Uso de diversos modelos de IA para la previsión energetica

Indicadores y procesos de mejora

Para el prototipo, el enfoque se centró en los desafíos actuales de nuestros modelos de previsión energética.

-Indicador 1: Desarrollar un modelo de aprendizaje automático pronóstico para los próximos 7 días, que tome datos históricos como entrada y genere resultados cada hora.
Subindicador: Aprovechar el aprendizaje automático para estimar los puntos de datos faltantes, ya que completar la información puede impactar significativamente el pronóstico.
Subindicador: El desempeño debe poder medirse por segmentos, de modo que si un segmento tiene un rendimiento deficiente, se pueda ver con más detalle en un futuro.

-Indicador 2: Crear un canal de construcción/capacitación de modelos y canalización de inferencia por lotes usando SageMaker Pipelines.
Subindicador: La canalización debería poder ejecutarse diariamente después de que se hayan actualizado los datos de origen.

Cuantificación/Estimación reducción consumo

El objetivo del prototipo era desarrollar un modelo de previsión de la electricidad y
predicción del consumo que minimizase desviaciones, ya que una sobreestimación resultará en sanciones (impuestas por el gobierno) y la subestimación inducirá un déficit.

Es decir, el valor de esta propuesta no reside en una reducción del consumo propiamente dicho, sino en una optimización de desviaciones que ofrece grandes beneficios.

Aunque, igualmente, el prototipo sí nos permite eficiencias que se han detallado en el apartado siguiente.

Cuantificación/Estimación reducción emisiones CO2

Es importante remarcar que nuestro partner, AWS, es carbon footprint neutral.

Pero con nuestro modelo en particular, el uso de SageMaker nos permite realizar experimentos teniendo visibilidad en todo momento de nuestra huella, pudiendo así elegir los modelos que gastan menos.

Asimismo, con dichos procesos de mejora, podemos eliminar procesos paralelos. Si se utiliza un único servicio de MLOps es posible realizar experimentos de forma más eficiente.
También sabemos el costo de forma transparente con lo que podemos monitorizar.

Innovación aplicada y buenas prácticas

La candidatura se centra en un prototipo para aprovechar Amazon SageMaker para impactar su energía en nuestras previsiones de demanda y en su integración en el ecosistema de modelos de inteligencia artificial ya existentes.

Igualmente se destaca la innovación que representa la aplicación de un modelo de LLMs como posibilidad para la provisión energética.

Al respecto, se consiguió:

-Mayor precisión: Al aprovechar los últimos métodos de pronóstico de series temporales dentro del pronóstico de Amazon SageMaker Autopilot, mostramos el potencial de los métodos de conjunto, logrando un valor MAPE del 5 % y del 5,74 % con el enfoque más común (frente al ~6,69 % anterior).

-Automatización mejorada: Al construir con Amazon SageMaker, se entregaron canales replicables que permitieron una experimentación rápida (+20 experimentos) y la expansión a otros casos de uso (capacidad de cambiar fácilmente el objetivo, el horizonte de pronóstico,…), lo que llevó a una aceleración de ~80 %.

Uso de tecnologías (TICs)

Se aprovechó la oportunidad para experimentar con enfoques novedosos, utilizando modelos de lenguaje grande para pronosticar sin la necesidad de entrenar un modelo con datos de Holaluz y validar algunos de los estudios que afirman tener capacidades de pronóstico de LLM.

Estos enfoques más innovadores pueden ser especialmente útiles cuando hay cambios rápidos en los patrones de consumo y en el mercado en general (por ejemplo, COVID, crecimiento de los vehículos eléctricos, aumentos de precios, etc.), al tiempo que se depende de los modelos más «tradicionales» cuando hay más datos o más patrones comunes.

Igualmente, empoderamos a nuestros desarrolladores: con el trabajo realizado, nuestros equipos de desarrollo obtuvieron la velocidad y el conocimiento no sólo para utilizar el prototipo, sino expandirlo a casos de uso adicionales.