Todas as grandes economias estão enfrentando o mesmo problema neste momento. A inteligência artificial está consumindo eletricidade a um ritmo que as redes nunca foram projetadas para suportar. Nos EUA, os preços do mercado de capacidade na PJM, o maior operador de rede do país, aumentaram mais de dez vezes em dois anos, sendo o crescimento dos centros de dados identificado como o principal impulsionador. Na Europa, as empresas de serviços públicos estão a esforçar-se para atualizar a infraestrutura de transmissão com rapidez suficiente para acompanhar a procura dos hiperescaladores.
A Agência Internacional de Energia (AIE) prevê que o consumo global de eletricidade dos centros de dados poderá aproximar-se dos 1.000 TWh até ao final desta década. A energia renovável existe em grande parte, mas a capacidade de coordená-la, através do mapeamento da rede energética através da IA à escala nacional, é o que ainda falta à maioria dos países. Mas a China acabou de construí-lo.
Um estudo publicado esta semana na Nature por investigadores da Universidade de Pequim e da Academia DAMO do Grupo Alibaba produziu algo que nenhum país conseguiu antes: um inventário completo, de alta resolução, gerado por IA, da infra-estrutura eólica e solar de uma nação inteira, com o quadro analítico para coordená-lo como um sistema unificado.
Usando um modelo de aprendizagem profunda treinado em imagens de satélite subterrâneas, a equipe identificou 319.972 instalações solares fotovoltaicas e 91.609 turbinas eólicas da China, processando 7,56 terabytes de imagens para isso.
Mapeamento da rede energética de IA
As pesquisas anteriores sobre a complementaridade solar-eólica – a ideia de que duas fontes podem compensar a variabilidade uma da outra no tempo e na geografia – basearam-se em grande parte em cenários de implantação hipotéticos ou modelados. Até agora, a forma como a complementaridade se manifesta nas infra-estruturas do mundo real e como molda os resultados da integração ao nível do sistema permaneceu obscura.
Os investigadores mostram que a complementaridade solar-eólica reduz substancialmente a variabilidade da geração, com a eficácia aumentando à medida que o âmbito geográfico do emparelhamento se expande.
Em termos práticos, quanto mais distantes estiverem as instalações que estão sendo coordenadas, mais confiável será o equilíbrio entre elas. Uma nuvem que cobre parques solares em Gansu não escurece os corredores eólicos na Mongólia Interior, por exemplo. As conclusões do estudo apontam para uma ineficiência estrutural na forma como a China gere actualmente a sua rede: a coordenação acontece a nível provincial e não a nível nacional.
A transição para uma escala nacional unificada, argumentam os investigadores, tornaria mais fácil emparelhar fontes de energia complementares, estabilizar a rede e evitar a redução – o desperdício da energia renovável gerada que tem sido há muito um dos problemas de energia limpa mais dispendiosos da China.
Liu Yu, professor da Escola de Ciências da Terra e do Espaço da Universidade de Pequim, descreveu o inventário como uma forma de permitir à China ver o seu cenário de novas energias a partir de uma “visão do olho de Deus”, uma frase que tem mais peso operacional do que poderia sugerir à primeira vista. Os operadores de rede não podem otimizar aquilo de que não tinham conhecimento – até agora.
A China está no meio de um aumento na procura de electricidade impulsionado pela IA que está a sobrecarregar a sua rede. A rápida proliferação de serviços de dados e de enormes instalações informáticas fez com que o consumo de energia do sector aumentasse 44% em termos anuais no primeiro trimestre de 2026, atingindo 22,9 mil milhões de quilowatts-hora, de acordo com o Conselho de Electricidade da China.
Trata-se de uma taxa de crescimento extraordinária para um sector cuja procura já era grande. Isto acelerou a expansão dos centros de dados nas províncias do norte e do oeste da China, onde os terrenos são mais baratos, os recursos eólicos e solares estão mais disponíveis e os preços da electricidade são proporcionalmente mais baixos. As províncias alvo de novos data centers são as mesmas regiões com maior complementaridade solar-eólica.
Por trás do modelo
Vale a pena compreender a conquista técnica por trás disso por si só. O modelo de aprendizagem profunda da DAMO foi treinado para identificar instalações solares fotovoltaicas e turbinas eólicas a partir de imagens de satélite com resolução submétrica, uma tarefa complicada pela grande diversidade de tipos de instalação, condições do terreno e qualidade de imagem.
O conjunto de dados resultante abrange instalações em 1.915 condados chineses, abrangendo tudo, desde painéis em telhados em cidades costeiras até parques eólicos de grande escala no planalto da Mongólia. O processamento de 7,56 terabytes de imagens para produzir um inventário nacionalmente consistente a nível de condado é uma demonstração do que a IA geoespacial em grande escala pode fazer quando aplicada a problemas de infra-estruturas, e um modelo que outros países poderiam, em princípio, replicar.
O setor de energia limpa da China gerou cerca de 15,4 trilhões de yuans (US$ 2,26 trilhões) em produção econômica no ano passado, o equivalente a todo o PIB do Brasil, de acordo com o Centro de Pesquisa em Energia e Ar Limpo, com sede na Finlândia. Gerir uma base de activos desta escala sem uma ferramenta de visibilidade a nível nacional seria sempre um factor limitante, um limite que já desapareceu.
O conjunto de dados e o código do estudo foram disponibilizados publicamente via Zenodo.
(Foto de Luo Lei)
Veja também: Por dentro do esforço da China para aplicar IA em seu sistema energético
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e é realizado junto com outros eventos líderes de tecnologia. Clique aqui para obter mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
