🤖 machine learning

Short-Term Electricity Demand Forecasting for New England Using a Hybrid Transformer-XGBoost Framework with Weather, Calendar, and COVID-19 Indicators

Este artículo propone un marco híbrido de Transformer-XGBoost para el pronóstico de la demanda eléctrica a corto plazo en Nueva Inglaterra que, a pesar de incorporar indicadores de COVID-19 y lograr una alta precisión, demuestra que tales características epidemiológicas terminan degradando el rendimiento de la prueba al amplificar el sobreajuste a patrones pandémicos obsoletos una vez que ocurrieron las adaptaciones conductuales.

Autores originales: Reza Ghanavati, Behrooz Mosallaei

Publicado 2026-06-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Reza Ghanavati, Behrooz Mosallaei

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

Imagina que estás tratando de adivinar cuánta electricidad consumirá toda la región de Nueva Inglaterra mañana. Es un poco como intentar predecir cuánta agua beberá un jardín gigante y sediento. Sabes que el clima importa (los días calurosos necesitan más aire acondicionado, los días fríos necesitan más calefacción), y sabes que el día de la semana importa (la gente usa más energía en los días laborables que en los fines de semana). Pero, ¿qué pasa cuando el mundo entero cambia de repente, como durante una pandemia? Ese es el rompecabezas que este artículo intenta resolver.

Aquí hay un desglose sencillo de lo que hicieron los investigadores y lo que encontraron, utilizando analogías de la vida cotidiana.

El Objetivo: Predecir la Sed de la Red Eléctrica

La electricidad es complicada porque realmente no puedes almacenarla en un almacén gigante; tienes que producir exactamente lo mismo que la gente necesita, en este preciso momento. Si te equivocas en la predicción, las luces podrían parpadear o podrías desperdiciar dinero produciendo energía que nadie usa. Los investigadores querían construir una "bola de cristal" para predecir la demanda diaria de electricidad en Nueva Inglaterra con alta precisión.

La Receta: Una Cocina Híbrida

El equipo preparó un nuevo método utilizando un enfoque "híbrido". Piensa en esto como un restaurante con dos chefs trabajando juntos:

Chef 1 (El Transformador): Este es un chef de IA de alta tecnología especializado en leer historias. Observa la "historia" de los últimos 30 días de uso de electricidad y las noticias de la pandemia (como recuentos de casos y muertes). Es excelente detectando patrones largos y complejos en una línea de tiempo, algo así como cómo un humano puede leer una novela y entender el estado de ánimo de un personaje a lo largo de muchos capítulos.
Chef 2 (XGBoost): Este es un chef muy agudo y lógico que ama las tablas y las hojas de cálculo. Observa hechos específicos: "Es martes", "La temperatura en Boston es de 40 °F", y "Ayer tuvimos 500 casos nuevos". Es excelente tomando decisiones rápidas basadas en datos duros.

El Marco Híbrido: El Chef 1 lee la historia y le entrega una nota de resumen al Chef 2. El Chef 2 luego combina ese resumen con todos los hechos duros para realizar la predicción final. Los investigadores esperaban que este equipo fuera mejor que usar solo al Chef 2 por sí solo.

Los Ingredientes

Para hacer su predicción, mezclaron muchos datos diferentes:

Clima: No solo miraron una ciudad; revisaron el clima en seis ciudades diferentes en toda Nueva Inglaterra (como Boston, Portland y Burlington) para obtener una imagen completa.
Calendario: Tuvieron en cuenta los días festivos, los fines de semana y las estaciones.
El Factor Pandemia: Incluyeron datos sobre los casos y las muertes de COVID-19, con la esperanza de capturar cómo el virus cambió los hábitos de las personas (como trabajar desde casa).
Historia: Observaron qué pasó ayer, la semana pasada y el mes pasado.

La Prueba de Sabor: ¿Funcionó?

Probaron su "Cocina Híbrida" contra una "Cocina Solitaria" (solo el Chef 2/XGBoost sin el lector de historias de IA).

El Resultado: La Cocina Híbrida fue ligeramente mejor para adivinar la cantidad exacta de electricidad necesaria. Sin embargo, cuando los investigadores realizaron una prueba estadística estricta (como un árbitro revisando si la diferencia de puntuación es real o solo cuestión de suerte), encontraron que las dos cocinas estaban esencialmente empatadas. El modelo híbrido no fue estadísticamente mejor que el modelo simple.
La Conclusión: Si tienes una buena lista de hechos (clima, calendario, historia), no necesitas necesariamente al sofisticado lector de historias de IA para obtener un gran resultado. El chef lógico y simple era casi tan bueno como el otro.

La Gran Sorpresa: El Ingrediente Pandemia

La parte más interesante del artículo es lo que sucedió con el "Ingrediente Pandemia" (datos de COVID-19).

Durante la Pandemia (Entrenamiento): Cuando el modelo estaba aprendiendo de los datos de 2020–2021, los datos de la pandemia fueron muy útiles. Ayudaron al modelo a entender por qué el uso de la electricidad era extraño (por ejemplo, las oficinas estaban vacías, las casas estaban llenas).
Después de la Pandemia (Prueba): Cuando probaron el modelo con datos de finales de 2022 y principios de 2023, las cosas se pusieron raras. Para este momento, la gente se había adaptado al virus; habíamos vuelto al trabajo y los hábitos se habían normalizado.
- El Fallo: El modelo pensó que los datos de la pandemia seguían siendo súper importantes. De hecho, ¡el modelo dependió de ellos con más fuerza durante la fase de prueba de lo que lo hizo durante la fase de aprendizaje!
- La Analogía: Imagina a un estudiante que aprende que "la lluvia significa que no hay práctica de fútbol". Estudia mucho durante una temporada lluviosa. Pero luego, la estación cambia y hace sol, pero el estudiante sigue revisando el pronóstico de lluvia obsesivamente y cancela la práctica de todos modos. El modelo siguió mirando los números de la pandemia como si el mundo todavía estuviera en confinamiento.
- La Consecuencia: Debido a que el modelo seguía utilizando esta información "caduca", en realidad hizo predicciones ligeramente peores en el modelo híbrido cuando se incluyeron los datos de la pandemia, en comparación con cuando se eliminaron.

El Veredicto Final

La Historia es el Rey: Lo más importante para predecir la electricidad es saber qué pasó ayer y la semana pasada. Si eliminas eso, el modelo falla estrepitosamente.
El Clima es la Reina: Saber la temperatura y el día de la semana es lo siguiente más importante.
La Pandemia es un "Ingrediente de Tiempo Limitado": Los datos sobre el COVID-19 fueron útiles solo mientras el mundo estaba en un confinamiento activo. Una vez que la gente se adaptó (hacia mediados de 2022), esos datos se convirtieron en "ruido". No ayudaron a predecir el futuro; solo confundieron al modelo al hacerle pensar que las viejas reglas aún se aplicaban.

En resumen: Los investigadores construyeron un sistema inteligente que funciona muy bien. Descubrieron que, si bien la IA sofisticada ayuda, un modelo lógico sólido con buenos datos de clima e historia es casi tan bueno. Lo más importante es que aprendieron que cuando el mundo cambia (como una pandemia), debes tener cuidado de no dejar que el modelo se quede atrapado en el pasado, usando reglas antiguas que ya no se aplican.

Resumen Técnico: Pronóstico de la Demanda Eléctrica a Corto Plazo en Nueva Inglaterra utilizando un Marco Híbrido de Transformer–XGBoost

1. Planteamiento del Problema

El pronóstico preciso de la demanda eléctrica a corto plazo es fundamental para que los operadores de sistemas de potencia gestionen la despacho en tiempo real, el compromiso de unidades y el despacho de energía en el mercado. Si bien los métodos estadísticos clásicos (p. ej., ARIMA) y los enfoques modernos de aprendizaje automático (p. ej., XGBoost, LSTMs, Transformers) se han aplicado ampliamente, el pronóstico sigue siendo un desafío en regiones con alta sensibilidad climática y disrupciones estructurales de la demanda.

Este estudio aborda los desafíos específicos del mercado eléctrico de Nueva Inglaterra (ISO-NE), caracterizado por variaciones climáticas estacionales extremas y cambios estructurales de comportamiento causados por la pandemia de COVID-19 (2020–2022). Se identifica una brecha crítica respecto a la incertidumbre sobre el valor predictivo de los indicadores epidemiológicos (recuentos de casos, tasas de mortalidad) a medida que la adaptación conductual progresa desde la fase aguda de la pandemia hacia un periodo de estabilización post-aguda. El artículo investiga si una arquitectura híbrida que combina el aprendizaje profundo para la extracción de características temporales con el aumento de gradiente para la predicción tabular ofrece una precisión superior a una línea base robusta de solo tipo tabular, y cómo la utilidad de las características de la era de la pandemia evoluciona con el tiempo.

2. Metodología

Ingeniería de Datos y de Características

El estudio utiliza datos de demanda eléctrica diaria para el área de control de Nueva Inglaterra desde el 1 de febrero de 2020 hasta el 23 de marzo de 2023. El flujo de ingeniería de características integra:

Observaciones Meteorológicas: 16 variables diarias (temperatura máxima/promedio/mínima, punto de rocío, humedad, velocidad del viento, presión, precipitación) de seis ciudades que representan los seis estados de Nueva Inglaterra (Boston, Bridgeport, Burlington, Concord, Portland, Providence), produciendo 96 características meteorológicas brutas.
Indicadores de Calendario y Estacionalidad: Banderas binarias para días festivos, fines de semana, días laborables y "días puente", junto con variables continuas para día de la semana, día del año y estación.
Retrasos Autorregresivos (Lags): Retrasos de demanda de 1, 7, 14 y 30 días para capturar la persistencia y la estacionalidad.
Indicadores Epidemiológicos: Ocho características derivadas de los recuentos de casos y muertes por COVID-19, incluyendo recuentos diarios brutos, medias móviles de 7 y 14 días, y tasas de crecimiento porcentual diario.

Arquitectura del Modelo

El marco propuesto emplea una arquitectura Híbrida de Transformer–XGBoost:

Codificador Transformer: Procesa ventanas deslizantes (longitud $L=30$ ) de canales de series temporales (8 características de COVID + 4 retrasos de demanda). Utiliza codificación posicional sinusoidal, 4 cabezales de atención y dos capas de codificador para producir un vector de incrustación (embedding) temporal de 32 dimensiones. Este componente está diseñado para capturar dependencias temporales de largo alcance y patrones de interacción complejos.
Regresor XGBoost: Toma la concatenación del vector de incrustación del Transformer y el conjunto completo de características tabulares (clima, calendario, retrasos) como entrada. Está configurado con árboles poco profundos ( $max\_depth=3$ ) y una fuerte regularización para prevenir el sobreajuste.

Entrenamiento y Optimización

División de Datos: Una división cronológica estricta (70% entrenamiento, 15% validación, 15% prueba) asegura que no haya fuga temporal. El StandardScaler se ajusta exclusivamente en el conjunto de entrenamiento.
Optimización de Hiperparámetros: Optimización bayesiana utilizando Optuna con un muestreador TPE (Tree-structured Parzen Estimator) multivariante sobre 500 ensayos. Un MedianPruner descarta prematuramente los ensayos poco prometedores.
Métricas de Evaluación: Error Cuadrático Medio (RMSE), Error Porcentual Absoluto Medio (MAPE) y el Coeficiente de Determinación ( $R^2$ ). La significancia estadística de las diferencias de rendimiento se evalúa mediante la prueba de Diebold-Mariano (DM) con la corrección de Harvey-Leybourne-Newbold.
Interpretabilidad: Se utilizan explicaciones SHapley (SHAP) para cuantificar las contribuciones de las características y analizar los cambios temporales en la importancia de las mismas.

3. Resultados Clave

Desempeño Predictivo

Ambos modelos lograron una alta precisión en el conjunto de prueba reservado (octubre 2022 – marzo 2023):

Modelo Híbrido: RMSE = 8,876 MWh, MAPE = 2.05%, $R^2$ = 0.906.
Línea Base Solo XGBoost: RMSE = 9,304 MWh, MAPE = 2.21%, $R^2$ = 0.896.

Aunque el modelo híbrido mostró métricas ligeramente mejores, la prueba de Diebold-Mariano ($DM = -1.126, p = 0.262$) confirmó que la diferencia de 427.7 MWh en el RMSE es estadísticamente indistinguible del ruido. Por lo tanto, las dos arquitecturas se consideran estadísticamente equivalentes en precisión predictiva para este conjunto de datos.

Importancia de las Características y Ablación

Dominio de los Retrasos (Lags): Los retrasos de demanda autorregresivos (particularmente el retraso de 1 día) fueron las características más críticas. Eliminar estos aumentos el RMSE de prueba en aproximadamente un 15–18% en ambos modelos.
Clima y Calendario: Estas características por sí solas explicaron aproximadamente el 84–85% de la varianza de la demanda ( $R^2 \approx 0.84$ ).
Incrustaciones (Embeddings) del Transformer: Eliminar las incrustaciones del Transformer degradó el RMSE de prueba del modelo híbrico en un 7.4%, confirmando que capturan una estructura temporal genuina, aunque la ganancia marginal sobre la línea base tabular fue modesta.
Características de COVID-19 (La Asimetría):
- Periodo de Entrenamiento: Las características de COVID mejoraron la precisión del entrenamiento (eliminar las aumentó el RMSE de entrenamiento en un 2.5% para el XGBoost de solo tabla).
- Periodo de Prueba: El efecto fue asimétrico. Eliminar las características de COVID mejoró el RMSE de prueba del XGBoost-only en un 1.2%, pero degradó el RMSE de prueba del modelo híbrido en un 3.2%.
- Análisis SHAP: Un hallazgo crítico reveló que 5 de las 8 características de COVID fueron clasificadas con mayor importancia (se consideraron más relevantes) por el modelo híbrico en el conjunto de prueba post-agudo que durante el periodo de entrenamiento de la pandemia activa. Esto indica que el modelo aplicó en exceso los patrones aprendidos de la pandemia a un periodo donde las respuestas conductuales se habían normalizado, provocando fallos sistemáticos.

4. Significado y Reivindicaciones

El artículo establece que, si bien las arquitecturas híbridas de aprendizaje profundo pueden capturar la dinámica temporal, no necesariamente ofrecen mejoras de precisión estadísticamente significativas sobre los modelos de aumento de gradiente bien ajustados cuando se dispone de ricas características tabulares.

La contribución central de este trabajo es la identificación de la degradación de la validez temporal como un mecanismo de error de pronóstico. El estudio demuestra que las características epidemiológicas, aunque fueron altamente informativas durante la fase de disrupción aguda (2020–2021), se volvieron contraproducentes y se convirtieron en ruido en la fase post-aguda (finales de 2022–2023) porque los impulsores conductuales (confinamientos, mandatos de trabajo remoto) que vinculaban las métricas virales con la demanda eléctrica se habían disipado.

Los autores concluyen que:

Parsimonia Operativa: Para el pronóstico de la demanda diaria en este contexto, un modelo XGBoost de solo tabla es una opción operativa competitiva, ofreciendo una precisión similar al modelo híbrico con una menor complejidad de implementación.
Gestión del Ciclo de Vida de las Características: Las características epidemiológicas deben ser limitadas temporalmente o retiradas una vez que la adaptación conductual se ha completado. Depender de ellas después de la fase aguda de la pandemia conduce al sobreajuste de patrones obsoletos, un fenómeno detectable mediante el análisis temporal SHAP, donde la importancia de la característica aumenta a pesar de que su utilidad predictiva disminuye.
Impulsores Conductuales vs. Virológicos: El estudio aclara que la respuesta de la demanda al COVID fue impulsada por disrupciones conductuales más que por las tasas de transmisión viral por sí solas; una vez que el comportamiento se normalizó, la correlación entre los recuentos de casos y la demanda se rompió, independientemente de la circulación viral continua.