IEEE Power & Energy Magazine - Spanish - May/June 2022 - 23

24 combinadores para generar un pronóstico para las 24 h
de un día. La segunda generación eliminó los combinadores
y redujo el número de RNA a 24, uno por cada hora del día.
Las RNA se separaron en cuatro grupos durante diferentes
periodos del día. La tercera generación consistió en dos
pronosticadores de la carga de RNA y un combinador. Una
RNA fue entrenada para predecir la carga regular (base) del
día siguiente, mientras que la otra RNA predijo el cambio en
la carga horaria de ayer a hoy. El pronóstico de la carga final
para cada hora fue la combinación lineal de las salidas de
estas dos RNA. La versión comercializada del sistema más
tarde se convirtió en una de las principales soluciones de
pronóstico de la carga en la industria de la energía, utilizada
por muchas empresas eléctricas y empresas que comercializan
de la energía.
El pronóstico de la carga fue ampliamente reconocido
como una aplicación exitosa de las RNA en la década de
1990, pero en la década siguiente, la comunidad del pronóstico
de la carga no avanzó demasiado en términos de innovación
metodológica y mejoras en la precisión y practicidad del
modelo. Mientras tanto, otras comunidades, como la visión
computarizada y la programación matemática, realizaban
progresos significativos tanto a nivel metodológico como
práctico. Mirando hacia atrás en la literatura de pronóstico
de la carga en las décadas de 1990 y 2000 y comparándola
con esas áreas en auge, podemos encontrar varias razones
para el lento progreso:
✔ La literatura de pronóstico de la carga no tuvo datos
o modelos para la evaluación comparativa hasta la década
de 2010.
✔ Muchos artículos sobre el pronóstico de carga no eran
reproducibles.
✔ Muchos investigadores no lograron hacer comparaciones
directas con otros modelos de pronóstico de la
carga de última generación.
Como resultado, la literatura del pronóstico de la carga ha
ido rellenándose con artículos de diversos grados de calidad.
Muchos han creado ilusiones entre la comunidad del pronóstico
de la carga, lo cual la ha alejado de seguir avanzando de
manera importante. Algunos de los problemas mencionados
anteriormente han sido o están en proceso de ser resueltos,
mientras que otros aún pueden tardar algún tiempo en superarse.
El resto de este artículo se centrará en aclarar estas
ilusiones.
Proceso de modelado
La figura 4 presenta un proceso típico de pronóstico de la
carga. Al principio, un pronosticador de la carga recopilaría
datos de la carga e historial meteorológico para construir
un modelo de pronóstico de la carga. Al juntar el modelo y
el pronóstico del tiempo, el pronosticador de la carga puede
generar pronósticos de carga. Algunos pronosticadores de
la carga pueden excluir los datos meteorológicos cuando la
carga no es sensible al clima, los datos meteorológicos no
son confiables o las técnicas de modelado no requieren datos
mayo/junio de 2022
meteorológicos. Diferentes organizaciones pueden ejecutar
diferentes variantes del proceso. Por ejemplo, algunos
pueden agregar un paso de preprocesamiento para limpiar
la carga y el historial meteorológico antes de enviarlos al
proceso de modelado, mientras que otros pueden agregar un
paso de posprocesamiento al final para ajustar el pronóstico
de la carga. En cuanto a la literatura del pronóstico de la
carga, la mayoría de los artículos se han centrado en el proceso
de modelado probando varias técnicas para el pronóstico
de la carga.
Para la mayoría de las técnicas de pronóstico de la carga,
los procesos de modelado son algo similares. Un pronosticador
divide los datos históricos en tres periodos. El primero
es para estimar los parámetros (o entrenamiento). La bondad
de ajuste para este periodo se llama ajuste en muestra. Un
modelo preciso tendría como resultado un buen ajuste en
muestra, pero un buen ajuste podría no indicar un modelo
preciso. A veces, un modelo sobreajusta los datos al capturar
ruidos aleatorios para que la predicción pueda estar lejos de
la observación real o del nivel normal de consumo de energía.
Esto se conoce como el problema de sobreajuste.
Para evitar el problema de sobreajuste, se establece el
segundo periodo para la selección (o validación) del modelo.
La bondad de ajuste para este periodo se llama ajuste posmuestra.
Un pronosticador puede entrenar varios modelos,
usando cada uno para pronosticar el segundo periodo. El
modelo con el mejor resultado para el ajuste posmuestreo
puede ser seleccionado como el ganador para el pronóstico.
En la práctica, cuando se entrenan y suministran un gran
número de modelos al periodo de validación, el modelo
ganador puede ser el resultado del sobreajuste del periodo
de validación.
Para agregar otra capa de seguridad, el tercer periodo se
reserva para una prueba fuera de muestra. Un pronosticador
prueba el modelo ganador a partir del ajuste posmuestra en
el tercer periodo, el cual es completamente ciego respecto
de la estimación de parámetros y la selección del modelo.
6,000
5,000
4,000
3,000
2,000
1,000
-10
10
30
50
Temperatura (F)
figura 5. Uso de modelos de regresión para capturar la
relación con la temperatura de carga.
ieee power & energy magazine
23
70
90
Demanda (MW)
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
