Un estudio comparativo de modelos híbridos de aprendizaje automático para la predicción de carga a corto plazo en redes eléctricas de media tensión

El aumento de la variabilidad en los patrones de carga eléctrica, impulsado por el comportamiento del usuario final, cambios tecnológicos relacionados con la red y factores socioeconómicos, requiere modelos de predicción de carga a corto plazo (STLP) más precisos y eficientes. Este estudio evalúa el rendimiento predictivo de cuatro modelos híbridos para la predicción de carga a corto plazo en amperios: Sistema de Inferencia Neuronal Adaptativa Difusa (ANFIS) combinado con Algoritmos Genéticos (GA) y Optimización por Enjambre de Partículas (PSO), así como redes neuronales convolucionales (CNN) integradas con memoria a largo y corto plazo (LSTM) y potenciación extrema del gradiente (XGB). Los modelos se desarrollaron utilizando datos de carga en amperios recolectados por hora de una subestación eléctrica en Kenia, junto con datos meteorológicos correspondientes (temperatura, velocidad del viento y humedad) que cubren un período de enero de 2023 a junio de 2024. Los resultados muestran que los modelos ANFIS-PSO y ANFIS-GA superan a los modelos basados en CNN, logrando valores de MAPE de 4.519 y 4.363, valores de RMSE de 0.3901 y 0.4024, y puntajes de R2 de 0.8513 y 0.8481, respectivamente, debido a la naturaleza adaptativa de ANFIS, que permite un modelado efectivo del comportamiento temporal irregular, no lineal y complejo de la carga en amperios. Se observó una mayor precisión en la predicción en todos los modelos cuando se aplicó la descomposición modal variacional (VMD) para preprocesar los datos de entrada. Este resultado fue corroborado mediante un análisis adicional de las señales de carga en amperios utilizando gráficos de Taylor. Entre todas las configuraciones probadas, el modelo CNN-LSTM-VMD exhibió la mayor precisión de predicción total, con un MAPE de 2.625, RMSE de 0.1898 y R2 de 0.9702, superando marginalmente al modelo ANFIS-PSO-VMD, lo que lo hace más adecuado para aplicaciones de predicción de carga a corto plazo.