Evaluación de relevancia de las entradas en redes neuronales para la predicción de demanda de energía eléctrica en Colombia con aprendizaje interpretativo

Abstract

Al desarrollar políticas para la generación de energía eléctrica y los mercados de energía, modelos precisos deben abordar el pronostico de la demanda de energía a corto, mediano y largo plazo. Todas estas estacionalidades pueden variar significativamente dependiendo de factores demograficos y el desarrollo económico de las regiones. En este sentido, el modelado predictivo de la demanda de energía utilizando modelos de Aprendizaje Profundo (Deep Learning DL) tiene un uso creciente debido a su capacidad para manejar entradas suficientemente complejas al ser comparado con modelos de aprendizaje automático clásico. Sin embargo, el rendimiento del DL está fuertemente influenciado por factores como la arquitectura de la red neuronal, el tipo de recurrencia, la calidad y cantidad de los datos de entrenamiento disponibles, entre otros. Un factor clave a considerar es la estrategia empleada para alimentar los modelos DL para implementar diferentes supuestos de interacción entre los predictores. Este trabajo compara varios esquemas de entrenamiento y evalúa su impacto en el rendimiento del pronostico, midiendo la relevancia de cada serie de tiempo de entrada y generando aprendizaje interpretativo en sus resultados. Se presentan valores experimentales para modelos lineales en series de tiempo y redes neuronales recurrentes obtenidas de la base de datos de demanda de electricidad de Colombia desde enero de 2000 hasta diciembre de 2022 (Texto tomado de la fuente)

When developing policies for electricity generation and energy markets, accurate models must address short-, medium-, and long-term energy demand forecasting. All of these seasonalities can vary significantly depending on demographic factors and the economic development of the regions. In this regard, predictive modeling of energy demand using Deep Learning (DL) models is increasingly used due to their ability to handle sufficiently complex inputs compared to classical machine learning models. However, DL performance is strongly influenced by factors such as neural network architecture, recurrence type, the quality and quantity of available training data, among others. A key factor to consider is the strategy used to feed DL models to implement different interaction assumptions among predictors. This work compares various training schemes and evaluates their impact on forecast performance, measuring the relevance of each input time series and generating interpretive learning in its results. Experimental values for linear time series models and recurrent neural networks are presented, obtained from the Colombia electricity demand database from January 2000 to December 2022