La creciente complejidad de los sistemas de generación de energía térmica exige soluciones de pronóstico avanzadas capaces de integrar análisis de datos, selección de modelos e interpretabilidad. Este estudio propone un marco modular de agente de modelo de lenguaje grande (LLM) para el pronóstico de series temporales, diseñado para operar localmente e interactivamente a través de instrucciones en lenguaje natural. El marco incorpora un agente de series temporales específico de dominio que se desarrolló para automatizar el preprocesamiento de datos, la detección de anomalías y las tareas de pronóstico utilizando modelos neuronales y estadísticos. Los experimentos demostraron la capacidad del agente para realizar análisis de extremo a extremo de manera autónoma, logrando pronósticos precisos con mínima intervención del usuario. El modelo PatchTST, seleccionado automáticamente por el agente, arrojó el menor error cuadrático medio entre los métodos evaluados. Los resultados resaltan el potencial de los agentes basados en LLM para mejorar la transparencia, usabilidad y reproducibilidad en las canalizaciones de pronóstico de energía.
Buratto et al. (Fri,) estudiaron esta cuestión.