Machine Learning aplicado à eficiência energética: como antecipar problemas antes que eles aconteçam
Quando se fala em Inteligência Artificial, a maioria das pessoas pensa imediatamente em
ChatGPT, geração de imagens ou assistentes virtuais. São aplicações impressionantes e com enorme visibilidade mediática. São aplicações impressionantes e com enorme visibilidade mediática.
- Acontecem em fábricas.
- Em edifícios.
- Em municípios.
- Em sistemas energéticos.
Em locais onde a Inteligência Artificial não está a gerar texto nem imagens, mas sim a ajudar
organizações a tomar melhores decisões. Ao longo dos últimos anos tenho trabalhado em projetos ligados à energia, sustentabilidade e sistemas de apoio à decisão. Quanto mais contacto tenho com esta realidade, mais me convenço de que uma das maiores oportunidades da Inteligência Artificial não está na automação de tarefas administrativas.
Está na capacidade de antecipar acontecimentos futuros. Porque, em muitos casos, identificar um problema depois de acontecer já não gera valor. O verdadeiro valor surge quando conseguimos atuar antes.
A diferença entre olhar para o passado e antecipar o futuro
Grande parte das organizações já possui dados.
- Muitos dados.
- Faturas.
- Sensores.
- Equipamentos.
- Contadores inteligentes.
- Sistemas de gestão técnica.
- Plataformas SCADA.
- Folhas Excel.
- Bases de dados.
O problema raramente é a ausência de informação. O problema é transformar essa informação em conhecimento útil. Imagine um gestor energético que recebe mensalmente centenas de leituras de consumo.
- Consegue saber quanto consumiu.
- Consegue saber quanto gastou.
- Consegue saber qual foi a fatura
Mas existe uma pergunta muito mais interessante:
O que vai acontecer a seguir?
É precisamente aqui que o Machine Learning começa a fazer a diferença.
Uma metáfora simples
Imagine conduzir um automóvel olhando apenas pelo espelho retrovisor.
Consegue perceber por onde passou.
Consegue analisar o percurso realizado.
Consegue identificar erros cometidos.
Mas não consegue antecipar a próxima curva. Muitas organizações gerem a energia desta forma. Analisam o passado. Observam relatórios. Consultam consumos históricos. Mas continuam sem conseguir antecipar acontecimentos futuros. O Machine Learning funciona como um para-brisas. Permite continuar a observar o passado, mas acrescenta uma estimativa daquilo que poderá acontecer a seguir. Não prevê o futuro com perfeição. Mas fornece informação valiosa para apoiar decisões.
Previsão de consumos energéticos
Uma das aplicações mais comuns consiste na previsão de consumos. Imagine uma piscina municipal. O consumo energético depende de múltiplos fatores:
- Temperatura exterior.
- Temperatura da água.
- Número de utilizadores.
- Horários de funcionamento.
- Equipamentos instalados.
- Condições climatéricas.
Todos estes fatores variam diariamente. Tradicionalmente, o gestor energético apenas conhece o resultado após receber as leituras ou as faturas. Com Machine Learning é possível utilizar dados históricos para prever consumos futuros. Por exemplo:
Qual será o consumo da próxima semana?
ou
Qual será o consumo do próximo mês?
Estas previsões permitem melhorar o planeamento e identificar desvios com maior rapidez.
Deteção de anomalias
Outra aplicação extremamente interessante consiste na deteção automática de comportamentos anómalos. Imagine um edifício que normalmente consome cerca de 1000 kWh por dia. De forma inesperada passa a consumir 1400 kWh. O aumento pode ter várias explicações:
- Equipamento avariado.
- Horário de funcionamento alterado.
- Erro de configuração.
- Fuga de energia.
- Utilização extraordinária.
Um sistema tradicional apenas mostrará o valor. Um sistema inteligente pode gerar automaticamente um alerta. Um sistema inteligente pode gerar automaticamente um alerta. Esta capacidade é particularmente útil em organizações com centenas de edifícios ou
instalações.
O desafio dos municípios
Os municípios constituem um dos contextos mais interessantes para aplicação destas
tecnologias. Muitas autarquias gerem:
- Escolas.
- Piscinas.
- Pavilhões.
- Museus.
- Bibliotecas.
- Edifícios administrativos.
- Infraestruturas de iluminação pública.
Cada um destes ativos produz dados. Mas a quantidade de informação é tão grande que se torna impossível analisar tudo manualmente. É aqui que o Machine Learning pode funcionar como um assistente permanente. Em vez de obrigar os técnicos a procurar problemas, o sistema identifica automaticamente situações que merecem atenção. A prioridade deixa de ser recolher dados. A prioridade deixa de ser recolher dados.
O conceito de manutenção preditiva
Uma das áreas mais promissoras é a manutenção preditiva. Tradicionalmente existem duas abordagens.
Manutenção corretiva
O equipamento avaria. Depois intervimos
Manutenção preventiva
Realizamos intervenções periódicas independentemente do estado real do equipamento.
Ambas apresentam limitações. A manutenção corretiva gera riscos operacionais. A manutenção preventiva pode gerar custos desnecessários. O Machine Learning introduz uma terceira possibilidade. Utilizar dados históricos para estimar a probabilidade de falha. Imagine um sistema AVAC.
Os sensores monitorizam:
- Temperaturas.
- Pressões.
- Vibrações.
- Consumos elétricos.
Ao longo do tempo, o algoritmo aprende quais os padrões que normalmente antecedem uma
avaria. Quando identifica comportamentos semelhantes, pode gerar um alerta preventivo. Não garante que a falha irá acontecer. Quando identifica comportamentos semelhantes, pode gerar um alerta preventivo. Não garante que a falha irá acontecer. Mas aumenta significativamente a capacidade de antecipação.
O caso dos edifícios inteligentes
À medida que os edifícios se tornam mais instrumentados, o potencial destas tecnologias
aumenta. Um edifício moderno pode possuir milhares de pontos de recolha de dados.
- Temperaturas.
- Humidade.
- Qualidade do ar.
- Iluminação.
- Ocupação.
- Consumos energéticos.
- Produção renovável.
Analisar manualmente toda esta informação torna-se impraticável. Os algoritmos permitem identificar relações que dificilmente seriam descobertas através da análise tradicional. Em muitos casos, o valor não surge de um único dado. Surge da combinação de centenas ou milhares de variáveis.
O papel dos sistemas de apoio à decisão
Existe uma ideia errada muito comum. Muitas pessoas imaginam que a Inteligência Artificial irá substituir os gestores energéticos. Na minha opinião, a realidade será diferente. Os melhores resultados surgirão quando especialistas e algoritmos trabalharem em conjunto.
O sistema identifica padrões.
O especialista interpreta o contexto.
O sistema sugere.
O especialista decide.
É precisamente esta visão que considero mais interessante para os próximos anos.
Não substituir pessoas.
Mas aumentar significativamente a sua capacidade de análise
O caminho para os Sistemas Autónomos de Sustentabilidade
À medida que estas tecnologias evoluem, começamos a aproximar-nos de um conceito
particularmente interessante. Os Sistemas Autónomos de Sustentabilidade. Em vez de apenas monitorizar consumos, estes sistemas serão capazes de:
- Identificar oportunidades.
- Avaliar impactos.
- Priorizar intervenções.
- Recomendar ações.
- Aprender continuamente.
Em muitos casos poderão mesmo executar determinadas ações de forma automática. Estamos ainda numa fase inicial desta transformação. Mas os sinais são claros. A gestão energética está a evoluir de sistemas de monitorização para sistemas de apoio à decisão e, progressivamente, para sistemas cognitivos e autónomos.
Conclusão
Durante muitos anos a gestão energética centrou-se na análise do passado.
Consumimos.
Medimos.
Reportámos.
Hoje começamos a entrar numa nova fase. Uma fase em que os dados deixam de servir apenas para explicar aquilo que aconteceu. Passam a servir para antecipar aquilo que poderá acontecer. O Machine Learning desempenha um papel fundamental nesta transformação. Não porque consegue prever o futuro com perfeição. Mas porque consegue identificar padrões invisíveis à escala humana. E quando falamos de energia, sustentabilidade e eficiência operacional, antecipar um problema pode ser muito mais valioso do que simplesmente reagir a ele. Na minha opinião, é precisamente aqui que reside uma das maiores oportunidades da
Inteligência Artificial aplicada ao mundo real.