En el ámbito de la previsión de la demanda de electricidad, los modelos de series temporales se han convertido en un nuevo paradigma. Sin embargo, su capacidad para aprovechar de manera efectiva las características exógenas, fundamentales para este tipo de previsión, sigue siendo un aspecto poco claro. En un estudio reciente se evaluaron diferentes modelos para analizar correlaciones entre canales capaces de modelar estas características exógenas en los mercados eléctricos de Singapur y Australia, tanto a nivel horario como diario.
Los resultados mostraron que, si bien algunos modelos de base logran un rendimiento destacado, especialmente en un clima estable como el de Singapur y para horizontes a corto plazo, otros modelos más avanzados como Chronos-2 demostraron ser superiores en entornos más variables. La arquitectura del modelo resultó crucial, siendo implementaciones arquitectónicas sinérgicas como la mezcla de canales de TTM o la atención agrupada de Chronos-2 las que mejor aprovecharon las características exógenas.
En este sentido, es clave reconocer la importancia del contexto geográfico a la hora de seleccionar un modelo de previsión de la demanda de electricidad. Los modelos de base pueden ser efectivos en climas estables, mientras que los modelos más avanzados muestran ventajas en contextos más variables. Estos resultados desafían la idea de la superioridad universal de los modelos base y subrayan la necesidad de contar con modelos específicos para cada dominio, especialmente en el sector energético.
Para empresas en busca de soluciones personalizadas en el ámbito de la inteligencia artificial, la ciberseguridad, los servicios cloud o la inteligencia de negocio, contar con aplicaciones a medida puede ser clave. En Q2BSTUDIO somos expertos en desarrollar software a medida y ofrecemos servicios de alta calidad en automatización de procesos, agentes de IA y mucho más.
