Sistema de pronóstico de carga basado en inteligencia artificial para prever demandas de carga a corto y medio plazo

Una gestión eficiente y una mejor programación por parte de las empresas de energía son de gran importancia para un pronóstico eléctrico de carga preciso. Existe un alto nivel de incertidumbres en las series de tiempo de carga, lo que dificulta realizar pronósticos precisos a corto plazo (STLF), pronósticos a medio plazo (MTLF) y pronósticos a largo plazo (LTLF). Para extraer las tendencias locales y capturar los mismos patrones de las series temporales de pronóstico corto y medio, propusimos la memoria a largo y corto plazo (LSTM), el perceptrón multicapa (MLP) y la red neuronal convolucional (CNN) para aprender la relación en las series de tiempo. Estos modelos se proponen para mejorar la precisión del pronóstico. Los modelos fueron probados en base a un caso del mundo real mediante la realización de experimentos detallados para validar su estabilidad y practicidad. El rendimiento se midió en términos de error cuadrático, Error Cuadrático Medio (RMSE), Error Porcentual Absoluto Medio (MAPE) y Error Absoluto Medio (MAE). Para predecir la carga del próximo período de 24 horas, se obtuvo el menor error de predicción utilizando LSTM con R2 (0.5160), MLP con MAPE (4.97), MAE (104.33) y RMSE (133.92). Para predecir la carga del próximo período de 72 horas, se obtuvo el menor error de predicción utilizando LSTM con R2 (0.7153), MLP con MAPE (7.04), MAE (125.92), RMSE (188.33). Asimismo, para predecir la carga del próximo período de una semana, se obtuvo el menor error utilizando CNN con R2 (0.7616), MLP con MAPE (6.162), MAE (103.156), RMSE (150.81). Además, para predecir la carga del próximo mes, se obtuvo el menor error de predicción utilizando CNN con R2 (0.820), MLP con MAPE (5.18), LSTM con MAE (75.12) y RMSE (109.197). Los resultados revelan que los métodos propuestos lograron un rendimiento mejor y estable para predecir el pronóstico de carga a corto y medio plazo. Los hallazgos del STLF indican que el modelo propuesto puede implementarse mejor para la planificación y despacho de sistemas locales, mientras que será más eficiente para el MTLF en mejores operaciones de programación y mantenimiento.