Modelos de inteligencia artificial para la predicción del crecimiento de la demanda eléctrica en sistemas urbanos de Riobamba, Ecuador

Read full text Summarise with VIRAT
Authors: Samantha Marlene Puente Bósquez, Carlos Isaac Machuca Valverde, Danner Anderson Figueroa Guerra, Josué Lenin Fuentes Véliz
Cited by: 0
References: 40

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El incremento sostenido del consumo eléctrico en ciudades intermedias como Riobamba ha evidenciado la necesidad de emplear herramientas predictivas más precisas que permitan optimizar la planificación del sistema energético. En este contexto, la investigación tuvo como objetivo analizar el desempeño de modelos de inteligencia artificial en la estimación del comportamiento futuro de la demanda eléctrica, utilizando datos históricos del periodo 2020–2024. El estudio se desarrolló bajo un enfoque cuantitativo de tipo aplicado, con un diseño no experimental de carácter longitudinal, basado en el análisis de series temporales. Los datos fueron sometidos a procesos de depuración, normalización y segmentación en conjuntos de entrenamiento, validación y prueba. Posteriormente, se implementaron modelos de redes neuronales, máquinas de soporte vectorial y un enfoque híbrido, desarrollados en un entorno de simulación computacional y evaluados mediante indicadores de error. Los resultados evidenciaron un alto nivel de precisión en las predicciones. Las redes neuronales presentaron el mejor desempeño, con errores mínimos de 1.8 % y un promedio cercano al 2.5 %. En comparación, el modelo híbrido y las máquinas de soporte vectorial alcanzaron errores de 2.1 % y 2.7 %, respectivamente. Estos resultados confirman la eficacia de la inteligencia artificial para modelar comportamientos no lineales y estacionales.

Fields of Study & Subjects

Energy Load and Power Forecasting Smart Grid Energy Management Forecasting Techniques and Applications

Publication details

Journal / source
Sage Sphere of Technology Sciences Discoveries And Society
Volume
4
Issue
1
Pages
1–25
Publication date
23 March 2026
Language
ES