Artículo Académico / Academic Paper
Recibido: 08-11-2025, Aprobado tras revisión: 15-01-2026
Forma sugerida de citación: Brito, W.; Sánchez, W (2026). “Comparación de Modelos LSTM y XGBoost para la Predicción de
Demanda Eléctrica en el Sistema Ecuatoriano”. Revista Técnica “energía”. No. 22, Issue II, Pp. 24-31
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v22.n2.2026.729
© 2026 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Performance Evaluation of LSTM and XGBoost Models for Electric Demand
Forecasting in the Ecuadorian Power System
Evaluación del Desempeño de Modelos LSTM y XGBoost en la Predicción de
la Demanda Eléctrica del Sistema Ecuatoriano
W.F. Brito1
0009-0004-3002-2427
W.D. Sánchez2
0009-0009-1537-4850
1Operador Nacional de Electricidad - CENACE, Subgerencia Nacional de Investigación y Desarrollo, Quito,
Ecuador, E-mail: wbrito@cenace.gob.ec
2CELEC EP, Transelectric, Quito, Pichincha, Ecuador
E-mail: wsanchez@cenace.gob.ec
Abstract
Accurate short-term electricity demand forecasting is
essential for the technical and economic operation of the
Ecuadorian power system. This paper presents a
comparison between Long Short-Term Memory
(LSTM) neural networks and the XGBoost algorithm
for short-term load forecasting, incorporating
exogenous variables such as apparent temperature and
national holidays. Hourly demand data were obtained
from the CENACE database starting in 2021, and
meteorological data were sourced from the Open-Meteo
satellite platform. A recursive single-step forecasting
strategy was implemented for a 24-hour prediction
horizon. Results show that the LSTM model achieved
the highest accuracy, significantly outperforming
XGBoost. The study concludes that incorporating
exogenous variables improves forecasting performance
and that LSTM provides a reliable approach for short-
term load prediction to support national power system
planning.
Resumen
La predicción precisa de la demanda eléctrica es
esencial para la operación técnico-económica del
sistema eléctrico ecuatoriano. Este trabajo presenta una
comparación entre los modelos Long Short-Term
Memory (LSTM) y XGBoost para la predicción de la
demanda de corto plazo, incorporando variables
exógenas como la temperatura aparente y los feriados
nacionales. Se utilizaron registros horarios del
CENACE desde 2021 y datos meteorológicos satelitales
del portal Open-Meteo. La estrategia empleada fue de
predicción unipaso recursiva para un horizonte de 24
horas. Los resultados muestran que el modelo LSTM
alcanza una mayor precisión, superando
significativamente a XGBoost. Se concluye que la
inclusión de variables exógenas mejora la exactitud del
pronóstico y que la arquitectura LSTM constituye una
herramienta robusta para la planificación operativa y
energética del sistema ecuatoriano.
Index terms— LSTM, XGBoost, short-term load
forecasting, apparent temperature, Ecuador, CENACE.
Palabras clave— LSTM, XGBoost, predicción de
demanda, temperatura aparente, CENACE, Ecuador.
24
Edición No. 22, Issue II, Enero 2026
1. INTRODUCCIÓN
Una predicción adecuada de la demanda energética es
fundamental para la operación técnico-económica de los
sistemas eléctricos modernos. Predicciones confiables
permiten lograr un despacho óptimo de los recursos de
generación, manejo eficiente de la red y una adecuada
planificación. Los cambios en los patrones de consumo
debidos a el crecimiento urbano, desarrollo industrial y
económico y a la creciente adopción de generación no
convencional (solar, eólica etc…) han introducido
nuevos desafíos al incrementar la variabilidad e
incertidumbre en la operación de la red.
La predicción de series temporales puede abordarse
desde distintos paradigmas, entre los cuales destacan los
modelos secuenciales, como las redes Long Short-Term
Memory (LSTM), y los modelos tabulares basados en
árboles, como Extreme Gradient Boosting (XGBoost).
Ambos enfoques difieren en la forma en que representan
y aprenden la información temporal. Mientras las LSTM
modelan explícitamente dependencias temporales
mediante el procesamiento secuencial de los datos,
XGBoost requiere transformar el problema en uno
tabular mediante retardos y variables exógenas.
Desde una perspectiva práctica, XGBoost presenta
ventajas en términos de eficiencia computacional e
interpretabilidad, mientras que las LSTM ofrecen mayor
flexibilidad para capturar dinámicas temporales
complejas, a costa de una mayor complejidad de
entrenamiento. Esta diferencia motiva una comparación
sistemática entre ambos enfoques en aplicaciones de
pronóstico operativo.
En este trabajo se comparan modelos LSTM y
XGBoost en la predicción de demanda eléctrica de corto
plazo a nivel de sistema país. La evaluación se realiza
mediante un estudio de ablación, considerando como
escenario base la demanda histórica con un retardo de 24
horas y analizando de forma incremental la inclusión de
temperatura aparente de la ciudad de Guayaquil,
codificaciones temporales, días feriados y un mayor
número de retardos. El desempeño se evalúa utilizando
MAE, RMSE y tiempo de entrenamiento, permitiendo
analizar compromisos entre precisión y eficiencia
computacional.
Los datos de demanda corresponden a registros del
Operador Nacional de Electricidad del Ecuador
(CENACE) desde 2021, mientras que los datos
meteorológicos provienen del servicio Open-Meteo. La
hipótesis central establece que la inclusión de variables
exógenas, particularmente la temperatura aparente de la
región de Guayaquil (lugar considerado como de alta
relevancia de demanda tanto industrial, comercial y
residencial), mejora la precisión y robustez de los
modelos de predicción de demanda eléctrica de corto
plazo.
2. DATOS Y FEATURE ENGINEERING
En esta sección describe el conjunto de datos empleado y
el proceso de feature engineering aplicado con el
objetivo de capturar de manera adecuada la dinámica
temporal y los factores exógenos que influyen en la
demanda eléctrica. Las distintas fuentes de datos y
justificaciones se describen a continuación
2.1 Fuentes de Datos
2.1.1 Demanda Eléctrica
La demanda histórica proveniente de los registros
históricos del CENACE, esta es calculada mediante la
agregación de la generación total más las importaciones
de energía.
2.1.2 Variables meteorológicas
Los datos meteorológicos se han tomado desde Open
- Meteo, plataforma que provee tanto de mediciones
satelitales históricas como de predicciones. En este caso
solamente la temperatura aparente de la ciudad de
Guayaquil
2.1.3 Feriados
Los días feriados son usados para tomar en cuenta las
variaciones del comportamiento del consumo de energía
durante estos días. La fuente de estos datos es el
calendario de feriados publicado por el Gobierno
Nacional del Ecuador [1]
2.2 Preprocesamiento
La base de datos histórica de demanda del CENACE
no requirió un preprocesamiento adicional debido a que
internamente se maneja este procedimiento donde se
tratan los valores faltantes y atípicos basándose en
bitácoras de operación y planificación.
Con respecto a los datos provenientes de Open Meto
tampoco se realiza un preprocesamiento adicional al que
realiza la plataforma de manera interna para proveer los
datos.
2.2.1 Escalamiento
Todas las variables continuas se normalizan usando
el escalador MinMaxScaler, transformándolas en un
rango entre 0 a 1, asegurando así que la diferencia entre
las magnitudes de los datos como la demanda y
temperatura (2000 MW a 4500 MW y 20° a 40 °) no sean
tan significativas y que contribuyan de manera
proporcional durante el entrenamiento de los modelos.
Esta transformación mejora el rendimiento y estabilidad
de la convergencia especialmente en arquitecturas de
redes neurales como lo es la LSTM [2].
2.3 Feature Engineering
Con la finalidad de mejorar la capacidad predictiva de
los modelos, se aplicaron diversas técnicas de feature
engineering. El conjunto de datos resultante integra
información de demanda histórica, variables
25
Brito et al./ Comparación de Modelos LSTM y XGBoost para la Predicción de Demanda Eléctrica
meteorológicas, días feriados y codificaciones
temporales, con el objetivo de preservar la naturaleza
cíclica de la demanda eléctrica..
2.3.1 Valores previos (Lag Features)
Los valores previos o rezagos (lag features) se
construyen referenciando observaciones pasadas de la
demanda e incorporándolas como variables adicionales
de entrada. Este tipo de variables es fundamental para
capturar la autocorrelación y las dependencias
temporales presentes en la serie, permitiendo a los
modelos aprender patrones de comportamiento,
estacionalidades e inercia propias del consumo eléctrico
[3], [4].
Desde un punto de vista estadístico, la relevancia de
los rezagos se evalúa mediante el análisis de la función
de autocorrelación (ACF) y la función de autocorrelación
parcial (PACF). La Figura 1 muestra la ACF de la
demanda eléctrica, donde se observa una fuerte
dependencia temporal de corto plazo (ACF > 0.9 en los
primeros rezagos) y una marcada estacionalidad diaria,
con picos significativos en múltiplos de 24 horas. En
particular, el rezago de 72 horas presenta un valor de
autocorrelación de aproximadamente 0.71, evidenciando
que la demanda conserva información relevante al menos
durante tres ciclos diarios completos. A partir de este
horizonte, la reducción del valor de la ACF es marginal.
Figura 1: Representación de División de Datos en Entrenamiento,
Validación y Prueba
Figura 2: PACF de la Demanda
Por su parte, la PACF, como se muestra en la Figura
2 indica que la dependencia directa de la demanda se
concentra principalmente en el primer rezago, mientras
que los rezagos superiores presentan valores cercanos a
cero. Esto sugiere que la persistencia observada a
horizontes mayores se transmite de forma indirecta,
principalmente a través de patrones periódicos diarios.
Dado que las redes LSTM son capaces de modelar
dependencias no lineales y de largo plazo, se seleccionó
una ventana autorregresiva de 72 horas.
2.3.2 Temperatura aparente
La temperatura aparente es una variable
meteorológica que representa la temperatura percibida
por el ser humano, combinando el efecto de la
temperatura del aire con la humedad relativa [5]. Niveles
altos de humedad reducen la capacidad el cuerpo de
disipar calor mediante sudoración incrementado así la
percepción del calor.
Esta variable provee un indicador más real del inconfort
térmico y demanda de acondicionamiento (aires, HVAC
etc …) la cual está directamente relacionado con
variaciones en el consumo energético [6].
En base a experiencia del CENACE, se ha tomado
como indicador solamente la temperatura aparente de la
ciudad e Guayaquil, ciudad considerada como gran
centro de carga industrial comercial y residencial. En este
trabajo se demuestra la influencia de usar la temperatura
solamente de esta ciudad como variable exógena en la
predicción.
2.3.3 Días feriados
Este segundo indicador son los días feriados, que se
presenta como un indicado binario. Este indicador
permite a los modelos de predicción diferenciar entre un
día de trabajo normal y feriados [4].
2.3.4 Codificación ciclica temporal
Para mantener la naturaleza cíclica de la demanda,
variables temporales como el mes, día del mes, día de la
semana y hora del día son codificados usando
transformaciones del seno y coseno [4]. Este método
preserva la relación periódica entre las unidades de
tiempo permitiendo una transición suave por ejemplo
entre diciembre y enero (12 y 1) o las 23:00 y las 00:00.
3. PROTOCOLO EXPERIMENTAL
Esta sección se presenta el protocolo experimental
adoptado para el entrenamiento, validación y evaluación
de los modelos propuestos.. El diseño del protocolo
experimental busca aislar el impacto de cada componente
del modelo y de las variables consideradas, permitiendo
una evaluación rigurosa y consistente del desempeño
predictivo bajo un mismo marco metodológico.
3.1 Definición de la Tarea de Predicción
La tarea de pronóstico abordada en este estudio
consiste en la predicción de la demanda eléctrica con un
horizonte temporal de 24 horas y una frecuencia de
muestreo horaria. Este horizonte de predicción fue
26
Edición No. 22, Issue II, Enero 2026
seleccionado debido a que corresponde al marco
temporal en el cual se realiza la planificación operativa
del sistema eléctrico, incluyendo la programación del
despacho de generación y la toma de decisiones
asociadas a la operación diaria. La elección de una
resolución horaria permite capturar de forma adecuada
las variaciones intradiarias de la demanda, preservando
los patrones cíclicos característicos del comportamiento
del consumo eléctrico, y asegurando que las predicciones
generadas sean directamente aplicables a los procesos
reales de planificación y operación del sistema.
3.1.1 Predicción de paso único (Unistep)
En esta estrategia de predicción, se obtiene una única
predicción para un solo paso en el futuro. Es decir que
usando la secuencia de entrada, se predice solamente el
siguiente valor como se indica en la Figura 3 [7].
Figura 3: Predicción de Paso Simple. Tomado de [7]
3.1.2 Predicción de múltiples pasos (Multistep)
En este procedimiento, la primera predicción
generada por el modelo se incorpora como parte de la
secuencia de entrada para estimar el valor del siguiente
paso temporal, y así sucesivamente, hasta alcanzar el
horizonte deseado. [7].
Figura 4: Predicción Modelo de Paso Único Recurrente.
Tomado de [7]
3.2 Separación en Entrenamiento, Validación y
Prueba
El período de análisis comienza desde el primero de
enero de 2021 en adelante, con registros horarios de
demanda. Este punto de inicio fue seleccionado debido a
que los patrones de consumo fueron afectados por la
pandemia del COVID-19, los datos a partir del 2021 para
la demanda del Ecuador retomaron la tendencia y
patrones de consumo. Adicionalmente usar conjuntos
relativamente cortos evita cambios bruscos en los
patrones de consumo de energía.
3.2.1 División temporal de los datos
Los datos se dividen de forma cronológica en conjuntos
de entrenamiento, validación y prueba como se indica en
la Figura 5, evitando cualquier fuga de información
temporal. El conjunto de entrenamiento se utiliza para el
ajuste de los modelos, el conjunto de validación para la
selección de hiperparámetros y el conjunto de prueba
para la evaluación final del desempeño.
Figura 5: Representación de División de Datos en Entrenamiento,
Validación y Prueba
Para el entrenamiento de los modelos, se usa el 80%
del conjunto total de datos para ser usados en la etapa de
entrenamiento y 20% en la etapa de prueba.
3.3 Configuración de los Modelos
Esta sección describe la configuración de los modelos
considerados en el estudio, detallando su arquitectura.
3.3.1 Arquitectura de la red LSTM
La arquitectura LSTM se definió con una
configuración base fija, utilizada durante el estudio de
ablación de variables exógenas con el fin de aislar su
impacto en el desempeño predictivo.
La arquitectura LSTM usada esta compuesta por una
primera capa LSTM con 64 unidades, seguida por una
capa de dropout, una segunda capa LSTM con 32
unidades, otra capa de dropout y una capa densa de salida
(Dense(1)). Esta estructura está diseñada para capturar
tanto las dependencias temporales de mediano plazo
como las relaciones no lineales presentes en la serie de
demanda eléctrica. La elección del número de unidades
LSTM (64 y 32) corresponde a la búsqueda de un
equilibrio entre la capacidad de modelado y la
complejidad computacional [8], incrementar el tamaño
de las capas puede conducir a un mayor riesgo de
overfitting y tiempos de entrenamiento más largos sin
beneficios proporcionales en precisión .
Tabla 1: Arquitectura de las LSTM
Configuración
Dropout entre
capas
Capa de
salida
Base
Sí (0.2)
Dense (1)
La inclusión de capas dropout con una tasa moderada
(~0.2) actúa como una técnica de regularización,
reduciendo la co-adaptación de neuronas y ayudando a
prevenir el sobreajuste del modelo durante el
entrenamiento [9]. Esta práctica es recomendada en la
literatura para modelos recurrentes, ya que introduce
ruido estocástico controlado en el proceso de aprendizaje
y mejora la capacidad de generalización del modelo.
Finalmente, la capa densa de salida con una neurona
permite mapear la representación interna de la secuencia
hacia un único valor de predicción continua, que en este
caso corresponde a la demanda horaria. En la Tabla 1 se
Entrenamiento
Validación
Prueba
Datos Vistos
por el Modelo
Nuevos
Datos
27
Brito et al./ Comparación de Modelos LSTM y XGBoost para la Predicción de Demanda Eléctrica
presenta un resumen de la arquitectura usada para la red
neuronal LSTM.
3.3.2 Arquitectura del modelo Xgboost
El modelo XGBoost fue configurado mediante un
conjunto de hiperparámetros que incluyen el número de
árboles (n_estimators), la profundidad máxima de los
árboles (max_depth), la tasa de aprendizaje
(learning_rate), el tamaño mínimo de muestras por hoja
y los parámetros de regularización, los cuales permiten
controlar la complejidad del modelo y mitigar el
sobreajuste. Al igual que en el caso del modelo LSTM,
esta configuración se mantuvo fija durante todo el estudio
de ablación de variables exógenas, con el objetivo de
aislar el impacto real de la información de entrada sobre
el desempeño predictivo.
En particular, se emplearon 100 estimadores, una tasa
de aprendizaje de 0.02 y una profundidad máxima de 50.
La elección de una tasa de aprendizaje reducida responde
a la necesidad de garantizar un proceso de optimización
estable, ya que valores elevados del learning rate pueden
generar convergencia inestable o conducir a soluciones
subóptimas [10]. Este valor se compensó mediante un
número moderado de estimadores, permitiendo que el
modelo aprenda de forma progresiva y controlada.
Asimismo, se partió de una configuración con una
capacidad de representación elevada, tanto en términos
de profundidad como de número de árboles, bajo la
premisa de que, una vez alcanzado un nivel adecuado de
generalización, incrementos adicionales en estos
hiperparámetros no suelen traducirse en mejoras
significativas de precisión, sino únicamente en un
aumento del costo computacional y del tiempo de
entrenamiento [10].
Con la finalidad de evitar un overfitting en [11],
documentación oficial de xgboost, se configura en paro
de entrenamiento temprano o “early_stopping” el cual
evita que el modelo se sobre ajuste restaurando los
mejores hiperarámetros después de 15 iteraciones.
De este modo, se asegura que el desempeño del
modelo no esté limitado por su capacidad estructural y
que las diferencias observadas se atribuyan
principalmente a la contribución de las variables
consideradas.
3.3.3 Criterios de reproducibilidad
Con el propósito de asegurar la reproducibilidad y la
trazabilidad de los experimentos realizados, se definieron
explícitamente mecanismos de control de la aleatoriedad
y se documentó de manera detallada el entorno
computacional empleado.
En particular, se fijó la semilla aleatoria con el valor
42 en todas las librerías relevantes, con el fin de reducir
la variabilidad asociada a los procesos estocásticos
inherentes al entrenamiento y evaluación de los modelos.
Asimismo, se especifican las versiones exactas del
software utilizado:
• Xgboost 3.1.2
• numpy 2.4.0
• pandas 2.3.3
• tensorflow 2.20.0
• scikit-learn 1.8.0
• Python 3.13.5
Los experimentos se ejecutaron en un sistema
equipado con un procesador Intel Core i7-12700H y 16
GB de memoria RAM a 3200 MHz, lo que proporciona
un marco de referencia claro sobre los recursos
computacionales disponibles y permite evaluar la
reproducibilidad y viabilidad de los resultados en
condiciones de hardware comparables.
Todos los experimentos se realizaron bajo
condiciones de operación idénticas.
4. ESTUDIO DE ABLACIÓN
El diseño del estudio de ablación se orienta a evaluar
de forma sistemática la contribución individual y
conjunta de los distintos componentes del modelo y de
las variables exógenas incorporadas al proceso de
predicción. A través de la eliminación controlada y
progresiva de conjuntos específicos de características, y
manteniendo constantes el protocolo experimental y la
configuración de los modelos, se analiza el impacto real
de cada elemento sobre el desempeño predictivo. Este
enfoque permite identificar los factores más relevantes en
la modelación de la demanda eléctrica y proporciona una
base objetiva para la interpretación de los resultados y la
validación de las decisiones metodológicas adoptadas
[12], [13].
4.1 Escenarios del Estudio de Ablación
El estudio de ablación se estructuró mediante un
conjunto de escenarios diseñados para evaluar de forma
progresiva el aporte de cada grupo de variables al
desempeño predictivo de los modelos. Cada escenario
incorpora un subconjunto específico de características,
partiendo de una configuración base que considera
únicamente la demanda histórica y añadiendo
gradualmente variables exógenas de distinta naturaleza.
Esta estrategia permite cuantificar de manera aislada y
comparativa la contribución de las variables
meteorológicas, de calendario y de codificación
temporal, así como su efecto combinado sobre la
capacidad predictiva del sistema.
Tabla 2: Descripción de los Escenarios de Ablación
Escenario
Conjunto de características incluidas
A0
Demanda histórica + variables meteorológicas +
variables de calendario + codificación temporal +
Valores previos de demanda (72)
A1
A0 sin variables meteorológicas
28
Edición No. 22, Issue II, Enero 2026
A2
A0 sin variables de feriados
A3
A0 sin codificación temporal
4.2 Métricas de Evaluación
Las métricas de evaluación permiten evaluar el
desempeño de los modelos de predicción, métricas
comúnmente utilizadas en problemas de regresión y
pronóstico de series temporales son el error medio
absoluto, raíz del error cuadrático medio y coeficiente de
determinación, con el objetivo de cuantificar la precisión
y consistencia de las estimaciones respecto a los valores
reales observados
4.2.1 Error medio absoluto (MAE)
El Error Medio Absoluto (Mean Absolute Error)
calcula el valor absoluto entre el promedio de las
diferencias de los valores predichos con los observados
[14]. Su cálculo se realiza con la ecuación 1.


(1)
Donde:
es el valor real de la demanda en el instante ,
es el valor pronosticado,
es el número total de observaciones
En términos prácticos, el MAE indica cuántas
unidades (por ejemplo, MW) se equivoca el modelo, en
promedio, al realizar la predicción.
Un MAE menor implica mayor precisión promedio
4.2.2 Raíz cuadrática del error medio (RMSE)
Esta métrica mide el tamaño promedio de los errores
penalizo con mayor fuerza a los errores grades debido al
cuadrado. Esta métrica es útil para detectar errores
puntuales significativos del modelo [15]. Su cálculo está
dada por la siguiente expresión:
󰇛󰇜

(2)
Donde:
es el valor real de la demanda en el instante ,
es el valor pronosticado,
es el número total de observaciones
Un RMSE bajo indica que las predicciones, en
promedio, están cerca de los valores reales
4.2.3 Coeficiente de determinación (R2)
Esta métrica expresa el grado en el que el modelo se
ajusta, indicando la proporcione de la variabilidad total
[15]. Su cálculo se realiza con la siguiente expresión:
󰇛󰇜

󰇛󰇜

(3)
Donde:
es el valor real de la demanda en el instante ,
es el valor pronosticado,
es el número total de observaciones
Valores cercanos a 1 se interpretan como una alta
capacidad predictiva.
4.2.4 Error porcentual absoluto medio (MAPE)
El Error Porcentual Absoluto Medio (MAPE) permite
expresar el error como un porcentaje respecto al valor
real de la demanda [16]. Su cálculo esta dado por la
siguiente expresión:


(1)
Donde:
es el valor real de la demanda en el instante ,
es el valor pronosticado,
es el número total de observaciones,
5. RESULTADOS
Las predicciones se evaluaron bajo un mismo rango de
tiempo, del 8 de agosto de 2024 al 8 de septiembre de
2024. Los resultados del estudio de ablación para el
modelo XGboost se presentan en la Tabla 3 mientras que
para el LSTM se presentan en la
Tabla 4.
Tabla 3: Resultados de Estudio de Ablación para el Modelo
XGboost
Modelo
MAE
RMSE
MAPE
R2
A0
268.47
323.41
7.25
0.43
A1
265.68
319.85
7.18
0.44
A2
269.57
325.35
7.27
0.42
A3
291.29
359.04
7.89
0.30
Tabla 4: Resultados de Estudio de Ablación para el modelo
LSTM
Modelo
MAE
RMSE
MAPE
R2
A0
217.80
268.60
5.59
0.57
A1
254.96
321.41
6.50
0.39
A2
262.46
327.50
6.69
0.37
A3
363.45
472.80
9.22
-0.32
29
Brito et al./ Comparación de Modelos LSTM y XGBoost para la Predicción de Demanda Eléctrica
Las métricas indican que el mejor resultado la obtuvo
el modelo LSTM con todas las variables exógenas,
seguido del modelo XGboost que no incluye variables
meteorológicas.
Contrario a lo que se esperaba, el desempeño del
modelo XGboost no incrementa significativamente con
la inclusión de la temperatura aparente ni con la variable
de días feriados, sin embargo la codificación temporal si
ayuda significativamente al proceso de prediccioón, en
contraste el modelo de red LSTM presenta una notable
mejoría con la inclusión de la variable de la temperatura
aparente de la ciudad de Guayaquil coincidiendo con la
experiencia de los departamentos de operación y
planificación del CENACE.
Visualmente la diferencia entre los dos modelos se
puede apreciar en la Figura 6, donde se muestra
gráficamente la diferencia entre los dos modelos.
Los tiempos de entrenamiento en promedio por
modelo se presentan en la Figura 7.
Figura 6: Comparativa Modelos LSTM vs. XGboost vs.
Demanda real el 9 de septiembre de 2024
Figura 7: Comparación de tiempos de entrenamiento
6. CONCLUSIONES
Los resultados del estudio confirman que la red
neuronal LSTM, al incorporar el conjunto completo de
variables exógenas, presenta el mejor desempeño global
en la tarea de pronóstico de la demanda eléctrica. Su
arquitectura recurrente le permite capturar de manera
efectiva dependencias temporales no lineales y patrones
complejos, lo que se traduce en mejoras consistentes
respecto al modelo XGBoost bajo todos los escenarios de
evaluación considerados.
El análisis del estudio de ablación evidencia que la
temperatura aparente de la ciudad de Guayaquil
constituye una de las variables exógenas más relevantes
para el modelo LSTM. Su inclusión mejora de forma
significativa la precisión de las predicciones, lo cual es
coherente con la experiencia operativa del personal de
planificación y operación del CENACE, y confirma que
el comportamiento de la demanda eléctrica nacional está
fuertemente influenciado por el consumo de esta ciudad.
En contraste, el modelo XGBoost muestra una
sensibilidad limitada frente a variables meteorológicas y
de calendario, como la temperatura y los días feriados.
Sin embargo, la incorporación de la codificación
temporal permite una mejora apreciable en su
desempeño, al facilitar la captura de la estacionalidad y
los patrones periódicos de la demanda, lo que refuerza la
importancia de este tipo de representaciones en modelos
basados en árboles.
Desde el punto de vista computacional, se observa
una diferencia clara entre ambos enfoques. El modelo
LSTM, si bien ofrece mayor precisión, requiere tiempos
de entrenamiento más elevados, mientras que XGBoost
destaca por su rapidez y eficiencia computacional,
aunque con un desempeño predictivo inferior. En este
contexto, los resultados sugieren que el modelo LSTM es
más adecuado para la planificación operativa del sistema
eléctrico con un horizonte de 24 horas de antelación,
mientras que XGBoost puede emplearse como una
herramienta complementaria para la estimación rápida de
tendencias intra-horarias, aportando información útil en
escenarios donde el tiempo de cómputo es un factor
crítico.
7. RECOMENDACIONES
Como líneas de trabajo futuro, se recomienda
profundizar el análisis experimental mediante estudios
adicionales que permitan optimizar el desempeño y la
eficiencia computacional de los modelos evaluados. En
primer lugar, resulta pertinente realizar un estudio de
ablación específico orientado a determinar el número
óptimo de lags para cada modelo, con el fin de identificar
la longitud de la ventana temporal que maximiza la
capacidad predictiva sin introducir redundancia
innecesaria en las entradas.
En segundo lugar, se sugiere desarrollar un análisis
sistemático del número de estimadores del modelo
XGBoost, buscando una configuración que permita
reducir aún más los tiempos de entrenamiento y
predicción sin comprometer significativamente la
precisión. Este estudio podría aportar criterios prácticos
para el uso del modelo en escenarios operativos donde la
eficiencia computacional es prioritaria.
Adicionalmente, se recomienda explorar
30
Edición No. 22, Issue II, Enero 2026
arquitecturas LSTM de mayor profundidad,
incorporando un mayor número de capas ocultas, con el
objetivo de evaluar si un aprendizaje más profundo es
capaz de capturar patrones adicionales y mejorar el
pronóstico de la demanda eléctrica. Este análisis
permitiría establecer un balance más claro entre
complejidad del modelo, precisión y costo
computacional.
Finalmente, se propone ampliar el conjunto de
variables meteorológicas consideradas, incorporando
temperaturas de otras ciudades relevantes del país para
analizar su posible influencia sobre la demanda eléctrica
nacional. En particular, resulta de interés evaluar
ciudades como Quito y Cuenca, ubicadas en la cordillera
de los Andes, donde las condiciones climáticas difieren
sustancialmente de las zonas costeras y podrían presentar
una relación distinta, e incluso inversa, entre temperatura
y demanda, asociada a un mayor uso de sistemas de
calefacción.
8. REFERENCIAS BIBLIOGRÁFICAS
[1] Ministerio de Turismo de Ecuador, «Calendario
Oficial de Feriados Nacionales 2023-2025».
diciembre de 2022. [En línea]. Disponible en:
https://www.turismo.gob.ec/wp-
content/uploads/2023/12/CALENDARIO-
FERIADOS-2023-2025-06-12-2022-.pdf
[2] X. Vasques, Machine Learning Theory and
Applications: Hands-on Use Cases with Python on
Classical and Quantum Machines. John Wiley &
Sons, 2024.
[3] S. Ozdemir, Feature Engineering Bookcamp. Simon
and Schuster, 2022.
[4] E. Lewinson, Python for Finance Cookbook: Over
80 powerful recipes for effective financial data
analysis. Packt Publishing Ltd, 2022.
[5] R. G. Steadman, «A Universal Scale of Apparent
Temperature», J. Appl. Meteorol. Climatol., vol. 23,
n.o 12, pp. 1674-1687, dic. 1984, doi: 10.1175/1520-
0450(1984)023%3C1674:AUSOAT%3E2.0.CO;2.
[6] J. Kang y D. M. Reiner, «What is the effect of
weather on household electricity consumption?
Empirical evidence from Ireland», Energy Econ.,
vol. 111, p. 106023, jul. 2022, doi:
10.1016/j.eneco.2022.106023.
[7] I. Gridin, Time Series Forecasting using Deep
Learning: Combining PyTorch, RNN, TCN, and
Deep Neural Network Models to Provide
Production-Ready Prediction Solutions (English
Edition). BPB Publications, 2021.
[8] J. F. Torres, F. Martínez-Álvarez, y A. Troncoso, «A
deep LSTM network for the Spanish electricity
consumption forecasting», Neural Comput. Appl.,
vol. 34, n.o 13, pp. 10533-10545, jul. 2022, doi:
10.1007/s00521-021-06773-2.
[9] V. Alexiadis, M. Drakaki, P. Tzionas, V. Alexiadis,
M. Drakaki, y P. Tzionas, «LSTM-Based Electricity
Demand Forecasting in Smart and Sustainable
Hospitality Buildings», Electronics, vol. 14, n.o 22,
nov. 2025, doi: 10.3390/electronics14224456.
[10] V. Verma, «Exploring Key XGBoost
Hyperparameters: A Study on Optimal Search
Spaces and Practical Recommendations for
Regression and Classification», Int. J. Res. Educ.
Sci. Methods, vol. 12, pp. 3259-3266, oct. 2024, doi:
10.56025/IJARESM.2024.1210243259.
[11] «Python Package Introduction — xgboost 3.1.1
documentation». Accedido: 5 de enero de 2026. [En
línea]. Disponible en:
https://xgboost.readthedocs.io/en/stable/python/pyt
hon_intro.html
[12] R. Meyes, M. Lu, C. W. de Puiseau, y T. Meisen,
«Ablation Studies in Artificial Neural Networks», 18
de febrero de 2019, arXiv: arXiv:1901.08644. doi:
10.48550/arXiv.1901.08644.
[13] P. R. Cohen y A. E. Howe, «How Evaluation Guides
AI Research: The Message Still Counts More than
the Medium», AI Mag., vol. 9, n.o 4, pp. 35-35, dic.
1988, doi: 10.1609/aimag.v9i4.952.
[14] R. A. Yaffee y M. McGee, An Introduction to Time
Series Analysis and Forecasting: With Applications
of SAS® and SPSS®. Academic Press, 2000.
[15] P. Cichosz, Data Mining Algorithms: Explained
Using R. John Wiley & Sons, 2015.
[16] J. Contreras, Forecasting Models of Electricity
Prices. MDPI, 2018.
Wilson Brito.- Nació en Quito,
Ecuador en 1995. Obtuvo el título
de Ingeniero Eléctrico en la
Escuela Politécnica Nacional,
Ecuador en el 2022. Obtuvo su
título de Mgtr. en Ingeniería
Eléctrica con mención en Energías
Renovables de la Pontificia
Universidad Católica del Ecuador.
Wilson Danilo Sánchez Bravo. --
Nació en Latacunga, Ecuador
1994. Obtuvo el título de Ingeniero
Eléctrico en la Escuela Politécnica
Nacional, Ecuador en el 2019.
Actualmente trabaja en la
Subgerencia de Proyectos de
Expansión de CELEC EP
TRANSELECTRIC. Sus áreas de investigación son:
Planificación en el SEP, Estadística , Transitorios
Electromagnéticos.
31