Browsing by Subject "Electricity demand"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Predicción a corto plazo de la demanda eléctrica en una subestación usando modelos de series de tiempo
    (Pontificia Universidad Javeriana Cali, 2026) Ordoñez Márquez, Fredy Alejandro; Velásquez Chala, Oscar Fernando; Sánchez Ceballos, José Luis; Arango Londoño, David
    Este proyecto aplicado desarrolló y evaluó comparativamente un sistema de predicción a corto plazo (horizonte h=24 horas) de la demanda eléctrica, medida como potencia aparente en voltamperios (VA), registrada horariamente en una subestación eléctrica del sistema de distribución colombiano, a partir de 58,448 observaciones históricas del sistema SCADA correspondientes al período enero 2019 a agosto 2025. La problemática central es la ausencia de herramientas automatizadas de pronóstico a nivel de subestación, que limita la capacidad operativa de los Operadores de Red (OR) para prevenir sobrecargas, optimizar mantenimientos e integrar recursos energéticos distribuidos, en un contexto regulado por la CREG que exige crecientes niveles de eficiencia y calidad de servicio. El proyecto se estructuró en tres objetivos específicos: (i) caracterización estadística de la serie mediante preprocesamiento riguroso, análisis exploratorio, descomposición STL, análisis de autocorrelación y pruebas de estacionariedad ADF-KPSS; (ii) ajuste de las configuraciones de diferentes modelos de cinco familias, estadísticos (SARIMAX), machine learning (XGBoost, Prophet), deep learning especializado (N-HiTS, N-BEATS, TFT), fundacional (Chronos) e híbridos de residual boosting; y (iii) evaluación comparativa mediante validación cruzada temporal con esquema expanding window de 90 ventanas y métricas MASE, MAE y RMSE. El preprocesamiento identificó 456 valores faltantes imputados mediante una red neuronal MLP con baseline estacional ajustado, y detectó outliers con STL + Isolation Forest en un proceso iterativo de tres rondas. El análisis exploratorio reveló un cambio estructural de nivel de +11.6% en enero 2023 como el principal factor de error para los modelos. Los resultados demostraron que solo 7 de 17 configuraciones individuales superan al Seasonal Naïve (MASE < 1.0): Chronos con contexto post-2023 (MASE=0.8645, MAE=224 VA) es el mejor modelo individual, seguido por TFT-GPU (MASE=0.9179) y N-HiTS base (MASE=0.9575, 19 segundos de entrenamiento sin GPU). SARIMAX y XGBoost presentaron sesgos de subestimación de −392 VA/hora y −468 VA/hora respectivamente, inviables para producción sin corrección manual. A partir de estos resultados, la recomendación operativa es implementar el modelo TFT con GPU, utilizar N-HiTS como configuración base cuando no se cuente con GPU, y Chronos como modelo de contingencia cuando el entrenamiento local falla o no hay histórico suficiente.