A meteorologia sofre, como toda ciência que tenta prever o futuro, com a grande incerteza. No setor energético, as quedas de energia proporcionadas pelas tempestades são um problema imenso. Agora, um algoritmo de machine learning (aprendizado de máquinas) é capaz de prever se as tempestades causarão queda de energia.

Normalmente, no setor energético, é preciso estimar o número
de funcionários de plantão quando uma tempestade vai ocorrer. Afinal, ninguém
gosta de ficar sem energia (tem gente que surta) e há locais onde ela não pode
faltar, visto que o prejuízo é imenso (hospitais, supermercados, etc.).

O problema é conseguir prever qual o tamanho da tempestade para estimar o número de funcionários, já que ela pode mudar a qualquer momento. Se o número de funcionários é subestimado e a tempestade é devastadora, há um prejuízo enorme para a companhia energética. Por outro lado, se o número de funcionários é superestimado e a tempestade é fraca, o prejuízo é no número de horas pagas pelo serviço não utilizado.

Com o algoritmo que usa machine learning, os pesquisadores
conseguiram encontrar padrões em dados existentes que permitem fazer previsões
para novas tempestades. O primeiro passo foi ensinar ao computador como
categorizar as tempestades alimentando-o com dados de falta de energia. Os
dados foram fornecidos por algumas companhias energéticas da Finlândia, onde a
pesquisa foi desenvolvida.

As tempestades foram classificadas em 4 classes, sendo 0
nenhuma queda de energia, 1 cortando até 10% dos transformadores, 2 cortando
até 50% dos transformadores e 3 cortando a energia em mais de 50% dos
transformadores. O próximo passo foi alimentar o computador com dados de
tempestades.

Na análise de tempestade é preciso considerar muitas
variáveis. Os pesquisadores conseguiram treinar o computador para avaliar quais
chuvas causariam danos. Os resultados foram promissores e o algoritmo foi bom
para prever quais tempestades seriam das classes 0 e 3. Agora, eles alimentam o
algoritmo com mais dados para que ele seja capaz de distinguir entre as classes
1 e 2.

O próximo passo é refinar o modelo para ele funcionar além das tempestades de verão, já que no inverno na Finlândia também podem acontecer chuvas catastróficas. Porém, elas funcionam de forma diferente. Para isso, será necessário utilizar métodos diferentes.

Fontes: Science Daily

Larissa Fereguetti

Cientista e Engenheira de Saúde Pública, com mestrado, também doutorado em Modelagem Matemática e Computacional; com conhecimento em Sistemas Complexos, Redes e Epidemiologia; fascinada por tecnologia.