Metenergy Solutions - Modelagem em alta resolução das variáveis meteorológicas otimizadas com IA, aplicada ao mercado livre de energia.

• Processo: 24/04530-9
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de novembro de 2024
• Data de Término da vigência: 31 de outubro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Geociências - Meteorologia
• Pesquisador responsável: Felipe Tartaro Pereira
• Beneficiário: Felipe Tartaro Pereira
• Empresa: METENERGY SOFTWARES LTDA
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis ; Pesquisa e desenvolvimento experimental em ciências físicas e naturais
• Município: São Paulo
• Pesquisadores associados: Lucas Tartaro Pereira ; Vinicius Akira Imaizumi
• Assunto(s): Energia renovável Inteligência artificial Modelos atmosféricos Sustentabilidade Tecnologia
• Palavra(s)-Chave do Pesquisador: Energia sustentavel | Inteligência Artificial | Meteorologia | Modelagem atmosférica | Sustentabilidade | tecnologia | Meteorologia e Modelagem

Resumo

Somos uma equipe originada no Laboratório de Meteorologia de Mesoescala (LMM) da Universidade de São Paulo (USP) - IAG e participamos da residência em inovação NIDUS do Centro de Inovação da USP (INOVA USP). Atualmente, contamos com a participação do Prof. Dr. Ricardo Hallak da LMM-USP e um time qualificado, composto pelo iminente graduado em Meteorologia Felipe Tartaro, mestrando em Meteorologia Lucas Tartaro e Engenheiro Elétrico Vinícius Akira, com habilidades em modelagem numérica, inteligência artificial, desenvolvimento de software e arquitetura em nuvem. Nosso professor tutor já teve experiências com o mercado de trabalho com atuação em modelagem numérica nas empresas SOMAR e CPTEC, somando mais de 4 anos de boa relação com os setores estratégicos da meteorologia. Nossa startup, de base tecnológica, busca soluções para os problemas de desperdício de energia e altos riscos no investimento e planejamento para os agentes do mercado energético atual, causados por erros associados às estimativas na precificação da energia, oriundos das previsões equivocadas da precipitação e temperatura de cenários futuros.Nossa solução se baseia na geração de produtos de previsão e análise de dados meteorológicos simulados com o modelo numérico WRF, personalizados em grades aninhadas de alta resolução espacial e temporal e refinados com o uso de IA em um esquema denominado Redes Neurais Informadas por Física (PINN, do inglês Physics Informed Neural Network). Assim, obtemos a otimização de parametrizações a partir de diversos modelos atmosféricos e oceânicos reconhecidos pela NOAA, como o ERA5, ORA5 e ECMWF. A partir destes dados refinados, estamos particularmente interessados em criar modelos de previsão para atuar em regiões de usinas eólicas, hidrelétricas e solares, além de previsões da carga requerida pelo Sistema Interligado Nacional (SIN), dependente principalmente da temperatura e da pluviosidade.Temos o objetivo de otimizar a elaboração dos contratos de energia elaborados pelos agentes geradores e comercializadores, melhorar a previsibilidade da carga gerada pelas usinas, bem como o monitoramento e previsão do Preço da Liquidação das Diferenças (PLD) e do Custo Marginal de Operação (CMO), tornando o mercado de energia livre no Brasil menos arriscado aos agentes e mais sustentável. Inicialmente, focaremos nas principais bacias hidrográficas onde se encontra a maior geração da matriz energética brasileira e, posteriormente, o projeto se estenderá a parques eólicos e solares. Nós desenvolvemos um produto que já se mostrou eficiente para outros grupos de estudo. Acompanhamos a palestra da professora da POLI-USP, Anna Reali Costa, que lidera um grupo de pesquisa onde o acoplamento PINN foi capaz de minimizar os erros de previsão do modelo utilizado (SOFS) em cerca 10% em modelagem de altíssima resolução no- canal de Santos, em São Paulo.Nosso modelo de negócio tem perspectiva de pioneirismo no setor de energia brasileiro, principalmente por utilizar a arquitetura em nuvem da Amazon Web Services (AWS). O mercado atual investe em arquitetura própria, o que demanda custos com manutenção, atualização e aquisição de computadores. A AWS já possui ferramentas específicas para a execução de simulações via WRF em nuvem, como é o caso de serviços como AWS ParallelCluster, Elastic Fabric Adapter e NICE DCV.Iremos usar dois modelos de geração de valor. O primeiro, para atender à demanda escalabilidade e ingressarmos no mercado com um produto mais generalizado, entregaremos um produto padronizado de alto valor em forma de assinatura. Assim, podemos garantir 24h de disponibilidade do produto para configuração padrão para cada uma das principais regiões disponíveis. O segundo, no formato "pague pelo uso", será destinado aos clientes que optarem por uma solução mais aplicada à sua área de atuação, com opções pré-definidas que aumentam o custo de processamento. (AU)