Resumen:Las plantas de tratamiento de aguas residuales consumen entre el 1% y el 3% de la electricidad mundial, lo que hace que una previsión energética precisa sea fundamental para la optimización operativa y la sostenibilidad. Si bien los modelos de aprendizaje automático proporcionan predicciones puntuales, carecen de una cuantificación de la incertidumbre explicable, esencial para la toma de decisiones consciente de los riesgos en infraestructuras críticas para la seguridad. Este estudio desarrolla un sistema de inferencia neuro-difusa adaptativo de intervalo tipo 2 (IT2-ANFIS) que genera intervalos de predicción interpretables a través de estructuras de reglas difusas. A diferencia de los métodos probabilísticos de caja negra, el marco propuesto descompone la incertidumbre en tres niveles: el nivel de característica, la huella de incertidumbre identifica qué variables introducen ambigüedad, el análisis a nivel de regla revela la confianza en los modelos locales y los intervalos a nivel de instancia cuantifican la incertidumbre de predicción general. IT2-ANFIS, validado en el conjunto de datos de la Planta de Tratamiento del Este de Melbourne Water, logra un rendimiento predictivo comparable al ANFIS de primer orden con una variación sustancialmente reducida entre las ejecuciones de entrenamiento, al tiempo que proporciona estimaciones de incertidumbre explicables que vinculan la confianza de la predicción directamente con las condiciones operativas y las variables de entrada.
Publicado originalmente en export.arxiv.org el 27 de enero de 2026.
Ver fuente original
