Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica

Abstract

La predicción de la demanda eléctrica es estratégica para planificar y operar los sistemas energéticos, pero resulta compleja por la interacción de factores externos, que generan dinámicas no lineales y patrones de variabilidad multiescala. Frente a las limitaciones de los modelos estadísticos clásicos, esta tesis aborda la predicción de la demanda eléctrica diaria de la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas del reanálisis ERA5-ECMWF y variables temporales. Se analizan horizontes de 1, 7 y 14 días. Como primera contribución, se desarrolla y optimiza sistemáticamente una arquitectura LSTM mediante múltiples configuraciones, búsqueda en grilla de hiperparámetros y validación cruzada. Los modelos obtenidos superan a SARIMAX y DA-SKIP, con arquitecturas más parsimoniosas y eficientes. Posteriormente, se estudian mecanismos de atención y se proponen DA-LSTM y AMBER, arquitectura que modela la relevancia de las variables meteorológicas en el contexto histórico y el horizonte de predicción. El modelo LSTM multivariado optimizado alcanza, para un día, R²=0,94 y RMSE=727,2 MWh. AMBER mejora estos resultados, con R²=0,94 y RMSE=608,86 MWh, reduce el error un 16,3% y obtiene el menor sesgo sistemático (%Bias=-0,70); a 14 días mantiene R²=0,69. Además, los pesos de atención identifican las variables térmicas y de radiación como las más relevantes. Los resultados demuestran que combinar arquitecturas recurrentes multivariadas con atención meteorológica mejora la precisión, robustez e interpretabilidad de la predicción, con aplicación directa en sistemas regionales de distribución.

Electricity demand forecasting is strategic for energy system planning and operation, but it is complex due to the interaction of external factors, which generate nonlinear dynamics and multiscale variability patterns. Given the limitations of classical statistical models, this thesis addresses daily electricity demand forecasting in the province of Entre Ríos, Argentina, through a multivariate approach that integrates historical consumption records, meteorological variables from the ERA5-ECMWF reanalysis, and temporal variables. Forecast horizons of 1, 7, and 14 days are analyzed. As a first contribution, an LSTM architecture is systematically developed and optimized using multiple configurations, grid search for hyperparameters, and cross-validation. The resulting models outperform SARIMAX and DA-SKIP while using more parsimonious and efficient architectures. Subsequently, attention mechanisms are investigated, and DA-LSTM and AMBER are proposed; the latter models the relevance of meteorological variables in both the historical context and forecast horizon. For the one-day horizon, the optimized multivariate LSTM model achieves R² = 0.94 and RMSE = 727.2 MWh. AMBER improves these results, achieving R² = 0.94 and RMSE = 608.86 MWh, reducing the error by 16.3%, and yielding the lowest systematic bias (%Bias = −0.70); at the 14-day horizon, it maintains R² = 0.69. In addition, the attention weights identify thermal and radiation variables as the most relevant. The results demonstrate that combining multivariate recurrent architectures with meteorological attention improves forecasting accuracy, robustness, and interpretability, with direct applicability to regional distribution systems.