Modelo de predicción de la demanda de energía eléctrica en el Perú utilizando redes neuronales LSTM

• Autor: Lavilla Alvarez, Vanesa
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/11195
• Enlace del recurso: https://hdl.handle.net/20.500.12918/11195
• Nivel de acceso: acceso abierto
• Materia: Energía eléctrica; Demanda de energía; Anomalías; Redes neuronales; https://purl.org/pe-repo/ocde/ford#1.02.02

La pandemia de COVID-19 generó alteraciones sin precedentes en los patrones de consumo de energía eléctrica en el Perú, debido a las medidas de confinamiento y teletrabajo. Estos cambios plantearon la necesidad de identificar anomalías prolongadas en la demanda de energía eléctrica durante y después del periodo crítico de la pandemia. Esta investigación tuvo como objetivo desarrollar un modelo predictivo basado en redes neuronales LSTM para estimar la demanda de energía eléctrica en el Perú, evaluando su desempeño y su utilidad en la identificación de anomalías. Se diseñó e implemento un modelo LSTM utilizando datos históricos de demanda eléctrica registrados cada 30 minutos entre los años 2018 y 2024. Los datos se dividieron en tres etapas: pre-pandemia, durante la pandemia y post-pandemia. El modelo fue entrenado con datos del periodo pre-pandemia y evaluado mediante métricas como RMSE, MAE y R2. Posteriormente, se emplearon los errores de predicción para identificar anomalías en los periodos durante y post-pandemia, se usó el umbral percentil 95. Los resultados mostraron un RMSE inferior al 2% de la demanda media y un R2 superior al 97 %, evidenciando una alta capacidad predictiva del modelo. Se detectaron 1,733 anomalías durante la pandemia, y 1,916 en la etapa post-pandemia. El mayor número de anomalías post-pandemia se vinculó a la inestabilidad política y social que afectaron la actividad económica y consumo eléctrico, aunque con menor amplitud. Este estudio confirma la eficacia de las redes LSTM para detectar anomalías y anticipar comportamientos atípicos en contextos de crisis.