Sensibilidad del tamaño de mini-lote en redes residuales profundas para la previsión de carga a corto plazo: un estudio empírico

Por qué esta investigación importa para los usuarios cotidianos de energía

Mantener las luces encendidas a un precio razonable depende de lo bien que las compañías eléctricas puedan adivinar la demanda de electricidad del día siguiente. Este estudio examina una elección de entrenamiento sorprendentemente simple dentro de los modelos modernos de inteligencia artificial que pronostican la demanda: cuántos ejemplos mostrar al modelo a la vez. Al probar cuidadosamente este “tamaño de mini-lote”, los autores muestran que acertar en este detalle puede hacer que las previsiones sean más precisas y más fiables en climas muy diferentes.

Cómo se predice la demanda eléctrica hoy

La demanda eléctrica cambia con la hora del día, la estación y el tiempo, y incluso pequeñas mejoras en la precisión de la previsión pueden ahorrar a las grandes empresas millones de dólares al año. Los métodos de previsión más antiguos se basaban en fórmulas estadísticas que tenían dificultades con los patrones de uso complejos de hoy. Los modelos de aprendizaje profundo más recientes manejan mejor el comportamiento desordenado y no lineal, pero pueden ser difíciles de entrenar. En particular, las redes residuales profundas, que transmiten información hacia adelante a través de rutas de atajo, se han hecho populares para predecir la demanda a corto plazo porque pueden aprender patrones profundos sin volverse inestables.

Dos sistemas, dos climas, una pregunta

Para ver cómo las decisiones de entrenamiento afectan a estos modelos, los autores estudian dos sistemas eléctricos del mundo real. Uno está en Nueva Inglaterra, en Estados Unidos, con fuertes oscilaciones estacionales por la calefacción en invierno y la refrigeración en verano. El otro está en Malasia tropical, donde las estaciones son menos pronunciadas y los episodios cortos de tiempo y lluvia importan más. Para Nueva Inglaterra usan una red residual que toma la demanda pasada y la temperatura. Para Malasia prueban tanto este modelo como una variante que comprime muchas mediciones meteorológicas en un puñado de características combinadas clave mediante una técnica matemática, reduciendo la redundancia sin perder la mayor parte de la información climática útil.

Qué controla realmente el tamaño de mini-lote

Entrenar un modelo de aprendizaje profundo significa ajustar millones de parámetros internos para reducir la brecha entre la demanda predicha y la real. El tamaño de mini-lote es el número de puntos temporales que el modelo ve antes de cada ajuste. Los lotes pequeños hacen que las actualizaciones sean ruidosas y aleatorias, lo que puede ayudar al modelo a explorar pero también vuelve el entrenamiento inestable. Los lotes muy grandes ofrecen actualizaciones más suaves pero pueden empujar al modelo hacia soluciones que encajan demasiado con los datos de entrenamiento y generalizan mal. La pregunta clave es si existe un punto óptimo para estas redes residuales usadas en previsión eléctrica, y si ese punto es el mismo en climas diferentes y con entradas meteorológicas más ricas.

Qué revelaron los experimentos

Bajo un marco de control estricto en el que solo se modificó el tamaño del mini-lote, los autores probaron valores desde muy pequeños hasta muy grandes. En ambos sistemas, el de Nueva Inglaterra y el malasio, encontraron que lotes de tamaño medio ofrecían las mejores previsiones. En la práctica, un tamaño de lote de 64 produjo consistentemente los errores más bajos, con 32 muy cerca. Los lotes más pequeños hicieron que el entrenamiento fuera menos estable y menos preciso, mientras que los lotes más grandes empeoraron el rendimiento de forma constante. Al comparar sus redes residuales con otros diseños populares de aprendizaje profundo basados en convoluciones, unidades recurrentes, atención o híbridos de estos, los modelos residuales resultaron superiores. La versión que combinó múltiples mediciones meteorológicas en un resumen compacto obtuvo el mejor rendimiento en el caso tropical.

Cómo los autores verificaron sus resultados

Para asegurarse de que estos patrones no fueron simples coincidencias, el estudio utilizó una técnica de remuestreo llamada bootstrapping. Este método vuelve a calcular repetidamente las diferencias de rendimiento usando versiones barajadas de los errores para estimar cuán probable es que las mejoras observadas ocurran por azar. El análisis mostró que las ganancias al usar un tamaño de lote de 64 en lugar de 32 fueron estadísticamente significativas, y que el modelo con meteorología comprimida superó de manera consistente y fiable a la red residual básica bajo las mismas condiciones de entrenamiento.

Qué implica esto para la planificación energética

Para los no especialistas, el mensaje central es que decisiones de entrenamiento aparentemente menores dentro de los modelos de inteligencia artificial pueden cambiar de forma notable lo bien que podemos predecir la demanda eléctrica del día siguiente. Este trabajo muestra que, para redes residuales profundas usadas en previsión de carga a corto plazo, tamaños de lote de rango medio ofrecen un buen equilibrio entre estabilidad y flexibilidad del aprendizaje, y que alimentar al modelo con información meteorológica bien comprimida puede afinar aún más las previsiones. En conjunto, estas ideas ofrecen orientación práctica para empresas eléctricas e ingenieros que buscan construir redes más inteligentes y eficientes sin rediseñar sus modelos desde cero.

Cita: Liu, J., Ahmad, F.A., Samsudin, K. et al. Mini-batch size sensitivity in deep residual networks for short-term load forecasting: an empirical study. Sci Rep 16, 14996 (2026). https://doi.org/10.1038/s41598-026-45002-5

Palabras clave: previsión de carga a corto plazo, redes residuales profundas, tamaño de mini-lote, demanda eléctrica, datos meteorológicos