Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático

Autores
Uhrig, Mariela N.; Vignolo, Leandro D.; Müller, Omar V.
Año de publicación
2025
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Reliable forecasting of electricity demand is essential for enhancing distribution system management by optimizing resource utilization, streamlining operational planning, and reducing service disruptions. The fluctuation of electricity demand is influenced by various external factors, such as weather conditions, yet the intricate and non-linear associations between demand and these influences present significant prediction challenges. In this study, we aim to forecast electricity demand by examining its relationship with weather variables in the province of Entre Ríos, Argentina. A recurrent neural network, specifically using long short-term memory (LSTM) architecture, is employed to model this complex relationship directly from raw input data without prior feature engineering. We assess and compare the performance of this model with a baseline method. Preliminary data analysis reveals that extreme temperatures exert a notable effect on energy consumption behaviors. Our proposed model achieves a coefficient of determination of 0.77 when comparing predicted demand to actual observations, underscoring its effectiveness as a potential solution for optimizing system operations in Entre Ríos.
Una predicción confiable de la demanda eléctrica es esencial para mejorar la gestión del sistema de distribución, optimizando la utilización de recursos, racionalizando la planificación operativa y reduciendo las interrupciones del servicio. La fluctuación de la demanda eléctrica está influenciada por diversos factores externos, como las condiciones climáticas, sin embargo, las asociaciones intrincadas y no lineales entre la demanda y estas influencias presentan desafíos significativos para la predicción. En este estudio, nos proponemos predecir la demanda eléctrica examinando su relación con las variables meteorológicas en la provincia de Entre Ríos, Argentina. Se emplea una red neuronal recurrente, específicamente utilizando arquitectura de memoria a corto y largo plazo (LSTM), para modelar esta relación compleja directamente a partir de datos de entrada sin ingeniería de características previa. Evaluamos y comparamos el rendimiento de este modelo con un método de referencia. El análisis preliminar de datos revela que las temperaturas extremas ejercen un efecto notable en los comportamientos de consumo de energía. Nuestro modelo propuesto alcanza un coeficiente de determinación de 0.77 al comparar la demanda predicha con las observaciones reales, subrayando su efectividad como una posible solución para optimizar las operaciones del sistema en Entre Ríos.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
predicción de demanda eléctrica
condiciones climáticas
aprendizaje profundo
red neuronal artificial
electricity demand forecast
weather conditions
deep learning
artificial neural network
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/177986

id SEDICI_8b812ed170fc65fff153e982eac7a1f0
oai_identifier_str oai:sedici.unlp.edu.ar:10915/177986
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automáticoModelling and forecasting electricity demand: comparing statistical and machine learning approachesUhrig, Mariela N.Vignolo, Leandro D.Müller, Omar V.Ciencias Informáticaspredicción de demanda eléctricacondiciones climáticasaprendizaje profundored neuronal artificialelectricity demand forecastweather conditionsdeep learningartificial neural networkReliable forecasting of electricity demand is essential for enhancing distribution system management by optimizing resource utilization, streamlining operational planning, and reducing service disruptions. The fluctuation of electricity demand is influenced by various external factors, such as weather conditions, yet the intricate and non-linear associations between demand and these influences present significant prediction challenges. In this study, we aim to forecast electricity demand by examining its relationship with weather variables in the province of Entre Ríos, Argentina. A recurrent neural network, specifically using long short-term memory (LSTM) architecture, is employed to model this complex relationship directly from raw input data without prior feature engineering. We assess and compare the performance of this model with a baseline method. Preliminary data analysis reveals that extreme temperatures exert a notable effect on energy consumption behaviors. Our proposed model achieves a coefficient of determination of 0.77 when comparing predicted demand to actual observations, underscoring its effectiveness as a potential solution for optimizing system operations in Entre Ríos.Una predicción confiable de la demanda eléctrica es esencial para mejorar la gestión del sistema de distribución, optimizando la utilización de recursos, racionalizando la planificación operativa y reduciendo las interrupciones del servicio. La fluctuación de la demanda eléctrica está influenciada por diversos factores externos, como las condiciones climáticas, sin embargo, las asociaciones intrincadas y no lineales entre la demanda y estas influencias presentan desafíos significativos para la predicción. En este estudio, nos proponemos predecir la demanda eléctrica examinando su relación con las variables meteorológicas en la provincia de Entre Ríos, Argentina. Se emplea una red neuronal recurrente, específicamente utilizando arquitectura de memoria a corto y largo plazo (LSTM), para modelar esta relación compleja directamente a partir de datos de entrada sin ingeniería de características previa. Evaluamos y comparamos el rendimiento de este modelo con un método de referencia. El análisis preliminar de datos revela que las temperaturas extremas ejercen un efecto notable en los comportamientos de consumo de energía. Nuestro modelo propuesto alcanza un coeficiente de determinación de 0.77 al comparar la demanda predicha con las observaciones reales, subrayando su efectividad como una posible solución para optimizar las operaciones del sistema en Entre Ríos.Sociedad Argentina de Informática e Investigación Operativa2025-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/177986enginfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18822info:eu-repo/semantics/altIdentifier/issn/1514-6774info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e067info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:48:08Zoai:sedici.unlp.edu.ar:10915/177986Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:48:08.517SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
Modelling and forecasting electricity demand: comparing statistical and machine learning approaches
title Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
spellingShingle Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
Uhrig, Mariela N.
Ciencias Informáticas
predicción de demanda eléctrica
condiciones climáticas
aprendizaje profundo
red neuronal artificial
electricity demand forecast
weather conditions
deep learning
artificial neural network
title_short Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
title_full Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
title_fullStr Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
title_full_unstemmed Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
title_sort Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
dc.creator.none.fl_str_mv Uhrig, Mariela N.
Vignolo, Leandro D.
Müller, Omar V.
author Uhrig, Mariela N.
author_facet Uhrig, Mariela N.
Vignolo, Leandro D.
Müller, Omar V.
author_role author
author2 Vignolo, Leandro D.
Müller, Omar V.
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
predicción de demanda eléctrica
condiciones climáticas
aprendizaje profundo
red neuronal artificial
electricity demand forecast
weather conditions
deep learning
artificial neural network
topic Ciencias Informáticas
predicción de demanda eléctrica
condiciones climáticas
aprendizaje profundo
red neuronal artificial
electricity demand forecast
weather conditions
deep learning
artificial neural network
dc.description.none.fl_txt_mv Reliable forecasting of electricity demand is essential for enhancing distribution system management by optimizing resource utilization, streamlining operational planning, and reducing service disruptions. The fluctuation of electricity demand is influenced by various external factors, such as weather conditions, yet the intricate and non-linear associations between demand and these influences present significant prediction challenges. In this study, we aim to forecast electricity demand by examining its relationship with weather variables in the province of Entre Ríos, Argentina. A recurrent neural network, specifically using long short-term memory (LSTM) architecture, is employed to model this complex relationship directly from raw input data without prior feature engineering. We assess and compare the performance of this model with a baseline method. Preliminary data analysis reveals that extreme temperatures exert a notable effect on energy consumption behaviors. Our proposed model achieves a coefficient of determination of 0.77 when comparing predicted demand to actual observations, underscoring its effectiveness as a potential solution for optimizing system operations in Entre Ríos.
Una predicción confiable de la demanda eléctrica es esencial para mejorar la gestión del sistema de distribución, optimizando la utilización de recursos, racionalizando la planificación operativa y reduciendo las interrupciones del servicio. La fluctuación de la demanda eléctrica está influenciada por diversos factores externos, como las condiciones climáticas, sin embargo, las asociaciones intrincadas y no lineales entre la demanda y estas influencias presentan desafíos significativos para la predicción. En este estudio, nos proponemos predecir la demanda eléctrica examinando su relación con las variables meteorológicas en la provincia de Entre Ríos, Argentina. Se emplea una red neuronal recurrente, específicamente utilizando arquitectura de memoria a corto y largo plazo (LSTM), para modelar esta relación compleja directamente a partir de datos de entrada sin ingeniería de características previa. Evaluamos y comparamos el rendimiento de este modelo con un método de referencia. El análisis preliminar de datos revela que las temperaturas extremas ejercen un efecto notable en los comportamientos de consumo de energía. Nuestro modelo propuesto alcanza un coeficiente de determinación de 0.77 al comparar la demanda predicha con las observaciones reales, subrayando su efectividad como una posible solución para optimizar las operaciones del sistema en Entre Ríos.
Sociedad Argentina de Informática e Investigación Operativa
description Reliable forecasting of electricity demand is essential for enhancing distribution system management by optimizing resource utilization, streamlining operational planning, and reducing service disruptions. The fluctuation of electricity demand is influenced by various external factors, such as weather conditions, yet the intricate and non-linear associations between demand and these influences present significant prediction challenges. In this study, we aim to forecast electricity demand by examining its relationship with weather variables in the province of Entre Ríos, Argentina. A recurrent neural network, specifically using long short-term memory (LSTM) architecture, is employed to model this complex relationship directly from raw input data without prior feature engineering. We assess and compare the performance of this model with a baseline method. Preliminary data analysis reveals that extreme temperatures exert a notable effect on energy consumption behaviors. Our proposed model achieves a coefficient of determination of 0.77 when comparing predicted demand to actual observations, underscoring its effectiveness as a potential solution for optimizing system operations in Entre Ríos.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/177986
url http://sedici.unlp.edu.ar/handle/10915/177986
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18822
info:eu-repo/semantics/altIdentifier/issn/1514-6774
info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e067
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616344123736064
score 13.070432