Prognosis de la generación de potencia del SEIN para reducir costos de facturación de los usuarios libres

• Autor: Gonzales Requejo, Erick Del Piero y Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28981
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28981
• Nivel de acceso: acceso abierto
• Materia: Optimización energética; Redes neuronales LSTM; Prognosis de generación; Peak shaving; Load shifting; https://purl.org/pe-repo/ocde/ford#2.03.02

La prognosis de la Máxima Demanda Coincidente (MDC) en el Sistema Eléctrico Interconectado Nacional (SEIN) es fundamental para la optimización de costos de los Usuarios Libres (UL). Esta investigación desarrolla un modelo basado en redes neuronales de memoria a largo plazo (LSTM) para la prognosis de la generación de potencia, con el fin de anticipar los momentos en los que ocurre la MDC y facilitar la implementación de estrategias de eficiencia como peak shaving y load shifting. El estudio analiza datos históricos del SEIN, considerando variables endógenas y exógenas como feriados y días de la semana, para evaluar su impacto en la demanda. Se probaron diversas arquitecturas de modelos predictivos y ventanas de entrada, utilizando métricas como MAE, RMSE, MAPE y R² para determinar el modelo más robusto. Los resultados muestran que el 92.7% de las MDC ocurren entre las 18:45 h y las 20:45 h, lo que permite reducir el rango de aplicación de estrategias de optimización de la demanda. Además, en un escenario de tres días en la predicción semanal, el modelo logró predecir correctamente la MDC en 10 de los 12 meses evaluados. El trabajo demuestra la viabilidad de aplicar modelos avanzados de machine learning para mejorar la gestión de la demanda eléctrica, optimizando los costos energéticos de los UL. Se recomienda explorar futuras mejoras mediante la incorporación de nuevas variables exógenas y la integración del modelo con sistemas de almacenamiento energético para una automatización efectiva de las estrategias de gestión de la demanda.