Estrategia para la conceptualización de modelos de IA en el contexto de Gestión de la Energía

Abstract

En este Trabajo Final de Máster se aborda el funcionamiento del mercado de la electricidad en España, diferentes técnicas de adquisición de datos, la implementación de diferentes modelos de predicción para predecir la evolución de la demanda eléctrica mensual en la industria, el uso de herramientas de autoML, métricas de optimizacion claves al momento de comparar modelos y herramientas de visualización de datos para comunicar resultados o predicciones dentro de la empresa. El objetivo del trabajo es de entender si un modelo realizado con autoML, sin conocimientos específicos del mercado eléctrico y con datos públicos, puede resultar de utilidad. Para conseguir esto se han utilizado diferentes fuentes de datos, muchos dataset distintos con el objetivo de obtener un modelo de predicción que tenga valor para Iberdrola. Además, en el presente trabajo se pueden observar los límites del autoML y de este enfoque con datos públicos al momento de realizar modelos predictivos. En el desarrollo del trabajo se explica el funcionamiento del mercado de la electricidad y nociones fundamentales de Machine Learning para contextualizar conceptos que serán utilizado durante la ejecución de este Trabajo Fin de Máster. En una segunda parte, se desarrolla la estrategia seguida para entrenar el modelo, desde la adquisición de los datos hasta la productivización de ese modelo mediante herramientas de visualización de datos, pasando por las diferentes métricas para su optimización utilizadas para comparar los diferentes modelos obtenidos. Para ilustrar esa parte mas teórica, se hará un desarrollo de prueba de concepto en el cual seguiremos todos los pasos anteriores para llegar a un modelo que coincide con los objetivos planteados en primer lugar. Para el correcto desarrollo de estos modelos se han definido diferentes métricas y resultados objetivo para garantizar la utilidad de éstos. Dado que se utiliza autoML se han entrenado numerosos modelos distintos de forma rápida y en paralelo, lo cual permite enfocarse en reunir los datos que mejor pueden predecir la evolución de la demanda eléctrica en España. Tras la obtención de un modelo satisfactorio, se pretende ilustrar su productivización con el desarrollo de un ejemplo de dashboard mediante la herramienta Tableau. El objetivo es hacer de la información extraíble del modelo datos útiles para la toma de decisiones del departamento de trading de Iberdrola al momento de planificar u operar en el mercado eléctrico. Finalmente se presentan las lecciones aprendidas y conclusiones del trabajo sobre herramientas de autoML, sobre el enfoque de la construcción de modelos con datos públicos o de forma mas general, el potencial de la IA en las empresas.

This Master's thesis is about the electricity market, different data acquisition techniques, the implementation of different forecasting models to predict the evolution of monthly electricity demand, the use of autoML tools, key optimization metrics when comparing models, and data visualization tools to communicate results or predictions within the company. The objective of this work is to understand if a model made with autoML, without specific knowledge of the electricity market and with public data can be useful. To achieve this, many data sources and many datasets are used with the approach of obtaining a prediction model that has value for Iberdrola and that matches the different goals of this work. In this paper, we can observe the limits of autoML as well as of public data when making predictive models. In the development of the work, the functioning of the electricity market and fundamental notions of Machine Learning are explained to contextualize concepts that will be used later on. In a second part, we review the strategy followed to train a model, from data acquisition to data visualization, including the different optimization metrics used to compare models with each other. To illustrate this more theoretical part, a proof-of- concept development will be made in which we will follow all the previous steps to arrive at a model that matches the objectives set at the beginning. For the correct development of these models, we will define what is considered to be a good model as well as the different inputs that have been used to arrive at the best possible model. Since autoML is used, many models can be trained in a short time, which allows focusing on gathering the data that can best predict the evolution of electricity demand in Spain. After this, we will proceed to illustrate with the example of a Dashboard using the Tableau. It will show the predictions together with additional information that allows improving the decision making of the Trading department of Iberdrola at the moment of planning or operating in the electricity market. Finally, the lessons learned and conclusions of the work on autoML tools, modeling with public data or more generally, the potential of AI in companies will be determined.