Predicción del consumo energético en la zona de Gran Buenos Aires

• Autores: Demare, Franco Ariel
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Fernández Bariviera, Aurelio
• Materia: Informática; Aprendizaje automático; Predicción; Modelo estadístico; Consumo energético; Redes neuronales; Series Temporales; Descomposición de modo empírico
• Institución: Universidad Nacional de La Plata

El aporte central de la tesis reside en la comparación y desarrollo de modelos predictivos avanzados para la estimación del consumo de energía eléctrica en la región del Gran Buenos Aires (GBA), utilizando un enfoque innovador con modelos estadísticos y de redes neuronales. El objetivo principal del trabajo es seleccionar y proponer el modelo más adecuado, basándose en el menor error de predicción y su capacidad para ser escalado a otras áreas geográficas o series temporales similares. El trabajo introduce la implementación de modelos tradicionales como SARIMA, conocido por su uso en series temporales con estacionalidad, y modelos más avanzados como la regresión de vectores de soporte (SVM), con resultados competitivos en términos de precisión y tiempos de procesamiento. Posteriormente, se exploran modelos más complejos basados en redes neuronales como CNN y LSTM, que ofrecen mejoras notables en la predicción del consumo energético. El valor más destacado del trabajo es la introducción de una metodología híbrida, combinando redes neuronales con técnicas de descomposición empírica de modos (EMD), lo que permite una mejora considerable en la precisión de la predicción. En particular, el modelo LSTM-EMD se consolida como el mejor, con un MAPE del 4,1%, lo que demuestra su capacidad para predecir con alta precisión el consumo eléctrico. Este nivel de precisión no solo facilita la planificación de la generación y distribución de energía, sino que también contribuye a una mayor eficiencia energética al reducir la sobreproducción y las emisiones de CO2. En la tesis también se destaca el enfoque en la escalabilidad y el tiempo de procesamiento, variables cruciales para la implementación de estos modelos en entornos reales con grandes volúmenes de datos. La metodología de validación utilizada —una grilla de validación— aporta estabilidad a los resultados, permitiendo mayor seguridad en la evaluación del mejor modelo. Este enfoque, menos tradicional, evita la simple separación de datos entrenamiento y prueba, lo que asegura resultados más robustos.
Magister en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática