Predicción de la demanda eléctrica mediante modelos de intervalos basados en granularidad y principios justificables

Por qué esto importa para el uso cotidiano de la electricidad

Mantener las luces encendidas es un acto de equilibrio delicado. Las compañías eléctricas deben disponer siempre de suficiente electricidad para cubrir la demanda, pero no tanto como para desperdiciar combustible y dinero. Este estudio explora una nueva forma de prever cuánta electricidad necesitará una región en el futuro, especialmente a escala de meses y años, mostrando de manera honesta cuánta incertidumbre tienen esas previsiones. Eso importa para todos los que dependen de un sistema eléctrico fiable, asequible y cada vez más bajo en carbono.

De una sola predicción a rangos seguros

La mayoría de las herramientas tradicionales de predicción ofrecen un único número para la demanda futura, por ejemplo “la red necesitará 5.000 megavatios mañana a las 18:00”. Estas predicciones puntuales pueden ser muy precisas a corto plazo, pero van perdiendo solidez al mirar más lejos, ya que la demanda está influida por el clima cambiante, el crecimiento económico y hábitos en evolución como la recarga de vehículos eléctricos. Métodos más recientes basados en aprendizaje automático y aprendizaje profundo han mejorado la exactitud, pero con frecuencia siguen entregando una única “mejor estimación” y suelen ocultar la incertidumbre tras supuestos probabilísticos complejos que son difíciles de interpretar para operadores y reguladores.

Pensar en trozos en lugar de en puntos

Los autores proponen una mentalidad distinta: en lugar de apostar por un único número, predicen intervalos —rangos seguros dentro de los cuales es probable que caiga la demanda real. Para construir estos rangos emplean una idea conocida como “computación granular”, que trata los datos en porciones significativas, o gránulos, en lugar de como puntos aislados. Para la demanda eléctrica, cada gránulo es un intervalo en torno a un valor central (como la mediana diaria o semanal) que capta cuánto puede variar la carga. Trabajar con esos gránulos ayuda a suavizar el ruido aleatorio, hace los patrones más claros a través de días, semanas y meses, y ofrece una visión más realista de cuánta incertidumbre hay realmente en el futuro.

Equilibrar ser lo bastante amplio y lo bastante preciso

Un reto clave es decidir qué tan anchos deben ser los intervalos. Si son demasiado amplios, casi siempre contendrán la demanda real pero resultarán inútiles para la planificación por resultar demasiado vagos. Si son demasiado estrechos, podrán dejar fuera valores reales y dar una falsa sensación de certeza. Los investigadores abordan esto definiendo dos medidas sencillas: “cobertura”, la proporción de valores reales que caen dentro de un intervalo dado, y “especificidad”, una medida de lo estrecho e informativo que es ese intervalo. Las combinan en una sola puntuación llamada índice de justificación. El método busca entonces intervalos que maximicen esa puntuación, rechazando automáticamente extremos: intervalos tan amplios que lo explican todo y nada, o tan ajustados que fallan en demasiados puntos de datos reales.

Probar la idea en un sistema eléctrico real

Para ver qué tal funciona este enfoque en la práctica, el equipo utilizó cuatro años de datos de la principal red eléctrica de Omán, medidos cada 30 minutos entre 2020 y 2023. Construyeron y ajustaron sus intervalos con datos de 2020–2022 y luego comprobaron qué tan bien esos intervalos capturaban las cargas no vistas en 2023. Construyeron intervalos diarios, semanales y mensuales y los compararon con herramientas de predicción más familiares, como modelos de regresión, árboles de decisión, redes profundas y métodos probabilísticos como la regresión de cuantiles y la predicción conformal. Usando una medida de “solapamiento”, evaluaron qué tan bien coincidían los intervalos predichos con los intervalos construidos directamente a partir de los datos de 2023. Los resultados mostraron que al pasar de gránulos diarios a semanales y mensuales, los intervalos se hicieron más estables, mejor alineados con la realidad y más fáciles de interpretar.

Qué revelan los nuevos intervalos sobre la red

El análisis desveló varias conclusiones prácticas. Primero, agregar datos en periodos más largos, como semanas y meses, mejora sustancialmente la fiabilidad de las previsiones, porque las fluctuaciones diarias se compensan. Segundo, los intervalos optimizados ofrecieron una correspondencia clara y consistente con la demanda real a lo largo de varios años, lo que sugiere que el método generaliza bien en lugar de sobreajustarse a un año concreto. Tercero, la demanda entre días laborables y fines de semana en el sistema estudiado resultó sorprendentemente similar, lo que implica que no era necesario modelarlos por separado. En comparación con otros métodos de predicción basados en intervalos, el enfoque de gránulos justificables ofreció una cobertura competitiva manteniendo los intervalos razonablemente estrechos, todo ello sin asumir ninguna distribución estadística específica para los datos.

Cómo esto ayuda a mantener la fiabilidad de la red

Para quienes no son especialistas, el resultado principal es sencillo: en lugar de ocultar la incertidumbre, este método la hace visible y utilizable. Los operadores de la red pueden planificar generación, reservas y mantenimiento en torno a una banda realista de demanda futura probable, en lugar de un único número frágil. El límite inferior les indica cuánto pueden reducir con seguridad la capacidad, mientras que el límite superior señala cuánto respaldo deberían tener listo para días de calor, picos económicos u otras sorpresas. Al expresar la incertidumbre de forma transparente y basada en datos, estas previsiones por intervalos apoyan sistemas eléctricos más resilientes, rentables y, en última instancia, más sostenibles.

Cita: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Palabras clave: predicción de la demanda eléctrica, intervalos de incertidumbre, computación granular, planificación de la red eléctrica, series temporales energéticas