Estimaciones más precisas de los tiempos de restauración eléctrica con modelos transformadores tabulares

Una nueva era en inteligencia artificial podría mejorar la previsión de cortes eléctricos

La creciente variabilidad climática ha puesto de manifiesto la necesidad de prever con precisión los tiempos estimados de restauración (ETR) de la electricidad, especialmente durante desastres naturales. En este sentido, un equipo de investigadores ha propuesto un modelo Longitudinal Tabular Transformer (LTT) que mejora significativamente la precisión de estos tiempos mediante el uso de datos históricos de eventos de corte y actualizaciones secuenciales.

Evaluado en unos 34,000 eventos relacionados con tormentas a lo largo de dos años que afectaron a más de 3 millones de clientes, este modelo ha demostrado mejorar el impacto en la satisfacción del cliente en un promedio del 19.08%. Dicho porcentaje es rolativo a las prácticas existentes que dependían mayormente de evaluaciones manuales o métodos estadísticos tradicionales.

La implementación de métricas asimétricas derivadas de la retroalimentación del cliente ha redefinido cómo se mide el impacto de la precisión en las predicciones. Estos enfoques son particularmente críticos dado el comportamiento asimétrico de la satisfacción, que se ve significativamente afectada por la subes estimaciones más que por sobreestimaciones menores.

Uno de los pilares de este enfoque es el uso de modelos basados en transformadores, conocidos por capturar dependencias a largo plazo en datos secuenciales. Este método ha destacado por su capacidad de interpretar la significancia temporal de las actualizaciones secuenciales, proporcionando predicciones progresivamente refinadas a medida que los eventos se desarrollan.

El análisis ha demostrado que el modelo LTT puede mejorar no solo la precisión de las predicciones, sino también su transparencia, lo que genera mayor confianza en sus capacidades. Este enfoque puede convertirse en un recurso invaluable para las empresas eléctricas, proporcionando información crucial que refuerza la toma de decisiones informada.

Con la implementación de técnicas de interpretación y análisis de pesos de atención, se ha podido analizar la importancia temporal de incorporar actualizaciones secuenciales en la modelización de eventos de corte y cómo las contribuciones de características predictivas traducen un ETR más acertado, mejorando así la alineación con las expectativas del cliente. Esto se suma a la interpretación de las características críticas que influyen en la predicción de los ETR, promoviendo la transparencia y ganando la confianza de los interesados.

En resumen, a medida que la frecuencia de las catástrofes climáticas continúa en aumento, la capacidad de predecir con precisión los tiempos de restauración es cada vez más esencial para la seguridad pública y la satisfacción del cliente. Con enfoques innovadores como el Longitudinal Tabular Transformer, el sector eléctrico puede estar mejor preparado para enfrentar los desafíos futuros, proporcionando tiempos de restauración más precisos a sus clientes.