Métodos de optimización avanzados y aplicaciones de Big Data en el pronóstico de demanda de energía – Francisco A. Gómez Vela

Métodos de optimización avanzados y aplicaciones de Big Data en el pronóstico de demanda de energía.

El uso de recolectores de datos en los sistemas energéticos está creciendo cada vez más. Por ejemplo, los sensores inteligentes ahora se utilizan ampliamente en sistemas de producción y consumo de energía. Esto implica que se genera una gran cantidad de datos y es necesario analizarlos para extraer información útil de ellos. Estos macrodatos dan lugar a una serie de oportunidades y desafíos para la toma de decisiones informada.

En los últimos años, los investigadores han estado trabajando muy activamente con el fin de encontrar técnicas eficaces y poderosas para hacer frente a la enorme cantidad de datos disponibles. Estos enfoques se pueden utilizar en el contexto de la producción y el consumo de energía, considerando la cantidad de datos producidos por todas las muestras y mediciones, además de incluir muchas características adicionales. Con ellos, los métodos automatizados de aprendizaje automático para extraer patrones relevantes, la computación de alto rendimiento o la visualización de datos se están aplicando con éxito al pronóstico de la demanda de energía.

A la luz de lo anterior, se propuso este número especial con el fin de recopilar las últimas investigaciones sobre temas relevantes, y en particular en la previsión de la demanda energética, y el uso de métodos avanzados de optimización y técnicas de Big Data. Aquí, por energía, nos referimos a cualquier tipo de energía, por ejemplo, eléctrica, solar, microondas, eólica.

En respuesta a la convocatoria de ponencias, se enviaron once artículos a este número especial y se aceptaron cinco para su publicación. Si miramos las técnicas utilizadas en los artículos aceptados, podemos notar que, en dos artículos, se utilizaron técnicas de aprendizaje profundo para pronosticar las demandas de energía. En particular, se estudió una arquitectura de Red Convolucional Temporal sobre dos datos diferentes de España: la demanda eléctrica nacional y la demanda de energía en las estaciones de carga para vehículos eléctricos.

Para probar la propuesta, se realizó un extenso estudio experimental. El modelo propuesto se comparó con técnicas de vanguardia basadas en el aprendizaje profundo con diferentes arquitecturas y parametrización. Los resultados muestran que el modelo propuesto es competitivo y superó a los modelos utilizados en las comparaciones.

También se utilizó Deep Learning. En este trabajo se utilizó un enfoque de neuroevolución. De hecho, el parámetro de configuración de la red neuronal utilizada se estableció mediante un algoritmo evolutivo. La arquitectura resultante se aplicó a los datos de demanda energética registrados en España durante un período de más de nueve años, y cuando se compara con enfoques de última generación, demuestra obtener mejores resultados.

Fuente: MDPI Book