Predicción de la demanda eléctrica en la región oriente de México utilizando redes neuronales con datos del CENACE

Simple item page
dc.audiencegeneralPublic
dc.contributorVarela Carlos, Enrique
dc.contributorSalazar Ibargüen, Humberto Antonio
dc.contributor.advisorVarela Carlos, Enrique; 0000-0003-0715-7513
dc.contributor.advisorSalazar Ibargüen, Humberto Antonio; 0000-0003-4556-7302
dc.contributor.authorToral Mora, Eira Xanat
dc.date.accessioned2026-08-12T17:03:13Z
dc.date.available2026-08-12T17:03:13Z
dc.date.issued2025-12-04
dc.description.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”.
dc.folio20260127122923-6449-TL
dc.formatpdf
dc.identificator1
dc.identifier.urihttps://hdl.handle.net/20.500.12371/33470
dc.language.isospa
dc.matricula.creator201944431
dc.publisherBenemérita Universidad Autónoma de Puebla
dc.rights.accesopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0
dc.subject.classificationCIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA
dc.subject.lccIngeniería eléctrica--Producción de energía eléctrica o potencia--Trabajos generales
dc.subject.lccMatemáticas--Instrumentos y máquinas--Máquinas de calculo--Ciencias de la computación--Redes neuronales
dc.subject.lccConsumo de energía eléctrica--Pronóstico--Modelos matemáticos
dc.subject.lccAprendizaje automático (Inteligencia artificial)
dc.subject.lccAnálisis de series de tiempo--Procesamiento de datos
dc.thesis.careerLicenciatura en Física Aplicada
dc.thesis.degreedisciplineÁrea de Ingeniería y Ciencias Exactas
dc.thesis.degreegrantorFacultad de Ciencias Físico Matemáticas
dc.thesis.degreetoobtainLicenciado (a) en Física Aplicada
dc.titlePredicción de la demanda eléctrica en la región oriente de México utilizando redes neuronales con datos del CENACE
dc.typeTesis de licenciatura
dc.type.conacytbachelorThesis
dc.type.degreeLicenciatura
Files
Original bundle
Now showing 1 - 2 of 2
Name:
20260127122923-6449-TL.pdf
Size:
1.53 MB
Format:
Adobe Portable Document Format
Download
Name:
20260127122923-6449-CARTA.pdf
Size:
2.39 MB
Format:
Adobe Portable Document Format
Collections
Tesis de Licenciatura