¿Qué tiempo hará mañana? ¿Cuánta energía eléctrica puede producir mañana un panel solar? ¿Cuánta energía consumirá un sistema de refrigeración en los próximos días? ¿Cuántas toneladas de cemento debo producir hoy? Estas son algunas de las preguntas pertinentes que los industriales pueden hacerse para tomar las decisiones adecuadas en el momento oportuno. En estas situaciones, los algoritmos de predicción son una gran herramienta.
Pero, ¿qué son exactamente? ¿Cómo pueden ayudarnos a reducir y optimizar nuestro consumo de energía? ¿Cómo pueden ponerse en práctica, más concretamente? ¿Y cómo se relacionan exactamente con los sistemas de gestión y optimización de la energía (EMOS)? En este artículo, Dorian Grosso y Pascal Lu, del equipo de I+D de METRON, nos responden a estas preguntas.
¿Qué es exactamente la predicción y cómo funciona?
En términos generales, la predicción es el pronóstico de eventos futuros basado en eventos pasados. La predicción de series temporales, más concretamente, consiste en predecir los valores futuros de una serie temporal a partir de los valores observados en el pasado. Las series temporales contienen una dependencia cronológica, lo que significa que el valor actual de la serie temporal depende de los valores pasados.
Antes de proceder a la predicción, solemos realizar un análisis de las series temporales para eliminar las anomalías y poder extraer sólo la información significativa, como la estacionalidad y las tendencias. Esto nos permite hacer predicciones más precisas, que se basan en los datos más valiosos.
El primer paso de la predicción es definir algunos parámetros operativos del modelo. Éstos dependen del problema que hay que resolver. Los parámetros más comunes son:
- La ventana de entradas (1 hora, 1 día, 1 semana...)
- El horizonte temporal de las predicciones ( 1 hora, 1 día, 1 semana ...)
- La discretización de la señal (un punto cada 1 minuto, 10 minutos o 1 hora ...)
- Las características temporales (minuto de la hora, hora del día, día del año)
- Otras características dinámicas que pueden influir en nuestras predicciones
- Para predecir el futuro, también necesitamos información sobre el pasado.
Analizando una serie temporal que ha tenido lugar durante un largo periodo de tiempo, podemos identificar patrones que ocurrieron en el pasado y predecir cuáles pueden ocurrir en el futuro.
Según el caso, podemos predecir el futuro de la serie temporal utilizando dos métodos:
- Predicción univariante: Utilizando sólo el pasado de una serie temporal para predecir el futuro de la misma serie temporal. Por ejemplo, podemos predecir la potencia térmica de un sistema de refrigeración basándonos en la potencia de ayer.
- Predicción multivariante: Utilización de otras características dinámicas que pueden influir en las predicciones al igual que la misma serie temporal. Por ejemplo, podemos predecir la producción de electricidad de un panel solar en función de sí mismo y de la meteorología (una influencia externa).
El siguiente paso es dividir las series temporales en un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se utiliza para entrenar un algoritmo (estimador) de modo que pueda calcular las predicciones. Para comprobar la precisión del estimador, éste debe realizar predicciones en un conjunto de prueba. Por ejemplo, para una serie temporal registrada de 2016 a 2021, podemos elegir los datos del conjunto de entrenamiento de 2016 a 2020, y los datos del conjunto de prueba para el año 2021. En este caso, podemos saber si el estimador es preciso si las predicciones se ajustan a la serie temporal registrada en 2021.
¿Cómo podemos utilizar las predicciones en el sector energético?
En el ámbito de la energía, los ejemplos de predicción de series temporales incluyen:
- La producción diaria de electricidad de un panel solar o una turbina eólica.
- La demanda diaria (carga) de electricidad de una fábrica, edificio o casa.
- Demanda diaria de energía térmica de un sistema de refrigeración en una fábrica.
- Precio de la electricidad en el mercado.
Predicción de la gestión de la energía en un horizonte temporal futuro
Por ejemplo, un cliente conectado a la red principal con un contrato de energía variable, con una batería controlable y paneles solares, debe satisfacer una demanda de electricidad. Las dos fuentes de incertidumbre en el futuro son la demanda de electricidad (carga) y la producción de energía renovable. Para evitar un apagón y minimizar el coste total de la electricidad en el horizonte temporal, hay que predecirlas
¿Cuáles son las ventajas de los intervalos de predicción?
Solemos predecir tanto el valor medio como una distribución de probabilidad. Así podemos evaluar el nivel de incertidumbre y valorar el espectro de todos los escenarios posibles en el futuro.
Por ejemplo, en lugar de decir que la producción de electricidad de los paneles solares será de 150 kWh mañana, es mejor hacer una predicción de la probabilidad. Si decimos que hay una probabilidad del 95% de que la producción de electricidad esté entre 120 kWh y 180 kWh, podemos conocer los valores extremos, como en el caso de una producción alta o baja.
Conocer la distribución de probabilidades permite al cliente
- sopesar los riesgos
- tomar las mejores decisiones
- minimizar el coste medio de explotación
Los intervalos de predicción nos permiten cuantificar las incertidumbres de
- la varianza del ruido de los datos: el conjunto de entrenamiento que utilizamos para entrenar el modelo está compuesto por pocas muestras.
- la incertidumbre del modelo: en qué medida el modelo aprendido puede aproximarse al modelo exacto.
Existen diferentes estrategias para estimar los intervalos como:
1) Estimación de la varianza bajo la hipótesis de incertidumbre gaussiana. El error asociado a la predicción está representado por una distribución gaussiana caracterizada por 2 parámetros: el valor medio de la predicción y la desviación típica (raíz cuadrada de la varianza). La probabilidad de encontrar la señal dentro del intervalo +/- 2 veces la desviación estándar alrededor de la media es igual al 95%. La curva del extremo derecho de la figura siguiente representa la densidad de probabilidad predicha para el tiempo t+h en el futuro.
2) Estimación de cuantiles de la distribución de probabilidad bajo una pérdida de cuantiles. En este caso, no suponemos que el error asociado a la predicción esté representado por una distribución gaussiana. No hacemos suposiciones sobre la forma de la distribución del error, sino que predecimos el conjunto de cuantiles que caracterizarán la distribución estadística asociada al error. La curva del extremo derecho de la figura siguiente representa el histograma de la densidad de probabilidad predicha para el tiempo t+h en el futuro.
3) Estimación de cuantiles a partir de un conjunto de trayectorias futuras dibujadas (métodos de Monte Carlo). Como en el caso anterior, en este caso no hacemos ninguna suposición sobre la forma de la distribución del error, sino que calculamos a posteriori el conjunto de cuantiles a partir de un gran número de trayectorias plausibles en el futuro. La curva del extremo derecho de la figura siguiente representa el histograma de la densidad de probabilidad prevista para el tiempo t+h en el futuro.
Caso de uso del algoritmo de predicción: DeepAR
DeepAR es un algoritmo de red neuronal autorregresiva desarrollado por Amazon Research en 2017, en el que la observación actual se reinyecta en la red neuronal para predecir la siguiente observación.
Por ejemplo, DeepAR puede utilizarse para predecir la cantidad de energía térmica que se necesitará para el agua congelada de un sistema de refrigeración en una fábrica. Para las series temporales, definimos una ventana (información pasada) de 48 horas y un horizonte (predicciones futuras) de 24 horas. Una vez entrenado el DeepAR, podemos muestrear trayectorias futuras dada una señal pasada. A partir de estas trayectorias, calculamos la trayectoria media y varios cuantiles para cuantificar la incertidumbre. Como se ve en la figura, cuanto más muestreamos, más precisos son la trayectoria media y los cuantiles.
Figura 1: Predicciones de potencia térmica utilizando agua congelada para un sistema refrigerado donde la ventana pasada es de 48 horas y la futura es de horizonte 24 horas. Este gráfico muestra las series temporales pasadas y las 100 trayectorias futuras generadas por el DeepAR.
Figura 2: Al igual que antes, muestra las predicciones para una potencia térmica que utiliza agua congelada para un sistema refrigerado en el que la ventana pasada es de 48 horas y la futura es de horizonte 24 horas. Sin embargo, este gráfico muestra la trayectoria media global y los cuantiles calculados a partir de 100 trayectorias futuras.
Figura 3: Predicciones para una potencia térmica que utiliza agua congelada para un sistema refrigerado en el que la ventana pasada es de 48 horas y la futura es de horizonte 24 horas. Este gráfico representa la trayectoria media y los cuantiles calculados a partir de 5000 trayectorias futuras muestreadas. El hecho de dibujar más trayectorias ayuda a suavizar las curvas de cuantiles. Esto nos muestra que el uso de más trayectorias hace que la predicción sea más precisa y exacta.
Puntos clave
Los algoritmos de predicción son una herramienta inteligente que puede ayudarnos a reducir y optimizar nuestro consumo energético. Pueden utilizarse como parte de un sistema de gestión y optimización de la energía para ayudar a tomar decisiones mejores y más informadas, así como para permitir que los equipos sean más eficientes. Por supuesto, estas herramientas no están aquí para sustituir a los humanos, ¡están aquí para hacernos más avanzados!
¿Quiere saber más sobre las tecnologías utilizadas en los sistemas de gestión y optimización de la energía?
Descubre más artículos en nuestro Blog
