«Diseño de un modelo de Deep Learning basado en la arquitectura Temporal Fusion Transformer para la predicción horaria a corto plazo de la demanda eléctrica nacional», se denomina el Trabajo Final de Grado (TFG) presentado por los nuevos ingenieros Silvio José Aguilar Velazco y Santiago Dionisio Vargas García, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el 29 de Diciembre de 2023 en la Institución.

La Administración Nacional de Electricidad (ANDE) tiene como una de sus prioridades principales la de satisfacer de forma adecuada las necesidades de energía eléctrica del país, teniendo en cuenta la previsión de la demanda de consumo eléctrico a nivel nacional, factor primordial para poder tomar las mejores y más eficientes decisiones en ámbitos técnicos, administrativos y operativos. Se destacan dos principales problemas que se pueden presentar si no se realiza de forma correcta este proceso: por un lado, la adquisición excesiva e innecesaria de energía, que puede desencadenar en pérdidas económicas para la entidad, o por otro lado, no contar con la cantidad necesaria para satisfacer la demanda mínima, repercutiendo directamente en los gastos del consumidor ya que se deberá recurrir a generación de contingencia, e incluso en un caso peor, generar apagones generales a niveles relativamente grandes. La planificación que realiza la ANDE, en distintas escalas de tiempo (diario, mensual y anual), y para distintos escenarios cuenta con cierta incertidumbre, considerando distintos factores que afectan directa e indirectamente a la demanda que se quiere predecir.

El Trabajo Final de Grado presentado propone la implementación de un modelo basado en la arquitectura Temporal Fusion Transformer (TFT), el cual es entrenado con datos más actuales que trabajos anteriores y, además, cuenta con una nueva covariable para la predicción basada en los días feriados. Se utilizó la librería de optimización denominada Optuna para la determinación del mejor modelo ajustando los hiperparámetros.  Los resultados y errores son analizados de forma trimestral, así como por días de la semana. Para finalizar, las comparaciones realizadas con los valores reales del SIN arrojaron resultados bastante precisos en períodos complejos del año debido a los picos y variaciones constantes en esas fechas, específicamente durante el verano.