Aprendizaje automático para identificar a consumidores residenciales de fotovoltaica y reducir costes blandos

Un equipo internacional de investigación ha utilizado un algoritmo de aprendizaje automático conocido como XGBoost (eXtreme Gradient Boosting) para predecir la adopción de la energía fotovoltaica entre los propietarios de viviendas. Este algoritmo consiste en una biblioteca distribuida de aprendizaje automático de árboles de decisión potenciados por gradiente (GBDT) que puede ayudar a predecir con exactitud una variable objetivo combinando un conjunto de estimaciones de un conjunto de modelos más simples y débiles.

“Seguimos profundizando en los detalles de modelización de XGBoost y descomponemos su rendimiento de predicción mejorado con respecto a la regresión logística en dos factores: la interacción de variables y la no linealidad”, explican los científicos. “Por último, demostramos el potencial de XGBoost para reducir los costes de captación de clientes y, a continuación, su capacidad para identificar nuevas oportunidades de mercado para las empresas fotovoltaicas”.

Según ellos, esta nueva metodología podría ayudar a las empresas solares a reducir los costes de adquisición de clientes y otros costes blandos asociados al negocio fotovoltaico residencial.

Compararon el rendimiento del algoritmo propuesto con el enfoque de regresión logística, que los investigadores describieron como el método más utilizado para analizar las diferencias entre adoptantes y no adoptantes de la energía fotovoltaica. “Nuestro modelo de regresión logística con nueve características originales y muy visibles de los hogares predice con éxito el 71% de los estados de adopción de la fotovoltaica fuera de la muestra”, explicaron. “El modelo identificó correctamente al 66% de los adoptantes y al 75% de los no adoptantes”.

El algoritmo adaptado, según el grupo de investigación, fue capaz de ofrecer mejores resultados que la regresión logística en rendimiento predictivo. “El modelo predictivo predijo correctamente el 87% de los dos estados de adopción de FV, frente al 71% de la regresión logística”, añadieron. “La tasa correcta de adoptantes aumentó del 66 al 87% y la tasa correcta de no adoptantes aumentó del 75 al 88%”.

Atribuyeron el rendimiento superior del enfoque basado en aprendizaje automático al hecho de que integra la no linealidad compleja y la interacción de variables y tiene en cuenta factores como las facturas de verano, los ingresos del hogar y la edad del propietario, entre otros.

“La ventaja de utilizar estas variables es que son muy accesibles, por lo que las empresas fotovoltaicas pueden recopilar datos sobre ellas con poco coste”, señalan también. “Otra razón que explica el mejor rendimiento de XGBoost es que potencialmente puede recuperar información latente clave incrustada en los datos”. “Por ejemplo, incluir información geográfica como el estado o el condado del encuestado aumenta en cierta medida la precisión de predicción de la regresión logística”.

El grupo de investigación calcula que la novedosa metodología puede ayudar a las empresas fotovoltaicas a reducir los costes de captación de clientes en torno a un 15% o 0,07 dólares por vatio. También explicó que la minería de datos y el aprendizaje automático también podrían ayudar a reducir los costes blandos de cancelación de contratos, gestión de la cadena de suministro, asignación de mano de obra y cuestiones de permisos e inspección.

Describió la nueva metodología en el estudio “Machine learning reduces soft costs for residential solar photovoltaics” (El aprendizaje automático reduce los costes blandos de la energía solar fotovoltaica residencial), publicado en informes científicos. El grupo de investigación está formado por científicos procedentes del Laboratorio Nacional de Energías Renovables (NREL) del Departamento de Energía de EE.UU., el Laboratorio Nacional Lawrence Berkeley, la Universidad Estatal de Florida, la Universidad de Wisconsin-Madison y la Universidad Renmin de China.