El error de la IA al estimar la generación solar oculta pasó de 0,104 a 0,185 kW

Los operadores de red quieren saber cuánta electricidad generan los paneles solares de los tejados, pero la mayoría de las viviendas solo se observan a través de contadores inteligentes «netos»: el aparato muestra la diferencia entre consumo y generación, no cada una de las magnitudes por separado. Los modelos profundos pueden separar esa señal, pero un nuevo trabajo en arXiv muestra que su utilidad depende de para quién y cuándo se aplica el modelo. En los datos de Ausgrid, el error absoluto medio (MAE) diurno del mejor modelo fue de 0,104 kW para casas ya conocidas en un periodo de prueba futuro y de 0,185 kW para casas que el modelo no había visto, en ese mismo periodo.

La diferencia es de casi 1,8 veces.

Cuatro modos en lugar de una cifra media

Lo habitual es evaluar estos modelos con una sola cifra sobre un conjunto de prueba común. Los autores dividieron los escenarios de uso en cuatro modos de despliegue: el modelo atiende a clientes conocidos, a clientes nuevos, a periodos futuros o a regiones nuevas. Así se separa la transferencia entre hogares de la extrapolación en el tiempo. La base fueron los datos de contadores inteligentes de Ausgrid; para la comprobación en otra región se usó el conjunto Pecan Street.

El entrenamiento se fijó con un protocolo único y después se compararon arquitecturas profundas representativas para secuencias. El resultado incomoda a la lógica habitual de los benchmarks: con un contrato de entrenamiento fijo, el modo de despliegue explica una parte mucho mayor de la dispersión del error que la elección del propio modelo. Cambiar de arquitectura para ganar unos pocos puntos porcentuales tiene menos sentido que determinar con honestidad con qué datos va a trabajar el sistema.

Cifras clave

• Contexto: ventana fija de 48 horas.
• MAE diurna del mejor modelo en casas conocidas en un periodo futuro: 0,104 kW.
• MAE diurna en casas desconocidas en el mismo periodo: 0,185 kW.
• El ajuste fino con cinco casas de la región de destino reduce el error de transferencia del modelo original entre un 28 y un 36%.
• Para la transferencia se usó normalización según el dominio de destino.

Transferencia a otra región y longitud de la ventana

Al pasar de Ausgrid a Pecan Street, un modelo entrenado en una región pierde precisión: el clima, las instalaciones típicas y los hábitos de consumo son distintos. Los autores muestran que, para una parte considerable de esa pérdida, basta con un pequeño ajuste. La normalización con las estadísticas del dominio de destino, junto con el ajuste fino con cinco casas de la región, reduce el error entre un 28 y un 36%. Para un operador, es una cifra concreta: no hace falta recopilar etiquetas de miles de viviendas, basta una muestra pequeña con generación conocida.

Otra cuestión es la longitud de la ventana de entrada. Un contexto largo ayuda en la extrapolación para clientes conocidos, cuando el modelo ya ha visto el comportamiento de cada vivienda. Con clientes nuevos, el resultado depende de la arquitectura: en unos modelos la ventana larga aporta una mejora y en otros no. El trabajo no confirma una regla única del tipo «cuanto más larga, mejor».

Cómo usarlo en la práctica

Para las compañías de red y los proveedores de analítica se desprenden tres pasos de trabajo. Primero, fijar un presupuesto de error distinto para cada modo: la cifra de los clientes conocidos en un periodo futuro no sirve como promesa para casas nuevas, y menos aún para una región nueva. Segundo, al lanzar el modelo en una región nueva, planificar un piloto pequeño con generación medida en unas cinco casas, para ajustar el modelo y normalizar los datos. Tercero, elegir la longitud del contexto según la tarea: predecir el comportamiento de abonados conocidos y estimar el de los recién conectados requiere configuraciones distintas.

Conviene tener presente una limitación: el estudio se basa en dos conjuntos de datos y en una evaluación con benchmarks, no en una explotación industrial. Aun así, la metodología de modos de evaluación separados es trasladable a otras tareas de analítica energética en las que el modelo se entrena con unos clientes y se aplica a otros.