IEEE Power & Energy Magazine - Spanish - May/June 2020 - 81

la demanda, los datos de los censos y los registros impositivos. Pueden utilizarse algoritmos de aprendizaje automático
para identificar clientes con características de carga específicas, lo cual ayuda a focalizar los programas de marketing,
fijación de precios, eficiencia energética o respuesta a la
demanda. De manera alternativa, el proceso de agrupación
encuentra similitudes, en el sentido que los investigadores de
carga pueden usar algoritmos de agrupación para impulsar
la segmentación, basando las diferencias en el uso de energía
o las formas de carga de los clientes.
La figura 5 ilustra una estrategia simple basada en determinantes de facturación; por ejemplo, uso estacional bajo,
medio y alto. Otro algoritmo utilizado frecuentemente en
la práctica, el agrupamiento k-medias, divide a una población en k grupos, donde se minimiza la varianza dentro
del grupo. Estos algoritmos pueden estar diseñados para
centrarse en las características de carga del cliente durante
periodos específicos, como el mayor contribuyente durante
el consumo máximo, el mayor aumento por la mañana y el
valle más prolongado. También pueden ser utilizados para
identificar clientes de respuesta a la demanda que no contribuyen con el alivio de carga previsto durante las llamadas
de eventos.

Factores clave necesarios para que
la investigación de carga continúe
prosperando
Al ser el estudio principal de las demandas de los clientes
a lo largo del tiempo, existen varias áreas fundamentales
importantes para que la investigación de carga se establezca
a medida que avanza hacia su estado futuro.

Mejora de la calidad de los datos
El futuro de la investigación de carga utilizará cantidades
considerables de datos de carga a intervalos provenientes de
clientes individuales y medidores de control de supervisión y
adquisición de datos ubicados a lo largo de toda la red. Esto
no significa que todos los datos de la AMI serán perfectos.
La experiencia hasta la fecha ha mostrado deficiencias en los
sistemas automatizados en uso hoy en día, así como una lista
casi infinita de posibles errores que ocurren durante todo el
proceso de recolección de datos, que varían desde las lecturas iniciales de la AMI hasta la formación de un repositorio
de almacenamiento de datos. El proceso de análisis continuará requiriendo una gestión cuidadosa de las entradas de
datos para garantizar una calidad adecuada. Ciertamente,
debido al volumen de datos procesados, necesitaremos
nuevas formas automatizadas para rastrear la integridad y
calidad, lo cual habilita a los científicos de datos a monitorear de manera eficiente y tomar las medidas adecuadas
para corregir problemas de forma rápida y automática. Las
empresas de servicios públicos que miran hacia el futuro y
tienen grandes expectativas respecto de la investigación y
análisis de la carga realizarán importantes inversiones en la
tecnología de software, capacidades del hardware y personal
mayo/junio 2020 	

para reforzar la calidad de los datos, con el objetivo de que
las futuras aplicaciones avanzadas no fallen debido a la falta
de datos de entrada confiables.

Preguntas de investigación de alto valor
El liderazgo es el factor determinante más importante entre
las empresas de servicios públicos que obtienen una rentabilidad significativa por su inversión en el análisis y aquellas
que no obtienen beneficios tangibles. Las empresas de servicios públicos deben posicionar gerentes que puedan identificar objetivos de alto valor y desafiar la investigación de
carga y a otros equipos a cumplir esos objetivos utilizando
la tecnología y las metodologías adecuadas. Es importante
destacar que estos líderes no siempre tienen que entender los
pormenores de la solución, pero deben dirigir la formulación
de la propuesta de valor.

No olvidemos nuestros orígenes
Es un cliché, pero a medida que avanzamos hacia una mayor
disponibilidad de datos de medidores inteligentes y las nuevas tecnologías necesarias para aprovecharlos, no debemos
olvidar las lecciones aprendidas en el pasado. En muchas
aplicaciones, tendrá más sentido trabajar con una muestra
robusta y diseñada estadísticamente para una población en
lugar de emplear un censo, debido al potencial de sesgo que
surge de los problemas de calidad de los datos desconocidos. Un grupo ágil de investigación de carga en el futuro
considerará las soluciones eficientes utilizadas en el pasado
para determinar el mejor abordaje para un problema. Utilizando una AMI implementada completamente y en perfecto
funcionamiento, se pueden calcular fácilmente varios perfiles de carga de clase y dominio directamente a partir de los
datos a intervalos recopilados de cada cuenta en la población.
En la práctica, no obstante, los datos de la AMI están incompletos y contienen errores. Siempre faltarán algunas cuentas,
y puede que muchas otras solo cuenten con datos parciales.
Como consecuencia, un total simple de todos los datos disponibles generalmente será menor que la carga horaria total
de una clase o dominio completos. Si las cuentas con datos
de AMI utilizables son materialmente diferentes de aquellas
con datos de AMI faltantes, el cálculo de la estimación no
precisará la carga total real de todas las cuentas para la clase
o dominio de interés, lo cual podría introducir sesgos o crear
resultados de estimación engañosos.

Aprovechemos las poderosas
herramientas de análisis
Aunque usemos las lecciones del pasado para avanzar, también debemos aprovechar al máximo los métodos más nuevos e innovadores. Esta lista, que incluye por ejemplo la inteligencia artificial, el aprendizaje automático y las técnicas
estadísticas avanzadas, es familiar. Los investigadores de
carga deben estar al tanto de los desarrollos en los ámbitos
de la ciencia de datos, además de los acontecimientos en la
industria de los servicios públicos.
ieee power & energy magazine 	

81
IEEE Power & Energy Magazine - Spanish - May/June 2020

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2020
