Usar la IA para predecir la carga energética personalizada y la factura del gas

La carga energética tiene varias definiciones, pero la más aceptada la define como la proporción del gasto energético de un hogar respecto a su ingreso total. El gasto energético incluye el pago de facturas de servicios públicos y excluye los costos de transporte y agua. Los programas e ideas de eficiencia energética buscan mantener la carga energética en niveles razonables para todos los niveles de ingreso ofreciendo consejos e ideas fáciles de seguir. Aunque los hogares de bajos ingresos consumen menos energía per cápita, en algunos casos es bien sabido que pueden gastar una porción considerablemente mayor de su ingreso familiar en facturas de energía. El equipo de experiencia de usuario (UX) de Oracle Energy and Water realizó una encuesta a clientes potenciales de bajos ingresos y encontró que el 86 % de los participantes estaban preocupados por poder pagar sus facturas de energía y un asombroso 64 % había recibido una notificación de corte en el último año. Algunos estudios (Davis 2021) estiman que el 40 por ciento de los hogares de bajos ingresos tienen dificultades para pagar sus facturas de energía.

¿Por qué es importante la carga energética?

La carga energética es una métrica importante por muchas razones, ya que una carga energética alta puede conducir a la inseguridad energética con consecuencias negativas. Los datos de la Encuesta de Consumo de Energía Residencial de 2015 indican que el 31 por ciento de todos los hogares en EE. UU. experimentaron alguna forma de inseguridad energética y tuvieron que reducir gastos en otras áreas, sacrificando necesidades esenciales solo para pagar sus facturas de energía. Las consecuencias económicas, financieras y sociales adversas suelen ocurrir cuando los hogares de bajos ingresos con facturas de servicios públicos elevadas deben decidir entre pagar alimentos, medicinas, vivienda o servicios. Para agravar el problema, no pagar las facturas de servicios los hace vulnerables a posibles cortes de suministro y desalojos.

En el pasado reciente, una variedad de factores como la pandemia de COVID-19, eventos relacionados con el clima y una interrupción sostenida en los mercados energéticos mundiales provocada por la invasión de Ucrania por parte de Rusia han incrementado la carga energética para cada vez más personas.

El equipo de ciencia de datos de Oracle Energy and Water aprovecha la inteligencia artificial (IA), especialmente el aprendizaje profundo, para predecir la carga energética y la factura del gas a nivel personal y de hogar. Por las razones que explicamos a continuación, es muy importante predecir con precisión la carga energética; desafortunadamente, los datos necesarios para estos cálculos están ausentes o incompletos. Hemos desarrollado enfoques de modelado de primer nivel para predicciones muy precisas. Aquí proporcionamos detalles de nuestros modelos y algunos aspectos del entrenamiento y validación, y también comparamos nuestros modelos con el estado del arte y enumeramos sus muchos beneficios.

¿Por qué es difícil calcular la carga energética?

Desafortunadamente, calcular con precisión la métrica de carga energética a nivel personal o de hogar es difícil por dos razones principales:

1. Datos faltantes de uso de gas para calefacción, cocina, etc.
2. Datos faltantes o incompletos de ingresos

Algunas publicaciones recientes, incluyendo Lin et. al. 2020, describen estudios realizados con servicios públicos y los efectos negativos de conjuntos de datos ausentes o incompletos. En EE. UU., todos los hogares tienen algún uso de electricidad, ya que las fuentes más comunes de calefacción son el gas y la electricidad: el 48 por ciento de todos los hogares en EE. UU. usan gas natural para calefacción, mientras que el 37 por ciento usa calefacción eléctrica, según la Oficina del Censo de EE. UU., y solo alrededor del 15 por ciento usa otras fuentes como aceite combustible, propano, etc. (Magill 2014).

Nuestro objetivo al trabajar para predecir la carga energética es tener el mayor impacto proporcionando modelos de IA de vanguardia para predecir con precisión el uso de gas; cuando se combinan los usos de gas y electricidad, podemos representar el 85 por ciento de los clientes con calefacción en EE. UU. A continuación, mostraremos la predicción del uso de gas a partir del uso de electricidad y algunas otras características fácilmente disponibles. Este trabajo no solo es novedoso y pionero, sino que también es necesario para calcular con precisión la métrica de carga energética. Nuestros modelos avanzados abren nuevas puertas tanto para investigadores como para profesionales interesados en la eficiencia energética y la pobreza energética.

Predicción precisa del uso de gas y de la factura de gas

Algunos hogares en EE. UU. están medidos y monitoreados usando infraestructura avanzada de medición (AMI). Este sistema integrado de medidores inteligentes, redes de comunicación y sistemas de gestión de datos es capaz de proporcionar datos sobre el consumo total con granularidad fina, como cada 15 minutos o cada hora. Aunque el AMI es cada vez más común —alrededor del 65 por ciento de los hogares en EE. UU. ya tienen medidores inteligentes (Walton 2021)— aún hay millones de clientes que no han hecho la transición de medidores convencionales a AMI. Por esta razón, hemos desarrollado modelos de aprendizaje profundo que pueden utilizar datos de uso de electricidad tanto de AMI como de facturación (no AMI), por lo que nuestros modelos pueden aplicarse a todos los clientes eléctricos.

Mientras que algunos clientes eléctricos usan electricidad como recurso de calefacción, también podrían usar gas para otros fines, como cocinar. En nuestro conjunto de datos de entrenamiento, que contiene decenas de millones de datos, hay puntos con o sin calefacción a gas. En nuestra validación, comparamos los resultados de nuestros modelos en hogares "reales y no vistos": estos son hogares que no se usaron en el entrenamiento. Cabe señalar que nuestra validación se alinea muy bien con el escenario de evaluación en la vida real.

Para la predicción de la factura de gas, seguimos un enfoque de dos pasos:

1. En el primer paso, nuestros modelos de IA predicen el uso de gas a nivel de hogar.
2. En el segundo paso, nuestros modelos usan tarifas de gas de EIA 2022 como referencia para calcular el monto de la factura de gas (si están disponibles, puedes usar un motor de tarifas de gas para obtener resultados más precisos).

Los motores de tarifas de gas brindan mejor precisión, pero no siempre son accesibles o siquiera están disponibles. Por esa razón, mostramos los resultados de nuestros modelos utilizando las tarifas de gas disponibles de EIA.

En la siguiente sección, mostramos nuestros modelos en acción y proporcionamos los resultados en hogares reales y no vistos (hogares que no son parte del entrenamiento de nuestro modelo, como se señaló anteriormente).

Comparación con el estado del arte

Hasta donde sabemos, no existen modelos de aprendizaje automático que puedan predecir el uso personalizado de gas a partir de la entrada de electricidad, por lo que nuestras contribuciones son novedosas. Desafortunadamente, tampoco encontramos estimaciones generales personalizadas de uso o factura de gas con las cuales podamos comparar nuestros resultados. Pero, a nivel de zona censal —que agrupa varios cientos o un par de miles de hogares— se proporcionan valores promedio de consumo de gas. Estos valores proporcionados por el Censo de EE. UU., que no son personalizados ni recientes, se usan en la mayoría de los casos para calcular la carga energética. Comparamos nuestros resultados con el nivel de zona censal, ya que las zonas censales de EE. UU. contienen varios cientos de hogares y en los cálculos que siguen ejecutamos nuestros modelos sobre múltiples hogares.

Comencemos con hogares individuales y mostremos el modelo ejecutándose en un hogar real y no visto con calefacción a gas.

La Figura 1 muestra el modelo de predicción de gas con aprendizaje profundo en acción, con valores de predicción (en rojo) que coinciden muy estrechamente con los valores reales de gas (en azul). Para los días en los que se usa calefacción, puedes ver que hay un aumento considerable en el uso de gas (lo cual concuerda con las expectativas, ya que esta casa se calienta con gas). Durante el resto del año, el uso de gas es mucho menor, pero no es cero. Esto indica que el gas se usa en este hogar para otros fines también, como cocinar. La Figura 2 transmite una historia muy similar. Nuevamente, este hogar es “real y no visto”; como no se calienta con gas, no observamos un mayor uso de gas en los meses de invierno.

La Figura 3 demuestra un problema importante al usar los valores de zona censal del Censo de EE. UU. para predecir facturas de gas de hogares. Estos valores, que son promedios, no son útiles, y los puntos que se alejan de la línea diagonal indican grandes errores. Para resolver este problema, usamos nuestros modelos de IA para predecir usos de gas y los convertimos en facturas de gas usando tarifas de gas de la EIA. Ten en cuenta que usar un motor de tarifas de gas proporcionaría mejores resultados, más precisos, pero estos motores no siempre están disponibles. En la Figura 4, hay una alineación muy cercana; las facturas de gas calculadas usando valores de la EIA están mucho más cerca de los valores reales, especialmente en comparación con la figura anterior. Los errores en este modelo son muy razonables, medidos por la distancia de cualquier punto a la línea diagonal.

Arquitectura de aprendizaje profundo y métricas de entrenamiento

Usamos Oracle Cloud Infrastructure (OCI) y OCI Data Science (OCI DS) para entrenar, validar y calificar nuestros modelos. OCI proporciona computación flexible y confiable con CPU y GPU. OCI Data Science promueve la productividad y la colaboración, nos permite auditar y reproducir modelos, y facilita la puesta en producción de modelos.

Para arquitecturas de aprendizaje profundo, evaluamos arquitecturas novedosas así como las más utilizadas en la literatura, incluyendo combinaciones de ResNet, RNN y CNN. No necesitamos usar arquitecturas muy profundas: mantener el número de parámetros del modelo en un nivel razonable de alrededor de 60 000 nos ayuda con el tiempo de entrenamiento y calificación. Usando GPU, el entrenamiento total toma alrededor de cinco horas con nuestro modelo de entrada AMI, y este número se reduce a menos de dos horas cuando se entrena con la entrada de facturación.

Nuestra arquitectura de aprendizaje profundo combina e implementa conceptos útiles de RNN, CNN, dropout y pooling. Mediante estudios empíricos seleccionamos las mejores arquitecturas de aprendizaje profundo con el menor margen de error en nuestros datos de validación.

Conclusiones

La métrica de carga energética ha sido ampliamente estudiada y ha recibido mucha atención positiva, especialmente en programas relacionados con la asequibilidad. Mientras que algunos expertos consideran la métrica de carga energética como una métrica principal para identificar clientes elegibles, muchos otros prefieren tratarla como una métrica secundaria o auxiliar que es útil para análisis detallados e información.

Tabla 1: Superposición de elegibilidad del Programa de Asistencia de Energía para Hogares de Bajos Ingresos (LIHEAP) con la métrica de carga energética.

La Figura 5 y la Tabla 1 muestran que la carga energética no puede determinar por sí sola la elegibilidad para el Programa de Asistencia de Energía para Hogares de Bajos Ingresos (LIHEAP). LIHEAP, que es un programa financiado por el gobierno federal y administrado por los estados, tiene criterios de elegibilidad que incluyen ingreso, número de personas y edad (en algunos estados). Usando la carga energética como indicador principal, solo se puede alcanzar al 62 por ciento de los clientes elegibles cuando se usa ingreso real, y el ingreso real no está disponible en la mayoría de los casos. Cuando se usan los datos de ingresos del Censo de EE. UU., el recuerdo baja al 17 %, como se muestra en la Tabla 1. En la Figura 5, podemos ver algunos hogares de bajos ingresos con cargas energéticas bajas y altas, etiquetadas en azul y rojo respectivamente. Aunque la carga energética es una métrica muy útil, no reemplaza los criterios de elegibilidad en LIHEAP u otros programas similares.