BCAM – Predicciones probabilísticas para la gestión de la energía basadas en aprendizaje continuado
BCAM
Sector: Energía
Business Case
Obtener predicciones precisas de la demanda de energía es difícil debido a los cambios continuos en los patrones de consumo (concept drift). Predicciones precisas pueden optimizar la planificación de la producción de energía así como su distribución, resultando en una generación eficiente y en una minimización de los riesgos de interrupciones en el suministro. Este proyecto desarrolla algoritmos de machine learning que obtienen predicciones precisas adaptándose de forma efectiva a los cambios temporales. Las predicciones probabilísticas cuantifican la incertidumbre de las predicciones, lo que las convierte en un requisito esencial para tomar decisiones óptimas.
Objetivos
Desarrollar métodos de predicción de la energía con garantías teóricas que obtienen predicciones probabilísticas y se basan en el aprendizaje continuado. Las predicciones probabilísticas cuantifican la incertidumbre en la demanda y el aprendizaje continuado permite adaptarse al concept drift. Los métodos desarrollados utilizan cientos de modelos que están continuamente aprendiendo (continual learning) y obtienen predicciones a lo largo del tiempo utilizando siempre los datos más recientes.
Use case
Métodos de predicción flexibles en granularidad temporal de los datos, el horizonte temporal de predicción y las variables externas. Además, los métodos desarrollados están basados en minimax classification que permiten predecir subidas y bajadas en el precio de la energía. Las técnicas desarrolladas obtienen predicciones utilizando modelos actualizados con los datos reales más recientes y tienen garantías teóricas de rendimiento.
Infraestructura
On Premise
Tecnologías utilizadas
Aprendizaje Automático o Profundo
Datos utilizados
Múltiples datasets públicos de time-series correspondientes a regiones con diferentes tamaños y patrones de consumo que cambian con el tiempo. Los datasets incluyen el consumo de energía horario y así como variables externas que afectan al consumo como la temperatura.
Recursos utilizados
El desarrollo de modelos de predicción de energía requiere una combinación de recursos, incluyendo datos históricos de diferentes regiones, herramientas de software y programación como Matlab o Python, así como conocimientos especializados matemáticos en machine learning y métodos recientes de predicción de la energía.
Dificultades y aprendizaje
Las dificultades asociadas con los modelos de predicción de energía incluyen la disponibilidad de datos históricos públicos de calidad, la cantidad de variables externas que afectan al consumo de energía, la incertidumbre en la demanda y el concept drift. El aprendizaje en el desarrollo de modelos de predicción de la energía implica comprender el dominio energético, adquirir habilidades de gestión de datos, considerar factores externos relevantes, y desarrollar modelos que capturen la incertidumbre y se adapten al concept drift.
KPIs (impacto en el negocio y métricas del modelo)
Predicciones precisas de la demanda de energía permiten optimizar la gestión de recursos, mejorar la eficiencia operativa y maximizar los beneficios económicos. La precisión de las predicciones obtenidas es evaluada utilizando métricas como el error percentual medio absoluto (MAPE) y la raíz cuadrada del error cuadrático medio (RMSE). Además, evaluamos la calidad de las predicciones probabilísticas utilizando métricas como el pinball loss que penaliza las discrepancias entre las predicciones y los valores reales en diferentes cuantiles.
Financiación
Proyecto IA4TES, Ministerio de Economía y Transformación digital. Next Generation EU. Proyecto “Artificial intelligence for energy management”, Fundación IBERDROLA Proyectos Chargers+ y Twin-net, Programa ELKARTEK, Gobierno Vasco
Colaboradores
IBERDROLA (fundación, departamento I+D+i, departamento finanzas) TECNALIA Research and Innovation
