Análisis y formulación de un modelo de machine learning para mejorar el pronóstico de demanda de corto plazo multinodal en el sistema eléctrico peruano

• Autor: Jesusi Huamani, Daniel Benito
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28764
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28764
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Pronóstico de demanda; Demanda eléctrica; Multinodal; Corto plazo; https://purl.org/pe-repo/ocde/ford#2.03.02

En esta tesis se analiza y formula un modelo de machine learning con el objetivo de mejorar la precisión del pronóstico de la demanda eléctrica para el día siguiente. Actualmente, este pronóstico es realizado diariamente por el operador del sistema eléctrico peruano mediante un procedimiento tradicional. Sin embargo, el enfoque global de la metodología de este procedimiento vigente y aprobado desde el 2011, no refleja con precisión la evolución diaria de la demanda en barra, un aspecto crítico para la operación de la red. Esta problemática es de interés tanto para el operador del sistema como para los agentes del mercado, especialmente debido a la aparición de congestiones en los equipos de transmisión y a la necesidad de optimizar la asignación de recursos a través del Programa Diario de Operación (PDO). Para abordar esta cuestión, se lleva a cabo una revisión exhaustiva del estado del arte, identificando los modelos más adecuados para el pronóstico diario en un esquema multinodal. A continuación, se recopilan y preprocesan datos de demanda obtenidos de la página web del operador del sistema, los cuales mediante permiten generar series de tiempo de demanda eléctrica. Posteriormente, se analizan las características de 16 series temporales con el objetivo de identificar patrones. Estas series son utilizadas para el entrenamiento y validación en hasta cinco modelos de machine learning. Finalmente, se selecciona el modelo con mejor desempeño (MAPE) y tiempo de procesamiento, obteniendo un pronóstico multinodal que supera significativamente al del Programa Diario de Operación del operador del sistema, no solo para un día, sino también para un periodo de entre 4 a 6 meses aproximadamente.