Arango Londoño, DavidJaimes Otero, Julián JavierMunévar Díaz, José LuisMoreno Guzmán, Meidy Lizeth2026-09-032026-09-032026http://hdl.handle.net/11522/5778Esta investigación desarrolló un sistema de monitoreo de carga no intrusivo (Non-Intrusive Load Monitoring, NILM) basado en técnicas de inteligencia artificial (IA), orientado a mejorar la eficiencia energética en entornos comerciales. La creciente demanda energética, sumada al aumento de dispositivos eléctricos conectados a la red, ha generado un consumo poco eficiente debido, en gran parte, a la falta de información detallada sobre el comportamiento energético de los equipos eléctricos. Los sistemas tradicionales de medición únicamente reportan el consumo total, sin permitir identificar qué equipos consumen más energía, en qué momentos y bajo qué condiciones, lo que dificulta la implementación de estrategias de ahorro y sostenibilidad. Como alternativa a los sistemas de monitoreo intrusivo, que requieren la instalación de sensores en cada dispositivo y presentan altos costos de implementación y mantenimiento, se desarrolló un modelo NILM capaz de desagregar el consumo energético a partir de una única medición realizada en el punto de entrada de la instalación eléctrica. Para ello, se realizó el procesamiento y análisis exploratorio de un conjunto de datos de consumo energético, se evaluaron cinco modelos de aprendizaje automático (Regresión Lineal, SVM, Random Forest, XGBoost y RNN LSTM), optimizados mediante técnicas de búsqueda de hiperparámetros, y se implementó un mecanismo de reconciliación proporcional para garantizar la coherencia entre las predicciones desagregadas y el consumo total observado. Los resultados evidenciaron que los modelos basados en métodos de ensamble, especialmente Random Forest, alcanzaron los mejores niveles de desempeño, obteniendo coeficientes de determinación (R²) superiores al 90 % en cuatro de las seis categorías de carga evaluadas (Lighting, Heating, Sockets Plug y Cooling). Asimismo, el mecanismo de reconciliación permitió corregir inconsistencias entre las predicciones individuales y el consumo agregado, garantizando la conservación de la energía durante el proceso de desagregación. En conjunto, los resultados demuestran la viabilidad del uso de técnicas de Machine Learning para la desagregación no intrusiva del consumo energético en edificios comerciales y proporcionan una metodología reproducible que puede apoyar la implementación de sistemas inteligentes de gestión energética, facilitar la toma de decisiones orientadas al ahorro de energía y contribuir al desarrollo de estrategias de sostenibilidad en organizaciones. Palabras clave: Monitoreo de carga no intrusivo (NILM), Desagregación energética, Aprendizaje automático, Bosques aleatorios (Random Forest), Series temporales, Redes neuronales recurrentes (RNN), Reconciliación de pronósticos.71 p.application/pdfspaCarga no intrusivaEficiencia energéticaMachine learningDesagregación de energíaAnálisis de series temporalesmaster thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2