Modelo de pronóstico para la demanda de electricidad con un horizonte de tiempo de cinco años en el mercado regulado y no regulado de energía en Cali.

Abstract

En este trabajo de grado, se formuló una propuesta para abordar el problema de cómo mejorar la predicción de largo plazo en la demanda de energía eléctrica en Cali, utilizando técnicas de aprendizaje automático y modelos de inteligencia artificial. Para hacerlo se propuso una metodología basada en CRISP-DM, la cual propone en primera fase entender el negocio, seguidamente entender y preparar los datos, para lo cual se realizó análisis univariado y multivariado para conocer las posibles influencias y correlaciones entre los datos, posteriormente se realizó el modelamiento y evaluación de los modelos aplicados. Este fue un proceso iterativo dado que en algunas etapas los resultados condujeron a realizar nuevas pruebas y repetir partes del proceso. El proceso de preparación de los datos exigió un esfuerzo adicional por la dificultad que se encontró en la extracción de los datos del comercializador y de otras entidades. Los modelos de la ciencia de datos usados para abordar la solución al problema fueron algunos tradicionales como ARIMA, Support Vector Regression (SVR), Ridge, Lasso, Random Forest y otros representativos del estado del arte pertenecientes al aprendizaje profundo como Artificial Neural Networks - Particle Swarm Optimization (ANN-PSO) , Extreme Gradient Boost (XGBoost), Recurrent Neural Networks-Long Short-Term Memory (RNN-LSTM). Los resultados obtenidos mostraron que los modelos SVR y Ridge con optimización PSO y Gravitational Search Algorithm (GSA), muestran un mejor rendimiento cuando los datos no presentan mayores perturbaciones como es el caso del problema que aborda este estudio, mientras que los modelos profundos demostraron menor rendimiento como RNN-LSTM en las métricas seleccionadas. La validación a la que fue sometida la propuesta, consistió en aplicar métricas como RMSE, MAE y MAPE, utilizando validación cruzada y out-of-bag (OOB - muestra para test) con selección de conjuntos de entrenamiento y validación de diferentes horizontes.