Contributions to Electricity Demand Estimation in Remote Areas: A Neural Network Approach

Abstract

La previsión de la demanda eléctrica es un componente fundamental de la planificación energética, pero se vuelve especialmente desafiante en contextos con limitaciones de datos caracterizados por la escasez, la fragmentación, las dependencias no lineales entre variables socio-técnicas y ambientales, y la evolución no estacionaria de la demanda. Los enfoques tradicionales, ya sean estadísticos o puramente basados en datos, suelen presentar dificultades en estas condiciones, pues dependen de grandes conjuntos de datos estacionarios y no logran capturar las dinámicas complejas y cambiantes del comportamiento de consumo. Estos desafíos se hacen especialmente evidentes al emplear modelos de redes neuronales, que normalmente requieren conjuntos de datos extensos y de alta calidad para generalizar de forma eficaz y evitar el sobreajuste. Abordar esta brecha requiere replantear la predicción de la demanda eléctrica como un proceso causal, flexible y evolutivo, en el que los mecanismos de aprendizaje capturen los verdaderos impulsores del consumo y no simples correlaciones estadísticas. La intuición central que guía esta tesis es que una predicción fiable en microrredes no puede ignorar ninguno de los tres desafíos fundamentales mencionados: la escasez y fragmentación de datos, las dependencias no lineales entre variables socio-técnicas y ambientales, y la evolución no estacionaria de la demanda. Con este propósito, la tesis introduce un nuevo marco metodológico, denominado ANGEL, concebido para actuar como un sistema orientador del aprendizaje en condiciones de incertidumbre. ANGEL funciona como un agente adaptativo capaz de extraer significado en contextos con limitaciones de datos, proporcionando dirección donde los datos son escasos y revelando patrones que no son inmediatamente visibles. El nombre evoca la idea de un mediador entre lo conocido y lo desconocido, reflejando el papel del marco en tender un puente entre la evidencia limitada y la comprensión significativa. En este sentido, ANGEL encarna la noción de iluminación: la capacidad de revelar estructura y causalidad en contextos con pocos datos, transformando información fragmentada en conocimiento coherente y accionable. El marco ANGEL integra tres pilares complementarios: observación, representación y evolución. La observación se centra en identificar y codificar los impulsores causales con significado físico y conductual, garantizando robustez cuando los datos son limitados o fragmentados. La representación captura dependencias no lineales mediante arquitecturas neuronales flexibles, concretamente la Red de Kolmogorov–Arnold, que descompone relaciones multivariadas complejas en componentes funcionales estables alineados con las dinámicas de la demanda. La evolución incorpora la adaptación temporal y el cambio socio-técnico a través del parámetro de Grado de Adopción (Degree of Adoption (DoA)) y técnicas de aprendizaje continuo, permitiendo que los modelos se ajusten de manera constante a medida que las comunidades se electrifican y los patrones de consumo evolucionan. Estos tres componentes son mutuamente indispensables: una predicción fiable en microrredes requiere abordarlos simultáneamente. La validación empírica, basada en datos reales de El Espino (Bolivia), demuestra que la integración de estructura causal, representación flexible y aprendizaje adaptativo reduce el error de predicción y mejora la robustez. El marco también muestra un desempeño eficiente bajo recursos computacionales limitados, lo que sugiere su potencial como una solución desplegable y eficiente en el uso de datos para sistemas energéticos descentralizados. Desde una perspectiva metodológica, la tesis conecta el razonamiento causal con el aprendizaje automático, contribuyendo al paradigma emergente de una inteligencia artificial confiable y eficiente en el uso de datos para sistemas energéticos sostenibles. Los resultados muestran que las mejoras en el rendimiento de la predicción no provienen del aumento del volumen de datos o de la complejidad del modelo, sino de estructurar el aprendizaje en torno a la causalidad significativa, la representación flexible y la evolución adaptativa. La investigación se adhiere a los principios de reproducibilidad y ciencia abierta. Todos los conjuntos de datos, scripts y flujos de trabajo experimentales fueron versionados, documentados y trazables, y los resultados se difundieron en tres publicaciones revisadas por pares que abarcan las sucesivas etapas de desarrollo del modelo: desde la estimación de carga y sensibilidad, hasta el modelado neuronal causal y la predicción adaptativa. En conclusión, los resultados evidencian que es posible alcanzar predicciones de demanda fiables y de bajo error incluso frente a los desafíos combinados de escasez y fragmentación de datos, dependencias no lineales y evolución no estacionaria de la demanda. Al articular observación, representación y evolución dentro de la arquitectura metodológica coherente de ANGEL, la tesis demuestra que ninguna de estas dimensiones puede ser ignorada, y que, en conjunto, permiten el desarrollo de modelos interpretables, adaptativos y eficientes en el uso de datos, que impulsan una inteligencia artificial equitativa y sostenible para la transición energética global.

Electricity demand forecasting is a fundamental component of energy planning but becomes particularly challenging in data-constrained contexts characterized by scarcity, fragmentation, nonlinear dependencies among socio-technical and environmental variables, and nonstationary demand evolution. Traditional approaches, whether statistical or purely data-driven, often struggle under such conditions, as they rely on large, stationary datasets and fail to capture the complex, evolving dynamics of consumption behavior. These challenges become particularly evident when employing neural network models, which typically require extensive, high-quality datasets to generalize effectively and avoid overfitting. Addressing this gap requires rethinking electricity demand forecasting as a causal, flexible, and evolving process, where learning mechanisms capture the true drivers of consumption rather than mere statistical correlations. The central intuition guiding this thesis is that reliable forecasting in microgrids cannot disregard any of the three fundamental challenges identified above: data scarcity and fragmentation, nonlinear dependencies among socio-technical and environmental variables, and nonstationary demand evolution. To this end, the thesis introduces a new methodological framework, ANGEL, conceived to act as a guiding system for learning under uncertainty. ANGEL functions as an adaptive agent capable of extracting meaning in data-constrained contexts, providing direction where data are limited, and uncovering patterns that are not immediately visible. The name evokes the idea of a mediator between what is known and what is unknown, reflecting the framework’s role in bridging limited evidence and meaningful understanding. In this sense, ANGEL embodies illumination, the capacity to reveal structure and causality in data-scarce contexts, transforming fragmented information into coherent and actionable knowledge. The ANGEL framework integrates three complementary pillars: observation, representation, and evolution. Observation focuses on identifying and encoding causal drivers that are physically and behaviorally meaningful, supporting robustness when data are limited or fragmented. Representation captures nonlinear dependencies through flexible neural architectures, specifically, the Kolmogorov–Arnold Network, which decomposes complex multivariate relations into stable functional components aligned with demand dynamics. Evolution incorporates temporal adaptation and socio-technical change through the inclusion of the Degree of Adoption (DoA) parameter and continual learning techniques, allowing models to adjust continuously as communities electrify and consumption patterns evolve. These three components are mutually indispensable: reliable forecasting in microgrids requires addressing all of them simultaneously. Empirical validation based on real-world data from El Espino (Bolivia) demonstrates that embedding causal structure, flexible representation, and adaptive learning reduces forecasting error and improves robustness. The framework also performs efficiently under limited computational resources, suggesting its potential as a data-efficient and deployable solution for decentralized energy systems. From a methodological standpoint, the thesis bridges causal reasoning and machine learning, contributing to the emerging paradigm of trustworthy and dataefficient artificial intelligence for sustainable energy systems. The findings show that improvements in forecasting performance stem not from increasing data volume or model complexity, but from structuring learning around meaningful causality, flexible representation, and adaptive evolution. The research adheres to the principles of reproducibility and open science. All datasets, scripts, and experimental workflows were versioned, documented, and made traceable, with results disseminated through three peer-reviewed publications covering successive stages of model development, from sensitivity and load estimation to causal neural modeling and adaptive forecasting. In conclusion, the results provide evidence that reliable, low-error demand forecasting can be achieved even under the combined challenges of data scarcity, fragmentation, nonlinear dependencies, and nonstationary demand evolution. By articulating observation, representation, and evolution within the coherent methodological architecture of ANGEL, the thesis establishes that none of these dimensions can be neglected, and together they enable the development of interpretable, adaptive, and data-efficient models that advance equitable and sustainable artificial intelligence for the global energy transition.