Avanzando en la Predicción de Carga Eléctrica: Aprovechando el Aprendizaje Federado para Series Temporales Distribuidas, No Estacionarias y Discontinuas

Este documento aborda el paisaje en evolución de los mercados eléctricos en Europa, con un enfoque en la integración de Comunidades de Energía Renovable, tal como se introdujo en la Directiva de Energías Renovables 2018/2001. Los residentes dentro de un área postal están altamente incentivados a unirse a una comunidad, lo que les permite intercambiar energía entre ellos a costos de adquisición más bajos. De este modo, los sistemas de gestión de energía optimizan la operación de los respectivos sistemas de energía, siendo la predicción de carga eléctrica un papel clave. Dado que los prosumidores pueden cambiar de comunidades a diario, las demandas de electricidad dentro de estos grupos variarán, lo que llevará a datos que son no estacionarios, discontinuos, así como no idénticos e independientemente distribuidos. Para abordar este problema, proponemos un modelo de predicción sofisticado que aplica aprendizaje federado, utilizando información de varias comunidades distribuidas para aprender características invariantes al dominio. Para lograr esto, inicialmente utilizamos series temporales de carga eléctrica sintéticas a nivel de distrito y las agregamos a perfiles de Comunidades de Energía Renovable con carteras dinámicas. Posteriormente, desarrollamos un modelo de predicción que tiene en cuenta la composición de los residentes de una Comunidad de Energía Renovable, adapta el preprocesamiento de datos de acuerdo con el proceso de la serie temporal y detalla un algoritmo de aprendizaje federado que incorpora promediado de pesos y compartición de datos. Tras el entrenamiento de varios montajes experimentales, evaluamos su efectividad. Los hallazgos sugieren que nuestro marco propuesto es capaz de predecir de manera efectiva series temporales no estacionarias y discontinuas y que puede aplicarse a datos nuevos y no vistos a través de la integración de conocimientos de múltiples fuentes.