Un modelo híbrido óptimo de selección de características y Conv-LSTM (OFSCL) para el pronóstico de demanda energética a corto plazo en subestaciones de distribución de Ahvaz, Irán

Mantener las luces encendidas en una ciudad calurosa

Cuando llega una ola de calor, los aires acondicionados se encienden en toda la ciudad y la tensión sobre la red eléctrica puede dispararse en cuestión de minutos. Si los operadores de la red se equivocan al estimar cuánta electricidad será necesaria, los vecindarios corren el riesgo de cortes de suministro o de un exceso de generación ineficiente. Este artículo se centra en una subestación real en la calurosa y húmeda ciudad de Ahvaz, en el suroeste de Irán, y plantea una pregunta simple con grandes implicaciones: ¿es posible predecir, hora por hora, cuánta energía debe suministrar esa subestación usando de forma más inteligente que nunca los datos históricos de demanda y meteorología?

Por qué importan los pronósticos de corto plazo

La electricidad no se almacena fácilmente a gran escala, por lo que la oferta debe seguir muy de cerca la demanda. En las subestaciones de distribución, que reducen la alta tensión para hogares y negocios, este equilibrio es especialmente delicado. La demanda cambia según la hora del día, el día de la semana, la estación y el clima, en particular la temperatura y la humedad. Las herramientas de pronóstico tradicionales—como las fórmulas estadísticas básicas—suelen asumir tendencias suaves y patrones sencillos. En realidad, el consumo eléctrico en una ciudad calurosa como Ahvaz es ruidoso, no lineal y está condicionado por saltos repentinos en el uso de climatización. Los pronósticos deficientes pueden sobrecargar transformadores, reducir la vida útil del equipo y obligar a los operadores a gestionar la red de forma conservadora y menos eficiente.

De las fórmulas simples a las máquinas que aprenden

En la última década, los investigadores han probado métodos más sofisticados, desde modelos clásicos de aprendizaje automático como árboles de decisión y redes neuronales hasta sistemas de aprendizaje profundo que sobresalen con datos de series temporales, como las redes LSTM (Long Short-Term Memory) y las redes convolucionales (CNN). Estos modelos más recientes pueden captar ritmos de mayor duración y patrones sutiles que las técnicas antiguas pasan por alto. Sin embargo, siguen enfrentando dos grandes desafíos. Primero, pueden recibir docenas de variables de entrada—horas, días, festivos, velocidad del viento, punto de rocío, presión y más—muchas de las cuales añaden ruido en lugar de información útil. Segundo, les cuesta aprovechar simultáneamente las fluctuaciones momentáneas y los cambios estacionales más lentos. El resultado es que la precisión con datos reales y desordenados a menudo queda por debajo de lo que los operadores de red necesitan.

Un modelo híbrido que aprende lo que realmente importa

Los autores proponen una nueva arquitectura profunda híbrida llamada Optimal Feature Selection Conv-LSTM (OFSCL). Combina dos fortalezas: capas convolucionales que filtran muchas variables de entrada y se centran automáticamente en los patrones más informativos, y capas LSTM que siguen cómo evolucionan esos patrones a lo largo del tiempo. En OFSCL, la parte convolucional reduce gradualmente la cantidad de información que transmite, eliminando redundancias y preservando las señales clave. La parte LSTM aprende entonces cómo cambian esas señales refinadas de hora en hora y de día en día. Finalmente, capas densas convierten esta representación compacta en un único pronóstico: cuánta energía necesitará la subestación en el siguiente instante temporal.

Probar el modelo en una subestación real

Para comprobar si OFSCL funciona en la práctica, el equipo recopiló un año de datos horarios de una subestación de distribución en Ahvaz, junto con registros meteorológicos locales detallados que cubren el calor extremo del verano así como estaciones más frescas. Compararon OFSCL con un abanico de alternativas, incluidos árboles de decisión, k-vecinos más cercanos, perceptrones multicapa, modelos puros LSTM y CNN, y varios híbridos avanzados como CNN-LSTM y LSTM con atención. Todos los modelos utilizaron los mismos conjuntos de entrenamiento y prueba, y su rendimiento se evaluó por la cercanía de las predicciones al consumo real de energía. El modelo OFSCL alcanzó un R² de aproximadamente el 90 por ciento y las puntuaciones de error más bajas, entrenando además en menos tiempo que muchos de los otros enfoques de aprendizaje profundo. Pruebas repetidas con diferentes particiones de los datos confirmaron que estas mejoras eran consistentes y no fruto de la casualidad.

Qué aprende el modelo sobre el clima y la demanda

Más allá de la precisión, los autores quisieron entender de qué entradas dependía más el modelo. Usando un análisis de sensibilidad basado en gradientes, midieron cuán fuertemente pequeños cambios en cada característica afectaban al pronóstico. La temperatura del aire emergió como el factor dominante, seguida del mes del año y la humedad relativa, lo que refleja cómo las necesidades de refrigeración se disparan con el calor y las condiciones estacionales. En contraste, si un día era laborable o festivo tuvo un papel mucho menor para esta subestación en particular. El análisis también mostró que el modelo se vuelve menos sensible a fluctuaciones diminutas conforme observa más datos, fijándose en patrones estables en lugar de reaccionar en exceso al ruido.

Llevar pronósticos más inteligentes a la red

En términos cotidianos, el estudio demuestra que un sistema de aprendizaje cuidadosamente diseñado puede no solo predecir cuánta electricidad necesitará una subestación concurrida en las próximas horas, sino también explicar qué aspectos del clima local importan más. Al filtrar automáticamente sus entradas y capturar tanto oscilaciones rápidas como tendencias más largas, el modelo OFSCL supera a una gama de métodos existentes sin dejar de ser lo bastante rápido para uso en tiempo real. Si se extendiese y probase en más regiones y subestaciones, este tipo de modelos podría ayudar a las empresas eléctricas a operar más cerca del límite—manteniendo el suministro fiable, reduciendo desperdicios y preparando mejor a las ciudades para futuros más cálidos y con mayor demanda energética.

Cita: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Palabras clave: pronóstico de demanda energética, aprendizaje profundo, redes eléctricas, clima y consumo eléctrico, predicción de series temporales