🤖 machine learning

Predicting Estimated Times of Restoration for Electrical Outages Using Longitudinal Tabular Transformers

Este artículo presenta el Longitudinal Tabular Transformer (LTT), un modelo de atención axial que reformula la predicción del tiempo de restauración de cortes eléctricos como una tarea longitudinal mediante el aprovechamiento de los datos de revisión histórica, logrando reducciones significativas de error y una mejora en la satisfacción del cliente en seis empresas de servicios públicos en comparación con los métodos existentes.

Autores originales: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

Publicado 2026-09-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bogireddy Sai Prasanna Teja, Valliappan Muthukaruppan, Carls Benjamin

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cuando una tormenta deja sin luz, la pregunta más urgente para una familia con un dispositivo médico, un negocio con inventario congelado o una ciudad que planifica un centro de calefacción no es solo cuándo volverán las luces, sino cuándo pueden esperar que lo hagan. Las empresas de servicios públicos proporcionan esta respuesta como un Tiempo Estimado de Restauración, una promesa que guía decisiones críticas sobre seguridad y supervivencia. Durante décadas, la industria ha tratado estos cortes de energía como eventos estáticos, como si se tomara una única fotografía de un cable roto y se calculara un tiempo de reparación basado en ese único momento. Este enfoque igneora la realidad de que un corte de energía es una historia viva y cambiante. Comienza con la asignación de una cuadrilla, avanza hacia su llegada al lugar y evoluciona a medida que informan daños, son redirigidos a trabajos de mayor prioridad o comienzan reparaciones parciales. Cada uno de estos pasos se registra como una nueva actualización, una revisión que cambia el tiempo restante esperado, aunque los métodos tradicionales suelen descartar el historial de estas actualizaciones para centrarse únicamente en la última instantánea.

Un equipo de investigadores de Exelon Corporation ha desarrollado una nueva forma de manejar esta complejidad al tratar un corte de energía no como un evento único, sino como una secuencia de revisiones. Construyeron un modelo computacional especializado que aprende de todo el historial de un corte de energía a medida que este se desarrolla. En lugar de adivinar el tiempo de reparación una sola vez, este modelo emite una estimación refinada en cada paso del proceso, utilizando la información de todas las actualizaciones previas para mejorar su predicción. Al analizar datos de casi 243,000 cortes de energía relacionados con tormentas en seis empresas de servicios públicos diferentes, que involucraron más de diez millones de actualizaciones registradas, los investigadores descubrieron que este enfoque supera significamente a los métodos estándar actuales utilizados por las empresas de servicios públicos. El nuevo modelo redujo el error en las estimaciones de tiempo en un promedio de casi el 37 por ciento en comparación con las estimaciones oficiales publicadas por las empresas durante las mismas tormentas. También mejoró respecto a los mejores métodos de aprendizaje computacional existentes en más de un 11 por ciento, demostrando que escuchar la historia completa de un corte de energía, en lugar de solo su capítulo final, conduce a predicciones más precisas y confiables para los clientes.

El núcleo de esta mejora reside en cómo el modelo procesa la información. En el pasado, los sistemas observaban el estado más reciente de un corte de energía e ignoraban el camino recorrido para llegar allí. El nuevo sistema, llamado Transformador Tabular Longitudinal (Longitudinal Tabular Transformer), presta atención al flujo del tiempo. Comprende que la llegada de una cuadrilla a un sitio cambia el panorama de manera diferente a que una cuadrilla sea suspendida y enviada a otro trabajo. El modelo rastrea estos cambios continuamente, aprendiendo que cuanto más actualizaciones ve, más precisa se vuelve su estimación. Esto es particularmente importante porque los mayores errores de predicción ocurren justo al principio, cuando hay poco historial en el cual confiar. A medida que el corte de energía progresa y se acumulan más datos, la precisión del modelo mejora constantemente, reflejando la forma en que los despachadores humanos ganan confianza a medida que reúnen más hechos.

Los investigadores probaron este sistema contra las estimaciones reales publicadas por las empresas de servicios públicos durante tormentas reales, utilizando una métrica que pondera los errores basándose en cuántos clientes se ven afectados y durante cuánto tiempo. Esto es crucial porque un error en la estimación para un vecindario pequeño es menos perjudicial que un error para un área grande donde miles de personas están esperando. Los resultados mostraron que el nuevo modelo no solo redujo el error de tiempo promedio, sino que también lo hizo evitando un error común de los sistemas antiguos. Las estimaciones tradicionales de las empresas de servicios públicos suelen tender a ser excesivamente conservadoras, prometiendo un tiempo de espera más largo de lo necesario solo para asegurar que no incumplen su plazo. Si bien esta estrategia podría hacer que los clientes se sientan ligeramente más satisfechos a corto plazo, conduce a grandes errores en la duración real. El nuevo modelo encontró un mejor equilibrio, proporcionando estimaciones que fueron tanto más precisas como más confiables, reduciendo el error cuadrático medio —una medida de qué tan alejadas estaban las predicciones— en todas las seis empresas estudiadas.

Uno de los hallazgos más significativos fue que la mejora no provino simplemente de actualizar las estimaciones con mayor frecuencia. Los investigadores compararon su modelo con otros programas computacionales avanzados que también actualizaban sus predicciones en cada paso del corte de energía. Incluso cuando estos modelos competidores recibieron la misma oportunidad de actualizarse con la misma frecuencia que el nuevo sistema, el Transformador Tabular Longitudinal siguió funcionando mejor. Esto sugiere que la ventaja proviene de la forma en que el modelo entiende la secuencia de eventos, no solo de la velocidad de sus actualizaciones. El estudio también confirmó que el modelo funciona bien incluso cuando los datos son desordenados o incompletos, una realidad común en la respuesta ante tormentas donde la información puede retrasarse o faltar. Al contabilizar explícitamente la información faltante en lugar de intentar adivinarla, el modelo mantiene su confiabilidad.

El impacto de este trabajo se extiende más allá de mejores números en una pantalla. Para los millones de clientes que dependen de estas estimaciones para tomar decisiones sobre su salud, su alimentación y su seguridad, una predicción más precisa significa menos incertidumbre y una mejor preparación. El estudio cubrió una vasta gama de condiciones, desde cortes pequeños y rápidos hasta tormentas masivas que duraron días, y el modelo funcionó de manera consistente en todos ellos. Si bien todavía hay margen de mejora, ya que ninguna predicción puede ser perfecta, esta investigación demuestra un camino claro a seguir. Al cambiar el enfoque de una visión única y estática a una comprensión dinámica y evolutiva de un corte de energía, las empresas de servicios públicos pueden proporcionar a sus clientes la información más confiable posible, convirtiendo una experiencia caótica y estresante en una donde el cronograma se conoce con mayor certeza.

Resumen Técnico: Predicción de Tiempos Estimados de Restauración para Cortes Eléctricos mediante Transformadores Tabulares Longitudinales

Formulación del Problema
Las empresas de servicios públicos proporcionan Tiempos Estimados de Restauración (ETR, por sus siglas en inglés) a los clientes durante los cortes de suministro causados por tormentas, una métrica crítica para la toma de decisiones respecto a equipos médicos, seguridad alimentaria y reubicación. La investigación previa ha tratado la predicción del ETR como una tarea de regresión tabular estática, donde cada corte se caracteriza por un único vector de características y se predice una sola vez. Este enfoque descarta la naturaleza longitudinal de la gestión de cortes, donde un corte evoluciona a través de una secuencia de revisiones (por ejemplo, asignación de cuadrillas, despacho, evaluación de daños, suspensión, restauración parcial). Cada revisión actualiza la duración restante esperada, pero los modelos existentes suelen ignorar la trayectoria de estas actualizaciones, basándose únicamente en el estado final o más reciente.

Los autores reformulan la predicción del ETR como un problema de regresión tabular longitudinal. El objetivo es predecir el tiempo restante hasta la restauración ( $y_{i,j}$ ) en cada revisión $j$ de un evento de corte $i$ , condicionado a la historia de las revisiones precedentes. El objetivo se define como el tiempo restante en lugar de una marca de tiempo absoluta para eliminar componentes deterministas relacionados con la posición en el calendario y el momento de la tormenta, asegurando que el objetivo sea invariante a cuándo ocurrió el corte.

Metodología: Transformador Tabular Longitudinal (LTT)
El artículo introduce el Transformador Tabular Longitudinal (LTT), un modelo de atención axial diseñado para consumir el flujo de revisiones que preceden a una predicción.

Tokenización y Embedding: Las características se integran (embed) de forma independiente. Las características continuas se proyectan linealmente, mientras que las categóricas se mapean mediante embeddings aprendidos. La ausencia de datos se gestiona explícitamente añadiendo un vector aprendido en lugar de imputar valores, preservando el valor informativo de los datos ausentes (por ejemplo, cuando aún no se ha asignado una cuadrilla).
Arquitectura: El modelo emplea un mecanismo de atención de doble eje:
1. Eje Intra-revisión: Un bloque Transformer procesa los tokens de características dentro de una misma revisión, utilizando un token de agrupación (pooling) aprendido para agregar la información de las características.
2. Eje Inter-revisión: Una secuencia de revisiones se procesa mediante atención cruzada contra las características estáticas y el contexto del sistema. El modelo incorpora una codificación temporal mediante representaciones periódicas aprendidas para capturar intervalos operativos irregulares (por ejemplo, tiempo transcurrido, hora del día, tiempo desde el inicio de la tormenta).
3. Enmascaramiento: El modelo utiliza una ventana deslizante de tamaño $W=20$ revisiones. Se aplica relleno (padding) en las posiciones iniciales de la ventana para las primeras revisiones. Crucialmente, el modelo utiliza atención bidireccional dentro de la ventana porque todas las posiciones en la ventana $W(i,j)$ se refieren a marcas de tiempo $t_{i,j'} \le t_{i,j}$ , lo que garantiza que no haya filtración temporal (temporal leakage).
Cabezal de Salida: El modelo predice niveles de cuantiles ordenados ( $Q = \{1/2, 5/6, 9/10\}$ ) como una base más incrementos no negativos. Esto asegura la monotonicidad ( $\hat{y}^{(1)} \le \hat{y}^{(2)} \le \hat{y}^{(3)}$ ) y la no negatividad. La estimación operativa principal corresponde al nivel $5/6$ .
Función de Objetivo: El objetivo de entrenamiento es una función de penalización por tramos derivada de un análisis interno de satisfacción del cliente. Penaliza fuertemente la subestimación (que la restauración llegue más tarde de lo prometido) y penaliza moderadamente la sobreestimación. La pérdida está suavizada mediante Huber para facilitar el entrenamiento con métodos basados en gradientes. Un término de estabilidad penaliza los saltos grandes en la marca de tiempo predicha entre revisiones consecutivas.

Datos y Configuración Experimental
El estudio utiliza datos de seis empresas operadoras (OPCO-1 a OPCO-6) de una única sociedad de gestión, cubriendo 242,928 cortes atribuidos a tormentas y aproximadamente 10 millones de revisiones.

Cohorte: El conjunto de datos incluye cortes de clientes estándar y detectados por SCADA, excluyendo interrupciones momentáneas, cortes planificados y eventos cancelados.
Evaluación: Las métricas están ponderadas por horas-cliente de exposición para priorizar la precisión en eventos de gran magnitud y larga duración. Las métricas clave incluyen el Error Asimétrico Ponderado (WAE), el Error Cuadrático Medio (RMSE) y un Índice de Satisfacción del Cliente (CSI) que refleja la estructura de penalización asimétrica.
Líneas Base (Baselines): El LTT se compara contra:
- El estimador de la OMS (Sistema de Gestión de Operaciones) de la empresa de servicios públicos actual (publicado durante las mismas tormentas).
- Un predictor climatológico.
- Modelos de árboles potenciados estáticos y con aplanamiento de retardo (lag-flattened) (LightGBM, XGBoost, CatBoost).
- Redes neuronales recurrentes (GRU, LSTM).
- Una línea base de "aplanamiento de retardo" que concatena las revisiones recientes como características para probar si el beneficio proviene de la ingeniería de características en lugar de la arquitectura.

Resultajes Clave

Rendimiento vs. Incumbente: El LTT reduce el error asimétrico ponderado (WAE) mediano en un 36.9% (rango 10.0–54.0%) en comparación con las estimaciones publicadas por las empresas de servicios públicos durante las mismas tormentas en las seis compañías.
Rendimiento vs. Líneas Base Aprendidas: El LTT reduce el WAE en un promedio mediano del 11.3% (rango 6.2–19.2%) frente a la línea base aprendida más fuerte de cada compañía.
Compromiso entre Satisfacción y Error: La OMS actual a menudo logra un CSI competitivo mediante la sobreestimación sistemática (conservadurismo), algo que una estadística basada en tasas como el CSI no logra penalizar adecuadamente. El LTT es el único método que mejora el CSI del incumbente en las seis compañías, mejorando simultáneamente el RMSE en todas ellas.
Trayectoria de Revisión: El análisis de error muestra que el error del LTT es mayor en la primera revisión (donde no existe historial) y disminuye monótonamente a medida que se acumulan las revisiones, confirmando la capacidad del modelo para aprovechar la trayectoria del corte.
Independencia de la Cadencia: La ganancia de rendimiento no se debe únicamente a que el LTT emita actualizaciones más frecuentes. Cuando el LTT se evalúa utilizando solo la predicción más reciente disponible en el momento de una actualización de la OMS, aún mantiene una ganancia mediana del 34.2% sobre el incumbente.

Significancia y Reivindicaciones
El artículo reivindica la novedad en tres áreas específicas:

Formulación: Es el primer trabajo que modela el flujo de revisiones de un corte como una secuencia longitudinal en lugar de una instantánea estática.
Benchmarking: Proporciona una comparativa contra las estimaciones reales de las empresas de servicios públicos con un control de cadencia emparejada, en lugar de comparar únicamente contra otros modelos de aprendizaje automático.
Arquitectura: Contribuye con la arquitectura LTT y demuestra su eficacia en seis entornos operativos distintos.

Los autores concluyen que tratar los cortes como secuencias de revisiones mejora significativamente la precisión del ETR. Sin embargo, mantienen la modestia, señalando que persiste un error sustancial en cada compañía y que la caracterización de la parte irreducible de este error, junto con la evaluación cronológica, es objeto de trabajo continuo.

Más como este