Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático
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 weat...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Articulo |
| Lenguaje: | Inglés |
| Publicado: |
2025
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/177986 |
| Aporte de: |
| id |
I19-R120-10915-177986 |
|---|---|
| record_format |
dspace |
| spelling |
I19-R120-10915-1779862025-04-07T20:07:15Z http://sedici.unlp.edu.ar/handle/10915/177986 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 Uhrig, Mariela N. Vignolo, Leandro D. Müller, Omar V. 2025-04 2025-04-07T12:03:26Z en Ciencias Informáticas predicción de demanda eléctrica condiciones climáticas aprendizaje profundo red neuronal artificial electricity demand forecast weather conditions deep learning artificial neural network 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 Articulo Articulo http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf |
| institution |
Universidad Nacional de La Plata |
| institution_str |
I-19 |
| repository_str |
R-120 |
| collection |
SEDICI (UNLP) |
| language |
Inglés |
| topic |
Ciencias Informáticas predicción de demanda eléctrica condiciones climáticas aprendizaje profundo red neuronal artificial electricity demand forecast weather conditions deep learning artificial neural network |
| spellingShingle |
Ciencias Informáticas predicción de demanda eléctrica condiciones climáticas aprendizaje profundo red neuronal artificial electricity demand forecast weather conditions deep learning artificial neural network Uhrig, Mariela N. Vignolo, Leandro D. Müller, Omar V. Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático |
| topic_facet |
Ciencias Informáticas predicción de demanda eléctrica condiciones climáticas aprendizaje profundo red neuronal artificial electricity demand forecast weather conditions deep learning artificial neural network |
| 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. |
| format |
Articulo Articulo |
| author |
Uhrig, Mariela N. Vignolo, Leandro D. Müller, Omar V. |
| author_facet |
Uhrig, Mariela N. Vignolo, Leandro D. Müller, Omar V. |
| author_sort |
Uhrig, Mariela N. |
| title |
Modelado y predicción de la demanda eléctrica: comparación de enfoques estadísticos y de aprendizaje automático |
| 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 |
| publishDate |
2025 |
| url |
http://sedici.unlp.edu.ar/handle/10915/177986 |
| work_keys_str_mv |
AT uhrigmarielan modeladoypredicciondelademandaelectricacomparaciondeenfoquesestadisticosydeaprendizajeautomatico AT vignololeandrod modeladoypredicciondelademandaelectricacomparaciondeenfoquesestadisticosydeaprendizajeautomatico AT mulleromarv modeladoypredicciondelademandaelectricacomparaciondeenfoquesestadisticosydeaprendizajeautomatico AT uhrigmarielan modellingandforecastingelectricitydemandcomparingstatisticalandmachinelearningapproaches AT vignololeandrod modellingandforecastingelectricitydemandcomparingstatisticalandmachinelearningapproaches AT mulleromarv modellingandforecastingelectricitydemandcomparingstatisticalandmachinelearningapproaches |
| _version_ |
1852545714816548864 |