Para evaluar el modelo, se diseñaron y llevaron a cabo diversos experimentos, siguiendo una configuración específica para asegurar la replicabilidad y la comparabilidad de los resultados. Los detalles de la configuración experimental incluyen:

1. Entorno de Hardware y Software: Los experimentos se realizaron utilizando GPUs NVIDIA y un entorno de deep learning configurado con bibliotecas como TensorFlow y PyTorch. Además, se emplearon scripts específicos para la preprocesación de datos y el entrenamiento del modelo.

2. Modelos Comparativos: Se comparó el modelo propuesto con varios modelos basados en deep learning y modelos tradicionales de series temporales, tales como modelos ARIMA, Prophet, LSTM, GRU, y otros modelos de estado del arte en predicción de series temporales.

3. Hiperparámetros: Se optimizaron los hiperparámetros del modelo propuesto y de los modelos comparativos mediante técnicas de búsqueda de hiperparámetros, como búsqueda en cuadrícula y búsqueda aleatoria. Los principales hiperparámetros considerados incluyeron la tasa de aprendizaje, el tamaño del lote, el número de capas y el número de neuronas en cada capa.

Los experimentos utilizaron conjuntos de datos específicos y métricas de evaluación rigurosas para medir el rendimiento de los modelos.

1. Conjuntos de Datos: Se utilizaron varios conjuntos de datos de carga eléctrica que abarcan diferentes regiones y períodos de tiempo. Estos conjuntos de datos contienen información horaria y diaria sobre el consumo de electricidad, lo que permite evaluar el modelo en diferentes horizontes de predicción.

2. Preprocesamiento de Datos: Los datos fueron normalizados y divididos en conjuntos de entrenamiento, validación y prueba. Se aplicaron técnicas de preprocesamiento para manejar valores faltantes y eliminar outliers, asegurando así la calidad de los datos.

3. Métricas de Evaluación: Se utilizaron diversas métricas para evaluar el rendimiento del modelo, incluyendo el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE), y el Error Cuadrático Medio de la Raíz (RMSE). Estas métricas proporcionan una visión integral de la precisión y robustez del modelo.

El análisis de resultados se centró en comparar el rendimiento del modelo propuesto con los modelos comparativos y evaluar su capacidad para predecir con precisión la carga eléctrica en diferentes horizontes de tiempo.

1. Rendimiento Comparativo: Los resultados mostraron que el modelo propuesto superó consistentemente a los modelos comparativos en términos de precisión de predicción. El modelo logró menores valores de MAE, MSE y RMSE, demostrando su capacidad para capturar patrones complejos en los datos de carga eléctrica.

2. Visualización de Resultados: Se presentaron gráficos de comparación que mostraban las predicciones del modelo frente a los valores reales de carga eléctrica. Estos gráficos destacaron la precisión del modelo propuesto en comparación con otros modelos.

3. Análisis de Sensibilidad: Se realizó un análisis de sensibilidad para evaluar cómo la variación en los hiperparámetros y las configuraciones de los datos afectaba el rendimiento del modelo. Este análisis ayudó a identificar los parámetros más críticos y a optimizar el modelo para obtener el mejor rendimiento posible.

4. Evaluación de Generalización: Para evaluar la capacidad de generalización del modelo, se probó en conjuntos de datos de diferentes regiones y períodos no vistos durante el entrenamiento. Los resultados indicaron que el modelo mantenía un alto nivel de precisión y robustez, demostrando su potencial para ser aplicado en diversos contextos.