IEEE Power & Energy Magazine - Spanish - May/June 2022 - 34

ocasionando el problema de desvanecimiento de gradiente,
lo que previene con eficiencia que la ponderación cambie
sus valores.
Durante la última década, los avances en los recursos
informáticos (como el uso masivo de las GPU y los algoritmos
de optimización) han posibilitado el entrenamiento eficiente
de estructuras complejas, incluidas las RN con cientos
de datos de entrada, múltiples datos de salida y varias
capas ocultas, y vínculos con las capas anteriores (véase la
figura 5). Debido a que las redes cuya profundidad (es decir,
la cantidad de capas) no estaba limitada a una única capa
oculta evidenciaron sistemáticamente mejores resultados y
capacidades de generalización, el campo y los modelos fueron
nombrados aprendizaje profundo (AP) y RN profundas
(RNP), respectivamente, para destacar la importancia de las
mejoras logradas.
Si bien el éxito de los modelos de AP tuvo su origen en las
aplicaciones de la informática, como el reconocimiento de
imagen y voz, y la traducción automática, los beneficios del
AP también se extendieron a fines de la década de 2010 a las
aplicaciones relacionadas con la energía, como las EPF o los
pronósticos de la energía eólica. Desde entonces, los modelos
profundos se han usado mucho para explotar y modelar
mejor las relaciones no lineales entre las cantidades basadas
en la energía (precios, carga y generación) y sus impulsores
(comportamiento humano y efectos del calendario).
En el contexto de las EPF, los primeros trabajos se basaron
3
6
9
12
15
18
21
24
Precios de hoy (previstos)
3 6 9 12 15 18 21 24
3
6
9
12
15
18
21
24
Precios de hoy (previstos)
36 91215182124
Lunes
Miércoles
Viernes
Domingo
Precios de hoy (previstos)
36 91215182124
figura 4. La selección de variables en el modelo LEAR calibró los datos del mercado
de la energía de Nord Pool.
34
ieee power & energy magazine
D
pd−1
pd−2
pd−3
pd−7
Xd
1
Xd−1
1
Xd−7
1
Xd
2
Xd−1
2
Xd−7
2
pd,18
en arquitecturas de prealimentación con características (datos
de entrada) modeladas como hiperparámetros. Los últimos
son las configuraciones de los modelos (p. ej., la cantidad de
neuronas por capa, el tipo de función de activación, la tasa
de errores, la tasa de aprendizaje, el coeficiente de regularización
y la elección del algoritmo
de optimización) que se tenían
que optimizar y ajustar independientemente
de los parámetros
principales de las RN (es decir, las
ponderaciones). Al igual que los
hiperparámetros, las características
se deben seleccionar y optimizar
independientemente de los
parámetros principales. Por ende,
estos primeros trabajos proponían
RNP en las que los hiperparámetros
y los datos de entrada se optimizaban
en conjunto.
El ejemplo más destacado de
las RN profundas para la EPF es
probablemente el modelo de RNP
propuesto en 2018, cuyos datos de
entrada e hiperparámetros están
optimizados y ajustados para cada
estudio de caso sin la necesidad de
contar con conocimiento experto.
Usa una de las arquitecturas profundas
más simples propuestas
para la EPF: prealimentación
con dos capas ocultas, 24 datos
de salida (es decir, predice 24
precios por hora en conjunto), y
los mismos datos de entrada que
el modelo LEAR. La estructura
de la RNP es idéntica a la de la
figura 5(b), salvo por las conexiones
de retroalimentación (flechas
punteadas). En 2021, se liberó su
código abierto, y el modelo de la
RNP fue recomendado como un
desafío de referencia, incluso más
que el modelo LEAR, para la EPF
contemporánea.
mayo/junio 2022
Días de semana
Pronóstico de la carga de ayer para hoy
Precios de ayer
IEEE Power & Energy Magazine - Spanish - May/June 2022

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