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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/177986
Ver los metadatos del registro completo
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 |