Pronóstico de demanda de potencia eléctrica en ambientes universitarios
Palabras clave:
demanda de potencia, aprendizaje automático, pronósticoResumen
La creciente disponibilidad de datos provenientes de sistemas de medición avanzados ha impulsado, gracias al avance de las Redes Eléctricas Inteligentes, el uso de técnicas de aprendizaje automático para el pronóstico de la demanda eléctrica. Este trabajo analiza diferentes arquitecturas de redes neuronales recurrentes, específicamente del tipo Long Short-Term Memory (LSTM), aplicadas a las series temporales de demanda eléctrica de diferentes suministros de la Universidad Nacional de Mar del Plata (UNMDP). El objetivo es caracterizar la capacidad de estas arquitecturas para captar la dinámica temporal de los consumos eléctricos empleando diferentes horizontes de predicción y datos históricos. Los resultados evidencian la complejidad y limitaciones de las predicciones con horizontes futuros extensos. Estos hallazgos muestran que la calidad del pronóstico depende no solo de la arquitectura empleada, sino también de la representatividad y estabilidad de las series temporales disponibles.
Descargas
Referencias
Casals Cunill, E. C., López Hierrezuelo, S., García, D. J. y Lago Solano, R. D. (2024). Diseño de Red Neuronal Artificial para la Predicción de la Demanda Eléctrica. Ingeniería Energética, 45(3), e2419. http://scielo.sld.cu/pdf/rie/v45n3/1815-5901-rie-45-03-e2419-04.pdf
Donato, P.G., Orallo, C.M., Funes, M.A., Echeverría, N.I. (2022). Pronóstico de variables eléctricas en el marco del proyecto de ciudades inteligentes en Mar del Plata. IEEE Argencon 2022, San Juan, Argentina. https://doi.org/10.1109/ARGENCON55245.2022.9939911
Donato, P.G., Hernández, Á., Funes, M., Nieto, R., Orallo, C., de Diego, L. (2023). Pronóstico de consumo de energía en ámbitos institucionales y domésticos. 28º Congreso Argentino de Control Automático (AADECA 2023), Buenos Aires, Argentina. https://semanaaadeca.com.ar/28o-congrego-2023/
Hochreiter, S., Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kingma, D. P., Ba, J. (2015). Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR). San Diego, CA. https://doi.org/10.48550/arXiv.1412.6980
Maza Díaz, Y., Donato, P.G., Funes, M.A., Orallo, C.M. (2024). Evaluating machine learning algorithms for power demand forecasting. XV Latin-American Congress on Electricity Generation and Transmission (CLAGTEE 2024), Mar del Plata, Argentina.
Maza Díaz, Y., Donato, P.G., Funes, M.A., Orallo, C.M. (2025). Evaluación del algoritmo Random Forest para predicción de demanda en suministros de energía de la UNMDP. VI Jornadas de Ingeniería Aplicada. Nº3 Ed. 1. pp 99-104. ISBN 978-631-6662-42-2. https://owncloud.fi.mdp.edu.ar/index.php/s/yE7RyNxy1kNg8w2
Porteiro, R., Hernández-Callejo, L., Nesmachnow, S. (2022). Electricity demand forecasting in industrial and residential facilities using ensemble machine learning. Revista Facultad Ingeniería Universidad de Antioquia, (102), 9-25. https://doi.org/10.17533/udea.redin.20200584
Shumway, R.H., Stoffer, D.S. (2006). Time Series Analysis and Its Applications. 2nd edn. Springer, New York. https://doi.org/10.1007/978-3-031-70584-7
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jorge A. Turina, Patricio G. Donato, Carlos M. Orallo, Marcos A. Funes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
