Redes residuales profundas con extracción de características por convolución para la previsión de carga a corto plazo

Por qué el consumo de energía de mañana importa hoy

Cada vez que encendemos un interruptor, las compañías eléctricas ya deben tener lista la cantidad adecuada de electricidad. Si producen demasiado poca, las luces parpadean y las fábricas se detienen; si producen de más, desperdician combustible y dinero. Este artículo explora un nuevo método de inteligencia artificial que ayuda a los operadores de la red a predecir, hora por hora, cuánta electricidad usará la gente al día siguiente, en climas muy distintos, desde la Nevada de Nueva Inglaterra hasta la Malasia tropical.

El reto de adivinar nuestras necesidades energéticas diarias

La previsión de carga a corto plazo es la tarea de predecir cuánta electricidad necesitará una región desde la próxima hora hasta la próxima semana. Estas predicciones guían decisiones cruciales, como qué centrales eléctricas poner en marcha, cómo programar el mantenimiento y cómo planificar el comercio de energía. Incluso una pequeña mejora puede ahorrar grandes sumas de dinero; para una gran compañía, reducir el error de previsión en solo un punto porcentual puede ahorrar millones de dólares en costes de combustible cada año. Pero la demanda de electricidad está determinada por muchos factores entrelazados: hora del día, día de la semana, estación, clima, festivos y hábitos cambiantes. Capturar todos estos patrones de forma fiable es difícil, especialmente a medida que los sistemas energéticos se vuelven más complejos y las condiciones climáticas más variables.

Límites de herramientas de previsión inteligentes anteriores

Los investigadores llevan tiempo intentando mejorar estas previsiones con modelos matemáticos y, más recientemente, con aprendizaje profundo. Los enfoques tradicionales como la regresión y las redes neuronales simples flaquean cuando aumenta el número de entradas, frecuentemente perdiendo patrones sutiles o sobreajustando a datos pasados. Las redes más avanzadas tienen cada una fortalezas y debilidades: las convolucionales son buenas detectando oscilaciones de corto plazo pero no las tendencias a largo plazo; las redes recurrentes como LSTM y GRU siguen secuencias más largas pero son lentas y más difíciles de entrenar; los modelos Transformer capturan relaciones complejas pero exigen gran potencia de cálculo y pueden volverse inestables al profundizar. Un compromiso popular, conocido como red residual profunda, añade conexiones “directas” que ayudan a que modelos muy profundos aprendan sin que el entrenamiento se quiebre. Sin embargo, la mayoría de diseños anteriores aplicaban estos trucos residuales solo en las capas finales de predicción, no en las etapas tempranas cruciales cuando se extraen las características brutas.

Un modelo en dos etapas que mira cerca y lejos

Los autores proponen un sistema de previsión rediseñado llamado Red Residual Profunda con CNN integrada (CNN‑Embedded Deep Residual Network). En la primera etapa, el modelo se centra en el detalle local. Alimenta historiales recientes de carga y temperatura —desde las últimas 24 horas hasta varios meses atrás— a través de bloques convolucionales unidimensionales. Estos bloques actúan como ventanas deslizantes, explorando series temporales para detectar formas recurrentes: picos matutinos, aumentos por la tarde, bajadas de fin de semana o picos repentinos impulsados por el tiempo. Un paso de pooling comprime cada patrón detectado en un resumen compacto, reduciendo ruido y preservando lo más relevante. En paralelo, se procesa y fusiona información del calendario, como estación, día de la semana y marcadores de festivos. Veinticuatro pequeñas subredes, una para cada hora del día siguiente, convierten luego estas características enriquecidas en una previsión inicial de 24 horas.

Refinamiento profundo y pruebas en dos redes muy distintas

En la segunda etapa, una red residual potenciada toma esta primera previsión y la pule. Bloques apilados con conexiones directas ajustan los valores horarios mientras mantienen la forma diaria general realista y evitan que el proceso de entrenamiento se estanque. El equipo entrenó y ajustó esta arquitectura con dos conjuntos de datos del mundo real: ISO New England, que abarca seis estados de EE. UU. con fuertes variaciones estacionales, y Malasia, donde el consumo eléctrico es más estable bajo un clima tropical. Compararon su modelo con una amplia gama de alternativas, incluyendo redes puramente convolucionales, varias redes recurrentes, un Transformer, el diseño residual original y variantes que solo añadían partes convolucionales o residuales por separado. El rendimiento se juzgó con medidas de error comunes, en especial el error porcentual absoluto medio, y se probó la significación estadística mediante un intensivo remuestreo bootstrap.

Qué dicen los resultados sobre redes eléctricas más inteligentes

La Red Residual Profunda con CNN integrada ofreció de forma consistente las previsiones más precisas. En los datos de Nueva Inglaterra redujo el error porcentual medio a alrededor de 1,53 por ciento, mejorando con respecto a competidores sólidos basados en residuales hasta en aproximadamente un 11 por ciento. En Malasia, donde los patrones son más suaves y las mejoras más difíciles de lograr, aún redujo el error a alrededor de 5,06 por ciento y superó a todos los demás modelos. Las pruebas estacionales mostraron que el método manejó los picos de primavera y verano, las cargas de calefacción invernales y las estaciones húmeda y seca tropicales sin perder precisión. Las comprobaciones estadísticas confirmaron que estas mejoras no se debieron al azar. Para el público no especializado, la conclusión es clara: al combinar un “microscopio” para patrones de corto plazo con una “columna vertebral” que estabiliza el aprendizaje profundo, este enfoque ofrece a los operadores de red una forma más fiable de anticipar la demanda eléctrica de mañana, ahorrando dinero, reduciendo desperdicios y apoyando la transición hacia sistemas eléctricos más inteligentes y limpios.

Cita: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Palabras clave: previsión de carga a corto plazo, aprendizaje profundo, red eléctrica, redes neuronales convolucionales, redes residuales