Resumen Técnico: Predicción Conforme Probabilística Jerárquica para la Adopción de Recursos Energéticos Distribuidos

Planteamiento del Problema

La rápida adopción de Recursos Energéticos Distribuidos (DER, por sus siglas en inglés), como los paneles solares en tejados, introduce desafíos operativos significativos para la gestión de la red eléctrica. El pronóstico preciso del crecimiento de los DER es esencial para la planificación proactiva de la infraestructura; sin embargo, los enfoques tradicionales de predicción puntual no logan capturar la incertidumbre inherente y la disparidad espacial de los patrones de adopción.

Un desafío crítico, a menudo pasado por alto, es la estructura jerárquica de las redes de distribución. Las redes consisten en múltiples circuitos conectados a subestaciones. Las decisiones operativas requieren predicciones fiables tanto a nivel de circuito individual como a nivel de subestación agregada. Los métodos de predicción conforme estándar garantizan la validez a nivel individual (circuito), pero no garantizan que las predicciones agregadas (subestación) mantengan la cobertura estadística. La agregación ingenua de los intervalos a nivel de circuito puede conducir a inconsistencias lógicas, lo que resulta en intervalos a nivel de subestación que subestiman o sobreestiman la incertidumbre real, comprometiendo así la gestión de riesgos y las decisiones de planificación.

Metodología

El artículo propone la Predicción Conforme Probabilística Jerárquica (HPCP), un marco libre de distribución diseñado para construir intervalos de predicción que satisfagan garantías de validez estadística simultáneamente tanto a nivel de circuito como a nivel de subestación. La metodología integra tres componentes principales:

1. Modelo Base Probabilístico (Proceso de Hawkes Multivariante):
   El marco utiliza un Proceso de Hawkes Multivariante para modelar la dinámica espacio-temporal de la adopción de los DER. A diferencia de los modelos de series temporales tradicionales, este enfoque captura:

   • Autoexcitación: La influencia de las instalaciones pasadas en la adopación futura dentro del mismo circuito.
   • Influencia mutua: El efecto de "contagio" donde las instalaciones en un circuito influyen en los circuitos vecinos.
   • Factores exógenos: Covariables socioeconómicas y de política.
     El modelo genera pronósticos probabilísticos mediante muestreo por adelgazamiento (thinning sampling), produciendo una distribución de conteos de instalaciones futuras en lugar de una única estimación puntual. Esto preserva la varianza y el comportamiento de la cola, cruciales para la cuantificación de la incertidumbre.

2. Puntuación de No Conformidad Jerárquica:
   La innovación central reside en el diseño de la puntuación de no conformidad utilizada en el algoritmo de predicción conforme dividida (split conformal prediction).

   • Los métodos estándar suelen tratar las dimensiones de forma independiente o agrupar los residuos globalmente.
   • HPCP define una puntuación basada en "circuitos hermanos" (circuitos conectados a la misma subestación). Para un circuito $k$ dado, la puntuación incorpora los residuos de todos los circuitos asociados a la misma subestación.
   • Específicamente, la puntuación $e_{j,k}$ es la norma $\ell_\infty$ mínima de la diferencia entre el vector observado y los vectores simulados, restringida al conjunto de circuitos hermanos. Esto aprovecha la topología de la red para alinear los límites de las predicciones agregadas.

3. Calibración Conforme Dividida:
   Los datos se dividen en conjuntos de entrenamiento y de calibración.

   • El conjunto de entrenamiento ajusta los parámetros del proceso de Hawkes.
   • El conjunto de calibración simula resultados futuros para calcular las puntuaciones de no conformidad.
   • Los intervalos de predicción se construyen estimando los cuantiles apropiados de estas puntuaciones.
   • Para abordar posibles cambios en la distribución, el método emplea ajustes de cuantiles ponderados basados en la proximidad temporal de las ventanas de calibración al tiempo de predicción.

Principales Contribuciones

• Agregación Consciente de la Topología: El artículo introduce una nueva puntuación de no conformidad que incorpora explícitamente la matriz de afiliación de la red (conectividad de circuito a subestación). Esto asegura que los intervalos de predicción sigan siendo válidos no solo para los circuitos individuales, sino también para su agregación lineal al nivel de la subestación.
• Garantías Teóricas: Los autores establecen garantías de validez de muestra finita bajo condiciones de regularidad leves (específicamente, mezcla fuerte de residuos). Demuestran que el método satisface las restricciones de cobertura en ambos niveles, abordando el desafío no trivial de los datos dependientes y la agregación jerárquica.
• Mejoras de Eficiencia: El análisis teórico (Proposición 1) demuestra que la puntuación propuesta produce intervalos de predicción más estrechos (más eficientes) en comparación con la predicción conforme marginal estándar, la predicción conjunta y las alternativas basadas en la norma $\ell_p$. Esto se logra explotando la dispersión de la matriz de afiliación y utilizando las propiedades de la norma $\ell_\infty$.
• Validación Empírica: El marco se evalúa tanto en datos sintéticos como en datos reales de instalaciones solares a nivel de cliente de Indianápolis, Indiana.

Resultados

• Datos Sintéticos: En varios escenarios de simulación (variando la dispersión, la intensidad y las correlaciones), HPCP alcanzó consistentemente tasas de cobertura empírica por encima del nivel de referencia nominal, produciendo simultáneamente tamaños de intervalo significativamente menores que las líneas de base de la predicción conjunta y de corrección de Bonferroni.
• Datos Reales (Indianápolis):
  • Precisión Predictiva: El modelo base del proceso de Hawkes multivariante superó a las líneas de base estándar (RNN, LSTM, VAR, Procesos Gaussianos) en términos de Error Absoluto Medio (MAE) a través de múltiples resoluciones temporales (mensual a anual).
  • Cuantificación de la Incertidumbre: HPCP logró la tasa de cobertura deseada del 90% tanto a nivel de circuito como de subestación. En contraste, otros métodos fallaron en cumplir los objetivos de cobertura o produjeron intervalos excesivamente amplios.
  • Sensibilidad: El método se mantuvo robusto a las variaciones en el tamaño de la simulación ($M$) y en las tasas de falta de cobertura nominal, observándose una eficiencia óptima con tamaños de simulación moderados.
  • Perspectivas Espaciales: El modelo identificó con éxito las disparidades regionales en el crecimiento de la adopción y la incertidumbre asociada, destacando áreas con alto potencial de crecimiento pero con riesgos de planificación compuestos.

Significado y Reivindicaciones

El artículo afirma que HPCP proporciona una herramienta teóricamente sólida y prácticamente fiable para la planificación de la operación de los DER consciente de la topología. Su importancia es triple:

1. Fiabilidad: Aborda la brecha crítica en la literatura existente donde las predicciones a nivel de circuito no se traducen en garantías válidas a nivel de subestación, una necesidad para la gestión de redes que evitan el riesgo.
2. Eficiencia: Al aprovechar la topología de la red, evita la excesiva conservadurismo típica de los métodos de agregación ingenua, proporcionando intervalos más ajustados que son más útiles para la toma de decisiones.
3. Aplicabilidad: El marco es particularmente valioso en entornos con datos limitados y alta estocasticidad, como los mercados emergentes de los DER, donde los pronósticos de puntos tradicionales son propensos a errores elevados.

Los autores reconocen las limitaciones, señalando que el algoritmo actual asume una jerarquía de dos niveles fija y es más adecuado para el pronóstico a corto plazo. Sugieren que el trabajo futuro podría extender el marco a jerarquías más profundas y estructuras de red no estáticas.