Instalar submedição em um prédio ou em um site dá a você uma visão clara do que foi consumido. Você enxerga o pico de ontem, o total do mês passado, qual andar puxa mais energia. Essa visibilidade já se paga só por identificar desperdício e validar contas.
O problema é que as decisões sobre energia dizem respeito ao amanhã, não ao ontem. Os encargos de demanda são definidos pelo maior pico único de um período de faturamento. O acionamento de baterias, o deslocamento de carga e a compra antecipada de energia dependem, todos, de conhecer a carga antes que ela chegue. Um medidor que só reporta o passado deixa dinheiro na mesa, porque as ações que reduzem o custo precisam acontecer antes do pico, não depois que você o vê em um gráfico. A previsão é como você sai na frente.
A carga de energia é um dos sinais mais fáceis de prever
Primeiro a boa notícia: a carga elétrica é um dos sinais de IoT mais previsíveis, porque é movida por ritmos humanos e sazonais que se repetem. Um prédio comercial segue uma curva diária, baixa durante a madrugada, subindo pela manhã e atingindo o pico à tarde, e uma curva semanal, com dias úteis diferentes dos fins de semana. Some a isso um ciclo anual de aquecimento e refrigeração e você tem um sinal com estrutura forte e estável.
Essa estrutura significa que você não precisa de modelagem exótica para chegar a uma previsão útil. Um modelo sazonal que capture os padrões de hora do dia e dia da semana já leva você quase até o fim do caminho num prédio típico. É a mesma abordagem de linha de base sazonal que funciona em todo o monitoramento de IoT, e é na energia que ela brilha, porque os ciclos são muito consistentes.
O fator que quebra um modelo puramente de calendário: o clima
Uma previsão que só olha o calendário parte do princípio de que toda terça-feira de julho é igual. Aí chega uma onda de calor e a carga de refrigeração estoura a previsão, exatamente no dia em que ela mais importava para um encargo de demanda.
A temperatura é o principal fator externo da carga de energia na maioria dos prédios, então uma previsão séria precisa incluí-la. Na prática, isso significa puxar uma previsão do tempo local para dentro do seu modelo como entrada, ao lado das variáveis de calendário. Como uma Analysis da TagoIO pode chamar uma API externa de clima, você consegue alimentar a temperatura prevista para amanhã na previsão de carga de hoje. Adicionar o clima costuma ser o maior ganho de precisão sobre uma linha de base que só usa calendário para sinais de energia.
Outros fatores úteis, dependendo do site: ocupação, cronograma de produção e eventos conhecidos, como uma troca de turno ou uma parada programada. Cada um é mais uma entrada com que o modelo pode aprender.
Da previsão ao dinheiro
Uma previsão de carga só vale a pena ser construída se ela gerar uma ação. As mais comuns:
Evitar o pico. Se a previsão diz que você vai bater um novo pico mensal nesta tarde, você pode desligar cargas não críticas ou acionar uma bateria antes que o pico defina seu encargo de demanda para o período inteiro. Essa costuma ser a maior economia individual de uma previsão de energia.
Compra e deslocamento. Conhecer o perfil de carga de amanhã permite comprar energia ou deslocar cargas flexíveis para janelas mais baratas.
Orçamento e contexto de anomalias. Uma previsão de consumo com um mês de antecedência dá ao financeiro um número para se planejar, e serve também como contexto para a detecção de anomalias: um consumo muito acima da previsão é um sinal de que algo está errado, um registro emperrado, um controle com falha, um vazamento.
Construindo na TagoIO
O ciclo encaixa direto na plataforma. Os dados do medidor chegam na TagoIO. Uma Analysis agendada lê o histórico recente de carga de um medidor ou de um grupo selecionado por tags, puxa uma previsão do tempo, roda um modelo sazonal ou de machine learning e grava a carga prevista de volta como uma variável. Um dashboard plota a previsão contra o real, e um alerta dispara quando a previsão projeta um novo pico com antecedência suficiente para agir.
Como o TagoIO Analytics gera a previsão de carga ao lado dos dados do seu medidor, o modelo informado pelo clima fica em um só lugar, não em um sistema separado que você tem que sincronizar.
Comece pelo pico, adicione o clima e depois aja
Comece com uma previsão sazonal da métrica que mais custa a você, geralmente o pico de demanda, e plote-a contra os valores reais para ver como ela se sai. Adicione o clima como entrada, porque, para energia, ele é quase sempre a maior melhoria individual. Depois conecte a previsão a uma ação, corte de pico ou acionamento de bateria, e deixe que ela comece a se pagar.
Veja como o TagoIO Analytics roda o modelo informado pelo clima por trás de uma previsão de energia.
O caminho sem código é o TagoIO Analytics, que prevê a carga de energia para você. Entre em sight.tago.io/login com sua conta TagoIO e treine um modelo com os dados dos seus medidores em minutos, com previsões e detecção de anomalias, sem precisar de um cientista de dados.
