Modelo de predicción de demanda energética de una subestación de CNEL EP, Unidad de Negocio Esmeraldas

Abstract

Este artículo presenta una metodología para predecir la demanda de energía eléctrica en una subestación de distribución de la empresa CNEL EP, Unidad de Negocios Esmeraldas, utilizando algoritmos de regresión basados en inteligencia artificial. Se utilizaron datos históricos de consumo de energía y potencia, registrados cada 10 minutos durante un lapso de cuatro años entre el 2018 y 2021. Se aplicaron técnicas de preprocesamiento de datos, como el filtro Hampel, para eliminar valores atípicos y fluctuaciones suaves. Se seleccionaron dos variables relevantes para el entrenamiento del modelo: potencia (kW) y energía (kWh). Se evaluaron varios algoritmos de regresión, como el GPR exponencial cuadrado y la SVM gaussiana media, y sus resultados se compararon con modelos de referencia de la literatura. Los hallazgos demostraron que los algoritmos propuestos lograron una alta precisión en la predicción de la demanda de energía, con un error porcentual absoluto medio (MAPE) de menos de 1.5% para energía y 1.14% para potencia. Estos algoritmos tienen potencial para mejorar la planificación, operación y mantenimiento de la infraestructura eléctrica de la empresa de distribución.