Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Blanco Solano, JairoDuarte Gualdrón, César AntonioHoyos Plazas, Harrison2023-05-312023-05-312023-05-302023-05-30https://noesis.uis.edu.co/handle/20.500.14071/14500El pronóstico de demanda de energía a corto plazo (STLF) garantiza una operación confiable y reduce los gastos del sistema al anticipar cambios en la demanda. Este trabajo presenta una aplicación web para pronosticar la demanda de energía a corto plazo en mercados de comercialización en Colombia. Se desarrolló un algoritmo utilizando máquinas de soporte vectorial (Support Vector Regression) en base a un trabajo de grado previo de la Universidad Industrial de Santander. El modelo se implementa con Scikit-Learn en Python y se crea la aplicación web llamada Mileto para el entrenamiento, testeo y evaluación de nuevos modelos, utilizando Django para el back-end y HTML, CSS, JavaScript y Bootstrap 5 para el front-end. Se configura una base de datos en Postgresql para almacenar los datos históricos de demanda de energía en Colombia. Además, se establece un servidor web con Nginx y se utiliza Docker Compose para desplegar los servicios web (Django), la base de datos (Postgresql) y Nginx en un ordenador suministrado por la Universidad Industrial de Santander. La aplicación web es accesible a través del dominio mileto.com.co.application/pdfspainfo:eu-repo/semantics/openAccesspronóstico de demanda a corto plazomáquinas de soporte vectorialaplicación webUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coshort-term demand forecastingsupport vector machinesweb applicationhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)