Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad UNAL
Sedes
Estimar cuánta energía necesitará Colombia cada día sería posible
Prever la demanda de energía que habrá a diario en el país garantizaría una correcta atención de la misma. Foto: archivo Unimedios.
Con este tipo de predicciones las empresas generadoras de energía podrían optimizar sus servicios. Foto: archivo Unimedios.
El clima es una de las variables más influyentes en la predicción final. Foto: archivo Unimedios.
Cambios estructurales como la reciente pandemia por COVID-19 también tendrían alta influencia. Fotos: Marco Bertorello / AFP.
Este análisis encontró que un modelo simple funcionaría mejor que uno más complejo. Fotos: Nicol Torres, Unimedios.
Las empresas dedicadas a la generación de energía en Colombia suelen decidir cuánta energía ofertar y generar según las opiniones de expertos en el tema, dejando de lado la posibilidad de basarse en predicciones sustentadas en datos cuantitativos y comportamientos históricos del mercado.
“Estimar cuánta energía necesitará o demandará el país sería útil, por ejemplo, para que los productores garanticen una adecuada atención de los usuarios y optimicen su operación, sin tener que sortear una incertidumbre tan alta”, explica Jennifer Mosquera Cabra, magíster en Ciencias - Estadística de la UNAL Sede Medellín.
Por eso, analizó tres modelos estadísticos, que le permitieran evaluar series de tiempo (es decir, estudiar comportamientos a lo largo del tiempo), probando desde uno tradicional y sencillo, hasta uno más complejo basado en machine learning o aprendizaje profundo.
“Además, desarrollamos uno de los primeros estudios en Colombia que trabaja con una nueva área de investigación llamada ‘conformal prediction’, que permite no solo estimar un valor específico, sino un rango probable de resultados, es decir, un espectro de valores potenciales (para este caso kilovatios diarios) dentro de los cuales puede estar el valor real”, agrega.
Otro asunto novedoso de este estudio es que a los distintos puntos que conforman ese espectro se les pueden otorgar probabilidades de acierto. “Podemos decir, por ejemplo, X día la demanda de energía en Colombia será de X unidades, y a esa previsión podemos asignarle una probabilidad de ocurrencia que va de 0 a 1. Entre más cercana al 1, más fiable”.
Luego de una revisión exhaustiva de la bibliografía, la investigadora tomó datos nacionales distintos, que van desde 2017 hasta 2023, con el fin de identificar cuáles variables son las más influyentes en la dinámica de la demanda energética.
“Encontramos que el clima, los cambios estructurales –como la pandemia del COVID-19– y el tipo de días –lunes, domingo, festivo, etc.– son cruciales y diferenciadoras”, añade la magíster Mosquera.
Después, tras seleccionarlas realizó una “regresión”, que puede entenderse como un “avistamiento” de las variables, pero en conjunto. “Con esto listo, realizamos la modelación mediante la construcción de una ‘matriz autorrezagada’, que básicamente nos permitía tener en cuenta las series de tiempo, es decir, lo que había ocurrido en el pasado”.
Finalmente, al poner a correr los modelos, se evaluó cuál de los tres se acercaba con mayor precisión a la realidad, teniendo como referencia lo ocurrido en el rango de tiempo evaluado.
“La medida la hicimos según los errores medios de predicción, es decir, cuanto más se equivocaba uno de los modelos en predecir, más alejado estaba del punto ‘verdadero’. Así, entre más cerca del cero, mejor era la métrica, y en general con los tres modelos obtuvimos una cifra promedio de 1,3 %. Muy favorable”.
De esta manera, la investigadora encontró que el modelo más sencillo era el más acertado. “Su nombre es Lasso y se fundamenta en una relación lineal, es decir, supone que el comportamiento va a ser directo, sin muchas fluctuaciones, a diferencia de una red neuronal que, por ser más sofisticada, es más flexible, captura dispersiones más complejas, valores atípicos, etc., lo que puede desencadenar sobreestimaciones”.
Para finalizar, le aplicó a Lasso los “intervalos probabilísticos”, que permiten medir qué nivel de confianza se puede tener sobre los puntos predichos. “Este paso adicional, que se basa en un remuestreo, nos permitió llegar a un nivel de confianza del 99 % sobre un punto predicho. Gracias a esto podría dejarse de depender únicamente de la comparación con los valores reales”.
Estos resultados, que demuestran que es posible que los proveedores de energía eléctrica predigan con precisión la demanda de electricidad diaria en el país, fueron alcanzados gracias al acompañamiento de los profesores Víctor Ignacio López, de la Facultad de Ciencias de la UNAL Sede Medellín, Santiago Gallón Gómez, de la Universidad de Antioquia, y al apoyo del economista Adiel Ignacio Restrepo Gil.
