Implementación de una Herramienta de Pronóstico de Demanda de Energía Eléctrica en Santander Utilizando el Método de Random Forest y Basada en PyCaret

Ariza Peñaloza , Edwin Armando

Implementación de una Herramienta de Pronóstico de Demanda de Energía Eléctrica en Santander Utilizando el Método de Random Forest y Basada en PyCaret

dc.contributor.advisor	Serna Suarez, Ivan David
dc.contributor.author	Ariza Peñaloza , Edwin Armando
dc.contributor.evaluator	Caballero Peña, Juan Diego
dc.contributor.evaluator	Orozco Henao, César Augusto
dc.date.accessioned	2024-11-07T21:50:08Z
dc.date.available	2024-11-07T21:50:08Z
dc.date.created	2024-11-07
dc.date.issued	2024-11-07
dc.description.abstract	El pronóstico preciso de la demanda de energía eléctrica es esencial para la gestión eficiente de los recursos energéticos, especialmente en regiones con características particulares como Santander. Sin embargo, el sector energético en esta región enfrenta desafíos significativos debido a la variabilidad en la demanda y a las limitaciones de los modelos predictivos existentes. El propósito principal de este estudio es desarrollar y validar modelos predictivos avanzados para estimar la demanda de energía eléctrica en Santander, con el objetivo de superar las deficiencias de los enfoques tradicionales. Se emplean dos modelos de vanguardia: Random Forest y Long Short-Term Memory (LSTM), que son comparados en términos de su precisión y utilidad práctica. El análisis se basa en datos históricos y utiliza herramientas de datos como PyCaret y Google Colab. Los resultados obtenidos muestran que el modelo Random Forest ofrece una mejora significativa en la precisión de los pronósticos en comparación con el modelo LSTM, destacando su capacidad para capturar patrones complejos y dinámicos en los datos de demanda de energía eléctrica en Santander. Los hallazgos subrayan la importancia de adoptar enfoques modernos en la predicción de la demanda para mejorar la gestión energética en contextos regionales específicos.
dc.description.abstractenglish	Accurate forecasting of electric power demand is essential for efficient management of energy resources, especially in regions with characteristics such as Santander. However, the energy sector in this region faces significant challenges due to variability in demand and limitations of existing predictive models. The main purpose of this study is to develop and validate advanced predictive models to estimate electric power demand in Santander, with the aim of overcoming the shortcomings of traditional approaches. Two state-of-the-art models are employed: Random Forest and Long Short-Term Memory (LSTM), which are compared in terms of their accuracy and practical utility. The analysis is based on historical data and uses data tools such as PyCaret and Google Colab. The results obtained show that the Random Forest model offers a significant improvement in forecasting accuracy compared to the LSTM model, highlighting its ability to capture complex and dynamic patterns in electricity demand data in Santander. The findings underline the importance of adopting modern approaches in demand forecasting to improve energy management in specific regional contexts.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electricista
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/44527
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Eléctrica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.title	Implementación de una Herramienta de Pronóstico de Demanda de Energía Eléctrica en Santander Utilizando el Método de Random Forest y Basada en PyCaret
dc.title.english	Implementation of an Electric Power Demand Forecasting Tool in Santander Using the Random Forest Method and Based on PyCaret
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado