Resumen de Aprendizaje continuado para predicciones probabilísticas del consumo de energía
Verónica Álvarez Castro, Santiago Mazuelas Franco 
, José Antonio Lozano Alonso
La predicción del consumo de energía es crucial para múltiples tareas de gestión de energía, como la programación de la capacidad de generación, la planificación de la oferta y la demanda, y la minimización de los costos de comercio de energía. Esta relevancia ha aumentado aún más en los últimos años debido a la integración de energías renovables, coches eléctricos y microrredes. Las técnicas convencionales de predicción de la demanda de energía obtienen predicciones de demanda de energía de un solo valor explotando los patrones de consumo de la demanda de energía pasada. Sin embargo, estas técnicas no pueden evaluar las incertidumbres intrínsecas en la demanda de energía, y no pueden capturar cambios dinámicos en los patrones de consumo. Para abordar estos problemas, este artículo presenta un método que obtiene predicciones probabilísticas de la demanda de energía basado en el aprendizaje adaptativo continuado de modelos ocultos de Markov. Proponemos técnicas de aprendizaje y predicción y evaluamos experimentalmente su rendimiento en múltiples escenarios. En particular, desarrollamos técnicas de aprendizaje adaptativo continuado que actualizan los parámetros del modelo de manera recursiva, y técnicas de predicción secuencial que obtienen predicciones probabilísticas utilizando los parámetros más recientes. El rendimiento del método se evalúa utilizando múltiples conjuntos de datos correspondientes a regiones que tienen diferentes tamaños y muestran diversos patrones de consumo que varían en el tiempo. Los resultados muestran que el método propuesto puede mejorar significativamente el rendimiento de las técnicas existentes en una amplia gama de escenarios.
