IA predice el consumo energético con 2.000 registros en segundos

2.000 registros horarios de energía y emisiones alimentaron un modelo que se entrenó y ejecutó en apenas unos segundos. Yongting Liu y sus colaboradores utilizaron registros procedentes de contadores inteligentes, sistemas de gestión de edificios y redes industriales para crear un sistema de IA que predice el consumo energético y ayuda a los operadores a planificar con antelación la generación de electricidad y la formación de emisiones.

En el núcleo del sistema se combinan una red generativa antagónica basada en transformers, o GAN —una configuración de aprendizaje automático en la que dos redes neuronales compiten entre sí para producir datos realistas—, y la optimización estadística bayesiana. La GAN aprende patrones complejos del uso de la energía; el método bayesiano optimiza el sistema para obtener el mejor rendimiento.

La combinación aborda problemas que pueden resultar difíciles para los modelos predictivos convencionales: patrones de consumo no lineales, picos y valles repentinos y varios factores externos que actúan al mismo tiempo. Antes de las pruebas, los investigadores eliminaron las referencias a datos ausentes y suprimieron los valores atípicos para normalizar la entrada. Las predicciones resultantes coincidieron estrechamente con los datos energéticos observados.

En términos concretos, el modelo podría ofrecer a los gestores energéticos un espacio de ensayo rápido. Podrían generar escenarios para probar medidas destinadas a desplazar la demanda, estudiar cómo integrar la generación renovable e identificar ineficiencias antes de la generación real de electricidad y la formación de emisiones. El enfoque podría aplicarse en instalaciones industriales con generación eléctrica interna y en sistemas energéticos más amplios.

El resultado sigue siendo una prueba de un modelo en fase de investigación, no una reducción de emisiones medida en un sistema eléctrico operativo. El estudio utilizó 2.000 registros preparados e informa de que el entrenamiento y la ejecución solo tardaron unos segundos; no describe un despliegue operativo en directo. Por ahora, su valor práctico reside en la rapidez con la que los operadores podrían examinar posibles decisiones antes de ponerlas en práctica.