Predicción a corto plazo de la demanda eléctrica en una subestación usando modelos de series de tiempo
Loading...
Date
2026
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
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.