La predicción precisa de la intensidad de carbono (CI) generada por las redes eléctricas se ha convertido en una preocupación creciente debido a su impacto ambiental. La necesidad de desarrollar métodos eficaces ha llevado a la creación de un enfoque de aprendizaje en conjunto denominado EnsembleCI, diseñado para superar las limitaciones de la tecnología existente CarbonCast.
CarbonCast, el método previamente predominante, se basaba en una arquitectura de red neuronal de dos niveles, obtenida utilizando fuentes de datos históricos y predicciones meteorológicas, pero no lograba adaptarse a la variabilidad entre diferentes regiones. Estudios demostraron que CarbonCast sólo alcanzaba el menor error porcentual absoluto medio (MAPE) en una sola red entre las once estudiadas, con rendimientos especialmente pobres en regiones con una alta integración de energía renovable, debido a su dificultad para prever la variabilidad intrínseca de fuentes como la solar y la eólica.
Por otro lado, EnsembleCI utiliza una estrategia de aprendizaje en conjunto que combina previsiones de submodelos diferentes como LightGBM, CatBoost y modelos de red neuronal (NN). Esta metodología permite una adaptabilidad y precisión superior utilizando predicciones ponderadas de múltiples submodelos. Las evaluaciones realizadas en once redes regionales, en los EE.UU. y la UE, evidencian que EnsembleCI superó consistentemente a CarbonCast, logrando un promedio de mejoras del 19.58% en la precisión de las predicciones a lo largo de horizontes de previsión de hasta 4 días.
Una de las principales ventajas de EnsembleCI es su robustez en las predicciones a largo plazo. Aunque es inevitable cierto aumento en el margen de error al prever más allá del primer día, el aumento promedio del MAPE con EnsembleCI fue considerablemente menor en comparación con CarbonCast. Esto se atribuye en gran medida al uso de las características de importancia de permutación que permitió que los submodelos identificaran y se adaptaran mejor a las características específicas de cada red.
Con la intensificación de las preocupaciones por las emisiones de carbono y el impacto ambiental de la matriz energética global, herramientas como EnsembleCI ofrecen una vía prometedora para mejorar la gestión sostenible de la energía. Al ofrecer previsiones más precisas y adaptables a la diversidad regional, EnsembleCI no sólo proporciona un modelo más fiable, sino que también impulsa el potencial de reducción significativa de emisiones operacionales a través de una gestión de carga y programación más eficaz.