Este estudio presenta LoadKAN, un nuevo marco híbrido que combina un mecanismo de atención temporal aislado por características con una red de Kolmogorov-Arnold (KAN) para abordar la falta de interpretabilidad en la predicción de carga eléctrica basada en aprendizaje profundo.
- LoadKAN extrae la dinámica temporal de cada característica de entrada de forma independiente antes de pasar las representaciones destiladas al módulo KAN para la predicción.
- El modelo se evaluó en conjuntos de datos de tres mercados eléctricos estadounidenses representativos, manteniéndose altamente competitivo frente a benchmarks de caja negra de última generación ampliamente ajustados.
- Los análisis cuantitativos de sensibilidad utilizando funciones de activación aprendidas por KAN revelaron dependencias complejas y específicas del mercado entre seis patrones de movilidad distintos y la carga eléctrica.
LoadKAN permite un análisis granular de las relaciones no lineales aprendidas, generando información sobre las dependencias de características que normalmente están ocultas por modelos de pronóstico neural de caja negra opacos.