Rehana: Otro ejemplo concreto sería un modelo que predice la probabilidad de congestión en un corredor de transmisión para la próxima hora. Los datos de entrada consisten en series temporales de varios parques eólicos y solares, la carga de diferentes zonas y los flujos de los interconectores. Un método clásico de XAI podría limitarse a decirnos: «Los parques eólicos A y B son la característica de mayor importancia para esta previsión». Una explicación causal nos permite dar un paso más Rehana: Sí, el ámbito de los sistemas eléctricos también ha mostrado un interés creciente por los modelos híbridos y los recientes avances en el razonamiento de series temporales (TSR), las redes neuronales basadas en la física (PINN) y las metodologías de aprendizaje por refuerzo que abordan esta necesidad. Estas tendencias emergentes pueden ofrecer alternativas más sólidas y ayudar tanto a los desarrolladores como a las partes interesadas a allá y realizar simulaciones de escenarios contrafactuales como:«¿Qué pasaría si redujéramos el parque eólico A en un 5 % sin cambiar nada más?» En este caso, podríamos ver una caída en la probabilidad de congestión del 40 % al 25 %. Si hiciéramos lo mismo con el parque eólico B, una reducción del 5 % podría rebajar el riesgo solo hasta el 38 %, ya que la mayor parte del flujo de potencia fluye a través de un corredor diferente. Este tipo de explicación se ajusta mucho más directamente a la toma de decisiones operativas, ya que no se limita a indicar a los operadores y planificadores qué señales se correlacionan con el problema. Les indica qué palancas son más eficaces. Bertram: Exactamente. La correlación puede sugerir relaciones, pero no las explica. En entornos dinámicos y de alto riesgo como los sistemas eléctricos, basarse únicamente en explicaciones basadas en la correlación puede llevar a conclusiones erróneas. Aquí es donde los métodos causales se vuelven esenciales. En lugar de limitarnos a preguntar «¿qué variables están asociadas a las sobrecargas?», preguntamos: › «Si intervenimos y restringimos el parque eólico A en un 10 %, ¿cómo cambia eso la probabilidad de congestión en la línea 23?» › «Si aumentamos los precios con un día de antelación en la zona B, ¿en qué medida reducirá eso realmente la carga máxima vespertina, tras tener en cuenta las condiciones meteorológicas y otros factores?» Técnicas como los valores de Shapley causales se basan en esta lógica de «¿qué pasaría si interviniéramos?». Enmarcan su modelo predictivo en un marco causal que distingue los factores que se pueden considerar razonablemente como causas (tales como los puntos de consigna, la potencia despachada o los precios de mercado) de aquellos que son principalmente condiciones de fondo (como las condiciones meteorológicas). Además de indicar qué variables son importantes, revelan en qué medida el cambio activo de esas variables alteraría el riesgo. VOLVER A NUESTRAS RAÍCES PARA FORTALECER NUESTRAS ALAS: FOMENTAR LA CONFIANZA EN LA IA PARA LOS SISTEMAS ELÉCTRICOS Bertram: En interacciones dinámicas más complejas, especialmente las que se dan en sistemas oscilatorios o altamente acoplados, las formas ampliadas de causalidad de Granger y las metodologías modernas, como el descubrimiento causal basado en NeuroKoopman o la coherencia de mapeo cruzado, pueden ayudar a identificar la influencia direccional entre series temporales. Sin embargo, el mensaje clave es que los métodos causales nos ayudan a razonar en términos de intervenciones y contrafactuales, lo cual se acerca mucho más a la forma en que los operadores y planificadores conciben las acciones de control. 34
RkJQdWJsaXNoZXIy NTkxNzY=