IEEE Power & Energy Magazine - Spanish - May/June 2022 - 27

La precisión reportada en un artículo podría ser para un área
específica durante un periodo específico, que podría no
generalizarse a otras jurisdicciones.
exploración del diseño innovador de las estructuras de las
RNA, como las redes neuronales recurrentes y profundas.
Ilusión 5: la mayor precisión reportada
en la literatura académica representa las
nuevas tecnologías
Muchos factores afectan la precisión del pronóstico de la
carga, como la calidad de los datos, la composición de la
carga y el tamaño de la carga. Por ejemplo, dado que todos
los demás factores establecen lo mismo, se espera que la precisión
del pronóstico de la carga de un operador de sistema
independiente (ISO, por sus siglas en inglés) sea mayor que
la de una empresa eléctrica dentro de la ISO. La precisión
reportada en un artículo podría ser para un área específica
durante un periodo específico, que podría no generalizarse
a otras jurisdicciones.
Incluso dejando de lado varios factores incontrolables,
podría existir una tendencia de algunos autores a exagerar
la precisión del pronóstico como el resultado de procesos
defectuosos de la construcción de modelos y evaluación de
pronósticos. Por ejemplo, un documento puede informar
valores precisos de pronóstico con un día de antelación en
2020 a partir de un modelo M en particular basado en una
metodología propuesta, que supera a otros tres modelos de
referencia basados en técnicas existentes en la literatura. Los
cuatro modelos son construidos en base a datos de 2017 a
2019. Todo puede parecer legítimo, justo y riguroso en teoría.
Sin embargo, tras bastidores, los autores pueden haber
probado otras 10 variantes ajustando hiperparámetros de la
metodología propuesta, entre los cuales el modelo M tenía
la mayor precisión. Las otras variantes pueden no ser mejores
que los tres modelos de referencia. En otras palabras,
el año 2020 es utilizado para la selección de modelos sin
informarlo a los lectores. Esto es conocido como una mirada
hacia el futuro en el pronóstico. En realidad, un pronosticador
no puede elegir un modelo basado en la información
perfecta de los valores de carga futuros.
Otro enfoque utilizado para promover un modelo propuesto
es la selección cuidadosa. Los autores pueden manipular
datos en secreto sin revelar detalles en el documento.
Algunas observaciones pueden ser excluidas del proceso de
construcción de los modelos, mientras que otras pueden ser
reemplazadas por valores diferentes. Todos estos cambios en
los datos brutos tienen implicaciones para los pronósticos
finales. En otras palabras, los métodos de preprocesamiento
de los datos pueden haber puesto el enfoque propuesto en una
ventaja injusta. Mientras tanto, los lectores que no conocen
mayo/junio de 2022
estos detalles difícilmente pueden hacer que la técnica propuesta
funcione bien en datos del mundo real.
Aclaración 5
Los valores de precisión reportados por muchos artículos
académicos son demasiado buenos para ser verdad. Algunos
valores reportados han sido exagerados de manera significativa
debido al proceso defectuoso de construcción de modelos
y evaluación de pronósticos, como el asomamiento y la
selección cuidadosa. La figura 6 enumera algunos puntos de
control para que los lectores realicen una prueba de humo
cuando vean resultados sorprendentemente buenos.
Oportunidades
Se presentan muchas oportunidades para los investigadores
y profesionales actuales interesados en la previsión de la
carga. Las computadoras modernas son más poderosas que
nunca. En la década de 1980, los recursos informáticos eran
una preocupación importante cuando las personas desarrollaron
modelos de pronóstico de la carga. Muchos modelos
tuvieron que ser construidos fuera de línea y reentrenados
cada semana o mes. Los métodos en ese momento tenían que
encontrar una compensación entre el uso de los datos más
recientes y la rapidez con la que se podían estimar los modelos.
De la misma manera que las tecnologías informáticas
llevaron a la IA a su segundo impulso en la década de 1980,
la infraestructura informática actual habilita a aplicaciones
de aprendizaje profundo y otras técnicas computacionalmente
intensivas para el pronóstico de la carga.
En el documento de Dryar de 1944, identificaron al clima
por primera vez como un factor impulsor de la demanda
de electricidad. En el siglo XX, los datos utilizados por los
pronosticadores de carga eran bastante limitados. Los datos
meteorológicos provienen de algunas estaciones meteorológicas
en el territorio de servicio. Aparte de algunos medidores
de intervalo que recopilaban la demanda horaria de
hogares seleccionados para una investigación de la carga, no
había medidores de comunicación avanzada (inteligentes).
Las empresas de servicios públicos solo tenían lecturas de
medidores mensuales o bimestrales para la mayoría de los
clientes. Para el pronóstico de la carga a largo plazo, se utilizaron
datos de carga mensuales o anuales.
Los pronosticadores de carga de hoy en día pueden acceder
a una variedad de fuentes de datos y una alta granularidad.
Los medidores inteligentes están recopilando lecturas
de carga cada hora, si no con más frecuencia. Las condiciones
climáticas son monitoreadas por miles de estaciones
ieee power & energy magazine
27
IEEE Power & Energy Magazine - Spanish - May/June 2022

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