Resumen de Previsión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático

Oscar Fabricio Hicaiza Yugcha, Julio Martinez, Carlos Ismael Orozco, Ángel Danilo Arellano Castro

• español

  En respuesta al crecimiento de la demanda de energía eléctrica, este estudio se centra en la eficiente previsión del consumo eléctrico en el cantón Salcedo, Ecuador. Se adoptaron las técnicas de aprendizaje automático Random Forest y XGBoost para pronosticar la demanda de seis parroquias en el sector residencial con registros de enero de 2017 hasta diciembre de 2022. La metodología abarcó la recopilación de datos, preprocesamiento, entrenamiento y evaluación de modelos. Se utilizaron métricas como el RMSE y MAPE para validar el rendimiento, destacando Random Forest como el más eficaz en la previsión de la demanda en todas las parroquias, mostrando una adaptación más adecuada a las peculiaridades del consumo eléctrico. Este enfoque no solo proporciona una base para la planificación eficiente de la generación y distribución de energía, sino que también destaca la utilidad de las técnicas de aprendizaje automático en entornos de previsión de consumo energético. 

• English

  In response to the growth of electricity demand, this study focuses on the efficient forecasting of electricity consumption in Salcedo canton, Ecuador. Random Forest and XGBoost machine learning techniques were adopted to forecast the demand of six parishes in the residential sector with records from January 2017 to December 2022. The methodology encompassed data collection, preprocessing, training, and model evaluation. Metrics such as RMSE and MAPE were used to validate performance, highlighting Random Forest as the most effective in forecasting demand in all parishes, showing a more adequate adaptation to the peculiarities of electricity consumption. This approach not only provides a basis for efficient power generation and distribution planning, but also highlights the usefulness of machine learning techniques in energy consumption forecasting environments.