Pronóstico de demanda eléctrica de edificios universitarios mediante algoritmos Random Forest y Stacking
Palabras clave:
redes eléctricas inteligentes, demanda eléctrica, pronósticos, random forest, stackingResumen
El pronóstico de la demanda eléctrica en entornos institucionales presenta desafíos particulares derivados de la irregularidad de los patrones de consumo, especialmente durante períodos de receso académico o ante cambios estructurales en la infraestructura eléctrica. En este trabajo se evalúa la capacidad de pronóstico de los algoritmos Random Forest y Stacking, usando datos de demanda de la Universidad Nacional de Mar del Plata. Adicionalmente, con el objetivo de mejorar la capacidad de generalización de los modelos de aprendizaje automático, se evalúa la estrategia de aumento de datos basada en la adición de ruido gaussiano de amplitud controlada al conjunto de entrenamiento. Los resultados obtenidos muestran que se reduce la excursión máxima del error del modelo Stacking (al menos un 50 % en los valores extremos para FCEyS y por debajo de un 15 % de excursión máxima para FI), a costa de un leve incremento del error promedio. El algoritmo Random Forest no exhibe la misma sensibilidad positiva al ruido, lo que sugiere que la efectividad de la estrategia de aumento de datos depende del tipo de modelo y del perfil de demanda.
Descargas
Referencias
Breiman, L. (1996). Stacked Regressions. Machine Learning, 24 (1), 49-64. https://doi.org/10.1007/BF00117832
Cutler, A., Cutler, D. R., & Stevens, J. R. (2012). Random Forests. En C. Zhang & Y. Ma (Eds.), Ensemble Machine Learning (pp. 157-175). Springer. https://doi.org/10.1007/978-1-4419-9326-7_5
De Caro, F., Andreotti, A., Araneo, R., Panella, M., Rosato, A., Vaccaro, A., & Villacci, D. (2020). A Review of the Enabling Methodologies for Knowledge Discovery from Smart Grids Data. Energies, 13 (24). https://doi.org/10.3390/en13246579
Deb, C., Zhang, F., Yang, J., Lee, S. E., & Shah, K. W. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902-924. https://doi.org/10.1016/j.rser.2017.02.085
Harris, C. R., et al. (2020). Array programming with NumPy. Nature, 585 (7825), 357-362. https://doi.org/10.1038/s41586-020-2649-2
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22 (4), 679-688. https://doi.org/10.1016/j.ijforecast.2006.03.001
International Energy Agency [IEA]. (2025). Electricity Mid-Year Update 2025. https://www.iea.org/reports/electricity-mid-year-update-2025
Mahmood, M., Chowdhury, P., Yeassin, R., Hasan, M., Ahmad, T., & Chowdhury, N.-U.-R. (2024). Impacts of digitalization on smart grids, renewable energy, and demand response: An updated review of current applications. Energy Conversion and Management: X, 24. https://doi.org/10.1016/j.ecmx.2024.100790
Maza Diaz, Y., Donato, P., Funes, M., & Orallo, C. (2024). Evaluating machine learning algorithms for power demand forecasting. XV Latin-American Congress on Electricity Generation and Transmission (CLAGTEE 2024). https://clagtee.fi.mdp.edu.ar/full-papers-search-engine/papers/ID061.pdf
Maza Diaz, Y., Donato, P., Funes, M., & Orallo, C. (2025). Evaluación de algoritmo Random Forest para predicción de demanda en suministros de energía de la UNMDP. VI JORNADAS DE INGENIERíA APLICADA. https://owncloud.fi.mdp.edu.ar/index.php/s/yE7RyNxy1kNg8w2
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://dl.acm.org/doi/10.5555/1953048.2078195
Powell, J., McCafferty-Leroux, A., Hilal, W., & Gadsden, S. A. (2024). Smart grids: A comprehensive survey of challenges, industry applications, and future trends. Energy Reports, 11, 5760-5785. https://doi.org/10.1016/j.egyr.2024.05.051
Salamon, J., & Bello, J. P. (2017). Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification. IEEE Signal Processing Letters, 24 (3), 279-283. https://doi.org/10.1109/lsp.2017.2657381
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6 (1). https://doi.org/10.1186/s40537-019-0197-0
Wen, Q., Sun, L., Yang, F., Song, X., Gao, J., Wang, X., & Xu, H. (2021). Time Series Data Augmentation for Deep Learning: A Survey. Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, 4653-4660. https://doi.org/10.24963/ijcai.2021/631
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Yenia Maza Díaz, Marcos Funes, Patricio Donato, Carlos Orallo
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.
