IEEE Power & Energy Magazine - Spanish - May/June 2022 - 24

Cuando el modelo seleccionado no da resultados sorprendentemente
malos, puede ser promovido para el pronóstico.
Algunas variantes del proceso antes mencionado han
sido utilizadas en muchos sectores comerciales, incluido el
pronóstico de la carga. Por ejemplo, el proceso puede simplificarse
eliminando pruebas fuera de muestra. En muchos
estudios de casos, los pronosticadores ejecutan los pasos de
entrenamiento y validación varias veces en diferentes periodos
de los datos históricos, lo cual se conoce como validación
cruzada. Como el pronóstico de la carga es un problema
de pronóstico de series temporales, a menudo se utiliza la
simulación deslizante en lugar de la capacitación y la validación
mencionadas anteriormente.
Ilusión 1: una forma no lineal, por
lo que tenemos que usar modelos
no lineales
La relación entre carga y temperatura no es lineal, como se
muestra en lafigura 5. La forma de ese diagrama de dispersión
se conoce comúnmente como palo de hockey o pipa
Nike. En el lado izquierdo, la carga aumenta a medida que la
temperatura disminuye debido a las necesidades de calefacción.
A la derecha, la carga aumenta a medida que aumenta
la temperatura debido a las necesidades de refrigeración.
Muchos artículos utilizaron la relación no lineal como
motivación para los modelos no lineales. Sin embargo,
una relación no lineal no requiere modelos no lineales. En
muchas situaciones, los modelos lineales son mejores que los
modelos no lineales para modelar curvaturas no lineales. El
término " lineal " en los modelos lineales significa linealidad
en los parámetros. En otras palabras, mientras los parámetros
estimados estén en un conjunto de ecuaciones lineales,
el modelo es lineal.
La forma de la figura 5 puede ser modelada por un
modelo de regresión polinómica, que pertenece a la familia
de modelos de regresión lineal. Tanto los polinomios de
segundo (línea azul en la figura 5) como los polinomios de
tercer orden (línea marrón en la figura 5) han sido utilizados
para los modelos de pronóstico de la carga. Un modelo de
regresión lineal por partes también puede modelar la forma.
Aclaración 1
Los modelos lineales pueden ser utilizados para modelar
relaciones no lineales. Las necesidades del negocio designan
qué familia de modelos deben ser consideradas. El modelo
exacto a ser utilizado debe determinarse en función del
resultado del proceso de selección del modelo.
Ilusión 2: las técnicas están aisladas:
IA o estadísticas, pero no ambas
La IA y las estadísticas (o econometría) a menudo son consideradas
rivales. Muchos pronosticadores de carga en cualquiera
de los campos rara vez miran el trabajo realizado por
el otro grupo. En la literatura académica, muchos artículos
sobre IA comparan los modelos de pronóstico de la carga
propuestos con otros modelos basados en IA. Incluso si se
hicieran comparaciones utilizando modelos estadísticos, los
modelos a menudo son mucho menos poderosos que las nuevas
tecnologías en esa familia de modelos.
Las RNA y el análisis de regresión, dos técnicas aparentemente
diferentes en IA y estadística, respectivamente, están
conectadas de muchas maneras. Ambas técnicas solicitan
variables de entrada similares, como información meteorológica
y de calendario. Ambos requieren la estimación de
parámetros, que pueden ser formulados como problemas de
optimización. Los parámetros de las RNA pueden ser estimados
mediante retropropagación, mientras que los parámetros
(o coeficientes) para un modelo de regresión pueden
ser estimados minimizando la suma de errores al cuadrado.
Tales análisis de regresión son denominados mínimos cuadrados
ordinarios de regresión (MCO).
A nivel matemático, la palabra norma puede ser utilizada
para describir la distancia de un vector desde el origen.
Minimizar la suma de errores al cuadrado equivale a
minimizar la distancia euclidiana del vector de error desde
el origen, denominada norma euclidiana, norma 2 o norma
Objetivo principal a minimizar
Regresión L1
Regresión
contraída
Regresión Lasso
SVR
Regresión difusa
Regresión MCO Suma de los errores al cuadrado
Suma de errores absolutos
Suma de los errores al cuadrado
Suma de los errores al cuadrado
Magnitud de los parámetros
Propagación en una membresía
difusa
tabla 1. Seis variantes de modelos de regresión.
Regularización
Ninguna
Ninguna
Reducción de la magnitud de los
parámetros
Restricciones
Ninguna
Ninguna
Ninguna
Reducción del número de variables Ninguna
Ninguna
Ninguna
LASSO: operador de selección y contracción menos absoluta.
24
ieee power & energy magazine
mayo/junio 2022
Límite superior para errores
absolutos
Umbral para la afiliación difusa
IEEE Power & Energy Magazine - Spanish - May/June 2022

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