Pronóstico retrospectivo mediante el uso de datos de cuadrícula provincial y un modelo híbrido físico-IA basado en cuotas

Xiaohui Wang; Tong Li; Yanchao Lu; Quanfeng Lv; Fan Liu

doi:10.3791/72395

Artículo de investigación

Pronóstico retrospectivo mediante el uso de datos de cuadrícula provincial y un modelo híbrido físico-IA basado en cuotas

22 visualizaciones

⸱

DOI:

10.3791/72395

⸱

28 de agosto de 2026

Xiaohui Wang¹ , Tong Li¹ , Yanchao Lu¹ , Quanfeng Lv² , Fan Liu³

¹State Grid Economic and Technological Research Institute Co., Ltd., Techno-Economic Center, ²Finance and Assets Department, State Grid Shandong Electric Power Company, ³Nanjing University

En este artículo

Resumen

Este estudio propone un modelo híbrido de predicción de costos para redes eléctricas que combina cuotas de costos físicos con ajustes dinámicos macroeconómicos y tecnológicos, y una compensación de residuos basada en XGBoost. Alcanzando un MAPE de 2,34 %, equilibra precisión e interpretabilidad, abordando las necesidades de transparencia regulatoria en la fijación de tarifas.

Resumen

La transición energética global y las continuas reformas del mercado eléctrico exigen que las empresas de redes eléctricas equilibren un suministro de energía confiable con regulaciones tarifarias de transmisión y distribución cada vez más estrictas. Los métodos tradicionales de presupuestación basados en extrapolaciones históricas a menudo no reflejan la base física de las operaciones de los activos, mientras que los modelos de aprendizaje automático basados en datos logran una alta precisión predictiva, pero carecen de la transparencia necesaria para la verificación regulatoria de costos. Para abordar el equilibrio entre precisión en la predicción e interpretabilidad, este estudio propone un modelo híbrido de predicción de costos basado en cuotas de costos. El marco utiliza cuotas operativas estandarizadas como base física para la presupuestación e incorpora un mecanismo dinámico de evolución de cuotas impulsado por condiciones macroeconómicas y progreso tecnológico. Se emplea el algoritmo Extreme Gradient Boosting (XGBoost) para capturar los residuos no lineales que escapan a las estimaciones basadas en cuotas, mientras que SHAP (Shapley Additive exPlanations) se utiliza para interpretar la contribución de los principales factores de costo. El modelo fue evaluado utilizando 16 años de datos operativos anónimos de una red eléctrica provincial en China. Alcanzó un error medio absoluto porcentual (MAPE) del 2,34 %, reduciendo los errores de predicción en un 61,8 %, 46,6 % y 34,1 % en comparación con los modelos SARIMAX, XGBoost independiente y Attention-LSTM, respectivamente. El marco propuesto integra principios de cuotas de costos de ingeniería con inteligencia artificial interpretable, proporcionando tanto predicciones precisas de costos a largo plazo como una herramienta de apoyo a la toma de decisiones transparente para la verificación regulatoria de costos permitidos.

Introducción

La transición energética global está transformando la gestión de activos y las prácticas operativas de las redes eléctricas mediante la integración de generación renovable distribuida, el aumento de eventos climáticos extremos y la amplia implementación de tecnologías IoT, todos los cuales exigen una mayor flexibilidad operativa y recursos de mantenimiento para garantizar la confiabilidad del sistema¹^,². Al mismo tiempo, los reguladores de electricidad han reforzado la supervisión de las tarifas de transmisión y distribución mediante marcos como el RIIO del Reino Unido y las revisiones de tasa de retorno de la Comisión Federal Reguladora de Energía de EE. UU., haciendo hincapié en la transparencia en la justificación de costos³. De manera similar, China ha adoptado un mecanismo regulatorio de «costo permitido más retorno razonable», que exige a las empresas eléctricas demostrar vínculos claros entre las actividades de ingeniería y los gastos financieros⁴. Sin embargo, las empresas eléctricas a menudo carecen de herramientas cuantitativas transparentes que conecten las operaciones físicas de los activos con los pronósticos de costos, lo que limita la eficacia de la verificación regulatoria de costos⁵.

Los enfoques de predicción existentes tienen limitaciones importantes en este entorno⁶. Los métodos tradicionales, incluyendo la presupuestación incremental y los modelos basados en ARIMA, asumen patrones históricos relativamente estables y a menudo tienen un desempeño deficiente ante cambios estructurales provocados por fluctuaciones económicas o fenómenos climáticos extremos⁷. Por el contrario, los modelos modernos de aprendizaje automático, como las arquitecturas LSTM y Transformer, ofrecen una alta precisión predictiva para pronósticos a corto plazo, pero carecen de la interpretabilidad ingenieril necesaria para la toma de decisiones regulatorias⁸^,⁹. Aunque enfoques recientes de predicción híbrida combinan técnicas estadísticas y de aprendizaje automático, generalmente pasan por alto las cuotas estándar de costos ingenieriles que sustentan los sistemas contables de redes eléctricas¹⁰. Para abordar estas limitaciones, este estudio propone un marco de predicción híbrida basado en cuotas que combina la evolución dinámica de cuotas con la corrección de residuos basada en aprendizaje automático, preservando la interpretabilidad ingenieril mientras mejora la precisión de la predicción.

Una importante línea de investigación se deriva de la regulación de incentivos en industrias de monopolio natural, incluyendo el mecanismo RPI-X del Reino Unido y el marco chino de verificación de costos permitidos¹¹. Estos estudios evalúan principalmente la eficiencia operativa mediante el Análisis Envoltura de Datos (DEA) y el Análisis Estocástico de Frontera (SFA)¹². Investigaciones previas han examinado las relaciones a largo plazo entre el gasto de capital (CAPEX), el gasto operativo (OPEX) y la eficiencia de costos para respaldar la regulación tarifaria¹³^,¹⁴. Si bien estos enfoques proporcionan información valiosa a nivel macroeconómico, sus resultados generalmente se expresan como puntuaciones de eficiencia relativa en lugar de pronósticos monetarios adecuados para la elaboración de presupuestos anuales¹⁵^,¹⁶. Además, los modelos de frontera generalmente suponen estructuras de activos físicos y condiciones operativas relativamente estables, lo que limita su capacidad para captar cambios bruscos en los costos provocados por el envejecimiento de los activos, la sustitución de infraestructuras o un crecimiento rápido de la demanda¹⁷^,¹⁸.

Una segunda línea de investigación se centra en modelos de predicción basados en estadística e inteligencia artificial. En estudios iniciales se emplearon regresión lineal múltiple y modelos autorregresivos integrados de media móvil con variables exógenas (ARIMAX) para la predicción de costos¹⁹. Más recientemente, la regresión mediante vectores de soporte, bosques aleatorios, modelos XGBoost, LSTM y Transformer han mejorado sustancialmente el desempeño de las predicciones aprovechando relaciones no lineales y espacios de características de alta dimensionalidad²⁰^,²¹^,²². Estos enfoques incorporan frecuentemente indicadores macroeconómicos como la demanda de electricidad, índices de precios al productor (PPI) y variables climáticas²³. Sin embargo, los costos operativos de la red eléctrica surgen de actividades de ingeniería, deterioro de activos, programación de mantenimiento y decisiones de gestión, y no únicamente de variables macroeconómicas²⁴. En consecuencia, los modelos puramente basados en datos suelen funcionar como «cajas negras», lo que dificulta explicar los costos pronosticados durante revisiones regulatorias o la verificación de costos permitidos²⁵^,²⁶.

La gestión de cuotas de costos de ingeniería ofrece una solución potencial a este desafío²⁷. El sistema de costeo basado en actividades (ABC) ha dependido desde hace tiempo de cuotas operativas estandarizadas para estimar los requisitos de mano de obra, materiales, equipos y mantenimiento en las operaciones rutinarias de la red eléctrica²⁸. Las principales empresas eléctricas chinas han desarrollado bases de datos exhaustivas de cuotas que abarcan actividades de inspección, mantenimiento, pruebas, reparación y reemplazo de equipos. Sin embargo, estas normas de ingeniería se utilizan principalmente para la liquidación de proyectos y auditorías, más que para la previsión dinámica a largo plazo²⁹^,³⁰. Además, las normas de cuotas generalmente solo se revisan cada varios años, lo que las hace insuficientemente sensibles a los cambios en los precios de las materias primas, el progreso tecnológico y las prácticas operativas³¹. La aplicación de sistemas de cuotas en millones de activos distribuidos también plantea importantes desafíos computacionales para la previsión a gran escala³².

A pesar de los avances significativos en la predicción estadística, el aprendizaje automático y la gestión de costos de ingeniería, ningún marco existente integra de forma efectiva las cuotas estándar de costos de ingeniería, el ajuste dinámico de la macroeconomía y el aprendizaje automático interpretable en un modelo unificado de predicción para la verificación regulatoria de costos. Se planteó la hipótesis de que combinar cuotas de costos en evolución dinámica con un aprendizaje residual basado en XGBoost puede mejorar la precisión de la predicción a largo plazo, al tiempo que mantiene la transparencia de ingeniería necesaria para la toma de decisiones regulatorias. Para probar esta hipótesis, se desarrolló un marco híbrido de predicción basado en cuotas que integra modelado físico de costos, mecanismos de ajuste macroeconómico y tecnológico, compensación residual mediante XGBoost e interpretación del modelo basada en SHAP. El enfoque propuesto tiene como objetivo proporcionar tanto predicciones precisas de costos a largo plazo como evidencia transparente para respaldar la verificación de costos permitidos bajo la regulación moderna del mercado eléctrico.

Protocolo

Este estudio utilizó datos operativos y financieros anonimizados recopilados de una red eléctrica provincial en el este de China. Todos los datos fueron agregados y desidentificados antes del análisis, y no se incluyó ninguna información personal identificable ni datos sensibles a nivel individual. Por lo tanto, no se requirió aprobación ética. El acceso y análisis de los datos cumplieron con las regulaciones aplicables de protección de datos y los acuerdos institucionales que rigen la información del sector eléctrico.

Descripción general del marco de predicción

Para integrar enfoques de predicción basados en la física y en datos, se desarrolló un marco híbrido de predicción que combina cuotas de costos de ingeniería con aprendizaje automático. En lugar de simplemente combinar múltiples algoritmos, el marco sigue el principio de que los modelos físicos establecen la predicción de referencia, mientras que el aprendizaje automático compensa los errores residuales. Este diseño asegura que el proceso de predicción se base en los mecanismos físicos subyacentes a las actividades de producción y operación de la red eléctrica, en lugar de depender únicamente de la extrapolación histórica de costos.

El marco establece primero una asignación jerárquica entre los activos de la red eléctrica, las actividades operativas estandarizadas y las cuentas de costos financieros. Los costos de producción y operación se consideran representaciones monetarias de los recursos consumidos por los activos físicos —incluyendo subestaciones, líneas de transmisión, alimentadores de distribución, dispositivos de medición y equipos digitales de inspección— durante actividades rutinarias como inspección, mantenimiento, pruebas, reparación y reemplazo. Las cuotas de costos sirven como vínculo entre las cargas de trabajo de ingeniería medibles y los gastos financieros correspondientes.

Como se ilustra en la Figura 1, las cuotas de costo funcionan como unidades contables estandarizadas integradas en todo el proceso de operación y mantenimiento de los activos, en lugar de reglas abstractas de asignación financiera. Las cargas de trabajo de los activos a nivel inferior se convierten en cuotas operativas estandarizadas y posteriormente se asignan a categorías de costos, incluyendo mano de obra, materiales, equipos de construcción, servicios subcontratados y suministros de emergencia. Esta asignación jerárquica preserva la interpretabilidad ingenieril y la trazabilidad regulatoria durante todo el proceso de pronóstico, y proporciona la base física para la construcción del modelo estático de cuota de referencia.

Resumen del flujo de trabajo metodológico

El marco de previsión propuesto consta de tres etapas secuenciales: (1) la construcción de una línea de base física utilizando cuotas de carga de trabajo a nivel de activos, (2) la evolución dinámica de las cuotas de costos mediante ajustes macroeconómicos y tecnológicos, y (3) la compensación basada en aprendizaje automático para capturar efectos sistemáticos no lineales. Como se ilustra en Figura 1, el marco establece una asignación jerárquica desde los activos de nivel inferior y las actividades operativas estandarizadas hasta las previsiones de costos de producción y operación. Los detalles de implementación de cada etapa se describen en las siguientes secciones.

Modelo de costo básico físico basado en cargas de trabajo a nivel de activos

La producción y el costo operativo de una red eléctrica, C_total, comprenden gastos asociados con múltiples actividades comerciales, incluyendo la operación de subestaciones, el mantenimiento de líneas de transmisión, la gestión de redes de distribución, el servicio al cliente y los sistemas de apoyo. En este estudio, se asume que el costo operativo de referencia está determinado por la carga de trabajo generada por cada actividad operativa estandarizada y su cuota de costo correspondiente.

El costo estático de referencia se calcula como:

Fórmula matemática para calcular C_base,t con símbolos de sumatoria; utilizada en el análisis de datos. (1)

donde V_i,k,t denota la carga de trabajo asociada con la tarea operativa o el activo i-ésimo dentro de la categoría empresarial k durante el período t, y Q_i,k representa el costo unitario estandarizado correspondiente definido por el sistema de cuotas de costos de ingeniería. La categoría empresarial incluye funciones operativas principales como mantenimiento de subestaciones, inspección de líneas de transmisión, operación de redes de distribución y servicio al cliente. La doble sumatoria agrega los costos de todas las actividades operativas estandarizadas para estimar el gasto teórico básico necesario para mantener el funcionamiento normal de la red.

La ecuación (1) establece la relación física entre las cargas de trabajo de ingeniería y los gastos financieros al asociar directamente actividades operativas estandarizadas con cuentas de costos. A diferencia de los modelos puramente estadísticos de pronóstico, esta formulación proporciona una base de ingeniería interpretable que sirve como fundamento para el ajuste dinámico posterior de cuotas y la corrección residual basada en aprendizaje automático. La ecuación fue desarrollada a partir de las prácticas operativas y el sistema de cuotas de costos utilizados por empresas provinciales de redes eléctricas en China. Tabla 1 resume la notación utilizada en la ecuación (1), incluyendo la carga de trabajo (V_i,k,t), el costo unitario estandarizado (Q_i,k), el número de tareas operativas (N_k) y el índice de categoría empresarial (k).

Mecanismo dinámico de evolución de cuotas bajo perturbaciones ambientales externas

Las cuotas de coste estandarizadas (Q_i,k) proporcionan una referencia físicamente interpretable, pero no tienen en cuenta los cambios en las condiciones macroeconómicas ni el progreso tecnológico. Para mejorar su aplicabilidad a largo plazo, se introdujo un mecanismo de evolución dinámica para ajustar las cuotas de referencia en respuesta tanto a la inflación de precios como a las ganancias de eficiencia impulsadas por la tecnología.

El primer ajuste tiene en cuenta los cambios en los costos de adquisición derivados de la inflación macroeconómica. La operación y el mantenimiento de la red eléctrica dependen en gran medida de materiales en grandes volúmenes, como el cobre, el aluminio y el acero al silicio, cuyos precios están estrechamente relacionados con las fluctuaciones del Índice de Precios al Productor (PPI). Dado que Ecuación para el cálculo del índice económico, que involucra un indicador del nivel de precios, símbolo I{PPI,t}. es un índice con un valor base de 100, primero se convierte en una tasa de inflación estandarizada:

Fórmula del índice de precios, cálculo del IPP, ecuación para el análisis de inflación e investigación económica. (2)

Sobre esta base, se define la función de corrección de precio Fórmula de equilibrio estático Φ(I[PPI],t), ecuación, física, principio de equilibrio, análisis de investigación. como:

Fórmula de equilibrio estático, notación de producto Σ, concepto matemático educativo, análisis de ecuación. (3)

donde Equilibrio estático, ΣF=0, MA=0; el diagrama muestra fuerzas equilibradas para el análisis estructural, uso educativo. es un vector de pesos retardados de longitud L que satisface

Fórmula de equilibrio estático, Σωτ=1, ωτ≥0, ecuación matemática para el análisis de sumatoria.

La estructura de rezago representa la transmisión diferida de la inflación macroeconómica a los costos de adquisición dentro de la cadena de suministro de la red eléctrica. Convertir el índice PPI en una tasa de inflación estandarizada conserva el efecto acumulativo de los cambios de precios, al tiempo que evita el sesgo de escala asociado con el uso directo de los valores del índice. Las ecuaciones (2) y (3) se adaptaron a partir de modelos establecidos de ajuste de inflación macroeconómica, con la estructura de rezago calibrada para los ciclos de adquisición del sector eléctrico³³^,³⁴.

El progreso tecnológico se incorporó mediante un factor de reducción de costos que reflejaba mejoras en la eficiencia operativa derivadas de avances como la inspección mediante vehículos aéreos no tripulados, la robótica inteligente y las tecnologías digitales de mantenimiento. El factor de ajuste tecnológico se define como:

Ecuación del modelo económico, Γ(E_tech,t)=1-α·ln(1+β·E_tech,t), que ilustra el crecimiento tecnológico. (4)

En esta parte, α y β son coeficientes empíricos de elasticidad estimados a partir de datos históricos de panel mediante mínimos cuadrados no lineales. Para garantizar que el factor de progreso tecnológico represente siempre una reducción razonable en el costo unitario de la cuota, el proceso de estimación de parámetros restringe 0 < Γ(E_tech,t) ≤ 1. Cabe señalar que este factor refleja principalmente la mejora de eficiencia a largo plazo derivada del reemplazo por tecnología madura. La ecuación (4) es original de este trabajo, adaptando el concepto de curva de aprendizaje proveniente de la literatura sobre costos de tecnologías energéticas³⁵^,³⁶ a las operaciones de mantenimiento de redes. Los costos adicionales que pueden surgir en la etapa inicial de implementación de equipos digitales, como la operación paralela de sistemas antiguos y nuevos, la integración de plataformas, las pruebas de comunicación y el mantenimiento adicional, no se deducen forzosamente de la cuota base; en cambio, se identifican mediante el módulo subsiguiente de compensación de residuos basado en aprendizaje automático:

Fórmula de equilibrio estático, C_cupo,t = C_base,t · Φ(PPI,t) · Γ(E_tech,t), ecuaciones, análisis. (5)

donde C_base,tdenota el costo estático de referencia calculado a partir de las cargas de trabajo de los activos de nivel inferior y de las cuotas estándar de costos operativos; Fórmula de equilibrio estático Φ(I[PPI],t), ecuación, física, principio de balance, análisis de investigación. captura el efecto de transmisión de las fluctuaciones macroeconómicas de precios sobre los materiales, equipos y precios de servicios externos; y Γ(E_tech,t) refleja la reducción basada en la eficiencia de los costos unitarios de operación y mantenimiento tras la madurez tecnológica. A través del anterior mecanismo de evolución dinámica, la cuota de referencia ya no permanece en una base contable estática, sino que puede ajustarse adaptativamente ante cambios en los entornos económicos y las condiciones tecnológicas. La ecuación (5) es original de este trabajo y representa la integración novedosa de correcciones por precios y tecnología en el marco de la cuota de referencia.

Captura sistemática de residuos no lineales bajo restricciones de cuota

A pesar de las correcciones evolutivas complejas, el modelo de cuota genera inevitablemente desviaciones sistemáticas al enfrentar interrupciones climáticas impredecibles relacionadas con desastres y directrices políticas repentinas, como el aumento de los costos de manejo de quejas de servicio al cliente durante períodos temporales de reducción de tarifas. Esta desviación forma el término residual en ambos lados de la ecuación:

R_t=C_actual,t-C_cuota,t(6)

Dado que las reglas físicas convencionales no pueden explicar este aspecto, el aprendizaje automático puede abordar estas limitaciones. Para evitar la maldición de la dimensionalidad provocada por características de alta dimensionalidad, este estudio utiliza el algoritmo XGBoost basado en conjuntos de árboles de decisión para modelar la relación no lineal R_t³⁷^,³⁸. Se define una matriz de características de fuerte perturbación X_t, que incluye características meteorológicas como los días anuales extremos de congelación D_ice y la intensidad de políticas macroeconómicas.

Para un compensador no lineal compuesto por árboles de regresión, la lógica de generación del residuo predicho símbolo R-gorro para el análisis de convergencia, que ilustra el método estadístico, fórmula en formato gráfico puede expresarse como³⁹:

Ecuación de predicción del aumento de gradiente, fórmula matemática, Σ fm(Xt), algoritmo, modelado de datos. (7)

donde F denota el espacio de todas las estructuras posibles de árboles de clasificación y regresión. Para equilibrar la precisión del ajuste y la prevención del sobreajuste, se construye y minimiza en la m-ésima iteración una función objetivo regularizada que contiene un término de penalización por complejidad estructural:

Ecuación de optimización matemática, que expresa una sumatoria para el ajuste del análisis de datos. (8)

donde Notación de ket de superposición cuántica |0⟩, fórmula de mecánica cuántica, utilizada en diagramas de física. es una función de pérdida convexa que mide la diferencia entre el residuo verdadero y el residuo predicho. En este artículo se adopta la pérdida de Huber para mejorar la robustez del modelo frente a gastos máximos anómalos. El término de regularización Símbolo de la ley de Ohm; función Omega en ecuación matemática; representación de fórmula. se utiliza para restringir la complejidad de la estructura del árbol y se define como:

Ecuación de optimización Ω(fm)=γTm+(1/2)λ||wm||^2; fórmula matemática; uso educativo. (9)

donde T_m representa el número de nodos hoja en el árbol m-ésimo, w_m representa el vector de pesos de las hojas correspondiente, y γ y λ denotan el coeficiente de penalización del número de nodos hoja y el coeficiente de regularización de pesos, respectivamente.

La ecuación final de predicción es:

Ecuación de modelado económico, fórmula de asignación de recursos, método de análisis financiero, imagen de ecuación. (10)

Ampliado adicionalmente como:

Ecuación dinámica de la línea base de cuota; compensación no lineal de residuos; método de análisis de fórmulas (11)

La fórmula anterior representa matemáticamente la estructura de bucle cerrado del modelo de pronóstico propuesto. La demanda final de costos de producción y operación no es generada directamente por el modelo de aprendizaje automático; en cambio, se obtiene superponiendo la compensación residual no lineal identificada por el módulo de aprendizaje automático sobre la línea base dinámica de cuota. Entre estos componentes, los factores de precio y tecnología reflejan principalmente la evolución dinámica de la línea base de cuota, mientras que los factores difíciles de caracterizar explícitamente mediante reglas, como los impactos climáticos, las perturbaciones políticas y los aumentos repentinos en eventos de reparación, son capturados por el módulo de compensación residual basado en aprendizaje automático. Las ecuaciones (10) y (11) son originales de este trabajo y sintetizan la línea base física con la captura residual basada en aprendizaje automático en un marco unificado de pronóstico.

Figura 2 muestra que los resultados de pronóstico del modelo propuesto exhiben una lógica clara de generación jerárquica. Por un lado, la cuota base proporciona una base física estable, transparente y auditada para la demanda de costos; por otro lado, los ajustes de precios, los efectos tecnológicos y los residuos de choques externos permiten que el modelo se adapte a cambios dinámicos en entornos complejos. En comparación con modelos de caja negra que generan directamente valores predichos, esta estructura de descomposición puede revelar claramente «por qué aumentan o disminuyen los costos», mejorando así la interpretabilidad de los resultados del modelo en la revisión presupuestaria y la regulación de tarifas de transmisión y distribución.

Fuentes de datos y procedimientos de recopilación

Los modelos teóricos deben validarse rigurosamente mediante datos empíricos para demostrar su utilidad práctica. Dado que los datos financieros centrales del sector eléctrico incluyen información sensible relacionada con la operación de infraestructuras nacionales, este estudio extrae datos contables mensuales anónimos y de alta precisión de una red eléctrica provincial típica del este de China, denominada E-Grid para facilitar su referencia, que abarcan 16 años calendario consecutivos desde 2010 hasta 2025. Esta provincia ha experimentado un ciclo económico típico al pasar de un crecimiento impulsado por industrias pesadas tradicionales a una manufactura de alto nivel, con una tasa de crecimiento anual compuesta de la escala de activos de la red del 7,4 %. Por lo tanto, la evolución compleja de su estructura de costos tiene una posible relevancia para otros sistemas de red en rápido desarrollo. Los datos provienen de tres fuentes principales: (1) registros internos de operación y mantenimiento que registran cargas de trabajo a nivel de activos, frecuencias de inspección y eventos de reparación; (2) sistemas contables financieros que proporcionan estados mensuales de costos en mano de obra, materiales, equipos y servicios subcontratados; y (3) bases de datos ambientales externas que incluyen registros meteorológicos de la Administración Meteorológica de China e indicadores macroeconómicos de la Oficina Nacional de Estadísticas.

Control de calidad y tratamiento de datos faltantes

Para más de 130 indicadores iniciales integrados a partir de sistemas múltiples, se implementó un procedimiento riguroso de control de calidad. Los datos faltantes, que representan menos del 3 % del total de observaciones, se manejaron mediante interpolación lineal para variables continuas con tendencias temporales, y mediante imputación por la moda para indicadores categóricos. Los valores atípicos se identificaron utilizando el método del rango intercuartílico (IQR); los valores que excedían 3,0 veces el IQR por encima del tercer cuartil se ajustaron al percentil 99 para preservar la integridad de los datos y mitigar la distorsión por valores extremos.

Consideraciones sobre el tamaño de la muestra

El conjunto de datos comprende 192 observaciones mensuales (enero de 2010 a diciembre de 2025), con 156 observaciones (2010–2022) asignadas para entrenamiento y validación y 36 observaciones (2023–2025) reservadas para pruebas fuera de la muestra. Aunque este tamaño de muestra es relativamente modesto para aplicaciones de aprendizaje profundo, es adecuado para el algoritmo XGBoost, que está diseñado específicamente para funcionar bien con conjuntos de datos tabulares pequeños a medianos mediante sus mecanismos de regularización y poda de árboles. Para mitigar los posibles riesgos de sobreajuste, (1) se emplearon penalizaciones estrictas de regularización (γ = 0,1, λ = 1,0), (2) detención temprana con una tolerancia de 50 rondas y (3) restricciones conservadoras de profundidad de árbol (profundidad máxima = 5). Estas medidas garantizan colectivamente la estabilidad y la capacidad de generalización del modelo a pesar del tamaño limitado de la muestra.

Segmentación de datos e integración heterogénea de múltiples fuentes

Para una prueba rigurosa, los datos desde enero de 2010 hasta diciembre de 2022 se asignaron al intervalo de entrenamiento y validación, que contiene 156 observaciones, utilizado para entrenar los factores de evolución de la cuota y la red residual de compensación de la cuota. El período de enero de 2023 a diciembre de 2025 se reserva como el conjunto de prueba independiente fuera de la muestra, que contiene 36 observaciones. ¿Por qué se selecciona este período como escenario final de prueba? La razón es que estos tres años coincidieron con la aceleración de la construcción de sistemas eléctricos de nuevo tipo, agravada por eventos a gran escala de altas temperaturas relacionados con el fenómeno extremo de El Niño y el crecimiento rápido y desigual de la generación distribuida de energías renovables. La red eléctrica enfrentó una presión sin precedentes en las cadenas de suministro de materiales y en la asignación de mano de obra para reparaciones.

La selección científica y la definición cuantitativa de los factores determinantes de costos son la base para garantizar que la red residual de aprendizaje automático pueda captar eficazmente las fluctuaciones sistemáticas. Basándose en la lógica de gestión de los costos operativos estándar en los sistemas eléctricos, este estudio supera la única dimensión de la previsión financiera tradicional, que depende únicamente de los flujos de efectivo históricos, y en su lugar reconstruye la ingeniería de características a partir de cuatro límites fundamentales: escala de activos físicos, condiciones de operación y mantenimiento, evolución macroeconómica y entorno climático externo, utilizando registros operativos originales y libros contables de sistemas externos. En el proceso real de modelado, para más de 130 indicadores originales resultantes de la integración de sistemas múltiples, este estudio emplea pruebas de correlación de Pearson para eliminar variables redundantes altamente colineales, con un umbral de |r| > 0,85. Con base en el conocimiento previo de expertos senior en redes eléctricas, se seleccionan finalmente 42 características principales de entrada para formar la matriz de características X_t. Para presentar claramente la estructura y distribución subyacentes de los datos del tensor de entrada, Tabla 2 selecciona 12 características principales representativas de las cuatro dimensiones de evaluación anteriores y resume sus estadísticas descriptivas durante el período de observación.

Para ilustrar mejor la base espacial y topológica del sistema de características multifuente, Figura 3 presenta una topología esquemática anonimizada de la red eléctrica provincial objeto de estudio. La figura superpone subestaciones por nivel de voltaje, corredores de transmisión, agrupaciones distribuidas de energías renovables, centros de carga y zonas representativas de perturbaciones ambientales. Esta topología ayuda a explicar por qué los costos de producción y operación se ven afectados conjuntamente por la escala de los activos, la estructura de la red, la intensidad de las reparaciones de emergencia y los impactos climáticos externos. Asimismo, proporciona una base de interpretación espacial para las variables impulsoras de residuos utilizadas en el módulo de compensación XGBoost.

Tabla 2 muestra que las variables explicativas de distintas dimensiones empresariales presentan formas estadísticas claramente diferentes. Las variables de activos físicos que representan dinámicas endógenas del desarrollo empresarial, como la capacidad de subestaciones y la longitud de líneas, tienen desviaciones estándar relativamente estables y valores de asimetría concentrados entre 0,1 y 0,8. Su estructura general de datos se distribuye aproximadamente de forma normal, reflejando objetivamente el atributo de un desarrollo estable de la red eléctrica durante el ciclo de construcción de infraestructuras. En marcado contraste están las variables meteorológicas y de perturbación ambiental externa en la parte inferior de la tabla. Por ejemplo, el número acumulado de días con temperaturas extremas que han alcanzado el nivel de alerta en los últimos 90 días y el índice de impacto por interrupciones en las líneas presentan una asimetría marcadamente positiva, con valores de 2,15 y 2,45, respectivamente. Esta distribución típicamente de cola pesada confirma un punto crítico objetivo que no puede ignorarse en la operación y mantenimiento reales de la red eléctrica: aunque los desastres meteorológicos extremos ocurren con relativa infrecuencia dentro de una escala temporal anual, cuando se desencadenan suelen provocar aumentos exponenciales en la mano de obra de reparación y en el consumo de repuestos. Desde otra perspectiva, la alta no uniformidad y la asimetría de valores extremos en la distribución de estas características multifuente revelan las limitaciones teóricas de los modelos tradicionales de series temporales lineales, como ARIMAX, que se basan en supuestos de normalidad y homocedasticidad al rastrear costos complejos de la red eléctrica. Esto no solo refuerza aún más la racionalidad de introducir un módulo de aprendizaje automático más allá de la base contable física, sino que también proporciona un sólido respaldo estadístico para la selección en este artículo del modelo de árboles XGBoost, capaz de manejar eficientemente distribuciones dispersas de características y mapeos no lineales para aproximar los residuos de costos.

Configuración del sistema de optimización y evaluación de hiperparámetros

Después de determinar el espacio de entrada de características, la configuración de los hiperparámetros del modelo afecta directamente el rendimiento de ajuste de la red de aproximación residual. Dado que la red de compensación XGBoost incluye múltiples parámetros, como la profundidad del árbol (max depth), la tasa de aprendizaje y los términos de penalización de regularización, y estos parámetros presentan interacciones no lineales, la búsqueda convencional por cuadrícula no solo tiene una alta complejidad computacional, sino que también tiende a quedar atrapada en mínimos locales en espacios de alta dimensión. Por lo tanto, este estudio introduce el estimador parzen estructurado en árbol (Tree-structured Parzen Estimator, TPE), un método de optimización bayesiana, en el proceso de ajuste de parámetros. El algoritmo TPE puede guiar dinámicamente las direcciones de muestreo posteriores utilizando la retroalimentación de la función de pérdida obtenida en evaluaciones previas. Al construir una estimación de densidad de kernel posterior (KDE) de la variable objetivo, reduce de forma adaptativa el espacio de búsqueda de parámetros, permitiendo que el modelo se aproxime a la configuración óptima global de hiperparámetros sin incurrir en un alto costo computacional. El objetivo de optimización TPE fue minimizar el RMSE de validación durante 100 iteraciones, con detención anticipada tras 50 rondas sin mejora.

Después de completar la optimización de parámetros en el conjunto de validación interno, para evaluar objetivamente el rendimiento final de cada modelo en el conjunto de prueba fuera de la muestra y cumplir con los requisitos de evaluación cuantitativa de los reguladores para la verificación de costos, este estudio utiliza el error porcentual absoluto medio (MAPE) para cuantificar la desviación relativa en la secuencia predicha. Mientras tanto, para abordar la necesidad práctica de controlar fallos extremos en la predicción de costos durante las operaciones, también se introduce el error cuadrático medio (RMSE) para imponer penalizaciones más severas a los errores mayores. Finalmente, el coeficiente de determinación, R², cuantifica el poder explicativo general de la regresión en relación con la varianza real del objetivo.

Las definiciones matemáticas de los indicadores son las siguientes:

Fórmula del error porcentual absoluto medio (MAPE); análisis estadístico; cálculo de la medición del error. (12)

Ecuación del Error Cuadrático Medio (RMSE); medición de error estadístico; ilustración de fórmula. (13)

Fórmula de R² para el análisis de regresión estadística; diagrama de ecuación para la evaluación de la precisión del ajuste de datos. (14)

donde Ecuación del esfuerzo de flujo dinámico, C_actual,t, símbolo en expresión matemática, mecánica de materiales. representa el costo real de producción y operación en el período t, $Ecuación de concentración total con sombreros, $ \hat{C}_{total,t} $, en contexto de análisis científico.$ representa el costo predicho por el modelo, Ecuación en notación vectorial, C_actual, con una flecha encima de la C, relacionada con conceptos de física. representa el costo real promedio en la muestra de prueba, y N es el número de muestras en el conjunto de prueba.

Resultados

Comparación panorámica con reducción de dimensionalidad de la precisión de predicción

Cuando todos los modelos optimizados mediante el estimador parzen con estructura de árbol (Tree-structured Parzen Estimator, TPE) se evaluaron en el conjunto de prueba fuera de la muestra de 2023–2025, que incluyó fluctuaciones posteriores a la recuperación pandémica y eventos extremos de alta temperatura, fue posible comparar de forma objetiva el desempeño de los algoritmos de predicción convencionales. Para llevar a cabo una evaluación rigurosa y completa, se incluyeron cuatro modelos de referencia que representan distintos enfoques metodológicos: suavizado exponencial tradicional, representando los métodos convencionales de predicción financiera; SARIMAX, representando modelos lineales de series temporales estacionales; regresión XGBoost independiente, representando un enfoque puramente basado en datos sin restricciones de cuota; y Attention-LSTM, una red de memoria a corto y largo plazo mejorada con mecanismo de atención ampliamente utilizada para la predicción de secuencias largas.

Como se muestra en la Tabla 3, el modelo Quota-ML propuesto superó a todos los modelos de referencia en la predicción de costos de producción y operación durante el período fuera de la muestra 2023–2025. El modelo alcanzó un MAPE del 2,34 %, reduciendo el error de predicción en un 61,8 % en comparación con SARIMAX (6,12 %) y en un 34,1 % respecto al modelo Attention-LSTM (3,55 %). Su RMSE (15,69 millones de CNY) y su MaxAE (23,05 millones de CNY) fueron menos de la mitad que los del siguiente modelo neuronal más competente, mientras que un valor de R² de 0,957 indicó que el modelo explicó más del 95 % de la varianza en los costos observados. Estos resultados demuestran que la integración de cuotas de costos de ingeniería, evolución dinámica de cuotas y compensación de residuos basada en XGBoost mejora sustancialmente tanto la precisión como la robustez de la predicción en comparación con los métodos tradicionales de series temporales y los modelos puramente basados en datos.

Como se ilustra en la Figura 4, los costos reales de producción y operación mostraron claras fluctuaciones estacionales y varios períodos pronunciados de picos durante el intervalo de prueba. En particular, los costos aumentaron bruscamente durante los eventos de temperaturas extremadamente altas de julio y agosto de 2024. Aunque el modelo Attention-LSTM capturó la tendencia estacional general, sus predicciones fueron relativamente suaves y subestimaron los aumentos repentinos de costos asociados con reparaciones de emergencia, alta carga de equipos y mayor consumo de suministros de emergencia. El modelo XGBoost independiente respondió de manera más efectiva a las fluctuaciones locales, pero se desvió de la trayectoria observada durante varios meses porque carecía de restricciones de cuotas técnicas. En contraste, el modelo Quota-ML propuesto siguió de cerca la trayectoria de costos observada durante todo el período de prueba y reprodujo con precisión tanto el aumento de costos del verano de 2024 como el pico secundario del verano de 2025.

El rendimiento superior del modelo Quota-ML demuestra la ventaja de combinar las cuotas de costos de ingeniería con una corrección basada en aprendizaje automático. La cuota dinámica de referencia proporciona una base físicamente interpretable que refleja la evolución de los activos de la red eléctrica y las cargas operativas, evitando un aprendizaje sin restricciones a partir de series temporales financieras limitadas. La red de compensación de residuos se centra luego en las perturbaciones no lineales difíciles de representar únicamente mediante reglas de cuotas de ingeniería, incluyendo eventos meteorológicos, picos en órdenes de mantenimiento y cambios relacionados con políticas. En consecuencia, el modelo propuesto alcanzó el MAPE y el RMSE más bajos entre todos los métodos evaluados (Tabla 3) y ofreció el seguimiento más preciso de los picos estacionales de costos y eventos extremos (Figura 4), demostrando su idoneidad para la previsión de costos operativos y de producción a largo plazo.

Validación mediante ablación de componentes arquitectónicos fundamentales

En un marco híbrido complejo que comprende submódulos anidados, la preocupación académica principal suele centrarse en si el modelo padece de "sobrediseño". Es necesario realizar experimentos internos de ablación mediante la eliminación de componentes clave para explorar las verdaderas interrelaciones y niveles de contribución de cada módulo. Este estudio establece dos trayectorias de degradación para la arquitectura. Primero, la Estructura A, que elimina el mecanismo de evolución dinámica: la línea base de cuota se confina forzosamente a estándares físicos estáticos del pasado, eliminando la penetración de los factores acumulativos de inflación macroeconómica y de deflación por progreso tecnológico de los últimos años, y únicamente se conecta la línea base estática histórica Ecuaciones estáticas de equilibrio, C_base,t; fórmula matemática para la estabilidad; diagrama educativo. a la red residual. Segundo, la Estructura B, que elimina el módulo residual no lineal de seguimiento: el modelo degenera completamente en un enfoque actuarial, interrumpiendo el bucle de captura de fluctuaciones aleatorias guiado por inteligencia artificial y tomando directamente el valor puro de cálculo dinámico de cuota Ecuación de cromatografía, C_cuota,t, análisis de ajuste espectral, diagrama de investigación científica. , tras la corrección por entorno macroeconómico, como salida final. La razón de pérdida de varianza explicada se calcula en función de la disminución relativa en R² entre el modelo completo y el modelo degradado, definida como:

Fórmula de la pérdida de varianza explicada; análisis estadístico; método de cálculo de R²; interpretación de datos. (15)

Tabla 4’s un estudio de ablación revela que ambos componentes del marco propuesto contribuyen significativamente a la precisión de las predicciones, pero la compensación residual basada en aprendizaje automático desempeña un papel más crítico. Eliminar el mecanismo de evolución dinámica para el precio y la tecnología (variante A) aumenta el MAPE a 4,15 % (un deterioro de 1,81 puntos porcentuales) y reduce la R² a 0,837, explicando un 12,5 % menos de varianza que el modelo completo. En contraste, eliminar la compensación del residuo de ML (Variante B) provoca una disminución mucho más pronunciada: el MAPE aumenta al 5,62 % (+3,28 puntos porcentuales), R² disminuye a 0,686, y la proporción de pérdida de varianza explicada alcanza el 28,3 %. Estos resultados demuestran que, aunque la actualización dinámica de cuotas mejora la precisión de la línea base, la corrección de residuos basada en XGBoost es indispensable para capturar los factores de costo no lineales, formando conjuntamente una arquitectura híbrida sinérgica.

Para facilitar la comparación del rendimiento del modelo entre los experimentos de ablación, se construyó un gráfico radial normalizado para visualizar cinco métricas de evaluación: MAPE, RMSE, R², MaxAE y robustez. Las métricas basadas en errores (MAPE, RMSE y MaxAE) se normalizaron de forma inversa, de modo que errores menores correspondieran a puntuaciones más altas, mientras que las métricas positivas (R² y robustez) se normalizaron de forma que valores más altos correspondieran a puntuaciones más altas. Tras la normalización, todos los indicadores representan puntuaciones de rendimiento comparables, donde valores más cercanos al límite exterior indican un rendimiento general superior.

Como se muestra en la Figura 5, el modelo completo Quota-ML obtuvo puntajes consistentemente altos en las cinco dimensiones de rendimiento, formando el perfil de radar más grande y equilibrado. Este resultado indica que el marco propuesto proporciona un equilibrio efectivo entre el control del error relativo, la precisión general de la predicción, el poder explicativo, la supresión de errores extremos y la robustez bajo condiciones operativas variables.

En contraste, la Variante A, que excluyó el mecanismo de evolución dinámica de cuotas pero mantuvo la compensación basada en aprendizaje automático, mostró una reducción notable en el rendimiento general. Este hallazgo sugiere que una línea base estática de cuotas por sí sola no puede explicar adecuadamente los cambios estructurales provocados por las fluctuaciones de los precios de las materias primas y el progreso tecnológico. Se observó un deterioro aún mayor en el rendimiento para la Variante B, en la cual se eliminó el módulo de compensación residual y la predicción dependía únicamente de la línea base dinámica de cuotas. En este caso, el rendimiento decayó sustancialmente, particularmente en métricas relacionadas con el error y la robustez.

Como se resume en la Tabla 4, el MAPE de la Variante B aumentó del 2,34 % para el modelo completo al 5,62 %, lo que representa un incremento de 3,28 puntos porcentuales, mientras que el valor de R² disminuyó en un 28,3 %. Estos resultados indican que, aunque el modelo de cuota dinámica incorpora ajustes de eficiencia impulsados por la tecnología y la inflación macroeconómica, no puede captar completamente las variaciones bruscas de costos asociadas con fenómenos meteorológicos extremos, mantenimiento de emergencia, cambios en las políticas y condiciones operativas anormales.

En general, el análisis de ablación demuestra que ambos componentes principales del marco propuesto son esenciales. El mecanismo de evolución dinámica de cuotas adapta la referencia de ingeniería a los cambios en las condiciones macroeconómicas y el progreso tecnológico, mientras que el módulo de compensación de residuos basado en aprendizaje automático captura desviaciones no lineales que no pueden representarse explícitamente mediante reglas de cuota de ingeniería. Juntos, estos componentes complementarios forman un marco integrado de predicción que combina una referencia de cuota físicamente interpretable con un aprendizaje impulsado por datos para lograr pronósticos precisos y robustos de costos a largo plazo.

Validación de la interpretabilidad del modelo de compensación residual

Aunque la comparación de precisión en las predicciones y los experimentos de ablación demostraron la importancia del módulo de compensación de residuos basado en aprendizaje automático, las métricas de error por sí solas no pueden determinar si las relaciones no lineales capturadas tienen interpretaciones físicas u operativas significativas. Por lo tanto, se aplicó SHAP (explicaciones aditivas de Shapley) para interpretar el modelo de residuos XGBoost⁴⁰. SHAP ha sido ampliamente adoptado para explicar modelos de aprendizaje automático en la predicción de energía y potencia, así como en sistemas complejos relacionados⁴¹^,⁴². Al cuantificar la contribución de cada característica de entrada a las predicciones del modelo, SHAP permite evaluar si los patrones de residuos aprendidos son coherentes con el conocimiento ingenieril.

Como se muestra en la Figura 6, las variables externas de perturbación, incluido el número acumulado de días con temperatura alta a nivel de advertencia durante los últimos 90 días, el índice de interrupciones en líneas relacionadas con convección severa y tifones, la duración de lluvia helada y nieve, y el número de eventos de reparación no planificados, presentaron valores SHAP fuertemente positivos. Las muestras con valores altos para estas variables se concentraron en la región SHAP positiva, lo que indica que las condiciones climáticas extremas y las actividades de mantenimiento de emergencia aumentaron consistentemente los costos reales por encima de la línea base del cupo dinámico. Estos hallazgos demuestran que el módulo de compensación residual captura perturbaciones ambientales y operativas significativas, y no simplemente ajusta ruido aleatorio.

Varias variables adicionales, incluida la duración de operación con carga pesada, el índice de precios de metales PPI, la proporción de inversión digital, la capacidad instalada de fotovoltaicos distribuidos y la longitud de las líneas de transmisión, también mostraron contribuciones sustanciales a las predicciones residuales. Estos resultados indican que las desviaciones respecto a la línea base de cuota están influidas conjuntamente por eventos climáticos a corto plazo, expansión de activos, transmisión de precios de materias primas, transformación del sistema eléctrico y digitalización. En particular, la proporción de inversión digital contribuyó positivamente a los costos residuales en algunas observaciones, lo que sugiere que la transformación digital en etapas iniciales puede aumentar temporalmente los gastos debido a la integración de sistemas, mantenimiento de plataformas y funcionamiento paralelo de sistemas heredados y recién implementados. En conjunto, el análisis SHAP valida la interpretabilidad empresarial del módulo de compensación residual y proporciona apoyo empírico para comprender los impactos de los eventos climáticos extremos y la transformación digital sobre los costos de producción y operación.

Prueba de significación estadística de mejoras en las predicciones

Para determinar si las mejoras en las predicciones logradas por el marco propuesto eran estadísticamente significativas, se realizaron pruebas formales de comparación de pronósticos. Siguiendo la práctica establecida en la previsión energética y la econometría, se utilizó la prueba de Diebold–Mariano (DM) para comparar la precisión predictiva del modelo propuesto con cada referencia. La prueba DM es especialmente adecuada para la previsión de series temporales porque tiene en cuenta la autocorrelación en los errores de predicción sin requerir residuos normalmente distribuidos.

Para cada comparación, la hipótesis nula asumía que los modelos propuesto y de referencia tenían una precisión predictiva igual, mientras que la hipótesis alternativa asumía que el modelo propuesto generaba errores de pronóstico más bajos. Se realizaron pruebas DM unilaterales utilizando el error cuadrático de pronóstico como función de pérdida. Para tener en cuenta la heterocedasticidad y la autocorrelación en la serie de diferencias de pérdida, se aplicaron errores estándar de Newey-West con selección automática de rezagos. Además, se realizó la prueba de rangos con signo de Wilcoxon como alternativa no paramétrica que no depende de supuestos distribucionales. Juntas, estas pruebas complementarias proporcionan una evaluación robusta de la significancia estadística de las mejoras observadas en los pronósticos.

Como se resume en la Tabla 5, el marco de predicción propuesto logró mejoras estadísticamente significativas frente a todos los modelos de referencia. Las estadísticas DM positivas indican errores de predicción consistentemente más bajos que los enfoques comparados. La mejora más grande se observó en relación con el modelo ARIMA (DM = 3,842, p < 0,001), lo que demuestra la ventaja de incorporar cuotas de costos de ingeniería en el marco de predicción. En comparación con ARIMAX, que incluye variables exógenas, el modelo propuesto también mostró una mejora significativa (DM = 3,215, p < 0,001), destacando el valor adicional de combinar una base de cuotas dinámica con una compensación de residuos basada en aprendizaje automático.

El modelo propuesto también superó significativamente a las referencias basadas en aprendizaje profundo. Las mejoras en la predicción fueron significativas en comparación con el modelo LSTM (DM = 2,876, p = 0,002) y con el modelo Transformer (DM = 2,543, p = 0,011). Aunque la mejora respecto al modelo XGBoost independiente fue menor (DM = 2,187, p = 0,029), esta siguió siendo estadísticamente significativa. Dado que ambos modelos emplean aprendizaje basado en árboles, este resultado demuestra que la integración de la referencia dinámica de cuota aporta un valor predictivo adicional más allá de un enfoque puramente basado en datos. La prueba de rangos con signo de Wilcoxon produjo niveles de significancia consistentes con los de la prueba DM, lo que proporciona evidencia adicional de que las mejoras en la predicción del marco propuesto son estadísticamente robustas.

DISPONIBILIDAD DE LOS DATOS:

Los conjuntos de datos utilizados en este estudio se han cargado en un repositorio público (DOI: https://doi.org/10.5281/zenodo.21645584).

Diagrama del proceso de gestión de activos de red; activos, cuotas de trabajo, cuentas de costos y pronóstico de demanda.
Figura 1: Relación entre los activos de la red eléctrica, las cuotas estándar de operación y las cuentas de costos. Esta figura muestra que las cuotas de costos no son simplemente reglas abstractas de asignación financiera, sino unidades contables estandarizadas integradas en todo el proceso de operación y mantenimiento de los activos de la red eléctrica. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama de estabilidad de la red eléctrica con riesgos de alta temperatura, tifones y lluvia helada; zonas críticas de emergencia señaladas.
Figura 3: Topología esquemática anónima de la red eléctrica provincial estudiada y capas de perturbaciones que inciden en los costos. Esta figura presenta una topología esquemática anónima de la red eléctrica provincial estudiada. La figura superpone subestaciones por niveles de voltaje, corredores de transmisión, agrupaciones distribuidas de energías renovables, centros de carga y zonas representativas de perturbaciones ambientales. Haga clic aquí para ver una versión ampliada de esta figura.

Gráfico de comparación de costos operativos, 2023-2025. Modelos: Attention-LSTM, XGBoost, análisis Quota-ML.
Figura 4: Trayectorias de predicción de los modelos principales y costos reales durante el intervalo de prueba fuera de la muestra 2023–2025. Esta figura muestra que los costos reales de producción y operación durante el período de prueba presentan fluctuaciones estacionales claras y picos repentinos. Durante el choque de temperaturas extremadamente altas en julio y agosto de 2024, los costos reales aumentaron significativamente. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de radar que compara MAPE, RMSE, R², MaxAE y robustez de tres variantes del modelo de ML.
Figura 5: Comparación normalizada del rendimiento en la predicción entre variantes de ablación. Los gráficos de radar comparan el rendimiento normalizado del modelo completo Quota-ML y dos variantes de ablación utilizando cinco métricas de evaluación: puntuación MAPE, puntuación RMSE, puntuación R², puntuación MaxAE y puntuación de robustez. Las métricas basadas en errores (MAPE, RMSE y MaxAE) se normalizaron inversamente, de modo que puntuaciones más altas indican errores de predicción menores, mientras que R² y la robustez se normalizaron de forma que puntuaciones más altas indican un mejor rendimiento del modelo. El perfil de radar más amplio del modelo completo Quota-ML demuestra un rendimiento general superior en la predicción en comparación con ambas variantes de ablación. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de valores SHAP del análisis de impacto de características en la estabilidad de la red eléctrica; visualización y análisis de datos.
Figura 6: Gráfico resumen de SHAP que muestra las contribuciones de las características a la predicción del costo residual. Gráfico resumen de SHAP (Explicaciones Aditivas de Shapley) que ilustra las contribuciones de las variables más influyentes al modelo de compensación residual XGBoost. Cada punto representa una observación, donde el color indica el valor de la característica (azul = bajo; rojo = alto) y la posición horizontal representa el valor SHAP. Valores más altos de características como días de calor extremo, índice de interrupciones por tifón, duración de tormentas de hielo y eventos de reparación no planificados se asocian generalmente con valores SHAP más positivos, lo que indica mayores costos residuales de producción y operación. El gráfico demuestra que tanto las perturbaciones ambientales como los factores operativos contribuyen sustancialmente a las desviaciones respecto a la línea base de cuota dinámica. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Descripción de las variables y parámetros fundamentales del modelo. Esta tabla presenta las variables clave del modelo propuesto de pronóstico de costos Cuota-ML, distinguiendo entre costos reales y pronosticados; límites de cuota estáticos y dinámicos; parámetros de carga de trabajo y de cuota; factores de ajuste macroeconómicos (IPM y progreso tecnológico); y componentes residuales. Haga clic aquí para descargar esta tabla.

Tabla 2: Clasificación y estadísticas descriptivas de las características principales de entrada del modelo de predicción.
Esta tabla muestra que las variables explicativas de distintas dimensiones empresariales presentan formas estadísticas diferentes. Esta tabla resume las estadísticas descriptivas de variables representativas de activos físicos, operativas, macroeconómicas y ambientales utilizadas como entradas del modelo. Haga clic aquí para descargar esta tabla.

Modelos	MAPE %	RMSE (CNY, Millones)	Ajuste R²	MaxAE (CNY, Millones)
Suavizado exponencial tradicional	8.75	54.22	0.651	125.04
Modelo de series temporales SARIMAX	6.12	38.54	0.768	84.21
Regresión XGBoost pura	4.38	29.16	0.852	51.06
Red neuronal Attention-LSTM	3.55	24.02	0.894	40.53
Modelo Quota-ML propuesto	2.34	15.69	0.957	23.05

Tabla 3: Comparación general del rendimiento de diferentes modelos en el conjunto de prueba fuera de la muestra 2023–2025. Esta tabla demuestra que el modelo Quota-ML propuesto supera significativamente a todos los modelos de referencia en la predicción de la producción y los costos de operación de la red eléctrica durante el período fuera de la muestra 2023–2025.

Variante Experimental	Componente Central Eliminado	Rendimiento de Degradación del MAPE	R²	Relación de Pérdida de Varianza Explicada
Variante A	Sin evolución dinámica de precio/tecnología	4.15% (+1.81 p.p.)	0.837	12.50%
Variante B	Sin compensación de residuos de ML	5.62% (+3.28 p.p.)	0.686	28.30%
Modelo Completo	Marco Cuota-ML Propuesto Completo	2.34%	0.957	Referencia

Tabla 4: Resultados del experimento de ablación del marco integrado cuota-aprendizaje automático. Esta tabla muestra que ambos componentes del marco propuesto contribuyen significativamente a la precisión de las predicciones, aunque la compensación de residuos mediante aprendizaje automático desempeña un papel más crítico.

Comparación	Prueba de Diebold-Mariano	Prueba de rangos con signo de Wilcoxon
Modelo propuesto vs. ARIMA	DM = 3.842*** (p < 0.001)	W = 486.0*** (p < 0.001)
Modelo propuesto vs. ARIMAX	DM = 3.215*** (p < 0.001)	W = 452.0*** (p < 0.001)
Modelo propuesto vs. LSTM	DM = 2.876** (p = 0.002)	W = 398.0** (p = 0.003)
Modelo propuesto vs. Transformer	DM = 2.543* (p = 0.011)	W = 364.0* (p = 0.014)
Modelo propuesto vs. XGBoost (aprendizaje automático puro)	DM = 2.187* (p = 0.029)	W = 328.0* (p = 0.031)

Tabla 5: Resultados de las pruebas de significancia estadística para las comparaciones de pronósticos. El estadístico de prueba de Diebold-Mariano sigue una distribución normal estándar bajo la hipótesis nula. Los valores positivos de DM indican una mayor precisión del pronóstico del modelo propuesto. Todas las pruebas son unilaterales, con la hipótesis alternativa de que el modelo propuesto tiene un error de pronóstico menor que el modelo de referencia. Se reporta el estadístico W de la prueba de rangos con signo de Wilcoxon junto con los valores p correspondientes. Función de pérdida = error cuadrático del pronóstico.

Discusión

Este estudio demuestra que la integración de cuotas de costos industriales con aprendizaje automático proporciona un marco interpretable y preciso para la previsión de costos a largo plazo en redes eléctricas. Los resultados muestran que las variables relacionadas con el clima, particularmente los días de temperaturas extremadamente altas y los índices de impacto por desconexiones en líneas, son los factores dominantes de los residuos de costos, destacando la creciente influencia de las perturbaciones externas en los gastos de las empresas de servicios públicos. Estos hallazgos sugieren que los costos relacionados con el clima no deberían seguir considerándose gastos operativos incidentales, sino que deben incorporarse a reservas de contingencia específicas, cuya activación esté vinculada a riesgos climáticos pronosticados. La identificación del impacto por desconexiones en líneas como uno de los principales factores que determinan los costos subraya aún más el valor de las estrategias de mantenimiento predictivo y de monitoreo de condiciones para reducir tanto las interrupciones operativas como la volatilidad de costos.

El análisis también revela que la transformación digital puede aumentar los costos operativos durante las etapas iniciales de implementación debido a la operación dual transitoria de los sistemas, en lugar de obtener ganancias inmediatas de eficiencia. Este hallazgo sugiere que las empresas de servicios deben evaluar las inversiones digitales mediante una evaluación del costo del ciclo de vida, en lugar del desempeño financiero a corto plazo, y deben anticipar solapamientos temporales de costos al implementar monitoreo inteligente, gestión avanzada de distribución o subestaciones digitales. El marco propuesto de compensación residual también podría ampliarse para estimar el punto en el que las inversiones digitales comienzan a generar ahorros netos de costos, apoyando así una planificación tecnológica y decisiones de inversión más efectivas.

Más allá de las operaciones de servicios públicos, el marco propuesto tiene importantes implicaciones regulatorias. Al cuantificar los efectos de los factores externos sobre los residuos de costos, el modelo proporciona una base objetiva para establecer reservas de contingencia ajustadas al clima y para evaluar las solicitudes presupuestarias de las empresas de servicios. La separación de los costos basados en cuotas de referencia de los residuos provocados por perturbaciones también favorece una regulación más eficaz basada en el desempeño, al distinguir entre la eficiencia operativa controlable y los impactos externos incontrolables. Además, el marco de pronóstico basado en cuotas ofrece una mayor transparencia y posibilidad de auditoría en comparación con modelos puramente estadísticos o de inteligencia artificial opacos, permitiendo vincular directamente los costos pronosticados con las condiciones operativas físicas y los parámetros de ingeniería durante las revisiones de tarifas y las audiencias regulatorias.

Se deben reconocer varias limitaciones. El análisis empírico se basa en una única red eléctrica provincial en el este de China, lo que podría limitar la generalización a regiones con condiciones climáticas, entornos regulatorios o estructuras de red diferentes. Aunque el conjunto de datos de 192 meses es suficiente para el modelo XGBoost, sigue siendo relativamente pequeño para capturar eventos poco frecuentes pero de alto impacto, y el desempeño del pronóstico depende de la calidad y consistencia de las bases de datos subyacentes de cuotas de costos. Además, el mecanismo dinámico de cuotas depende del índice agregado de precios al productor y de factores de progreso tecnológico que podrían no captar completamente las variaciones regionales o específicas de componentes en los costos. Aunque el análisis SHAP mejora la interpretabilidad del modelo, las contribuciones de características reportadas representan asociaciones predictivas y no relaciones causales, y por lo tanto deben interpretarse con la debida precaución.

La investigación futura debería centrarse en la integración de registros de mantenimiento no estructurados mediante modelos lingüísticos grandes específicos del dominio, en la incorporación de redes neuronales gráficas espacio-temporales para capturar la propagación de perturbaciones a través de redes interconectadas, en la extensión de la validación a múltiples regiones para mejorar la generalización, y en la introducción de la cuantificación de incertidumbre para apoyar la toma de decisiones regulatorias con conciencia de riesgo. Estos avances son coherentes con los recientes progresos en la predicción energética a mediano y largo plazo y en la integración de energías renovables, que enfatizan la importancia de combinar inteligencia basada en datos con marcos de modelado informados físicamente para la operación confiable de sistemas eléctricos⁴³^,⁴⁴.

Divulgaciones

Todos los autores declaran que no tienen conflictos de intereses.

CONTRIBUCIÓN DE LOS AUTORES:
Xiaohui Wang concibió y diseñó el estudio, desarrolló la metodología, realizó el análisis formal y redactó el manuscrito original. Tong Li contribuyó a la curación de datos, implementación de software y validación. Yanchao Lu contribuyó al desarrollo de la metodología, investigación e interpretación de datos. Quanfeng Lv proporcionó recursos, supervisó la adquisición de datos y revisó críticamente el manuscrito. Fan Liu supervisó el proyecto, contribuyó a la conceptualización e interpretación de los resultados, obtuvo financiamiento y revisó críticamente el manuscrito. Todos los autores revisaron y aprobaron la versión final del manuscrito

Agradecimientos

Este trabajo fue apoyado por el Proyecto Tecnológico de la Corporación Estatal de Redes Eléctricas de China, con el nombre de "Investigación sobre Análisis de Asignación de Costos de Producción y Operación y Tecnología de Optimización Asíncrona" (Número de proyecto: 520600250029-183-ZN).

Materiales

Lista de materiales utilizados en este artículo
Nombre	Empresa	Número de catálogo	Comentarios
Conjunto de datos anónimos de contabilidad mensual de E-Grid	Red eléctrica provincial del este de China	N/A	Conjunto de datos anónimos mensuales de producción y costos operativos (2010–2025) compuesto por 192 observaciones, incluyendo datos de activos físicos, operación y mantenimiento, macroeconómicos y ambientales. Utilizado para el desarrollo del modelo (156 observaciones) y pruebas fuera de la muestra (36 observaciones).
Biblioteca de trazado Matplotlib	Equipo de desarrollo de Matplotlib	3.5.2	Utilizada para generar figuras del manuscrito y salidas gráficas, incluyendo gráficos de desempeño del modelo, visualizaciones de topología, diagnósticos de residuos, gráficos radiales y resúmenes visuales relacionados con SHAP.
Biblioteca de cálculo numérico NumPy	Desarrolladores de NumPy	1.22.3	Utilizada para operaciones numéricas con arreglos, cálculos matriciales y control de reproducibilidad. Se aplicó una semilla aleatoria fija de 42 cuando fue relevante.
Biblioteca de manipulación de datos Pandas	Equipo de desarrollo de pandas	1.4.2	Utilizada para importación, integración, reestructuración, filtrado y preprocesamiento de datos, incluyendo imputación de valores faltantes, alineación de series temporales y preparación de variables de entrada del modelo.
Ambiente de programación Python	Fundación Python Software	3.9.13	Ambiente de programación utilizado para implementar todo el flujo de trabajo de pronóstico, incluyendo preprocesamiento de datos, ingeniería de características, entrenamiento del modelo, optimización de hiperparámetros, predicción, pruebas estadísticas y evaluación del desempeño.
Biblioteca de aprendizaje automático Scikit-learn	Colaboradores de scikit-learn	1.0.2	Utilizada para preprocesamiento de datos, división entre entrenamiento y validación, evaluación de modelos auxiliares y procedimientos estadísticos, incluyendo análisis de correlación de Pearson y cálculo de métricas de desempeño seleccionadas.
Biblioteca de cálculo científico SciPy	Colaboradores de SciPy	1.9.0	Utilizada para cálculos estadísticos, incluyendo análisis de correlación de Pearson y procedimientos auxiliares para el tratamiento de valores atípicos y winsorización.
Implementación del Estimador de Parzen con estructura de árbol	Colaboradores de Optuna	3.1.0	Implementación de optimización bayesiana utilizada para ajustar los hiperparámetros de XGBoost, incluyendo profundidad máxima del árbol, tasa de aprendizaje y parámetros de regularización. El Estimador de Parzen con estructura de árbol se implementó mediante el paquete de código abierto Optuna.
Biblioteca de software XGBoost	DMLC / Colaboradores de XGBoost	1.7.1	Biblioteca de aprendizaje conjunto basada en árboles de decisión utilizada para compensación no lineal de residuos. El modelo implementó una función objetivo regularizada con pérdida Huber y penalizaciones por complejidad del árbol, como se describe en las Ecuaciones 7–9.

Referencias

Rao H, Li J, Sun X. Demand forecasting and allocation optimization of green power grid supply chain based on machine learning algorithm: A study based on the whole-process data of power grid materials. Sustainability. 2025;17(3):1247.
Huang C, et al. Demand response for industrial micro-grid considering photovoltaic power uncertainty and battery operational cost. IEEE Trans Smart Grid. 2021;12(4):3043-3055.
Phuangpornpitak N, Prommee W. A study of load demand forecasting models in electric power system operation and planning. GMSARN Int J. 2016;10:19-24.
Nasir J, et al. A hybrid LMD–ARIMA–machine learning framework for enhanced forecasting of financial time series: Evidence from the NASDAQ Composite Index. Mathematics. 2025;13(15):2389.
Matos C, et al. Model for integrating the electricity cost consumption and power demand into aggregate production planning. Appl Sci. 2022;12(15):7577.
Valenzuela J, Mazumdar M, Kapoor A. Influence of temperature and load forecast uncertainty on estimates of power generation production costs. IEEE Trans Power Syst. 2000;15(2):668-674.
Khan F, et al. A hybrid vector autoregressive model for accurate macroeconomic forecasting: An application to the US economy. Mathematics. 2025;13(11):1706.
Fatema I, Kong X, Fang G. Electricity demand and price forecasting model for sustainable smart grid using comprehensive long short-term memory. Int J Sustain Eng. 2021;14(6):1714-1732.
Singh AK, Ibraheem SK, Muazzam M, Chaturvedi DK. An overview of electricity demand forecasting techniques. Netw Complex Syst. 2013;3(3):38-48.
Iftikhar H, et al. A novel hybrid framework for forecasting stock indices based on nonlinear time series models. Comput Stat. 2025;40(8):4163-4186.
Jiang P, Li R, Lu H, Zhang X. Modeling of electricity demand forecast for power system. Neural Comput Appl. 2020;32(11):6857-6875.
Chan SC, et al. Load/price forecasting and managing demand response for smart grids: Methodologies and challenges. IEEE Signal Process Mag. 2012;29(5):68-85.
Hernandez L, et al. A survey on electric power demand forecasting: Future trends in smart grids, microgrids and smart buildings. IEEE Commun Surv Tutor. 2014;16(3):1460-1495.
Zareipour H, Canizares CA, Bhattacharya K. Economic impact of electricity market price forecasting errors: A demand-side analysis. IEEE Trans Power Syst. 2009;25(1):254-262.
Botterud A. Forecasting renewable energy for grid operations. In: Renewable Energy Integration. Academic Press; 2017:133-143.
Mirowski P, Chen S, Ho TK, Yu CN. Demand forecasting in smart grids. Bell Labs Tech J. 2014;18(4):135-158.
Sobu A, Wu G. Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand. In: IEEE PES Innovative Smart Grid Technologies [conference proceedings]. IEEE; 2012. Available at: https://ieeexplore.ieee.org/
Han B, et al. Optimal design of an on-grid microgrid considering long-term load demand forecasting: A case study. Distrib Gener Altern Energy J. 2020;35:345-362.
Tripathy SC. Demand forecasting in a power system. Energy Convers Manag. 1997;38(14):1475-1481.
Adshead NS, Price DH. Demand forecasting and cost performance in a model of a real manufacturing unit. Int J Prod Res. 1987;25(9):1251-1265.
Gellert A, et al. A study on forecasting electricity production and consumption in smart cities and factories. Int J Inf Manage. 2019;49:546-556.
Hernández L, et al. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Commun Mag. 2013;51(1):106-113.
Klingler AL, Teichtmann L. Impacts of a forecast-based operation strategy for grid-connected PV storage systems on profitability and the energy system. Sol Energy. 2017;158:861-868.
Ghalehkhondabi I, Ardjmand E, Weckman GR, Young WA. An overview of energy demand forecasting methods published in 2005–2015. Energy Syst. 2017;8(2):411-447.
Aderibigbe AO, et al. Enhancing energy efficiency with AI: A review of machine learning models in electricity demand forecasting. Eng Sci Technol J. 2023;4(6):341-356.
Arumugham V, et al. An artificial-intelligence-based renewable energy prediction program for demand-side management in smart grids. Sustainability. 2023;15(6):5453.
Dudek G, Piotrowski P, Baczyński D. Intelligent forecasting and optimization in electrical power systems: Advances in models and applications. Energies. 2023;16(7):3024.
Liu N, et al. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids. Appl Energy. 2014;129:336-345.
Mohammad AA, et al. Mathematical and statistical modelling of electricity demand forecasting using artificial neural networks and SARIMA: Implications for energy supply chain planning. Alex Eng J. 2026;139:98-108.
Singh AR, et al. A blockchain-enabled multi-agent deep reinforcement learning framework for real-time demand response in renewable energy grids. Energy Strateg Rev. 2025;62:101905.
Lu R, et al. Data-driven real-time price-based demand response for industrial facilities energy management. Appl Energy. 2021;283:116291.
Kondaiah VY, Saravanan B, Sanjeevikumar P, Khan B. A review on short-term load forecasting models for micro-grid application. J Eng. 2022;2022(7):665-689.
Lee BL, Wilson C, Simshauser P, Majiwa E. Deregulation, efficiency and policy determination: An analysis of Australia's electricity distribution sector. Energy Econ. 2021;98:105210.
Wang Y, et al. Transmission network expansion planning considering wind power and load uncertainties based on multi-agent DDQN. Energies. 2021;14(19):6073.
Ding Q, Zhao H. Study on e-commerce logistics cost control methods in the context of COVID-19 prevention and control. Soft Comput. 2021;25(18):11955-11963.
Duan Y, Xu Z, Chen H, Wang Y. Novel machine learning approach for enhanced smart grid power use and price prediction using advanced Shark Smell-tuned flexible support vector machine. Sci Rep. 2025;15(1):20909.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining [conference proceedings]. San Francisco, CA, USA; 2016. Available at: https://doi.org/10.1145/2939672.2939785
Lin KY, et al. Predictive maintenance in industrial systems: An XGBoost-based approach for failure time estimation and resource optimization. J Ind Prod Eng. 2025;42(8):876-899.
Ajayi OO, Kurien AM, Djouani K, Dieng L. A proactive predictive model for machine failure forecasting. Machines. 2025;13(8):663.
Lundberg SM, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56-67.
Chen H, Gao T, Wang L, Guo P. Explainable machine learning methods for predicting electricity consumption in a long-distance crude oil pipeline. Sci Rep. 2025;15(1):43305.
Neubauer A, Brandt S, Kriegel M. Explainable multi-step heating load forecasting: Using SHAP values and temporal attention mechanisms for enhanced interpretability. Energy AI. 2025;20:100480.
Ahmad T, Chen H. Potential of three variant machine-learning models for forecasting district-level medium-term and long-term energy demand in smart grid environment. Energy. 2018;160:1008-1020.
Masa-Bote D, et al. Improving photovoltaics grid integration through short-time forecasting and self-consumption. Appl Energy. 2014;125:103-113.

Reimpresiones y permisos

Etiquetas

Pronóstico de costos Datos de redes eléctricas Pronóstico basado en cuotas Modelo XGBoost Interpretación SHAP Reforma del mercado eléctrico Tarifas de transmisión Verificación regulatoria de costos Pronóstico mediante aprendizaje automático