Predicción del consumo eléctrico residencial basado en variables meteorológicas y eléctricas
DOI:
https://doi.org/10.5281/zenodo.15871660Palabras clave:
ajuste polinomial, análisis residual, consumo eléctrico, distribución gaussiana, variables meteorológicas, MSC 62J05, MSC 62P12, MSC 68T05, MSC 86A32, MSC 90BxxResumen
Este trabajo presenta el desarrollo de un modelo polinomial para predecir el consumo eléctrico residencial, haciendo uso de un conjunto de 15 variables meteorológicas y eléctricas. El desarrollo del modelo se centra en un ajuste polinomial de segundo grado, a través de la regresión lineal múltiple con el fin de capturar las interacciones entre las variables que influyen en el consumo energético. El modelo final integra variables como la corriente, voltaje, potencia aparente y reactiva, factores climáticos como temperatura y humedad, entre otros, destacando una relación casi lineal que justifica la limitación del modelo a polinomios de segundo grado. Se obtuvo un coeficiente de determinación R2 de 0.9991, indicando que casi toda la variabilidad del consumo eléctrico puede ser explicada por el modelo propuesto. El resultado logrado sugiere que el modelo no solo es eficaz para la predicción, sino que también es una herramienta valiosa para la planificación energética y la gestión del consumo residencial. A través del análisis residual y la eliminación de valores atípicos, se refinó aún más el modelo, reafirmando así su validez.
Descargas
Citas
Abizada, S. and E. Abiyeva: Energy Consumption Prediction of Residential Buildings Using Fuzzy Neural Networks. In 13th International Conference on Theory and Application of Fuzzy Systems and Soft Computing - ICAFS-2018, 2018. https://doi.org/10.1007/978-3-030-04164-9_68.
Aguirre-Fraire, B., J. Beltrán, and V. Soto-Mendoza: A comprehensive dataset integrating household energy consumption and weather conditions in a north-eastern Mexican urban city. Data in Brief, 54, 2024. https://doi.org/10.1016/j.dib.2024.110452.
Castilla, M., J. Álvarez, M. Ortega, and M. Arahal: Neural network and polynomial approximated thermal comfort models for HVAC systems. Building and Environment, 59:107–115, 2013. https://doi.org/10.1016/j.buildenv.2012.08.012.
Devore, J.L.: Probabilidad y Estadística para Ingeniería y Ciencias. Cengage Learning, 6ta edición, 2008. https://intranetua.uantof.cl/facultades/csbasicas/matematicas/academicos/jreyes/DOCENCIA/APUNTES/APUNTES%20PDF/Probabilidad%20y%20Estadistica%20para%20Ingenieria%20y%20Ciencias%20-%20Jay%20Devore%20-%20Septima%20Edicion.pdf.
Energía, Centro Nacional de Control de: Explicación sobre las acciones operativas y la publicación de los estados de alerta y emergencia el 7 de mayo, 2024. https://www.gob.mx/cenace/articulos/explicacion-sobre-las-acciones-operativas-y-la-publicacion-de-los-estados-de-alerta-y-emergencia-el-7-de-mayo?idiom=es.
Escobedo-Trujillo, B., F. Alaffita-Hernández, D. Colorado, and J. Siqueiros: Coefficient of Performance by a Polynomial Model for an Absorption Heat Transformer. Revista Mexicana de Ingeniería Química, 13(3):907–917, 2014. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1665-27382014000300022.
García, S.: Apagón hoy: Cenace anuncia que opera enestado de emergencia, 2024. https://www.excelsior.com.mx/nacional/apagones-hoy-7
-mayo-2024-cenace-anuncia-que-opera-en-estado-de-emergencia/1650763.
Hafiz Muhammad, F., J. Nadeem, S. Bakhtawar, B. Abdul, B. Muhammad, H. Inzamam, and M.S. Sahibzada: Prediction of Building Energy Consumption Using Enhanced Convolutional Neural Network. Advances in Intelligent Systems and Computing, 927:1157–1168, 2019. https://doi.org/10.1007/978-3-030-15035-8_111.
Hong, T., P. Pinson, and S. Fan: Global energy forecasting competition 2012. International Journal of Forecasting, 30(2):357–363, 2014. https://doi.org/10.1016/j.ijforecast.2013.07.001.
Kofi Nti, I., M. Teimeh, O. Nyarko-Boateng, and A. Felix Adekoya: Electricity load forecasting: a systematic review. Journal of Electrical Systems, 7(13), 2020. https://doi.org/10.1186/s43067-020-00021-8.
Montgomery, D.C., E.A. Peck, and G.G. Vining: Introduction to linear regression analysis. John Wiley & Sons, 2021. https://statanaly.com/wp-content/uploads/2023/05/IntroductiontoLinearRegressionAnalysisbyDouglasC.MontgomeryElizabethA.PeckG_.GeoffreyViningz-lib.org_.pdf.
Paatero, J.V. and P.D. Lund: A model for generating household electricity load profiles. International Journal of Energy Research, 30:273–290, 2006. https://doi.org/10.1002/er.1136.
Real, A. del, F. Dorado, and J. Durán: Energy Demand Forecasting Using Deep Learning: Applications for the French Grid. Energies, 13(9), 2020. https://doi.org/10.3390/en13092242.
Siano, P.: Demand response and smart grids–A survey. Renewable and Sustainable Energy Reviews, 30(C):461–478, 2014. https://doi.org/10.1016/j.rser.2013.10.022.
Stephens, M.: EDF statistics for goodness of fit and some comparisons. Journal of the American Statistical Association, 69(347):730–737, 1974. https://doi.org/10.1080/01621459.1974.10480196.
Vorsatz, D. Ürge and S. Herrero: Building synergies between climate change mitigation and energy poverty alleviation. Energy Policy, 49:83–90, 2012. https://doi.org/10.1016/j.enpol.2011.11.093.
Zhang, Y., J.Wang, and X.Wang: Deep Learning-Based Electricity Demand Forecasting. Applied Sciences, 10(11), 2020. https://doi.org/10.3390/app10113905.
Publicado
Versiones
- 2024-12-12 (5)
- 2025-07-12 (4)
- 2025-07-12 (3)
- 2025-07-12 (2)
- 2025-07-12 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Felipe Alberto Medécigo Cabriales, Francisco Alejandro Alaffita Hernández

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.

