IEEE Power & Energy Magazine - Spanish - May/June 2022 - 37

posibles. Por ejemplo, si miramos un pronóstico probabilística
(también llamada de distribución), podremos concluir
que el precio hoy a las 6 p.m. estará entre los € 100 y € 110
con una probabilidad del 90 %.
Existen múltiples abordajes para el pronóstico probabilística.
No obstante, uno que es particularmente relevante
para nuestro caso usa RN para producir las distribuciones
directamente. Esto se puede lograr con un pequeño cambio
en el modelo de RNP presentado anteriormente. En
lugar de arrojar los precios de las 24 horas, la red puede
devolver los conjuntos de parámetros de 24 funciones de
probabilidad de distribución. Si asumimos que la distribución
del interés es gaussiana, la RN probabilística tendrá
48 datos de salida con dos parámetros (es decir, la desviación
media y estándar) para cada hora del día, como se
ilustra en la figura 7. Comparado con la RNP en la figura
5(b), la llamada capa de distribución de la figura 7 se ubica
entre la última capa oculta y la capa de salida. Los nodos
de la capa de distribución contienen estimativos (o predicciones)
de los parámetros de una distribución (aquí, gaussiana).
La producción es una distribución predictiva,
f ,h
una para cada hora del día.
La desventaja es que la distribución por sí sola es un
hiperparámetro, es decir, se debe estimar o establecer ex
ante. Una distribución más flexible puede explicar la asimetría
y las colas pesadas, pero esto también tiene su precio.
En general, mientras más parámetros haya para estimar,
más difícil es calibrar el modelo según un conjunto de datos
determinado. Sin embargo, las RN probabilísticas pueden
ser objeto de interés en el futuro.
Lo bueno, lo malo y lo feo
Al igual que los personajes principales de un spaghetti Western
dirigido por Sergio Leone, las prácticas que podemos
observar en la literatura de la EPF vienen para todos los
gustos. Van desde muy indeseables (lo malo, que conduce
a resultados insignificantes que no se pueden comparar) a
indeseables (lo feo, que compromete la reproducibilidad de
la investigación) a lo digno de recomendar (lo bueno). Concluimos
este artículo con un resumen de estas prácticas, particularmente
frecuentes en la literatura de la EPF con AA, y
brindamos alternativas mejores.
Lo malo, evítese a toda costa
Los modelos nuevos rara vez se comparan con los modelos
establecidos de vanguardia y aún más rara vez con las
referencias de código abierto. Esto produce afirmaciones sin
sustento sobre el rendimiento " excepcional " de los modelos
nuevos. Desde la perspectiva de un profesional, estos resultados
no tienen importancia. El costo de implementar un
modelo predictivo nuevo puede ser elevado, pero su rendimiento
puede ser mediocre.
Otro problema es el tamaño y el ámbito limitados del
conjunto de datos de prueba. Los resultados usualmente
se informan para un solo mercado y suelen contener una
mayo/junio 2022
selección de solo cuatro semanas. Esto favorece la elección
selectiva de resultados y ocasiona una precisión inflada de
el pronóstico.
El último problema es la contaminación de datos. El conjunto
de datos de prueba no siempre se selecciona como la
última sección del conjunto de datos completo, y el conjunto
tampoco es independiente de los conjuntos de datos de validación
o entrenamiento. Además, los modelos de hiperparámetros
a veces se estiman en el conjunto de datos de prueba.
Lo feo, manéjese con cuidado
El uso de métricas de evaluación no está estandarizado para
la comunidad de pronóstico de precios. Los métodos nuevos
normalmente se comparan con base en una única métrica de
precisión sin considerar sus propiedades. Además, las pruebas
estadísticas no siempre se usan para medir si las diferencias
en la precisión son estadísticamente significativas.
Esto puede producir resultados altamente seleccionados y
conclusiones sesgadas.
Otro problema es la falta de detalles a la hora de proponer
nuevos métodos. En particular, la diferencia entre entrenamiento,
validación y prueba no siempre se informa, así como
tampoco se informan las características de entrada óptimas
del modelo o los hiperparámetros óptimos del modelo. Esto
obstaculiza la reproducibilidad. Además, habitualmente se
ignora el costo informático de los nuevos métodos. La EPF
a corto plazo suele requerir previsiones en tiempo real, por
lo que el costo informático es una métrica importante a considerar.
Por
último, los modelos no siempre se recalibran a diario.
Esto es especialmente cierto para los puntos de referencia.
Habitualmente, un nuevo modelo se recalibraría con frecuencia,
pero el punto de referencia se estima una sola vez y
se evalúa directamente para todo el conjunto de datos. Esto
hace que se informe con menos exactitud y, cuando se hace
con los puntos de referencia, ocasiona mejoras artificiales en
la precisión de los nuevos modelos.
Lo bueno, mejores prácticas
De acuerdo con los problemas enunciados, los nuevos trabajos
sobre la EPF deberían intentar cumplir con una serie
de buenas prácticas para asegurar la reproducibilidad y las
comparaciones significativas. En particular, deberían asegurar
que
✔ el conjunto de datos de prueba contenga datos de al
menos un año y se base en múltiples mercados
✔ el conjunto de datos de prueba esté seleccionado como
la última sección de la serie de precios de electricidad
disponible, y los hiperparámetros se estimen mediante
un conjunto de datos de validación que sea diferente
del conjunto de datos de prueba
✔ cualquier modelo nuevo se compare con modelos
conocidos, de vanguardia, preferentemente de código
abierto y conjuntos de datos conocidos de código
abierto
ieee power & energy magazine
37
IEEE Power & Energy Magazine - Spanish - May/June 2022

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