Enhancing Smart Grid Management Through Machine Learning-Based Hourly Energy Forecast

Resumen

La predicción precisa del consumo de electricidad con alta resolución temporal es esencial para la gestión de las redes inteligentes, especialmente en el contexto del creciente uso de fuentes de energía renovable intermitentes como la solar y la eólica. Esta transición plantea grandes desafíos para los operadores de red, quienes deben equilibrar de manera continua la oferta y la demanda bajo condiciones de alta variabilidad. Los enfoques tradicionales de predicción suelen fracasar en la captura de los patrones no lineales y dinámicos de la demanda eléctrica, lo que conduce a una fiabilidad predictiva limitada. Para abordar estos desafíos, este estudio presenta una evaluación comparativa de seis modelos de aprendizaje automático para la predicción horaria del consumo eléctrico: Regresión Lineal, Bosque Aleatorio (Random Forest), XGBoost, CatBoost, LightGBM y Perceptrón Multicapa (MLP). El desempeño de los modelos se evaluó utilizando RMSE, MAE, R², Precisión, Recall y F1-score. Los resultados destacan la superioridad de los modelos basados en conjuntos. Random Forest obtuvo el mejor rendimiento (RMSE = 396.56, MAE = 161.35, R² = 0.9990, F1 = 0.993), seguido de LightGBM (RMSE = 544.88, MAE = 309.30, R² = 0.9981, F1 = 0.982) y XGBoost (RMSE = 671.42, MAE = 365.31, R² = 0.9972, F1 = 0.979). En contraste, la Regresión Lineal y el MLP produjeron resultados significativamente más débiles. En general, este estudio demuestra el potencial del aprendizaje automático avanzado, en particular de los métodos de conjunto, para mejorar sustancialmente la precisión de la predicción de la demanda energética, permitiendo así una operación más confiable de las redes inteligentes y apoyando la transición global hacia sistemas energéticos sostenibles.