- Machine Learning y modelos predictivos
- Big Data e ingeniería de datos
Pronóstico de demanda eléctrica bajo el calor del verano
En verano, y más con El Niño, el calor dispara el consumo eléctrico. Construí un modelo que usa 8 años de clima y 4 años de mediciones de demanda para anticipar cuánta potencia pasará por cada alimentador de la red en los próximos meses, y así saber dónde reforzarla.
Pronóstico de demanda por alimentador a 1–12 meses con LightGBM y XGBoost sobre perfiles de 15 minutos, clima horario de ~1 000 nodos e índices ENSO; backtesting rolling-origin, bandas p10–p90 y escenarios climáticos.
La historia
01 / 04
El problema
En verano, y más con El Niño, el calor dispara el consumo eléctrico, y la red tiene que estar preparada para ese pico.
Objetivo: pronosticar la demanda por alimentador a 1, 3, 6 y 12 meses incorporando el efecto del clima y del ENSO.
02 / 04
Por qué es difícil
Cada alimentador reacciona distinto al calor, y un año con El Niño no se parece a los anteriores: mirar solo el pasado no alcanza.
Perfiles de 15 minutos por alimentador (~4 años) y clima horario de ~1 000 nodos (8 años); cada subestación se asigna a su nodo más cercano.
03 / 04
La idea clave
Un modelo que aprende cómo responde cada parte de la red a la temperatura y la humedad, y que dice cuánta potencia pasará, con su margen de error.
Variables: anomalías térmicas, grados de enfriamiento, índices ENSO, rezagos y clusters. LightGBM/XGBoost contra baselines y un benchmark sin clima, con backtesting rolling-origin.
04 / 04
El resultado
El pronóstico se usa como insumo para decidir dónde invertir en reforzar la red, con rankings de los alimentadores más sensibles al calor.
Bandas p10–p50–p90, escenarios (climatología, cálido, El Niño), agregación jerárquica y rankings de crecimiento y sensibilidad térmica.
Qué sigue
Las limitaciones y preguntas abiertas quedaron documentadas para revisión experta.
Impacto
- 8 + 4años de datos: 8 de clima horario y 4 de mediciones de demanda
- 1–12meses de horizonte, agregado por alimentador, subestación, zona y toda la red
- p10–p90bandas de incertidumbre y escenarios de El Niño global y costero
- Comparación honesta contra baselines y contra el mismo modelo sin clima, para medir cuánto aporta el clima
- Usado como insumo para decisiones de inversión en el reforzamiento de la red
Cómo funciona
- Unir datos. Mediciones eléctricas (perfiles de 15 minutos por alimentador), ubicación de cada subestación y clima horario de ~1 000 nodos meteorológicos. A cada subestación se le asigna su nodo más cercano.
- Variables. Anomalías de temperatura y humedad, grados de enfriamiento, un índice regional de estrés climático, índices ENSO (ONI, Niño 1+2, Niño 3.4…), rezagos y medias móviles de demanda, y clusters de perfiles de consumo y de ubicación.
- Modelos. LightGBM y XGBoost comparados contra baselines simples y contra un benchmark sin clima. Validación con backtesting rolling-origin, sin mirar el futuro.
- Pronóstico. Demanda futura con bandas de incertidumbre, escenarios climáticos (climatología, cálido, El Niño) y agregación jerárquica.
Detalles técnicos
- Se excluyen del modelo operacional las mediciones eléctricas que no estarían disponibles en el futuro (evita data leakage).
- Métrica de picos que penaliza más subestimar que sobreestimar: en planificación es peor quedarse corto.
- Documentación explícita de limitaciones y de preguntas abiertas para revisión experta.