Pronóstico de cargas de energía eléctrica en hogares para la planificación sostenible de la demanda en redes inteligentes.

Abstract

En el contexto actual, la gestión eficiente de la demanda eléctrica en hogares constituye un desafío estratégico fundamental para promover la eficiencia energética y la sostenibilidad. Este estudio se enfoca específicamente en la planificación sostenible de la demanda, subrayando la importancia de estrategias innovadoras, en particular, el empleo de redes neuronales, para perfeccionar la predicción de recursos y fomentar prácticas de consumo responsable. El objetivo de esta investigación es implementar un sistema predictivo de cargas eléctricas a corto plazo en hogares mediante el uso de redes neuronales, contribuyendo así a la planificación sostenible de la demanda en redes inteligentes. La metodología se inicia con la creación de un sistema de monitoreo detallado del consumo eléctrico en hogares. Este sistema involucrará la instalación de dispositivos de medición y sensores para recopilar datos precisos y representativos del consumo eléctrico. Posteriormente, se procederá al procesamiento de estos datos y a la implementación de un modelo de aprendizaje automático en Python para la predicción de cargas eléctricas. Después de la implementación de la metodología propuesta, se llevaron a cabo exhaustivas evaluaciones de los parámetros de entrada en relación con las variables de salida. Los resultados obtenidos revelaron una eficacia sorprendente del 98%, según las predicciones realizadas. Este alto nivel de concordancia entre los datos de entrada y los resultados previstos indica el éxito y la robustez de la propuesta, consolidando su validez y eficacia en el contexto evaluado. Esta metodología no solo ha demostrado ser altamente precisa en sus predicciones, sino que también ofrece un enfoque innovador y sostenible para abordar los retos actuales en la gestión de la demanda eléctrica en hogares, promoviendo así prácticas de consumo responsables y avanzando hacia un futuro más eficiente y sostenible en términos energéticos.