PREDICCIÓN DE LA DEMANDA DE ENERGÍA ELÉCTRICA EN UN CAMPUS UNIVERSITARIO DE LA UFMG: UN ESTUDIO MEDIANTE REDES NEURONALES RECURRENTES

Resumen

La previsión energética es una herramienta ampliamente utilizada para la gestión y planificación energética, especialmente ante escenarios de aumento del consumo y las tarifas energéticas en Brasil. Este trabajo tuvo como objetivo principal predecir la demanda de electricidad de un campus universitario de la UFMG y evaluar el rendimiento de tres arquitecturas principales de redes neuronales recurrentes: RNN clásica, LSTM y GRU. Se utilizó una serie temporal con una granularidad diaria de 48 meses, proporcionada por CEMIG. Los modelos se implementaron en Python y el rendimiento se evaluó mediante las métricas MAPE, MAE y RMSE. Los modelos de redes neuronales recurrentes propuestos mostraron resultados similares en la previsión de la demanda energética diaria, destacando GRU con un MAPE del 10,51 %. En el análisis de la demanda mensual, GRU fue ligeramente superior, presentando un MAPE del 5,44 %, demostrando mayor precisión en la identificación de picos de demanda mensuales. En este conjunto de datos, una serie temporal de corto alcance, las arquitecturas más simples demostraron ser competitivas en la previsión, con GRU mostrando una ligera ventaja.