IEEE Power & Energy Magazine - Spanish - May/June 2022 - 22

multicapa. En la década de 1980, los avances en electrónica
digital y computación distribuida permitieron el uso
de redes aún más grandes. La IA presenció su primera burbuja
comercial, se crearon cientos de empresas de IA y
millones de dólares inundaron la investigación sobre IA.
La burbuja, sin embargo, estalló bastante rápido a fines
de la década de 1980 y principios de la década de 1990
porque los proveedores comerciales no pudieron desarrollar
una amplia variedad de soluciones prácticas. Ese fue
ampliamente considerado el segundo invierno de la IA. La
figura 1(b) resume los años importantes para la IA antes
del siglo XXI.
Aplicaciones de la IA para la
pronóstico de la carga
A pesar del segundo invierno al que se enfrentaba la IA, los
ingenieros eléctricos encontraron varias usos para la IA en
los sistemas eléctricos. En la década de 1990, la IA se convirtió
en un tema candente en la comunidad de la ingeniería
eléctrica. En las reuniones generales de la sociedad de ingeniería
eléctrica, cuando la gente preguntaba: " ¿Cómo resolvemos
el problema 'XYZ'? " donde XYZ podría referirse a
cualquier problema práctico como la calidad de la energía, la
evaluación de seguridad, el diagnóstico de fallas o el pronóstico
de la carga, la respuesta era a menudo tan simple como
" inteligencia artificial " .
Uno de los primeros artículos que debatían sobre el uso de
las RNA para el pronóstico de la carga fue presentado en la
American Power Conference en 1989. Desde entonces, miles
de artículos han adoptado técnicas de IA y aprendizaje automático
(AA) para el pronóstico de la carga. Los temas incluyeron
los sistemas expertos difusos, las máquinas de vectores
de soporte y el aprendizaje profundo. Los sistemas expertos
difusos se basan en la lógica difusa, que modela el razonamiento
lógico con afirmaciones vagas o imprecisas en lugar
de afirmaciones directas verdaderas o falsas. Las máquinas
de vectores de soporte son modelos que pueden encontrar un
hiperplano en un espacio de alta dimensión para clasificar
las observaciones en una categoría u otra. El aprendizaje profundo
se basa en RNA, donde la palabra profundo hace referencia
al uso de " muchas " capas ocultas en la red.
La figura 3 muestra el número de artículos en revistas
hasta 2021 con " previsión de la carga " en el título y técnicas
seleccionadas de IA/AA en el resumen. En orden cronológico,
la literatura de la previsión de la carga, y los artículos
en revistas en particular, encontraron a las RNA en 1991, los
sistemas expertos difusos en 1992, las máquinas de vectores
de soporte en 2002 y el aprendizaje profundo en 2015.
En total, se publicaron 1,984 artículos de revistas con las
palabras " pronóstico de carga " en el título desde 1991 hasta
2021, de los cuales 1,245 mencionaron técnicas de IA/AA en
el resumen. Las RNA son mencionadas en 796 de ellos. De
hecho, las RNA han sido la técnica más popular en la literatura
de previsión de la carga durante las últimas tres décadas.
La mayoría de estos modelos de RNA solo quedaron en
trabajos académicos o en el entorno de laboratorio. Pocos
recibieron demasiada atención o fueron aceptados por la
industria. No obstante, una rama de la investigación fue
capaz de hacer que las RNA sean una de las aplicaciones
de el pronóstico de la carga más exitosas. En 1995, IEEE
Transactions on Power Systems publicó un artículo que describe
un sistema de pronóstico de la carga basado en RNA,
que fue implementado en 20 empresas de servicios públicos
de los Estados Unidos y fue utilizado por varias de ellas. El
sistema fue nombrado más tarde como un pronosticador de
la carga de RNA a corto plazo (ANNSTLF, por sus siglas
en inglés). En 1997, IEEE Transactions on Neural Networks
publicó un artículo que describe la segunda generación del
ANNSTLF y las 32 empresas de servicios públicos en los
Estados Unidos y Canadá que utilizan el sistema. Un año
después, IEEE Transactions on Power Systems publicó un
artículo que describe la tercera generación del ANNSTLF
utilizada por 35 empresas de servicios públicos en los Estados
Unidos y Canadá.
Aunque las tres generaciones de ANNSTLF se basan en
RNA, sus estructuras son bastante diferentes. La primera
generación incluía 38 RNA y 24 combinadores. Cada RNA
tenía una estructura prealimentación de tres capas, como se
ilustra en la figura 2. Algunas de ellas tenían nueve neuronas
de entrada, mientras que otras tenían 72. Las 38 RNA
fueron diseñadas para capturar las relaciones entre la carga
y el clima. La producción de estas RNA fue suministrada a
Historial de
carga
Modelo
Proceso de
modelado
Historial de
clima
figura 4. Un proceso típico de pronóstico de la carga.
22
ieee power & energy magazine
mayo/junio 2022
Pronóstico
del tiempo
Proceso de
pronóstico
Pronóstico
de la carga
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
