Estimation of the Time of Occurrence of the Maximum Electrical Demand by Selecting the Optimal Classification Model and Making Use of Unbalanced Data

Resumen

Los estudios sobre pronóstico de demanda eléctrica usualmente se concentran en la magnitud de la variable, sin embargo, la metodología empleada en este estudio aborda también la hora en el que se produce el pico de demanda, crucial para planificar la generación de energía, suavizar los picos de demanda y establecer tarifas diferenciadas. Para predecir la hora de máxima demanda se utilizaron algoritmos de aprendizaje automático supervisado: bosques aleatorios, K vecinos más cercanos, máquina de soporte vectorial, y regresión logística. El conjunto de datos consta de valores de demanda máxima y mínima por hora de 2021 a 2024 de un país de Suramérica, que incluyen factores ambientales como la temperatura y estacionalidad. Dado que los datos en la variable a predecir de hora de demanda máxima están desequilibrados, en el estudio se utilizaron técnicas de sobremuestreo como SMOTE-NC (instancias sintéticas de las clases minoritarias para equilibrar el conjunto de datos). Se hace uso de un enfoque de toma de decisiones multicriterio para seleccionar el mejor modelo de clasificación, considerando a las métricas de evaluación de modelos como criterios de decisión. La conclusión más importante arrojada por el estudio es que el modelo obtenido con el algoritmo de máquina de soporte vectorial resultó ser el óptimo, y predijo con éxito la hora de máxima demanda en 15 de los 17 días de prueba. Los hallazgos destacan la naturaleza desequilibrada de las horas de máxima demanda, que ocurren predominantemente alrededor de las 8 pm.