Una visión de la previsión de la demanda basada en el aprendizaje profundo en redes inteligentes(1)

Abstracto: Las redes inteligentes son capaces de prever los patrones de consumo de los clientes, es decir, su demanda energética, y en consecuencia se puede transmitir electricidad teniendo en cuenta la demanda esperada. Para enfrentar los desafíos actuales de pronóstico de la demanda, donde los datos generados por las redes inteligentes son enormes, se deben utilizar técnicas modernas basadas en datos. En este escenario, los modelos de aprendizaje profundo son una buena alternativa para aprender patrones a partir de los datos de los clientes y luego pronosticar la demanda para diferentes horizontes de pronóstico. Entre las redes neuronales artificiales de uso común, las redes de memoria a corto plazo, basadas en redes neuronales recurrentes, están desempeñando un papel destacado. Este documento proporciona una idea de la importancia del problema de la previsión de la demanda y otros factores relacionados, en el contexto de las redes inteligentes, y recopila algunas experiencias del uso de técnicas de aprendizaje profundo para fines de previsión de la demanda. Para tener un sistema eléctrico eficiente, es necesario un equilibrio entre la oferta y la demanda. Por lo tanto, los actores de la industria y los investigadores deben hacer un esfuerzo especial en la previsión de carga, especialmente en el corto plazo, que es fundamental para la respuesta de la demanda.

Palabras clave: previsión de la demanda; pronóstico de carga; respuesta de la demanda; horizonte de pronóstico; red inteligente; entorno inteligente; Aprendizaje profundo; Redes de Memoria a Largo Corto Plazo; Redes Neuronales Convolucionales;Cistanche deserticola

ginseng del desierto

1. Introducción

La electricidad no se puede almacenar fácilmente para el suministro futuro, a diferencia de otros productos básicos como el petróleo. Esto significa que la electricidad debe distribuirse a los consumidores inmediatamente después de su producción. La distribución de electricidad a los usuarios finales se ha hecho con la ayuda de la red eléctrica tradicional (ver definición en la Tabla 1) que permite la entrega de electricidad de los productores a los consumidores. Para lograr ese objetivo, conecta las estaciones generadoras de electricidad y las líneas de transmisión que entregan la electricidad a los usuarios finales. Las redes eléctricas tradicionales varían en tamaño. Cuando estas redes comenzaron a expandirse, controlarlas se convirtió en una tarea muy compleja y difícil. Además, tradicionalmente no se ha considerado la previsión de la demanda (ver definición en la Tabla 1).

En este contexto, surge el concepto de red inteligente (ver definición en la Tabla 1) y comienza a jugar un papel importante. Este concepto ha sido revisado exhaustivamente en la literatura (p. ej., [1–4]). Las redes inteligentes proporcionan una comunicación bidireccional entre consumidores y proveedores. Las redes inteligentes añaden hardware y software a la red eléctrica tradicional para dotarla de una capacidad de respuesta autónoma ante diferentes eventos que puedan afectar a la red eléctrica. El objetivo final es lograr una eficiencia operativa diaria óptima para el suministro de energía eléctrica. En [4], los autores definen una "red inteligente" como una nueva forma de red eléctrica que ofrece autorreparación, control de compañeros de energía, seguridad energética y confiabilidad energética utilizando tecnología digital. En [2], los autores destacan que el concepto de red inteligente está transformando la red eléctrica tradicional mediante el uso de diferentes tipos de tecnología avanzada. Según estos autores, este concepto integra todos los elementos que son necesarios para generar, distribuir y consumir energía de manera eficiente y eficaz. En [5], los autores enfatizan que el concepto de red inteligente surgió para hacer que la red eléctrica tradicional sea más eficiente, segura, confiable y estable, y poder implementar la respuesta a la demanda (ver definición en la Tabla 1).

Tabla 1. Palabras clave importantes para leer este artículo.

El paradigma de la red inteligente permite a los consumidores conocer sus patrones de uso de energía. En consecuencia, los consumidores pueden controlar su consumo y utilizar la energía de manera más eficiente. En la implementación del concepto de red inteligente, la respuesta a la demanda, tanto para fines domésticos como industriales, juega un papel importante. Otra herramienta útil es el pronóstico de carga (ver definición en la Tabla 1). En [6] los autores destacan la importancia de este concepto en el contexto de las redes inteligentes, ya que la previsión de la electricidad necesaria para satisfacer la demanda permite a las empresas eléctricas equilibrar mejor la oferta y la demanda. Las compañías eléctricas están especialmente interesadas en lograr pronósticos precisos para las próximas 24 h, lo que se denomina perfil de carga (ver definición en la Tabla 1).

Además, en los últimos años, el aumento de la demanda de energía eléctrica en determinados momentos del día ha creado varios problemas. La previsión de carga es especialmente importante durante las horas pico. La respuesta a la demanda alienta a los clientes a descargar el consumo de energía no esencial durante estas horas pico.

Para enfrentar los desafíos de pronóstico de carga, es necesario utilizar técnicas modernas basadas en datos. De hecho, la incorporación de nuevas tecnologías, como Big Data, Machine Learning, Deep Learning e Internet of Things (IoT), ha llevado el concepto de red inteligente a otro nivel, ya que estas tecnologías permiten una mejor previsión de la demanda y una respuesta automatizada a la demanda. .

Este documento proporciona información sobre la importancia de la previsión de la demanda y los factores relacionados importantes en el contexto de las redes inteligentes, así como la posibilidad de utilizar técnicas basadas en datos para este fin. Más concretamente, los autores se centran en las técnicas de Deep Learning, ya que se ha perfilado como una buena opción para la implementación de la previsión de la demanda en el contexto de las redes inteligentes. El documento recopila algunas experiencias del uso de diferentes técnicas de aprendizaje profundo en el dominio de la energía con fines de pronóstico. Un sistema de potencia de cliente-efigie debe tener en cuenta la respuesta de la demanda. Además, la previsión precisa de la carga, especialmente a corto plazo, es esencial, por lo que las partes interesadas de la industria y los investigadores están poniendo especial empeño en ello.

Experimento Cistanche deserticola

Haga clic aquí para ver los productos Cistanche

【Pregunte por más】 Correo electrónico:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

El resto de este documento está organizado de la siguiente manera. La sección 2 presenta las razones por las que la previsión de la demanda es importante en el contexto de las redes inteligentes. La Sección 3 describe los factores más importantes en el pronóstico de la demanda. La Sección 4 presenta las diferentes clasificaciones posibles de las técnicas de pronóstico de la demanda. La Sección 5 proporciona algunos fundamentos y conceptos útiles para comprender los modelos de Deep Learning comúnmente utilizados en el dominio de la energía. La Sección 6 recopila diferentes experiencias del uso de estos modelos en el contexto de las redes inteligentes con fines de pronóstico. Finalmente, la Sección 7 resume las principales conclusiones de este trabajo.

2. La importancia de la previsión de la demanda

En [7] los autores resumen los principales requisitos de las redes inteligentes de la siguiente manera: suficientemente flexibles para satisfacer las necesidades de los usuarios, capaces de gestionar eventos inciertos, accesibles para todos los usuarios, suficientemente fiables para garantizar un suministro de energía de alta calidad a los consumidores y suficientemente innovadores para gestionar la energía de forma eficiente.

Con estos requisitos en mente, las redes inteligentes deberían apuntar a desarrollar soluciones técnicas de bajo costo y fáciles de implementar con inteligencia distribuida para operar de manera eficiente en los escenarios cada vez más complejos de la actualidad. Para convertir una red eléctrica tradicional en una red inteligente, se necesitan infraestructuras de comunicación inteligentes y seguras [4].

Según el estudio presentado en [8], la previsión se puede aplicar en dos áreas principales: control de la red y respuesta a la demanda. En [9], los autores destacan que los modelos de pronóstico son esenciales para proporcionar una calidad óptima del suministro de energía al menor costo. Además, la información en tiempo real sobre los patrones de consumo de energía de los usuarios permitirá aplicar modelos de pronóstico más sofisticados y eficientes. La previsión también debe considerar la necesidad de gestionar información en constante cambio. En [10], los autores destacan que, con la red inteligente, los programas de respuesta a la demanda pueden hacer que la red sea más rentable y resistente.

Los autores en [11] comentan que existen importantes desafíos en la previsión de la demanda debido a las incertidumbres en el perfil de generación de los recursos de generación de energía distribuida y renovable. Cada vez se presta más atención a los modelos de pronóstico de carga, especialmente cuando se trata de fuentes de energía renovables (radiación solar, viento, etc.) [9].

¿Qué hace la cistanche para mejorar la memoria?

El paradigma de la generación distribuida facilita el uso de fuentes de energía renovables que pueden ubicarse cerca de los puntos de consumo. Al usar este paradigma, las redes inteligentes tienen múltiples plantas pequeñas que suministran energía a su entorno. En consecuencia, la dependencia de la red de distribución y transporte es menor [9]. Sin embargo, este paradigma hace que el control de la red sea aún más incierto, especialmente cuando las fuentes de generación distribuida son renovables y, en consecuencia, tienen un carácter aleatorio. A pesar de esta dificultad, se espera que la participación en la producción de energía de fuentes renovables de energía variable aumente en los próximos años [12].

Otro elemento clave son las microrredes (ver definición en la Tabla 1) [13,14]. En base a este concepto, y teniendo en cuenta la inteligencia desplegada en los edificios, han surgido nuevos conceptos que incluyen casas inteligentes (ver definición en la Tabla 1) y edificios inteligentes (ver definición en la Tabla 1). Los edificios de hoy son combinaciones complejas de estructuras, sistemas y tecnología. La tecnología es una gran aliada para optimizar los recursos y mejorar la seguridad. Los avances en las tecnologías de la construcción están combinando sensores en red y registro de datos de formas innovadoras [15]. Las instalaciones modernas pueden ajustar la calefacción, la refrigeración y la iluminación para maximizar la eficiencia energética, proporcionando también informes detallados del consumo de energía. En estos nuevos entornos inteligentes (ver definición en la Tabla 1), se despliegan sensores y dispositivos inteligentes para obtener suficiente información sobre los patrones de consumo energético de los usuarios. Una vez más, esto requiere modelos de pronóstico que deben aplicarse a las variables específicas del escenario a controlar.

Los modelos de pronóstico permitirán considerar variables (climáticas, sociales, económicas, relacionadas con hábitos, etc.) que pueden influir en la precisión de los pronósticos [9]. Estos autores remarcan que las estimaciones de demanda de energía en escenarios desagregados, como usuarios residenciales en edificios inteligentes, son más complejas en comparación con las estimaciones de demanda de energía para un escenario agregado, como un país. La desagregación de la demanda también facilita la implementación de la respuesta de la demanda, ya que se pueden ofrecer diferentes precios según los criterios establecidos por la compañía eléctrica.

La integración gradual de inteligencia en los niveles de transmisión, distribución y usuario final del sistema eléctrico tiene como objetivo optimizar la producción y distribución de energía para ajustar la oferta de los productores a la demanda de los consumidores. Además, las redes inteligentes buscan mejorar los algoritmos de detección de fallas [16]. Los pronósticos precisos de la demanda son muy útiles para los proveedores de energía y otras partes interesadas en el mercado de la energía [17]. El pronóstico de carga ha sido uno de los principales problemas que enfrenta la industria energética desde la introducción de la energía eléctrica [18].

3. Factores importantes en la previsión de la demanda

La demanda de electricidad se ve afectada por diferentes variables o determinantes. Estas variables incluyen horizontes de pronóstico, el nivel de agregación de carga, condiciones climáticas (humedad, temperatura, velocidad del viento y nubosidad), factores socioeconómicos (desarrollo industrial, crecimiento de la población, costo de la electricidad, etc.), tipo de cliente (residencial, comercial e industrial) y factores del cliente sobre el consumo de electricidad (características del equipo eléctrico del consumidor) (p. ej., [19–23]).

Para comprender completamente las técnicas y los objetivos de pronóstico de la demanda, es necesario examinar estos determinantes. En esta sección, los autores se centrarán en (1) el período, (2) los problemas económicos, (3) las condiciones climáticas y (4) los factores relacionados con el cliente.

Beneficios de la cistanche tubulosa-Mejorar la memoria

3.1. Periodo u Horizonte de Pronóstico

El período comúnmente denominado horizonte de previsión es probablemente uno de los factores de mayor impacto.

Según diferentes autores (p. ej., [17,24]), la previsión de la demanda se puede clasificar en tres categorías en cuanto al horizonte de previsión:

• A corto plazo (típicamente de una hora a una semana).

• Mediano plazo (típicamente de una semana a un año).

•Largo plazo (típicamente más de un año).

Los factores que afectan el pronóstico de la demanda a corto plazo generalmente no duran mucho, como los cambios repentinos en el clima [22]. La calidad de la previsión de la demanda a corto plazo es fundamental para los agentes del mercado de la electricidad [20]. Por otro lado, los factores que influyen en la previsión de la demanda a medio plazo suelen tener una duración determinada, como los cambios meteorológicos estacionales. Finalmente, los factores que influyen en el pronóstico de la demanda a largo plazo duran mucho tiempo, por lo general varios períodos de pronóstico, por ejemplo, cambios en el Producto Interno Bruto (PIB) [22]. De hecho, los factores económicos tienen un impacto importante en la previsión de la demanda a largo plazo, pero también en la previsión a medio y corto plazo [25].

Los autores de [26] identifican las siguientes categorías sobre el horizonte de pronóstico:

• A muy corto plazo (típicamente segundos o minutos a varias horas).

• A corto plazo (normalmente de horas a semanas).

• Mediano y largo plazo (típicamente de meses a años).

Según estos autores, generalmente se utilizan modelos de previsión de la demanda a muy corto plazo para controlar el flujo. Los modelos de pronóstico de demanda a corto plazo se usan comúnmente para hacer coincidir la oferta y la demanda. Y, por último, los modelos de previsión de la demanda a medio y largo plazo suelen utilizarse para planificar las utilidades de los activos.

Los autores en [27] demostraron que la curva de carga de las estaciones de la red es periódica, no solo en la curva de carga diaria, sino también en las curvas de carga semanal, mensual, estacional y anual. Esta periodicidad permite prever la carga con bastante eficacia.

La demanda también refleja el estilo de vida diario del consumidor [28]. Los patrones de demanda diaria de los consumidores se basan en sus actividades diarias, incluido el trabajo, el ocio y las horas de sueño. Además, existen otros patrones de variación de la demanda a lo largo del tiempo. Por ejemplo, durante las vacaciones y los fines de semana, la demanda en industrias y oficinas es significativamente menor que durante los días de semana debido a una disminución drástica de la actividad. Finalmente, la demanda de energía también varía cíclicamente dependiendo de la época del año, el día de la semana y la hora del día [22].

3.2. Factores socioeconómicos

Los factores socioeconómicos, incluido el desarrollo industrial, el PIB y el costo de la electricidad, también afectan significativamente la evolución de la demanda. En efecto, como se mencionó en la sección anterior, los factores económicos afectan considerablemente las previsiones de demanda a largo plazo y también tienen un impacto importante en las previsiones a medio y corto plazo.

Por ejemplo, el desarrollo industrial indudablemente aumentará el consumo de energía. Lo mismo ocurrirá con el crecimiento de la población. Esto significa que existe una correlación positiva entre el desarrollo industrial, el crecimiento de la población y el consumo de energía.

El PIB es un indicador que captura la producción económica de un país. Los países con mayor PIB generarán una mayor cantidad de bienes y servicios y en consecuencia tendrán un mayor nivel de vida y hábitos de vida, lo que estimulará la demanda energética.

Otro factor económico a considerar es el costo, ya que también afecta la demanda. Por ejemplo, cuando el precio de la electricidad baja, el consumo excesivo de electricidad tiende a aumentar [22].

El costo de la electricidad depende de diferentes factores y se configura de diferentes maneras. Por ejemplo, en algunos países como España, existen dos mercados (regulado y gratuito) para la electricidad. En el mercado libre, el costo de la electricidad se establece en el contrato firmado por el consumidor. En cambio, en el mercado regulado, el precio de la electricidad depende de la oferta y la demanda. El precio se actualiza cada hora y fluctúa. Desde el lado de la demanda, cuanta más electricidad se demanda, más cara es. Cuanto menos electricidad se demanda, más barata es. Normalmente, es barato usar electricidad al amanecer y caro hacerlo cuando todos los demás la están usando (por ejemplo, a la hora de la cena).

Pero no es sólo la demanda la que influye en los precios, sino también la oferta de energía. La razón es que las variaciones en el precio de la electricidad en el mercado regulado se producen por diferencias entre la demanda y la oferta. En consecuencia, el suministro debe considerar las diferentes formas de generar electricidad, las cuales tienen diferentes costos. La más barata es la electricidad generada por energías renovables como la solar, eólica e hidroeléctrica. El precio de la energía nuclear también es bajo; sin embargo, en muchos países (por ejemplo, España), la energía nuclear no cubre todas las necesidades energéticas. La térmica (carbón), la cogeneración o el ciclo combinado —cuyo combustible principal es el gas— suele ser más caro. También es importante recordar que las principales fuentes de energía renovable, como la hidroeléctrica o la eólica, dependen de factores externos incontrolables. Por ejemplo, la precipitación suficiente es esencial para producir energía hidroeléctrica. Sin embargo, no hay forma de controlar el clima para que sea favorable para producir energía eléctrica. Dado lo anterior, el precio está determinado por el precio de un mix de diferentes fuentes de generación de energía, desde la más barata a la más cara, hasta cubrir toda la demanda de energía.

Cistanche suplemento cerca de mí-Mejorar la memoria

3.3. Condición climática

Existen diferentes variables meteorológicas relevantes para la previsión de la demanda, como la temperatura, la humedad y la velocidad del viento.

La influencia de las condiciones meteorológicas en la previsión de la demanda ha atraído el interés de muchos investigadores. Como ejemplo, los autores en [29] propusieron diferentes modelos para pronosticar la carga agregada del día siguiente utilizando Redes Neuronales Artificiales (ANN), considerando las variables climáticas más relevantes, más específicamente, la temperatura media, la humedad relativa y la radiación solar agregada, para analizar la influencia del clima.

Algunos autores han estudiado la relación entre la temperatura y el consumo eléctrico y afirman que la correlación entre la temperatura y la curva de carga eléctrica es positiva, especialmente en verano (eg, [25]).

Actualmente, las olas de calor se han vuelto más comunes en todo el mundo, así como la posibilidad de temperaturas extremas. Además, las olas de calor no solo son más frecuentes sino también más intensas y duraderas. Además, las noches son cada vez más cálidas, lo que es un problema añadido. El principal efecto de una ola de calor es un aumento en el consumo de energía ya que el consumidor enciende más el aire acondicionado y por períodos más largos. Además, los sistemas de enfriamiento deben trabajar más duro ya que deben hacer frente a temperaturas más altas.

Durante el verano, las olas de calor obligan a la red a estar al máximo de su capacidad. Una de las formas en que una ola de calor afecta el consumo es a través del aumento de la saturación de la red eléctrica. Mientras que las olas de frío se contrarrestan con electricidad, gas, madera, etc., las olas de calor solo se pueden combatir con electricidad. En otras palabras, los dispositivos que los consumidores usan para enfriar funcionan principalmente con electricidad. Por ello, las olas de calor generan más estrés en las líneas eléctricas, así como un mayor consumo.

Cabe señalar que, en los países más fríos, el aumento del consumo durante una ola de calor suele ser menor. Esto se debe a que la instalación de sistemas de aire acondicionado no es tan común como en los países más cálidos. Sin embargo, estos países más fríos se enfrentan a olas de calor que no se producían en años anteriores (antes del cambio climático) y esto les está causando todo tipo de problemas, ya que están menos preparados. Esta situación está obligando a estos países a realizar cambios como aumentar el uso de sistemas de refrigeración.

Por otro lado, la experiencia de la dureza de la temperatura aumenta con la humedad, especialmente durante la temporada de lluvias y el verano. Por esta razón, el consumo de electricidad aumenta durante los días húmedos de verano. También es importante señalar que en las zonas costeras, como la zona mediterránea en España, el consumo de electricidad tiende a ser mayor. Esto se debe tanto a que las casas suelen tener más equipamiento eléctrico que en otras zonas, como al alto grado de humedad por la proximidad del mar.

La velocidad del viento también afecta el consumo de electricidad. Cuando hace viento, el cuerpo humano siente que la temperatura es mucho más baja y se necesita más calefacción, lo que aumenta el consumo de electricidad. Sin embargo, también hay que señalar que la energía eólica es una de las principales energías renovables. En otras palabras, cuando hay viento, el consumo de electricidad aumenta, pero al mismo tiempo su precio disminuye. Esto se debe a que, como se ha explicado en el apartado anterior, el precio de la electricidad suele determinarse como un mix de las distintas fuentes energéticas, desde las energías más baratas (renovables, incluida la eólica, y nuclear) hasta las fuentes de generación más caras (térmica, combinada ciclo).

La temperatura, la humedad y el viento afectan el uso de la electricidad. La humedad y la temperatura son también las principales variables meteorológicas utilizadas en los sistemas de predicción de la demanda eléctrica para minimizar los costes de explotación. Sin embargo, otros factores, como las nubes, también juegan un papel. Por ejemplo, durante el día, cuando las nubes interrumpen la luz solar, suele haber un descenso de la temperatura y, en consecuencia, un mayor consumo eléctrico.

3.4. Factores del cliente

El tipo de cliente (residencial, comercial e industrial), así como otros factores del cliente relacionados con el consumo de electricidad (características del equipo eléctrico del consumidor), también pueden afectar la demanda. Esto es importante porque la mayoría de las empresas de energía tienen diferentes tipos de clientes (consumidores residenciales, comerciales e industriales), que tienen equipos que varían en tipo y tamaño. Estos diferentes tipos de clientes tienen diferentes curvas de carga, aunque existen algunas similitudes entre los clientes comerciales e industriales.

La Tabla 2 resume los principales determinantes que afectan la demanda de electricidad descritos en esta sección.

Tabla 2. Principales variables que inciden en la demanda eléctrica.

4. Clasificación de las Técnicas de Pronóstico de la Demanda

Esta sección clasifica los modelos de pronóstico de demanda de acuerdo con tres criterios diferentes: (1) período, (2) objetivo de pronóstico y (3) tipo de modelo utilizado.

La primera clasificación se centra en el punto de vista del período a pronosticar, es decir, el horizonte de pronóstico. Para seleccionar este criterio se han considerado los determinantes de la demanda eléctrica presentados en el apartado anterior. La segunda clasificación se centra en el punto de vista del objetivo del pronóstico, diferenciando entre técnicas de pronóstico que producen un solo valor y aquellas que producen múltiples valores. Finalmente, la tercera clasificación se centra en el punto de vista del modelo utilizado.

4.1. Clasificación de las Técnicas de Previsión de la Demanda según el Horizonte de Previsión

Como se ha explicado en el apartado anterior, los principales horizontes de previsión que se pueden identificar son los siguientes:

• Muy corto plazo: normalmente desde segundos o minutos hasta varias horas.

• A corto plazo: típicamente de horas a semanas.

• Mediano Plazo: típicamente de una semana a un año.

• Largo plazo: típicamente más de un año.

La principal diferencia es el alcance de las variables utilizadas en cada caso. Los modelos de pronóstico a muy corto plazo usan entradas recientes (típicamente minutos u horas), los modelos de pronóstico a corto plazo usan entradas típicamente en el rango de días, y los modelos de pronóstico a mediano y largo plazo usan entradas típicamente en el rango de semanas o incluso meses.

Las compañías eléctricas están particularmente interesadas en producir pronósticos precisos para el perfil de carga (p. ej., [9,30,31]). Esto se debe a que puede afectar directamente la programación óptima de las unidades de generación de energía. Sin embargo, debido al comportamiento no lineal y estocástico de los consumidores, el perfil de carga es complejo y, aunque se han realizado investigaciones en esta área, aún se necesitan modelos de pronóstico precisos [32].

4.2. Clasificación de las Técnicas de Pronóstico de la Demanda por Objetivo de Pronóstico

Los modelos de pronóstico también se pueden clasificar según el número de valores a pronosticar. En este caso, se pueden considerar dos categorías principales.

La primera categoría se refiere a las técnicas de pronóstico que producen un solo valor (por ejemplo, la carga total del día siguiente, la carga máxima del día siguiente, la carga de la hora siguiente, etc.). Se encuentran ejemplos en [33,34].

La segunda categoría se refiere a las técnicas de pronóstico que producen valores múltiples, por ejemplo, la carga máxima de la próxima hora más otro parámetro (por ejemplo, la carga agregada) o el perfil de carga. Se encuentran ejemplos en [35-37].

En términos generales, los pronósticos de valor único son útiles para optimizar el rendimiento de los compañeros de carga. Por otro lado, los pronósticos de valores múltiples se utilizan principalmente para la programación de la generación de energía [9].

4.3. Clasificación de las Técnicas de Pronóstico de la Demanda según el Modelo Utilizado

El modelo a utilizar lo suele decidir el facultativo. En términos de modelos, los grupos principales son enfoques lineales y no lineales.

Los modelos lineales incluyen descomposición espectral (SD), mínimos cuadrados parciales (PLS), promedio móvil integrado autorregresivo (ARIMA), heterocedasticidad condicional autorregresiva (ARCH), autorregresivo (AR), autorregresivo y promedio móvil (ARMA) ), modelo de promedio móvil (MAM), regresión lineal (LR) y espacio de estado (SS).

Las técnicas lineales han perdido progresivamente importancia e interés a favor de técnicas no lineales basadas en ANNs. Los modelos de Deep Learning utilizan ANN, inspirados en el sistema nervioso humano. Estos modelos pueden aprender patrones de los datos generados y pronosticar la demanda máxima en el contexto de los escenarios inteligentes complejos de la actualidad, donde una gran cantidad de datos se genera continuamente desde diferentes fuentes [7].

La Tabla 3 resume los criterios comúnmente utilizados para clasificar los modelos de pronóstico de la demanda.

Tabla 3. Principales criterios comúnmente utilizados para clasificar los modelos de previsión de la demanda.

5. Fundamentos y conceptos de aprendizaje automático y sistemas de aprendizaje profundo

La Inteligencia Artificial es un concepto complejo que, en pocas palabras, se refiere a la inteligencia artificial [38]. A diferencia de los humanos, la Inteligencia Artificial puede identificar patrones dentro de una gran cantidad de datos utilizando una cantidad de tiempo y recursos bastante limitada. Además, la capacidad computacional de las máquinas no disminuye con el tiempo y/o la fatiga [39].

Los sistemas de Inteligencia Artificial utilizan diferentes tipos de métodos de aprendizaje, como Machine Learning y Deep Learning.

5.1. Aprendizaje automático

Los algoritmos de aprendizaje automático están preentrenados para producir un resultado cuando se enfrentan a un conjunto de datos o una situación nunca antes vista [40]. Sin embargo, la computadora necesita más ejemplos para aprender que los humanos [41]. Machine Learning permite la introducción de la toma de decisiones inteligente en muchas áreas y aplicaciones donde el desarrollo de algoritmos sería complejo y se necesitan excelentes resultados [42].

Existen diferentes categorías de algoritmos de aprendizaje automático, incluidos el aprendizaje supervisado, semisupervisado, no supervisado y de refuerzo. Estas diferentes categorías de algoritmos se describen brevemente a continuación.

5.1.1. Aprendizaje supervisado

Después de entrenarse con un conjunto de ejemplos de datos etiquetados, estos algoritmos pueden predecir valores de etiqueta cuando la entrada tiene datos sin etiquetar. Los problemas típicamente asociados con este tipo de aprendizaje son (1) regresión y (2) clasificación [43].

En la regresión, el algoritmo se enfoca en comprender la relación entre las variables dependientes e independientes. En la clasificación, el algoritmo se utiliza para predecir la etiqueta de clase de los datos. Los problemas comunes de clasificación incluyen (1) clasificación binaria, entre dos etiquetas de clase; (2) clasificación multiclase, entre más de dos etiquetas de clase; y (3) clasificación de etiquetas múltiples donde una pieza de datos está asociada con varias clases o etiquetas, a diferencia de los problemas de clasificación tradicionales con etiquetas de clase mutuamente excluyentes [44].

Los métodos utilizados para el aprendizaje supervisado incluyen análisis discriminante lineal (LDA), Naive Bayes (NB), vecinos más cercanos K (KNN), máquina de vectores de soporte (SVM), árbol de decisión (DT), bosque aleatorio (RF), refuerzo adaptativo (AdaBoost ), Aumento de gradiente extremo (XGBoost), Descenso de gradiente estocástico (SGD), Clasificación basada en reglas (para clasificación); y LR, regresión no lineal (NLR) y regresión de mínimos cuadrados ordinarios (OLS) (para regresión) [44,45]. Los aprendices supervisados ​​más citados e implementados en la literatura son los algoritmos DT, NB y SVM [46].

Algunas aplicaciones prácticas interesantes son la clasificación de textos, la predicción del sentimiento de un texto (como un Tweet u otras redes sociales), la evaluación de la sustentabilidad ambiental de las prendas de vestir [47], la caracterización, predicción y tratamiento de los trastornos mentales [48] y la estimación pico de demanda de energía.

5.1.2. Aprendizaje sin supervisión

Este tipo de aprendizaje utiliza datos no etiquetados. En este caso, el sistema explora los datos sin etiquetar para encontrar estructuras ocultas, en lugar de predecir la salida correcta. Este tipo de aprendizaje no es directamente aplicable a problemas de regresión o clasificación, ya que se desconocen los posibles valores de la salida [49]. En cambio, a menudo se usa para (1) agrupamiento, (2) asociación y (3) reducción de dimensionalidad [43].

La agrupación permite agrupar los datos sin etiquetar en función de sus similitudes o diferencias [49,50]. La asociación utiliza diferentes reglas para identificar información nueva y relevante entre los objetos de un conjunto. Finalmente, la reducción de dimensiones permite reducir el número de características (o dimensiones) de un conjunto de datos para eliminar características irrelevantes o menos importantes y así reducir la complejidad del modelo [44]. Esta reducción en la cantidad de funciones se puede lograr manteniendo un subconjunto de las funciones originales (selección de funciones) o creando funciones completamente nuevas (extracción de funciones).

El algoritmo de agrupamiento más popular es probablemente el agrupamiento de K-medias, donde el valor k representa el tamaño del grupo [44,45,51]. Los algoritmos de asociación incluyen algoritmos de crecimiento a priori, transformación de clase de equivalencia (ECLAT) y patrón frecuente (FP). Por último, la reducción de la dimensionalidad suele utilizar la prueba de chi-cuadrado, la prueba de análisis de varianza (ANOVA), el coeficiente de correlación de Pearson, la eliminación recursiva de características (RFE) para la selección de características y el análisis de componentes principales (PCA) para la extracción de características.

Según [46], los aprendices no supervisados ​​más utilizados son K-means, agrupamiento jerárquico y PCA.

Estos estudiantes no supervisados ​​pueden tener muchas aplicaciones prácticas, como el reconocimiento facial, la clasificación de clientes, la clasificación de pacientes, la detección de ciberataques o intrusiones [52] y el análisis de datos en el campo astronómico [53].

5.1.3. Aprendizaje semisupervisado

Situado conceptualmente entre el aprendizaje supervisado y no supervisado, este tipo de aprendizaje permite aprovechar los grandes conjuntos de datos no etiquetados que están disponibles en algunos casos combinados con cantidades (generalmente más pequeñas) de datos etiquetados [54,55]. Esto abre posibilidades interesantes ya que los datos etiquetados suelen ser escasos, mientras que los datos no etiquetados son más frecuentes, y un alumno semisupervisado puede obtener mejores predicciones que las que se producen utilizando solo datos etiquetados [44].

Las aplicaciones candidatas son aquellas en las que solo hay un pequeño conjunto de ejemplos etiquetados y muchos más sin etiquetar, o cuando el esfuerzo de etiquetado es demasiado alto. Un ejemplo son las imágenes médicas, donde una pequeña cantidad de datos de entrenamiento puede proporcionar una gran mejora en la precisión [43,56].

La Tabla 4 compara el aprendizaje Supervisado y No Supervisado, centrándose en el tipo de datos de entrada utilizados en cada caso (datos etiquetados frente a no etiquetados), y las principales tareas para las que se utilizan ambos tipos de aprendizaje (clasificación, regresión frente a agrupamiento, asociación y reducción de dimensionalidad). ).

Tabla 4. Aprendizaje supervisado vs no supervisado.

5.1.4. Aprendizaje reforzado

Esta técnica de aprendizaje depende de la relación entre un agente que realiza una actividad y su entorno, lo que proporciona una retroalimentación positiva o negativa [57,58]. El agente debe elegir acciones que maximicen la recompensa en ese entorno. Los métodos populares incluyen Monte Carlo, Q-learning y Deep Q-learning [44].

Las aplicaciones tradicionalmente comunes incluyen juegos de estrategia como el ajedrez, la conducción autónoma, la logística y la fabricación de la cadena de suministro, los algoritmos genéticos [57], la gestión de la movilidad 5G [59] y la prestación de atención personalizada [60].

5.2. Aprendizaje profundo

El aprendizaje automático se puede clasificar en superficial y profundo, considerando la complejidad y la estructura del algoritmo [41]. Deep Learning utiliza múltiples capas de neuronas compuestas de estructuras complejas para modelar abstracciones de datos de alto nivel [61]. El tipo de salida y las características de los datos determinan el algoritmo a utilizar para un caso de uso particular [62].

Deep Learning utiliza ANN inspiradas en el sistema nervioso humano [63]. Este tipo de red normalmente tiene dos capas de nodos de entrada y salida respectivamente, conectados entre sí por una o más capas de nodos ocultos. Las posibles arquitecturas ANN profundas incluyen Perceptrón multicapa (MLP), Redes neuronales recurrentes de memoria a largo plazo a corto plazo (LSTMRNN), Redes antagónicas generativas (GAN) y Redes neuronales convolucionales (CNN o ConvNet).

Según nuestra revisión de la literatura, los modelos más utilizados en el dominio de la energía son las redes neuronales convolucionales (CNN), las redes neuronales recurrentes (RNN), la memoria a corto plazo (LSTM), las redes Q profundas (DQN) y Boltzmann condicional restringida. Machine (CRBM) y una variación de cualquiera de ellas, una combinación de dos o más de ellas, o la combinación de cualquiera de ellas con otras técnicas. Estos modelos se describen brevemente a continuación.

5.2.1. Redes neuronales convolucionales

Estas redes son redes de inspiración biológica, como las redes neuronales ordinarias. Sin embargo, en este tipo de red, se supone que las entradas tienen una estructura específica, como las imágenes [64]. Al ser uno de los modelos más utilizados y efectivos para el aprendizaje profundo, estas redes suelen incluir dos tipos de capas (es decir, capas de agrupación y de convolución). Una arquitectura típica de CNN generalmente consta de una capa de entrada, una capa convolucional, una capa de agrupación máxima y la capa final completamente conectada, como se muestra en la Figura 1 [65].

Figura 1. Arquitectura de red neuronal convolucional estándar [65]

Diferentes diseños arquitectónicos exploran el efecto de las transformaciones multinivel en la capacidad de aprendizaje de tales redes. Uno de estos posibles diseños arquitectónicos es Pyramid. La arquitectura piramidal de las redes neuronales convolucionales se conoce comúnmente como Pyramid-CNN [66].

5.2.2. Redes neuronales recurrentes

En este tipo de red, las conexiones entre nodos forman un gráfico dirigido o no dirigido a lo largo de una secuencia de tiempo. La Figura 2 muestra una estructura RNN típica [65].

Figura 2. El marco de una Red Neuronal Recurrente: Capa de entrada (Xt); capa de salida (Ot); capa oculta (St); matrices y vectores de parámetros (U, V, W); función de activación de la capa de salida (σy); y función de activación de la capa oculta (σh) [65].

Esta red puede utilizar un mecanismo de activación llamado Unidades Recurrentes Activadas (GRU) e introducido en 2014 por los autores [67]. Las GRU son como las redes LSTM pero con una puerta de olvido y menos parámetros ya que carecen de una puerta de salida.

Otra variación de este tipo de red, propuesta por Elman [68], es la RNN de Elman que incluye conexiones feedforward modificables y conexiones recurrentes fijas. Utiliza un conjunto de nodos de contexto para almacenar estados internos, lo que le otorga ciertas características dinámicas únicas sobre las estáticas [69].

5.2.3. Memoria a corto plazo largo

Estas redes son un tipo especial de RNN. A diferencia de las redes neuronales feedforward estándar, estas redes tienen conexiones de retroalimentación e incluso pueden procesar secuencias completas de datos (como voz o video), además de puntos de datos individuales (como imágenes). Este tipo de RNN contiene una capa de entrada, una capa oculta recurrente y una capa de salida, con una estructura de bloque de memoria como se muestra en la Figura 3 [70].

Figura 3. Bloque de memoria LSTM [70].

El bloque de memoria LSTM se puede describir de acuerdo con las siguientes ecuaciones [70]:

donde tx es la entrada del modelo en el tiempo t; Wi, Wf, Wc, W{{0}}, Ui, Uf, Uc, U0, V0 son matrices de peso; bi, bf , bc, b0 son vectores de sesgo; it, ft, 0t son respectivamente las activaciones de las tres puertas en el tiempo t; es el estado de la celda de memoria en el tiempo t; ht es la salida del bloque de memoria en el tiempo t; representa el producto escalar de dos vectores; σ(x) es la función de activación de la puerta; g(x) es la función de activación de entrada de celda; h(x) es la función de activación de la salida de la celda.

Una posible extensión de este modelo es el LSTM bidireccional (B-LSTM). Este tipo de red LSTM tiene como objetivo analizar secuencias tanto de adelante hacia atrás como de atrás hacia adelante, es decir, la información de la secuencia se transmite en ambas direcciones hacia adelante y hacia atrás, a diferencia de un LSTM normal.

5.2.4. Deep Q Network y Duelo de Deep-Q Network

Deep Q Networks (DQN) y Dueling Deep-Q Networks (DDQN) son un tipo de ANN que utiliza el algoritmo de aprendizaje Deep Q, que es popular en el aprendizaje por refuerzo. En una red de duelo, hay dos flujos para estimar por separado el valor del estado, así como las ventajas de cada acción. El objetivo principal de Deep-Q Network es elegir la mejor acción en un estado determinado. Considerando que π es la política seguida por un agente en un entorno dado, la función Qπ se puede definir de la siguiente manera [71]:

donde s es un estado; a es una acción; ri es la recompensa potencial; ∈ [0, 1] es un factor de descuento para hacer que la recompensa inmediata sea más importante que las futuras. Por lo tanto, el objetivo de Q-learning es maximizar la función de valor optimizado Q* (s, a)=max πQ π(s, a). La Figura 4 muestra el esquema de una arquitectura DQN típica [71]. 5.2.5. Máquina de Boltzmann condicional restringida Una máquina de Boltzmann restringida (RBM) es una RNN estocástica con dos capas, una con unidades visibles y otra con unidades ocultas binarias. Este tipo de red puede aprender una distribución de probabilidad sobre su conjunto de entradas. Los RBM son una variante de la arquitectura Deep Q-Network de Boltzmann Machines [71].

Figura 4. La Figura 4 muestra el esquema de una arquitectura DQN típica [71].