Por Milagros Santos y Jorge Ángel González
Predecir el futuro ha sido y es un tema de interés para las actividades humanas, queriendo conocer y responder preguntas como: ¿cuánto presupuesto necesita la empresa el próximo año? ¿cómo estará el clima mañana? ¿cuál será la tasa de cambio del peso en agosto? ¿cuánta energía electrica consumirá la escuela el próximo mes? entre otras. Conocer las respuestas a estas preguntas representa una ventaja competitiva, preparándanos para afrontar los escenarios venideros, planear estrategias que permitan ahorrar o aprovechar mejor los recursos y tomar decisiones. Los pronósticos (Forecasting) toman herramientas estadísiticas o de machine learning para analizar la información histórica y proponer un modelo que se entrene con estos datos, considerando que el futuro tendrá un comportamiento similar a lo previo.
Cuando hablamos de pronosticar el futuro de algún fenómeno es común que tengamos que lidiar con un tipo de dato conocido como series de tiempo. Estos datos se caracterizan por ser un secuencia de datos ordenados, por ejemplo, mediciones de temperatura tomadas cada 15 minutos. La figura 1 muestra un ejemplo de este tipo de datos.
En general, lo que un pronóstico busca es estimar el comportamiento futuro de una serie de tiempo utilizando los valores pasados de la misma y/o otro tipo de datos externos. El proceso que comúnmente se sigue para obtener un pronóstico se ejemplifica en la figura 2. Como se puede observar los primeros pasos consisten en definir el problema y obtener los datos necesarios. Una vez que se cuenta con los datos se puede proceder a realizar un análisis estadístico descriptivo para caracterizar la información, por ejemplo, conocer la variabilidad que tienen los datos y sus valores promedio. Con esta información podemos pasar a elegir un método de pronóstico adecuado. Una vez hecho esto se deben de analizar y validar los resultados para deteminar el éxito del proceso o la necesidad de regresar a alguno de los pasos anteriores.
Un área en donde los pronósticos han cobrado gran relevancia es en los sistemas energéticos. Esto es debido a que la instalación de sistemas de energía renovable en los que no nos es posible controlar la generación (por ejemplo, sistemas fotovoltáicos) ha complicado la operación del sistema. Por ejemplo, en una red eléctrica siempre es necesario tener un balance entre suministro y demanda, por lo que al no poder controlar la generación eléctrica se deben de buscar otras aternativas. Es aquí donde conocer el futuro de la generación eléctrica y la demanda se vuelve indispensable para planear y asegurar la correcta operación de la red. En general, existen dos tipos principales de pronósticos de energía, aquellos que utilizan un enfoque estadístico y los que incorporan herramientas de machine learning e inteligencia artificial. Los primeros buscan relaciones matemáticas entre datos de entrada y salida (Autoregresión de media móvil, cadenas de Markov), mientras que los segundos utilizan estrategias computacionales que le dan mayor capacidad para aproximar relaciones no lineales (redes neuronales, optimización, entre otras).
Actualmente en el InIAT nos encontramos trabajando en el análisis de series de tiempo de consumo energético de hogares mexicanos y en el desarrollo de modelos capaces de pronosticar dicho consumo. Todo esto con el objetivo de contribuir al desarrollo de redes energéticos más sustentable (por ejemplo, microrredes) capaces de lidiar con la volatilidad de los sistemas de energía renovable.
Los modelos de pronóstico son de gran relevancia. Solo en 2019 se publicaron cerca de dos mil trabajos en revistas científicas de ingeniería, energías renovables y sustentabilidad, con información y técnicas cada vez más robustas que aspiran a tener mayor precisión. Con esto se refuerza que las ingenierías están interesadas y cuentan con herramientas para realizar este tipo de estudios.
Bibliografía
Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on 19.06.2023.
Hong, T., Pinson, P., Wang, Y., Weron, R., Yang, D., & Zareipour, H. (2020). Energy forecasting: A review and outlook. IEEE Open Access Journal of Power and Energy, 7, 376-388.
González Ordiano, J. Á, & Bustio Martinez, L. (2022). La transición energética, las redes inteligentes y la inteligencia artificial. Komputer Sapiens, 3, 32-35.
