Mamba ECIS para la previsión del comportamiento de clientes de comercialización eléctrica mediante aprendizaje profundo multimodal

Por qué importan predicciones eléctricas más inteligentes

Mantener las luces encendidas al precio adecuado exige que las compañías eléctricas adivinen constantemente cuánta electricidad consumirán las personas en la próxima hora, día o semana. Esas predicciones se han vuelto más difíciles a medida que el clima se vuelve más extremo, los precios fluctúan y los hogares se llenan de contadores inteligentes y dispositivos conectados. Este artículo presenta un nuevo sistema de previsión llamado Mamba‑ECIS que utiliza inteligencia artificial avanzada para leer muchos tipos de datos a la vez, separar las oscilaciones a corto plazo de los hábitos a largo plazo y explicar qué factores externos son los que realmente impulsan el consumo eléctrico de los clientes.

De conjeturas simples a retratos digitales completos

Las herramientas de previsión tradicionales se diseñaron para un mundo más sencillo. Normalmente dependían de un único tipo de información, como el consumo pasado, y asumían que los patrones se mantendrían relativamente estables con el tiempo. A medida que los volúmenes de datos se dispararon y el comportamiento de los clientes se volvió más complejo, estos métodos empezaron a quedarse cortos. Incluso los enfoques modernos de aprendizaje profundo, pese a su potencia, a menudo funcionan como “cajas negras” opacas y tienen dificultades para combinar de forma limpia el clima, los precios, los efectos del calendario y otras señales. Los autores sostienen que los sistemas eléctricos del mañana necesitan modelos que puedan absorber muchas fuentes de datos, seguir tanto oscilaciones rápidas como desviaciones lentas en la demanda y, al mismo tiempo, ofrecer explicaciones comprensibles para las personas.

Fusionando muchas señales en una sola historia

Mamba‑ECIS aborda este reto fusionando primero distintos flujos de información en una única imagen ordenada en el tiempo del uso de energía. Combina datos de consumo de alta resolución con influencias externas como temperatura, humedad y precios de la electricidad, así como indicadores de tipo textual sobre festivos o eventos especiales. Antes de aprender, el sistema normaliza y transforma estas entradas para que compartan una escala común. Una red neuronal aprende entonces a resaltar las piezas más informativas de cada fuente, y un paso de ponderación permite al modelo dar prioridad, por ejemplo, al clima en días de mucho calor o al precio en noches de tarifas máximas. Esto produce una descripción más rica y flexible de cómo y por qué se utiliza la energía.

Vigilando los picos de hoy y las tendencias de mañana

Para evitar confundir picos rápidos con cambios más profundos, el modelo emplea un diseño de doble rama. Una rama analiza datos de alta frecuencia —los altibajos minuto a minuto u hora a hora que importan para las operaciones en tiempo real—. La otra rama se centra en patrones más lentos y suavizados, como promedios diarios y ciclos estacionales. Cada rama tiene sus propios bloques de modelado de secuencias, basados en una arquitectura eficiente conocida como modelos de espacio de estados Mamba, que pueden manejar historias muy largas sin la elevada computación de las redes clásicas basadas en atención. Una capa de fusión mezcla luego las dos visiones, ajustando automáticamente cuánto peso conceder a las señales de corto plazo frente a las de largo plazo en función de las condiciones actuales, como una ola de calor o un día laborable habitual.

Vincular causa y efecto, no solo correlación

Más allá de hacer predicciones precisas, los autores quieren que el sistema indique qué factores impulsan realmente los cambios en la demanda. Para ello añaden un módulo de atención causal. Este usa un mecanismo tipo atención para medir qué tan fuertemente cada factor externo está vinculado al consumo en cada momento, y luego pasa esas relaciones por una red de inferencia causal que estima la contribución directa de cada factor. Un paso de ponderación separado permite al modelo ajustar estas contribuciones a lo largo del tiempo. Este diseño no pretende ser una teoría causal formal completa, pero va más allá del mero ajuste de patrones: los planificadores de red pueden ver, por ejemplo, cuándo los picos de temperatura o los calendarios de festivos son los responsables principales de un aumento del consumo, y planificar programas de comercialización o respuesta a la demanda en consecuencia.

Poniendo el sistema a prueba

Los investigadores evaluaron Mamba‑ECIS en dos conjuntos de datos reales ampliamente utilizados: registros detallados de consumo doméstico de Portugal y datos residenciales y comerciales de alta resolución de Estados Unidos. Ambos incluyen millones de lecturas e información contextual rica. En varias medidas de error estándar, el nuevo modelo superó a una serie de competidores fuertes, incluidos Transformers modernos, otros modelos basados en Mamba y redes especializadas para series temporales. Mejores típicos del 3–12 por ciento en precisión pueden parecer modestos, pero se traducen en ahorros sustanciales y mejoras de fiabilidad para las utilities que operan a escala nacional. Pruebas adicionales, en las que se eliminaron módulos específicos, mostraron que la fusión multimodal, la estructura de doble rama y la puerta de atención causal aportaron cada una contribuciones distintas y complementarias al rendimiento.

Qué significa esto para los usuarios de energía de a pie

Para quienes no son expertos, el mensaje clave es que unas previsiones más inteligentes y transparentes pueden ayudar a que los sistemas eléctricos sean a la vez más baratos y más fiables. Al entrelazar muchas fuentes de datos, separar el ruido a corto plazo de los hábitos duraderos y clarificar qué fuerzas externas impulsan realmente la demanda, Mamba‑ECIS ofrece a las compañías eléctricas una guía más fiable del futuro inmediato. Eso, a su vez, puede respaldar precios más justos, programas de conservación mejor dirigidos y menos sorpresas durante olas de calor y episodios de frío, mejorando discretamente cómo se produce, comercializa y consume la energía entre bastidores.

Cita: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Palabras clave: previsión de la demanda eléctrica, analítica de redes inteligentes, aprendizaje profundo multimodal, comportamiento de clientes de energía, aprendizaje automático causal