nome indica, tornar a inteligência artificial mais “explicável” implica em construir modelos que possam ser facilmente compreendidos e que, ao mesmo tempo, produzam resultados acurados – um movimento ortogonal a diversos modelos populares, poderosos, mas que são verdadeiras “caixas pretas” aos olhos de seus consumidores.

Transparência, robustez e capacidade de compreensão são aspectos fundamentais de qualquer modelo de predição, além de influenciarem diretamente sua disseminação e efetiva adoção.

Machine Learning e modelos de predição de energia

Vamos iniciar nossa exploração com um modelo relativamente simples, mas para um processo nada simples. Imagine um equipamento industrial de produção contínua, em que os insumos são alimentados e os produtos acabados são retirados continuamente, sem interrupção do processo. Fornos siderúrgicos, secadores de grãos, torres de fracionamento e classificação são alguns exemplos.

Se o objetivo da análise é compreender as relações existentes entre o consumo de um determinado insumo energético e o contexto operacional em que esse consumo acontece, a primeira providência em uma abordagem baseada em dados seria avaliar visualmente essa relação.

Assim, cada ponto do gráfico abaixo representa um dia de produção, considerando o consumo energético totalizado (eixo vertical) e quantidade produzida totalizada naquele período (eixo horizontal), e ignorando outras informações de contexto como: tipo de produto, tempo de processo, características dos insumos, dentre outras.

machine learning grafico 1

Este modelo nos permite predizer quanto de energia seria necessária para produzir uma dada quantidade de produto durante um dia (ou qualquer outro intervalo de tempo). Para o planejamento energético de médio e longo prazo de grandes consumidores, essa é uma informação importante, que facilita funções de orçamento e contratação.

Outra observação importante: dados do mundo real raramente são tão bem-comportados quanto gostaríamos. Isso porque qualquer processo real apresenta alguma variância em seu comportamento, e também porque os instrumentos que usamos para compreendê-los são necessariamente imprecisos e sujeitos a ruídos e interferências.

Naturalmente, um bom modelo de predição só será obtido com uma boa quantidade de dados de boa qualidade. E mais ainda: um bom modelo de predição só dará bons resultados se os dados que os alimentarem forem de boa qualidade. Reforçando mais uma vez a máxima de George Box, “todos os modelos estão errados; mas alguns são úteis.”

Mas de qualquer forma, a equação linear produzida pelo modelo de regressão representa com boa aproximação a relação entre as variáveis de interesse, além de evidenciar dois parâmetros importantes de qualquer processo: a parcela fixa do consumo energético (intercepto da reta) e a parcela variável (inclinação da reta).

Este modelo também nos leva a uma outra observação importante. Se o consumo energético puder ser bem explicado pela quantidade produzida, haverá dois principais caminhos para promover a eficiência energética: reduzir o consumo fixo, diluindo-o em maiores níveis de produção, e/ou reduzir o consumo variável, investindo na eficientização energética do processo e de seus equipamentos.

Contextualização do consumo energético

Voltemos agora àquelas informações de contexto que havíamos deixado de lado num primeiro momento. E se analisássemos o processo sob o ponto de vista de cada ordem de produção (lote, batelada, corrida, ou outra forma de organização de produção), levando em conta o tipo de produto, as características dos insumos e o próprio modo de operação?

machine learning grafico 2

A ideia seria então predizer o consumo energético de cada ordem de produção em função de todas as variáveis de contexto disponíveis. Assim, cada ponto do gráfico representaria uma ordem de produção, considerando não somente consumo energético (eixo vertical) e quantidade produzida (eixo horizontal), mas também todas as informações de contexto relevantes para a análise.

Apesar de ser possível observar um padrão no gráfico, a relação entre as características de uma ordem de produção e seu consumo de energia não pode mais ser expressa por uma simples equação linear. Além disso, os níveis de variância e ruído são claramente mais altos que na análise anterior.

Precisamos então de um modelo mais sofisticado, que consiga incorporar todas as não linearidades do processo, e que ainda seja capaz de predizer o consumo com acurácia. E aqui temos um trade-off importante: para problemas complexos, um maior poder de predição pode implicar em um modelo menos “explicável”.

Um candidato interessante é a família de modelos XGBoost (Extreme Gradient Boosting), que geralmente alcança boa acurácia apesar de ser menos explicável que a regressão linear que usamos anteriormente. O XGBoost é baseado no conceito de árvores de decisão, mas com estratégias de boosting que conferem ao modelo melhor habilidade para lidar com o dilema entre polarização (bias) e variância e sua capacidade de generalização a partir dos dados de treinamento. Mas esses detalhes ficam para um próximo artigo...

Voltemos então à nossa análise. Os pontos vermelhos são os dados reais e os azuis são os pontos preditos pelo nosso modelo. Visualmente, a aderência do modelo é boa, mesmo para as regiões menos comportadas do espaço de análise – o que pode indicar um certo grau de overfitting, ou seja, o modelo se torna pouco generalizável, ajustando-se inclusive a dados reais que correspondem a ruído nos dados de treinamento.

machine learning grafico 3

De qualquer forma, o modelo sugere ser possível predizer, com um bom grau de acerto, o consumo energético de um determinado processo em função de cada ordem de produção, considerando todos os seus parâmetros. Estes, por sua vez, podem ser analisados em função da intensidade de sua contribuição para as variações do comportamento do processo.

É interessante ressaltar que este modelo, além de possibilitar a predição do consumo energético, também possibilita a identificação das variáveis mais relevantes para os esforços de eficiência energética.

Análises avançadas de eficiência energética

Nesse artigo, falamos bastante dos gêmeos digitais (digital twins) e de seu papel central na Indústria 4.0 e nas iniciativas de eficiência operacional. Gêmeos digitais são modelos complexos, construídos a partir de um grande volume de dados, para reproduzir as principais características operacionais de um determinado processo ou equipamento – uma representação digital do ativo de interesse.

De fato, a construção de um gêmeo digital é uma atividade que demanda, além de competências específicas em Machine Learning, uma boa dose de conhecimento sobre o objeto da análise. Decorre daí a necessidade de um profundo envolvimento de especialistas, identificando as características do processo que deveriam ser contempladas pelo modelo, e evidenciando os detalhes dos fenômenos ali presentes.

Desenvolver um gêmeo digital necessariamente envolverá a integração de modelos de diferentes abordagens – estatística, analítica, numérica, estocástica – em torno de um objetivo comum: reproduzir, com a maior fidelidade possível, o comportamento do sistema físico de interesse, possibilitando inferir sua condição a partir de medições específicas, e extrapolar comportamentos operacionais dificilmente extrapoláveis experimentalmente.

Qualquer que seja a abordagem, a aplicação de técnicas de Machine Learning em problemas de gestão de energia envolve análises em profundidade, com significativo aporte de conhecimento sobre o processo, para culminar na construção de modelos de predição que possibilitem inferir os efeitos de decisões gerenciais sobre operações de diversas naturezas.

Saiba mais sobre Transformação Digital e Indústria 4.0 na Gestão de Energia e Utilidades

Sistemas inteligentes de gestão de energia e utilidades

No contexto da Indústria 4.0, bons sistemas de gestão de energia e utilidades devem ser capazes de capturar, armazenar e processar grandes volumes de dados sobre consumo de energia e utilidades de qualquer tipo de negócio, seja um equipamento industrial, seja um processo produtivo ou corporativo. Esses dados, combinados com informações sobre o contexto em que foram registrados (planos de produção, variáveis de processo, parâmetros operacionais, dentre outros), possibilita, por meio de técnicas de Machine Learning, a construção de modelos de predição que podem ser combinados tanto para dar suporte a funções de planejamento, quanto para criar uma representação digital daqueles ativos. Plataformas tecnológicas com grande capacidade de integração facilitam a captura de dados relevantes, e oferecem funcionalidades de modelagem e visualização que tornam natural a utilização, interpretação e evolução dos modelos de predição construídos, resultando em significativa criação de valor para o usuário.

Solicite uma demonstração

Gerente de Produto, Viridis

Gerente de Produto da Viridis, com mais de 20 anos de liderança em programas de inovação e tecnologia em organizações industriais de grande porte. Doutor e mestre em Ciência da Computação pela UFMG, Bacharel em Engenharia Mecânica, Innovation & Sustainability Fellow at Sloan School of Management, MIT. Larga experiência na gestão de projetos e equipes de inovação aberta com indústria, academia e startups, aplicando tecnologias digitais e analytics a desafios em produtividade, estratégia e desenvolvimento sustentável.

Comentários

Ricardo Drummond (não verificado) (seg, 13/08/2018 - 14:24)

seg, 13/08/2018 - 14:24

Comentado por Ricardo Drummond em seg, 13/08/2018 - 14:24

Comentários
Muito interessante o artigo. Fiquei com uma dúvida, que provavelmente vem da minha completa ignorância sobre o assunto:

Se um processo possui uma variância intrínseca, sobre a qual não estamos atuando ou não podemos atuar, e se fizermos alguma otimização baseada em um modelo preditivo, mesmo adequado, não estamos sempre correndo o risco de, apesar de produzirmos efeitos positivos em geral, trazermos prejuízos à uma ordem de produção específica?

Bruno Pimentel (não verificado) (sex, 17/08/2018 - 02:37)

sex, 17/08/2018 - 02:37

In reply to by Ricardo Drummond (não verificado)

Comentado por Bruno Pimentel em sex, 17/08/2018 - 02:37

Comentários
Olá, Ricardo.

Obrigado pela contribuição.

De fato, um modelo de predição será tão bom quanto os dados que foram utilizados para construí-lo. Se esses dados refletem, com boa representatividade, o comportamento histórico de um determinado processo (inclusive em termos de sua variância), espera-se que um bom modelo de predição reproduza adequadamente aquele comportamento. Isso, por si só, não garante ganhos de eficiência, mas possibilita que diferentes análises possam ser feitas, e diferentes cenários operacionais possam ser considerados na busca por maior eficiência energética. A tarefa de atuar na redução da variância do processo, ou seja, conferir-lhe maior previsibilidade e estabilidade – o que já era um dos principais desafios dos times responsáveis pelo seu gerenciamento – ganharia uma ferramenta valiosa: a análise preditiva. Daí, com processos mais bem regulados, os próprios modelos de predição poderiam ser atualizados para um novo padrão de operação, renovando todo o ciclo de melhoria.

Abraço,
Bruno.

Roginer Vaz Ramos (não verificado) (qui, 20/09/2018 - 16:56)

qui, 20/09/2018 - 16:56

Comentado por Roginer Vaz Ramos em qui, 20/09/2018 - 16:56

Comentários
Ótimo artigo Bruno.

Realmente modelos que descrevem o consume de energia elétrica baseados em variáveis de produção e de context são extremamente úteis nos dias atuais, principalmente para planejamento estratégico e de custos.
Com certeza poder ter um sistema capaz de capturer e gravas estas informações e que, através de inteligência própria, possa retroalimentar os modelos constantemente, sera um diferencial no planejamento de longo prazo e, por consequencia, redução de riscos associados ao processo.

Abraço,

Roginer

Bruno Pimentel (não verificado) (qua, 28/11/2018 - 20:09)

qua, 28/11/2018 - 20:09

Comentado por Bruno Pimentel em qua, 28/11/2018 - 20:09

Comentários
Olá, Roginer!

Obrigado pelos comentários. Estamos trabalhando bastante para tornar o Viridis cada vez mais poderoso nas análises de eficiência e nas capacidades de análise e de predição. Tem sido interessante perceber que, na nossa experiência, tão ou mais importante que desenvolver bons modelos, é cuidar de uma boa governança dos dados que os alimentam. Contamos com vocês para avançarmos juntos nessa frente e colher resultados cada vez melhores.

Abraço,
Bruno.

Comentar