La entidad Administrador del Mercado Mayorista desarrolla modelos basados en IA para predecir la demanda de electricidad

En el pasado, la entidad AMM realizaba una regresión matemática basada en datos históricos para predecir la demanda. Este enfoque requería mucho trabajo y no tenía en cuenta los efectos de la temperatura ambiente. Dado que un ligero cambio de dos grados de temperatura puede modificar la demanda en hasta 150 MW, los cambios de temperatura de un día al otro afectaban considerablemente la precisión de la predicción de demanda.

La entidad AMM quería aplicar modelos de Machine Learning o Deep Learning que pudieran predecir la demanda en función de la demanda histórica y de otros factores, como el pronóstico del tiempo. Necesitaban evaluar diversos tipos de modelos para identificar los que funcionaran mejor con los datos obtenidos. Los modelos de predicción tenían que desplegarse en forma de una herramienta independiente que fuera fácil de usar para los analistas.

Los ingenieros de AMM se iniciaron con un webinar de MathWorks sobre la predicción de carga y tarifas eléctricas (47:43) y el ejemplo de código de MATLAB. Con MATLAB, el equipo de ingenieros limpió y preprocesó los datos de temperatura y demanda por hora de los últimos 17 años, y eliminó los valores atípicos debidos a apagones y anomalías similares.

Los ingenieros evaluaron una gran variedad de modelos de Machine Learning con Statistics and Machine Learning Toolbox™. Entrenaron cada modelo con un conjunto de datos que incluía la demanda histórica, las temperaturas esperadas hora a hora, la posición del sol y el día de la semana. Después de comparar los resultados de los modelos, seleccionaron un árbol de decisión empaquetado por su velocidad de entrenamiento y precisión para predecir la demanda hora a hora.

El equipo desarrolló una red neuronal artificial (ANN) con la app Deep Network Designer en Deep Learning Toolbox™. Entrenaron la red ANN con el conjunto de datos que habían utilizado para entrenar el modelo de árbol de decisión empaquetado. Luego, los ingenieros compararon los resultados producidos por la red y por el modelo.

Descubrieron que, si bien esos resultados eran casi equivalentes, en algunas situaciones la red superaba al modelo, y viceversa. Por ejemplo, en días festivos o después de cambios bruscos de temperatura, la red ANN rendía mejor, mientras que, en condiciones nominales, el modelo de Machine Learning ofrecía un mejor desempeño. Por lo tanto, decidieron utilizar ambos.

Durante la pandemia, el valor predictivo de los datos históricos era inferior, ya que no había antecedentes de medidas de confinamiento. El equipo utilizó los resultados de los días festivos para aproximarse a la demanda hasta que el modelo tuviera suficientes datos para funcionar correctamente.

Los ingenieros crearon una interfaz gráfica para la herramienta y la empaquetaron con la red ANN y el modelo de árbol de decisión empaquetado como una aplicación independiente.

La herramienta de predicción de demanda de electricidad a corto plazo lleva más de un año funcionando en la entidad AMM. Esta versión genera predicciones para el día siguiente y para los siguientes 10 días. En la actualidad, los ingenieros de AMM están ampliando la herramienta para generar predicciones a medio plazo (con 1-3 meses de antelación) y a largo plazo (con 17 meses de antelación).

• Error de predicción reducido a la mitad. La herramienta de predicción de demanda de electricidad a corto plazo creada por AMM logró un error porcentual absoluto medio (MAPE) total del 1,7%, menos de la mitad que el 3,7% de MAPE conseguido con el método tradicional. La clave de esta mejora fue utilizar modelos de Deep Learning y Machine Learning basados en MATLAB que tuvieran en cuenta la temperatura ambiente.
• Actualización rápida de modelos para adaptarlos a cambios relacionados con la pandemia. La herramienta se ajustó rápidamente e incorporó nuevas tendencias resultantes de la pandemia. Esto se debió a que el equipo había programado la herramienta en MATLAB para que volviera a entrenar los modelos con datos actuales cada vez que se utilizara.
• Desarrollo y despliegue de la herramienta de producción en 6 meses. Los ingenieros atribuyen la rapidez de este despliegue a los webinars y tutoriales que utilizaron para poner en marcha el proyecto y a la velocidad con que aprendieron a implementar sofisticados modelos de Machine Learning y Deep Learning en MATLAB.