«Diseño de un modelo inteligente para la predicción horaria a corto plazo de la demanda eléctrica nacional basado en aprendizaje profundo y propuesta de implementación en el despacho de carga de la ANDE», se denomina la presentación del Trabajo Final de Grado (TFG) que presentaron los ahora ingenieros Félix Juan Ramón Morales Mareco y Matías Emmanuel Verdún Bello, como última prueba para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La exitosa defensa del trabajo se realizó el pasado miércoles 30 de diciembre de 2020, en la Institución.

La previsión de la demanda de consumo eléctrico es un insumo fundamental para la toma de decisiones operativas, técnicas y estratégicas por la Administración Nacional de ́Electricidad (ANDE). Un problema con la energía eléctrica es el alto costo de almacenarlas una vez generada y por tanto, es de vital importancia prever con la mayor precisión posible la demanda futura. Si la demanda futura predicha es muy superior a la real, puede generar perdidas económicas por la programación de generación innecesaria, mientras que si la demanda futura predicha es muy inferior, se da lugar a un mayor coste para el consumidor debido a la necesidad de recurrir a generación de contingencia.

La previsión de la demanda eléctrica a corto plazo es un insumo fundamental para la toma de decisiones por parte de entidades dedicadas a la administración de energía eléctrica. Los modelos predictivos utilizados tradicionalmente (determinísticos y estadísticos) se basan en el análisis de series temporales históricas. El Trabajo Final de Grado presentado propone un modelo inteligente basado en celdas LSTM (Long-Short Term Memory), el buque insignia de las Redes Neuronales Recurrentes, cuya optimización de parámetros esta a cargo de un Algoritmo Genético para encontrar el mejor desempeño en la predicción horaria del consumo eléctrico. El dataset entero abarca datos históricos de la demanda por hora de 2009 a 2018 de la Administración Nacional de Electricidad (ANDE), además de la inclusión de variables climáticas y variables del calendario que se correlacionan con el consumo eléctrico. El modelo desarrollado permite asistir a la ANDE en la toma de decisiones criticas y en la programación diaria de las operaciones de carga en los despachos de las centrales de generación.

La generación de varios modelos basados en LSTM, ́con distintas configuraciones y cuyos parámetros fueron optimizados de manera satisfactoria mediante la utilización de un algoritmo genético diseñado específicamente para esta tarea, ha permitido obtener los mejores candidatos para un análisis posterior. Con el proceso de validación y los análisis realizados bajo criterios y exigencias de un sistema de predicción de demanda eléctrica a nivel país, el modelo LSTM se ha destacado en precisión y robustez.

La comparativa final realizada con el modelo LSTM elaborado en este Trabajo Final de Grado demuestra mejores
resultados en la predicción de demanda eléctrica frente a los modelos SARIMAX y Random Forest, como así también, frente a las predicciones realizadas por la ANDE para los días analizados, en donde sobresale la precisión en las horas de mayor consumo.