La tesis tiene como objetivo desarrollar un modelo híbrido que combina Redes Neuronales Recurrentes del tipo Long ShortTerm Memory (memoria a corto-largo plazo) con la técnica de Transformada Wavelet Discreta (DWT). La DWT permite descomponer la señal de demanda eléctrica del Sistema Eléctrico Interconectado Nacional (SEIN) en múltiples sub-señales que capturan diferentes frecuencias y detalles de la señal original. Este proceso puede reducir la volatilidad de ciertos componentes al aislar patrones de frecuencia específicos, facilitando su análisis. Cada subseñal obtenida es posteriormente procesada por una red neuronal recurrente LSTM, que permite realizar un pronóstico de la demanda en función de las características de cada componente. El resultado final se obtiene mediante la combinación de estos múltiples pronósticos utilizando la Transformada Wavelet Estacionaria In...

La tesis desarrolla un modelo de red neuronal para el pronóstico de generación de energía eléctrica en la Central Eólica de Talara, ubicada en la región Piura. Dada la variabilidad inherente de la energía eólica, se busca mejorar la capacidad de predicción a corto plazo mediante técnicas de inteligencia artificial que permitan anticipar el comportamiento del recurso con mayor precisión. Se recopiló información histórica de generación eléctrica desde octubre de 2014 hasta abril de 2025, proveniente del COES, así como datos meteorológicos (velocidad y dirección del viento, temperatura del aire y humedad relativa) extraídos de la plataforma NASA POWER. Para la implementación del modelo se utilizó una arquitectura híbrida de red neuronal tipo CNN-LSTM, entrenada en un entorno Python. Las variables meteorológicas fueron preprocesadas, normalizadas y combinadas en disti...