Predicción de la demanda eléctrica en la región oriente de México utilizando redes neuronales con datos del CENACE
Date
2025-12-04
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Benemérita Universidad Autónoma de Puebla
Abstract
“El presente trabajo tiene como objetivo desarrollar un modelo de predicción de la demanda eléctrica en la región Oriente de México, utilizando redes neuronales artificiales con datos históricos proporcionados por el Centro Nacional de Control de Energía (CENACE). Este estudio surge de la necesidad de mejorar la precisión de los pronósticos energéticos ante los desafíos actuales del sistema eléctrico nacional, tales como el crecimiento sostenido del consumo, la incorporación de fuentes renovables y la búsqueda de un suministro confiable y eficiente. Para abordar el problema, se construyeron y compararon dos modelos predictivos: una red neuronal recurrente del tipo Long Short-Term Memory (LSTM) y un modelo basado en árboles potenciados (XGBoost). Ambos fueron entrenados con datos horarios de demanda, generación e intercambio neto de energía del periodo 2020–2023, y posteriormente aplicados para estimar la demanda de 2024. El modelo LSTM se enfocó en capturar dependencias temporales de largo plazo mediante secuencias de entrada, mientras que XGBoost utilizó características estadísticas y retardos temporales para representar las variaciones de la serie. Los resultados muestran que ambos modelos ofrecen un desempeño robusto, con valores del coeficiente de determinación R2 superiores al 0.98 en la mayoría de los meses analizados. Sin embargo, el modelo LSTM presentó una mayor capacidad para representar los patrones horarios y estacionales de la demanda, mientras que XGBoost destacó por su eficiencia computacional y menor sensibilidad a valores atípicos”.
Description
Keywords
Citation
Collections
Document Viewer
Select a file to preview:
Can't see the file? Try reloading