Uma transição energética realizada da maneira correta evita custos, replanejamento e alcança melhores resultados. A ciência de dados entra nesse contexto oferecendo um conjunto de ferramentas matemáticas que permitem analisar dados do passado, consolidar informações de diversas fontes e até mesmo prever tendências. Podemos usar essa abordagem para entender, por exemplo, como ações de instalação de novos sistemas de iluminação ou mudanças nos preços das tarifas podem afetar o consumo de energia

Hildo Guillardi Júnior e Marcelo Stehling de Castro

Ao falar sobre energia elétrica, é comum limitar nossa visão aos aspectos mais óbvios, como a geração de energia em grandes hidrelétricas e o consumo em nossos aparelhos domésticos. No máximo, costuma-se expandir o pensamento para a iluminação pública e geração local de energia elétrica, tipicamente solar, que uma pessoa visualiza durante seu dia a dia. Porém, há muito mais do que isso a ser considerado.

Por exemplo, você sabia que o consumo de água e o tratamento de esgoto dependem de sistemas elétricos? Que o transporte público, mesmo que não seja feito por veículos elétricos, também depende de sistemas de gerenciamento de tráfego e bilhetagem que consomem energia elétrica? Que até mesmo a infraestrutura de telecomunicações tem impacto no consumo e planejamento elétrico de áreas densamente povoadas, como cidades, distritos e bairros?

Sendo assim, é importante buscar um equilíbrio de consumo que proteja o meio ambiente e proporcione bem-estar a seus usuários.  A transição energética busca mudanças não apenas na geração de energia elétrica, adotando fontes mais sustentáveis e de menor impacto ambiental, mas também estimulando seu consumo consciente com preocupação na preservação dos recursos naturais. A conscientização de todos os envolvidos no processo, desde a produção, gestão até o consumidor final, desempenha um papel crucial nessa transição.

Uma transição energética realizada da maneira correta evita custos, replanejamento e alcança melhores resultados. A ciência de dados entra neste contexto oferecendo um conjunto de ferramentas matemáticas que permitem analisar dados do passado, consolidar informações de diversas fontes e até mesmo prever tendências. Podemos usar essa abordagem para entender, por exemplo, como ações de instalação de novos sistemas de iluminação ou mudanças nos preços das tarifas podem afetar o consumo de energia. Esse entendimento da relação causa-efeito é conhecido como modelagem do problema, e cada um dos elementos que o afeta é chamado de variável do problema.

Os dados que podem ser analisados não estão apenas nas faturas de consumo de energia que recebemos mensalmente pelo correio ou meio eletrônico. Eles incluem também as condições contratuais estabelecidas com as concessionárias dos serviços, como fornecimento de energia elétrica, água, gás; características das instalações; condições ambientais e hábitos de consumo. Ao considerar esses dados de forma estatística podemos ter uma visão mais abrangente do problema. É interessante observar que a ciência de dados pode até mesmo dialogar com as ciências humanas e geopolíticas através de estudos regionais e/ou dos hábitos populacionais.

Outra ferramenta computacional baseada em estatística que vem sendo muito utilizada para prever aspectos futuros com base nos dados do passado e relação entre múltiplas variáveis é a inteligência artificial. Durante a fase, expomos o algoritmo (programa computacional) aos dados históricos relevantes, em um processo chamado de “treinamento” e, por tal associação, esses algoritmos também são chamados de “algoritmos de aprendizado de máquina”. Se esse processo de treinamento for bem-sucedido, o algoritmo poderá fazer previsões sobre o tipo específico de dado que lhe foi apresentado (e apenas sobre este tipo).

Embora os primeiros estudos em inteligência artificial tenham surgido na década de 1940 como métodos matemáticos para aproximação de curvas de dados, essa área evoluiu ao longo do tempo impulsionada pelo aumento da capacidade computacional e acesso aos computadores de forma geral. Atualmente, um smartphone possui capacidade computacional milhares de vezes maior do que o computador que levou os astronautas à Lua em 1969.

É importante ressaltar que a inteligência artificial não é a solução definitiva para todos os problemas. Ela pode fazer previsões com certo grau de assertividade com base em contextos específicos, mas está limitada aos dados com os quais foi treinada. Mesmo os algoritmos de chatbot, que têm tomado grande repercussão midiática, são de predição textual (o texto mais provável para continuar uma frase) que se baseia em um contexto dado (sua pergunta), e é restrito a uma base de dados (vários desses algoritmos não podem dizer nada sobre os dados dos últimos meses pois não lhe foram apresentados durante a fase de treinamento).

É claro que a área está em constante avanço, que novos algoritmos têm surgido e os antigos aprimorados, o que nos deixa com grandes perspectivas a respeito de novas possibilidades na área.

Todas estas ferramentas e processos estão à disposição para prover estatísticas de forma a embasar melhor a tomada de decisões em um conceito conhecido como data driven (decisões “dirigidas por dados”). Neste contexto o eixo de estudo em “Ciência de dados e inteligência artificial” do Centro Paulista da Transição Energética (CPTEn) se caracteriza como um grupo de pesquisadores debruçados em prover soluções computacionais para análise, cruzamento de dados e provimento de indicadores que auxiliem a gestão pública do Estado de São Paulo na melhor alocação, economia de recursos públicos e melhoramento do acesso da população a energia elétrica de qualidade proveniente de fontes sustentáveis.

Hildo Guillardi Júnior é pesquisador do Eixo 1 do CPTEn – http://lattes.cnpq.br/2763526214348012
Marcelo Stehling de Castro é pesquisador do Eixo 1 do CPTEn – http://lattes.cnpq.br/9354456664541013