Prediction of Monthly Electricity Consumption by Cantons in Ecuador Through Neural Networks: A Case Study

Guachimboza-Davalos, Jorge I.; Cedeño, Edilberto Antonio Llanes; Rubio-Aguiar, Rodolfo J.; Peralta-Zurita, Diana B.; Núñez-Barrionuevo, Oscar F.

doi:10.1007/978-3-030-59194-6_3

Cited by 3 publications

(1 citation statement)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Se llevó a cabo la depuración de registros que contenían valores iguales o inferiores a cero. Respecto a las variables categóricas, se aplicó la técnica de etiquetado numérico a la columna Mes (1 a 12), y para Parroquia se empleó la estrategia de codificación One Hot Encoding para lograr la estandarización necesaria (Guachimboza-Davalos et al, 2021;Rosero-Garcia et al, 2021). Después de completar la depuración se mantuvo el tamaño original de la matriz.…”

Section: Preprocesamiento De Datosunclassified

Previsión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático

Chicaiza Yugcha,

Martínez Guaman,

Orozco Manobanda

et al. 2024

View full text Add to dashboard Cite

En respuesta al crecimiento de la demanda de energía eléctrica, este estudio se centra en la eficiente previsión del consumo eléctrico en el cantón Salcedo, Ecuador. Se adoptaron las técnicas de aprendizaje automático Random Forest y XGBoost para pronosticar la demanda de seis parroquias en el sector residencial con registros de enero de 2017 hasta diciembre de 2022. La metodología abarcó la recopilación de datos, preprocesamiento, entrenamiento y evaluación de modelos. Se utilizaron métricas como el RMSE y MAPE para validar el rendimiento, destacando Random Forest como el más eficaz en la previsión de la demanda en todas las parroquias, mostrando una adaptación más adecuada a las peculiaridades del consumo eléctrico. Este enfoque no solo proporciona una base para la planificación eficiente de la generación y distribución de energía, sino que también destaca la utilidad de las técnicas de aprendizaje automático en entornos de previsión de consumo energético.

show abstract

Section: Preprocesamiento De Datosunclassified