Predicción de la Demanda Eléctrica Utilizando Técnicas de Aprendizaje Automático

Abstract

El crecimiento del sistema y la incorporación de nuevas fuentes de generación exigen una gestión con mayor eficiencia de la generación, el consumo y los precios de la energía. La predicción de demanda eléctrica es afectada por el uso de fuentes renovables (como energía solar y eólica) y la variabilidad en la demanda eléctrica complica la predicción precisa de estos factores. Sin embargo, factores como las variaciones climáticas los pa- trones de consumo y el crecimiento de la demanda hacen que tarea sea un desafío. Esto puede llevar a ineficiencias en la operación de la red y precios volátiles. Esta investigación propone el desarrollo de modelos basados en aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) para mejorar la precisión en la predicción de precios y demanda eléctrica en el mercado. Se analizarán y compararán técnicas como Random Forest, XGBoost y redes neuronales recurrentes (RNN, LSTM), tomando en cuenta varia- bles históricas de consumo y factores meteorológicos clave. El objetivo es la optimización de estos modelos predictivos para mejorar la gestión del sistema eléctrico, contribuir a una gestión más eficiente y sostenible de la energía.