Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

Resumen Técnico: Modelado Predictivo del Consumo de Energía Residencial Urbana en la Red Prepago de Kenia

Planteamiento del Problema
El pronóstico preciso de la carga eléctrica es crítico para la estabilidad de la red, la planificación de ingresos y la gestión energética, particularmente en regiones con una rápida urbanización donde el sistema de facturación por medidores prepago se ha convertido en el dominante. Sin embargo, los modelos de pronóstico existentes suelen basarse en supuestos derivados de mercados occidentales —específicamente, una alta sensibilidad a las fluctuaciones climáticas (debido al uso de HVAC) y una respuesta significativa a los precios a corto plazo—. Estos supuestos pueden no cumplirse en los contextos del África subsahariana, donde el consumo residencial es impulsado por actividades de carga base esenciales y está limitado por los saldos de crédito prepago en lugar del control climático o la elasticidad tarifaria inmediata. Además, la naturaleza de "caja negra" de los modelos avanzados de aprendizaje automático (ML) a menudo limita su utilidad para los responsables de la formulación de políticas que requieren conocimientos transparentes sobre los impulsores de la demanda. Este estudio aborda la brecha en la comprensión de los verdaderos impulsores de la demanda residencial dentro del sector prepago de Kenia y evalúa si las arquitecturas complejas de ML ofrecen ventajas significativas sobre los enfoques estadísticos más simples en este entorno específico.

Metodología
El estudio emplea un conjunto de datos longitudinales que abarca desde enero de 2017 hasta abril de 2026, integrando registros históricos de consumo, variables meteorológicas e información de tarifas de la Autoridad de Regulación de Energía y Petróleo (EPRA).

• Ingeniería de Características: El marco utiliza características autorregresivas (Lag 1, Lag 2 y Lag 12 kWh) para capturar la persistencia a corto plazo y la estacionalidad anual. Las variables exógenas incluyen la temperatura media mensual, los Grados Día de Enfriamiento (CDD) y los parámetros tarifarios (Tarifa de Línea de Vida y Límite).
• Marco de Modelado: Un enfoque comparativo compara un modelo de Gradient Boosting Extremo (XGBoost) frente a un modelo de regresión de Mínimos Cuadrados Ordinarios (OLS) tradicional.
• Estrategia de Validación: Para evitar la fuga de información, se utilizó una estrategia de validación cronológica estricta. Los datos de 2017–2024 sirvieron para el entrenamiento y la optimización de hiperparámetros, mientras que los datos de 2025–2026 se reservaron exclusivamente para pruebas fuera de la muestra.
• Explicabilidad (XAI): El estudio integra Explicaciones de Valores de Shapley (SHAP) para cuantificar las contribuciones de las características e interpretar el modelo XGBoost.
• Diagnósticos: El análisis incluye verificaciones del Factor de Inflación de la Varianza (VIF) para la multicolinealidad, análisis de autocorrelación/autocorrelación parcial (ACF/PACF), descomposición estacional y estudios de ablación para aislar la contribución de diferentes grupos de predictores.

Result últimos Resultados Clave

1. Dominio del Comportamiento Histórico: El análisis de correlación y los valores SHAP revelan que el comportamiento de consumo histórico es el determinante principal de la demanda futura. Las variables autorregresivas basadas en rezagos (particularmente Lag 1 y Lag 2) exhiben la mayor influencia predictiva, superando con creces el impacto de las variables climáticas o tarifarias.
2. Paridad en el Desempeño de los Modelos: A pesar de su mayor complejidad, el modelo XGBoost logró un desempeño de pronóstico ampliamente comparable al del modelo OLS. El modelo XGBoost mostró un Error Absoluto Medio (MAE) marginalmente menor, mientras que el OLS arrojó un Error Cuadrático Medio (RMSE) ligeramente inferior. Esto sugiere que la información predictiva en el conjunto de datos es mayoritariamente lineal y puede ser capturada por relaciones autorregresivas simples.
3. Impacto Limitado de las Variables Exógenas: El clima (CDD) y las variables de tarifa contribuyeron solo mejoras marginales en la precisión del pronóstico. Los estudios de ablación confirmaron que añadir estas variables a un modelo de "Solo Rezago" resultó en reducciones insignificantes de RMSE.
4. Persistencia del Comportamiento: Los diagnósticos de autocorrelación y la descomposición estacional indican que la demanda residencial está gobernada por una fuerte persistencia temporal y patrones de consumo recurrentes, en lugar de respuestas inmediatas a los cambios de precios o la variabilidad climática.

Significancia y Reivindicaciones
El artículo sostiene que la demanda de electricidad residencial dentro del sector prepago de Kenia está gobernada principalmente por la persistencia conductual y los patrones de consumo recurrentes, en lugar de la sensibilidad climática o la elasticidad de precios que se asume a menudo en la literatura occidental.

• Contribución Metodológica: El estudio demuestra que los modelos estadísticos computacionalmente eficientes y transparentes (como OLS) pueden proporcionar estimaciones de demanda fiables para la planificación de servicios públicos en entornos de prepago, desafiando la suposición de que las arquitecturas de ML cada vez más complejas son siempre necesarias para un rendimiento superior.
• Implicaciones de Política: Los hallazgos sugieren que la demanda residencial a corto plazo es relativamente inelástica a los ajustes moderados de las tarifas. Los responsables de la formulación de políticas no deben esperar reducciones de la demanda inmediatas tras las revisiones tarifarias, ya que los hogares priorizan los servicios esenciales y mantienen hábitos de uso estables basados en el crédito disponible.
• Valor Operativo: La investigación destaca el valor de los marcos de pronóstico interpretables. Al identificar que el consumo histórico es el motor dominante, las empresas de servicios públicos pueden priorizar el registro preciso del uso pasado sobre el despliegue de modelos complejos y opacos, mejorando así la toma de decisiones operativas y la confianza de las partes interesadas.

En conclusión, el estudio postula que, para la red de prepago de Kenia, la "caja negra" de la IA avanzada ofrece una capacidad de pronóstico adicional limitada sobre los modelos autorregresivos simples, y que comprender la inercia conductual de los consumidores de prepago es más crítico que modelar variables económicas o climáticas externas para el pronóstico de carga a corto plazo.