Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Serna Suarez, Ivan DavidAriza Peñaloza , Edwin Armando2024-11-072024-11-072024-11-072024-11-07https://noesis.uis.edu.co/handle/20.500.14071/44527El 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.application/pdfspainfo:eu-repo/semantics/openAccessUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.cohttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)