Usando IA para prever a carga energética personalizada e a conta de gás

A carga energética tem várias definições, mas a mais amplamente aceita a define como a razão entre o gasto energético de uma família e a renda total. As despesas com energia incluem gastos com contas de serviços públicos e excluem custos de transporte e água. Insights e programas de eficiência energética visam manter a carga energética em níveis razoáveis ​​para todas as faixas de renda, fornecendo dicas e insights que podem ser facilmente seguidos. Embora famílias de baixa renda usem menos energia per capita, em alguns casos é sabido que elas podem gastar uma parcela consideravelmente maior de sua renda familiar em contas de energia. A equipe de UX da Oracle Energy and Water conduziu uma pesquisa com prováveis ​​clientes de baixa renda e descobriu que 86% dos participantes estavam preocupados em pagar suas contas de energia e impressionantes 64% receberam uma notificação de desligamento no último ano. Alguns estudos (Davis 2021) estimam que 40% das famílias de baixa renda têm dificuldade em pagar suas contas de energia.

Por que a carga energética é importante?

Esta é uma métrica importante a ser seguida por muitos motivos, pois uma alta carga pode levar à insegurança energética com consequências adversas. Dados da Pesquisa de Consumo Residencial de Energia de 2015 indicam que 31% de todas as famílias dos EUA enfrentaram alguma forma de insegurança energética e tiveram que reduzir gastos em outras áreas, sacrificando itens essenciais apenas para pagar suas contas de energia. Consequências econômicas, financeiras e sociais adversas geralmente ocorrem quando famílias de baixa renda com despesas altas fazem escolhas entre pagar por comida, remédios, abrigo e contas de serviços públicos. Para agravar o problema, não pagar as contas de serviços públicos os torna vulneráveis ​​a possíveis cortes de energia e despejos.

Recentemente, uma variedade de fatores, incluindo a pandemia da COVID-19, eventos relacionados ao clima e uma interrupção sustentada dos mercados mundiais de energia causada pela invasão da Ucrânia pela Rússia, aumentaram a carga energética de muitas pessoas.

A equipe de ciência de dados da Oracle Energy and Water utiliza inteligência artificial (IA), especialmente deep learning, para prever a carga de energia e a conta de gás em nível pessoal e doméstico. Pelos motivos que explicamos abaixo, é muito importante prever a carga energética com precisão; infelizmente, os dados necessários para esses cálculos estão faltando ou incompletos. Desenvolvemos as melhores abordagens de modelagem para previsões muito precisas. Aqui, fornecemos detalhes de nossos modelos e alguns dicas para treinamento e validação, e também comparamos nossos modelos com o estado tecnológico atual e listamos seus muitos benefícios.

Por que é difícil calcular a carga energética?

Infelizmente, é difícil calcular a métrica de carga energética com precisão no nível pessoal/doméstico por dois motivos principais:

1. Falta de dados de uso de gás para aquecimento, cozimento, etc.
2. Dados de renda incompletos ou ausentes

Algumas publicações recentes, incluindo Lin et. al. 2020, descrevem estudos conduzidos com empresas de serviços públicos e os efeitos adversos de conjuntos de dados ausentes e incompletos. Nos EUA, todas as residências têm algum uso de eletricidade, já que as fontes mais comumente usadas para aquecimento são gás e eletricidade: 48% de todas as residências americanas usam gás natural para aquecimento, enquanto o elétrico é usado em 37%, de acordo com o US Census Bureau, e apenas cerca de 15% usam outras fontes, como óleo combustível, propano, etc. (Magill 2014)

Nosso objetivo ao trabalhar para prever a carga de energia é ter o maior impacto ao fornecer modelos de IA de ponta para prever o uso de gás com precisão; quando os usos de gás e eletricidade são combinados, podemos ser responsáveis ​​por 85% dos clientes de aquecimento nos EUA. Abaixo, mostraremos a previsão do uso de gás a partir do uso de eletricidade e alguns outros recursos prontamente disponíveis. Ests trabalho não é apenas novo e inovador, mas também é necessário para calcular a métrica de carga energética com precisão. Nossos modelos de ponta abrem novas portas para pesquisadores e profissionais interessados ​​em eficiência e pobreza energética.

Previsão precisa do uso e da conta de gás

Algumas residências nos EUA são medidas e monitoradas usando infraestrutura de medição avançada (AMI). Esse sistema integrado de medidores inteligentes, redes de comunicação e sistemas de gerenciamento de dados é capaz de fornecer informações sobre o uso total em granularidades menores, como a cada 15 minutos ou a cada hora. Embora a AMI esteja se tornando mais comum — cerca de 65% dos lares americanos agora têm medidores inteligentes (Walton 2021) —, ainda há milhões de clientes que não fizeram a transição de medidores convencionais para a AMI. Por esse motivo, desenvolvemos modelos de deep learning que podem utilizar dados de uso de eletricidade por AMI ou de faturamento (não AMI) como entrada. Portanto, nossos modelos podem ser aplicados a todos os consumidores de energia elétrica.

Embora alguns consumidores usem eletricidade como fonte de aquecimento, eles podem usar gás para outros fins, como cozinhar. Em nosso conjunto de dados de treinamento, que contém dezenas de milhões de pontos de dados, há pontos com ou sem aquecimento a gás. Em nossa validação, comparamos os resultados dos nossos modelos apenas em casas "reais e não vistas": essas são as residências que não foram usadas no treinamento. Observe que nossa validação se alinha muito bem com o cenário de pontuação real.

Para a previsão da conta de gás, seguimos uma abordagem em duas etapas:

1. Na primeira etapa, nossos modelos de IA preveem o uso de gás em nível doméstico.
2. Na segunda etapa, nossos modelos usam as tarifas de gás da EIA 2022 como proxy para calcular o valor da conta de gás (se disponível, você pode usar um mecanismo de tarifas de gás para obter resultados mais precisos).

Os mecanismos de cálculo de taxa de gás oferecem maior precisão, mas nem sempre são acessíveis ou mesmo disponíveis. Por esse motivo, estamos mostrando os resultados dos nossos modelos usando as tarifas de gás disponíveis na EIA.

Na seção a seguir, mostraremos nossos modelos em ação e forneceremos os resultados em casas reais e nunca vistas (casas que não fazem parte do nosso treinamento de modelo, conforme mencionado acima).

Comparando com o estado da arte

Até onde sabemos, não há modelos de machine learning que possam prever o uso personalizado de gás a partir da entrada de eletricidade, então nossas contribuições são novas. Infelizmente, não encontramos nenhuma regra prática personalizada de uso de gás ou números de proxy de conta de gás com os quais possamos comparar nossos resultados. Mas, no nível do setor censitário, que abrange centenas ou alguns milhares de domicílios, são fornecidos valores médios de consumo de gás. Esses valores fornecidos pelo Censo dos EUA, que não são personalizados nem recentes, são usados ​​na maioria dos casos para calcular a carga energética. Comparamos nossos resultados com o nível do setor censitário, já que os setores censitários dos EUA contêm centenas de domicílios e, nos cálculos abaixo, executamos nossos modelos em várias residências.

Vamos começar com residências com apenas um morador e mostrar o modelo em execução em uma casa real e nunca vista, usando aquecimento a gás.

A Figura 1 mostra o modelo de deep learning de previsão de gás na prática, com valores de previsão (vermelho) correspondendo muito de perto aos valores reais (azul). Nos dias em que o aquecimento é utilizado, você pode ver que há um aumento considerável no uso de gás (o que corresponde às expectativas, já que essa casa é aquecida a gás). Durante o resto do ano, o consumo de gás é muito menor, mas não é zero. Isso indica que o gás também é usado nesta casa para outros fins, como cozinhar. A Figura 2 mostra uma história muito semelhante. Novamente, essa casa é "real e não vista antes"; como não é aquecida a gás, não observamos um uso muito maior de gás nos meses de inverno.

A Figura 3 demonstra um grande problema ao usar valores do censo dos EUA para prever contas de gás residenciais. Esses valores, que são médias, não são úteis, e pontos muito distantes da linha diagonal indicam grandes erros. Para resolver esse problema, usamos nossos modelos de IA para prever o uso de gás e os convertemos em contas de gás por meio das tarifas da EIA. Observe que usar um mecanismo de taxa de gás forneceria resultados melhores e mais precisos, mas tais mecanismos nem sempre estão disponíveis. Na Figura 4 há um alinhamento muito próximo; as contas de gás calculadas usando valores da EIA estão muito mais próximas dos valores reais, especialmente em comparação com a figura anterior. Os erros nesse modelo são muito razoáveis, medidos pela distância de qualquer ponto até a linha diagonal.

Arquitetura de deep learning e métricas de treinamento

Usamos Oracle Cloud Infrastructure (OCI) e OCI Data Science (OCI DS) para treinar, validar e pontuar nossos modelos. A OCI fornece computação flexível e confiável com CPUs e GPUs. A OCI Data Science promove produtividade e colaboração, nos permite auditar e reproduzir modelos e facilita a colocação de modelos em produção.

Para arquiteturas de deep learning, avaliamos arquiteturas novas, bem como as mais comumente usadas na literatura, incluindo combinações ResNet, RNN e CNN. Não precisamos usar arquiteturas muito profundas: manter o número de parâmetros do modelo em um nível razoável de cerca de 60.000 nos ajuda com o tempo de treinamento e pontuação. Usando GPUs, o treinamento total leva cerca de cinco horas com nosso modelo de entrada de AMI, e esse número cai para menos de duas horas durante o treinamento com a entrada de faturamento.

Nossa arquitetura de deep learning combina e implementa conceitos úteis de RNN, CNN, drop out e pooling. Por meio de estudos empíricos, selecionamos as melhores arquiteturas de deep learning com a menor quantidade de erro em nossos dados de validação.

Conclusões

A métrica da carga energética tem sido amplamente estudada e atraiu muita atenção, especialmente em programas relacionados à acessibilidade. Enquanto alguns especialistas tratam a métrica de carga energética como prioridade para identificar clientes qualificados, muitos outros preferem tratar a carga energética como uma métrica secundária e auxiliar, útil para análises e insights detalhados.

Tabela 1: Elegibilidade para Auxílio Energético para Residências de Baixa Renda (LIHEAP) sobrepõe-se à métrica de carga energética

A Figura 5 e a Tabela 1 mostram que a carga energética não pode determinar isoladamente a elegibilidade para o Auxílio Energético para Residências de Baixa Renda (LIHEAP). O LIHEAP, que é um programa financiado pelo governo federal e administrado pelos estados nos EUA, tem critérios de elegibilidade que incluem renda, número de pessoas e idade (em alguns estados). Usando a carga energética como indicador primário, apenas 62% dos clientes qualificados podem ser alcançados quando a renda real é usada, e esta não está disponível na maioria dos casos. Quando os dados de renda do Censo dos EUA são usados, o recall cai para 17%, conforme mostrado na Tabela 1. Na Figura 5, podemos ver algumas famílias de baixa renda com baixa e alta carga energética, marcadas em azul e vermelho, respectivamente. Embora a carga energética seja uma métrica muito útil, ela não substitui os critérios de elegibilidade no LIHEAP ou programas semelhantes.