Pontos-chave
A Google DeepMind lançou o WeatherNext 3, um modelo de previsão do tempo com IA voltado a operadores de infraestrutura de energia
O modelo é atualizado a cada hora e projeta velocidade do vento em alturas de até 100 metros, nível das pás das turbinas
Também estima a radiação solar incidente para calcular a geração de energia de painéis fotovoltaicos
O WeatherNext 3 mira especialmente os operadores de rede que equilibram oferta e demanda à medida que cresce a capacidade renovável
A DeepMind apresenta a ferramenta como peça direta para acelerar a adoção de energia limpa
A Google DeepMind lançou o WeatherNext 3, um modelo de previsão meteorológica desenvolvido para parques eólicos, geradores solares e operadores de redes de transmissão.
Segundo a companhia, o modelo é atualizado de hora em hora e projeta as condições que impactam a geração de energia renovável.
A DeepMind detalhou a ferramenta em uma publicação em 14 de setembro e divulgou especificações técnicas adicionais em seu blog.
O que o WeatherNext 3 mede
O WeatherNext 3 produz duas trilhas principais de previsão. A primeira cobre velocidade e direção do vento em alturas de até 100 metros — aproximadamente o nível em que operam as pás das turbinas na maioria dos parques eólicos onshore modernos.
A segunda trilha prevê cobertura de nuvens e radiação solar incidente. Operadores de rede usam esses dados para estimar quanta eletricidade os painéis solares devem gerar nas horas seguintes.
Ambas as trilhas são atualizadas com frequência horária. A DeepMind afirma que essa cadência é crítica porque as condições que afetam a produção podem mudar dentro de uma única janela de negociação nos mercados de energia.
A empresa posiciona o produto como infraestrutura da transição energética. Com aviso prévio sobre mudanças climáticas locais, equipes conseguem alinhar oferta de energia limpa à demanda dos consumidores. O recurso também ajuda a estabilizar as redes elétricas em cenários de geração renovável volátil.
Leia também: Bitget diz que operações fora de cripto já são 40% à medida que vai além dos ativos digitais
Por que o balanceamento da rede precisa de previsões melhores
Historicamente, redes elétricas se apoiaram em geração despachável — usinas que podem ser ligadas ou moduladas sob demanda. Termelétricas a carvão, gás e usinas nucleares se encaixam nessa categoria.
Já eólicas e solares não são controláveis. Sua produção depende de fatores climáticos fora do alcance do operador. Em um sistema com alta participação de renováveis, é preciso antecipar as oscilações de geração, em vez de apenas reagir a elas.
Erros de previsão se acumulam ao longo da rede. Se um parque eólico superestima sua produção, o operador do sistema pode ficar sem oferta justamente no pico de demanda. Se subestima, desperdiça capacidade e obriga o acionamento de geração de reserva mais cara.
Previsões com IA em resolução horária atacam diretamente essa lacuna. Maior precisão na janela de uma a doze horas dá tempo para que operadores de rede organizem despacho de baterias, programas de resposta da demanda ou acionamento de capacidade reserva ao menor custo possível.
A DeepMind trabalha com modelagem meteorológica há vários anos. Pesquisas anteriores resultaram no GraphCast, um modelo global de previsão do tempo que superou, em diversos indicadores, as referências do Centro Europeu de Previsões Meteorológicas de Médio Prazo.
O WeatherNext 3 aplica essa base a casos de uso específicos do setor de energia.
A infraestrutura de IA e o gancho para leitores de cripto
A implantação de modelos de IA nessa escala cruza com a tese de computação descentralizada que vem ganhando força nos mercados de cripto. Redes como Bittensor (TAO) e Render (RNDR) têm construído sua narrativa de valor em torno da crescente demanda por infraestrutura distribuída de IA.
Um produto de previsão meteorológica em produção, vindo de um grande laboratório de IA, ilustra o volume real de capacidade de processamento que essas redes descentralizadas almejam atender. Hoje, a DeepMind roda o WeatherNext 3 em sua própria infraestrutura proprietária. Permanecem em aberto, no setor, as dúvidas sobre se alternativas abertas ou distribuídas conseguirão alcançar esse nível de desempenho.
Elon Musk afirmou na segunda-feira que data centers de IA estão contribuindo para reduzir preços de eletricidade aos consumidores. Essa visão caminha em paralelo com o enquadramento da DeepMind, segundo o qual previsões mais precisas com IA diminuem o custo de gerir a oferta renovável.
Leia também: Grok 5 surge como alvo de AGI de Musk enquanto alertas sobre segurança em IA se intensificam
O que vem pela frente
A DeepMind não revelou quais operadores de rede ou companhias de energia já utilizam, de fato, o WeatherNext 3. Parcerias comerciais nesse nicho costumam envolver distribuidoras, geradores independentes e mesas de trading de energia.
A utilidade do modelo para ofertas no mercado de energia “day ahead” dependerá da sua precisão em horizontes de tempo mais extensos, acima de seis horas. É nesse segmento que se liquida o maior volume de contratos de eletricidade — e onde erros de previsão saem mais caros.
Modelos concorrentes de previsão climática com IA, de startups como a Tomorrow.io, além de serviços já oferecidos por agências meteorológicas nacionais, também disputam esse mercado. A entrada da DeepMind eleva a barra competitiva para a qualidade das previsões em todo o setor.
Próxima leitura: Hackers da Revolut começam a divulgar dados de clientes e exigem 10.000 Bitcoin
