Aprendizaje Automático para la Predicción de Carga a Corto Plazo en Redes Inteligentes

Una red inteligente es la visión futura de los sistemas de energía que será habilitada por la inteligencia artificial (IA), grandes datos y el Internet de las cosas (IoT), donde la digitalización está en el centro de la transformación del sector energético. Sin embargo, las redes inteligentes requieren que los gestores de energía se preocupen más por la fiabilidad y seguridad de los sistemas de energía. Por lo tanto, los planificadores de energía utilizan diversos métodos y tecnologías para apoyar la expansión sostenible de los sistemas de energía, como modelos de predicción de demanda eléctrica, optimización estocástica, optimización robusta y simulación. La predicción de electricidad juega un papel vital en el apoyo de la transición fiable de los sistemas de energía. Este documento trata sobre la predicción de carga a corto plazo (STLF), que se ha convertido en un área activa de investigación en los últimos años, con una serie de estudios. STLF se ocupa de predecir la demanda de una hora a 24 horas por adelantado. Experimentamos ampliamente con varias metodologías de aprendizaje automático y un caso de estudio complejo en Panamá. El aprendizaje profundo es un paradigma de aprendizaje más avanzado en el campo del aprendizaje automático que sigue teniendo avances significativos en áreas como la predicción de electricidad, detección de objetos, reconocimiento de voz, etc. Identificamos que los principales predictores de la demanda de electricidad a corto plazo son: la carga de la semana anterior, la carga del día anterior y la temperatura. Encontramos que el modelo de regresión de aprendizaje profundo logró el mejor rendimiento, con un R cuadrado (R2) de 0.93 y un error porcentual absoluto medio (MAPE) de 2.9%, mientras que el modelo AdaBoost obtuvo el peor rendimiento con un R2 de 0.75 y un MAPE de 5.70%.