Tema:Predicción del consumo de energía eléctrica en Perú mediante técnicas de Machine Learning


Abstract

El déficit energético es un problema que afecta no solo a los países en desarrollo, sino a muchas naciones en todo el mundo. La predicción del consumo de energía eléctrica permite anticipar la demanda, lo que facilita la implementación de medidas preventivas para promover un consumo responsable. El objetivo de esta investigación es predecir el consumo de energía eléctrica en el Perú utilizando técnicas de Machine Learning. Para ello, se utilizaron datos históricos de consumo energético y producción eléctrica entre los años 2005 y 2024, recopilados de fuentes estatales como INEI, MINEM y CEPLAN. Se entrenaron seis modelos predictivos: Regresión Logística, Random Forest, Decisión Tree, Support Vector Machine, XGBoost y Redes Neuronales. Decision Tree fue el mejor modelo en términos de precisión y ajuste, con un MAE y RMSE muy bajos, y una correlación casi perfecta con los datos reales. También tiene el mayor R², lo que indica que es el modelo que mejor se ajusta a los datos

Integrantes
Huillca Ayza, Vicky
Ibaceta Canchaya, Joel
Quispe Huamán, Aldair
Villanueva Quinteros, Thomy

TEMA:
Predicción del consumo de energía eléctrica en Perú mediante técnicas de Machine Learning

ABSTRACT:
El déficit energético es un problema que afecta no solo a los países en desarrollo, sino a muchas naciones en todo el mundo. La predicción del consumo de energía eléctrica permite anticipar la demanda, lo que facilita la implementación de medidas preventivas para promover un consumo responsable. El objetivo de esta investigación es predecir el consumo de energía eléctrica en el Perú utilizando técnicas de Machine Learning. Para ello, se utilizaron datos históricos de consumo energético y producción eléctrica entre los años 2005 y 2024, recopilados de fuentes estatales como INEI, MINEM y CEPLAN. Se entrenaron seis modelos predictivos: Regresión Logística, Random Forest, Decisión Tree, Support Vector Machine, XGBoost y Redes Neuronales. Decision Tree fue el mejor modelo en términos de precisión y ajuste, con un MAE y RMSE muy bajos, y una correlación casi perfecta con los datos reales. También tiene el mayor R², lo que indica que es el modelo que mejor se ajusta a los datos.


INTEGRANTES:
Huillca Ayza, Vicky
Ibaceta Canchaya, Joel
Quispe Huamán, Aldair
Villanueva Quinteros, Thomy