Evaluación del desempeño de modelos LSTM y XGBoost en la predicción de la demanda eléctrica del sistema ecuatoriano

Performance Evaluation of LSTM and XGBoost Models for Electric Demand Forecasting in the Ecuadorian Power System

Publicado 2026-01-30


https://doi.org/10.37116/revistaenergia.v22.n2.2026.729
Abrir | Descargar
PDF FLIP HTML XML EPUB
Número
Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA
Cómo citar
Evaluación del desempeño de modelos LSTM y XGBoost en la predicción de la demanda eléctrica del sistema ecuatoriano. (2026). Revista Técnica "energía", 22(2), PP. 24-31. https://doi.org/10.37116/revistaenergia.v22.n2.2026.729
DOI

https://doi.org/10.37116/revistaenergia.v22.n2.2026.729
Dimensions
PlumX

Cómo citar

Evaluación del desempeño de modelos LSTM y XGBoost en la predicción de la demanda eléctrica del sistema ecuatoriano. (2026). Revista Técnica "energía", 22(2), PP. 24-31. https://doi.org/10.37116/revistaenergia.v22.n2.2026.729

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Wilson Brito
Operador Nacional de Electricidad - CENACE
Perfil Google Scholar
https://orcid.org/0009-0004-3002-2427 ORCID
Wilson Sánchez
CELEC EP, Transelectric
Perfil Google Scholar
Mostrar biografía de los autores

Artículos similares

1-10 de 487

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

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

Visitas del artículo 10 | Visitas PDF 1

Descargas

Los datos de descarga todavía no están disponibles.
  1. A. Kumar Dubey, A. Kumar, V. García-Díaz, A. Kumar Sharma, y K. Kanhaiya, «Study and analysis of SARIMA and LSTM in forecasting time series data», Sustain. Energy Technol. Assess., vol. 47, p. 101474, oct. 2021, doi: 10.1016/j.seta.2021.101474.
  2. H. Abbasimehr, M. Shabani, y M. Yousefi, «An optimized model using LSTM network for demand forecasting», Comput. Ind. Eng., vol. 143, p. 106435, may 2020, doi: 10.1016/j.cie.2020.106435.
  3. M. Tan, S. Yuan, S. Li, Y. Su, H. Li, y F. He, «Ultra-Short-Term Industrial Power Demand Forecasting Using LSTM Based Hybrid Ensemble Learning», IEEE Trans. Power Syst., vol. 35, n.o 4, pp. 2937-2948, jul. 2020, doi: 10.1109/TPWRS.2019.2963109.
  4. B. ul Islam y S. F. Ahmed, «Short-Term Electrical Load Demand Forecasting Based on LSTM and RNN Deep Neural Networks», Math. Probl. Eng., vol. 2022, n.o 1, p. 2316474, 2022, doi: https://doi.org/10.1155/2022/2316474.
  5. M. Mohamed, F. E. Mahmood, M. A. Abd, M. Rezkallah, A. Hamadi, y A. Chandra, «Load Demand Forecasting Using eXtreme Gradient Boosting (XGboost)», en 2023 IEEE Industry Applications Society Annual Meeting (IAS), oct. 2023, pp. 1-7. doi: 10.1109/IAS54024.2023.10406613.
  6. T. Mazibuko y K. Akindeji, «Hybrid Forecasting for Energy Consumption in South Africa: LSTM and XGBoost Approach», Energies, vol. 18, n.o 16, p. 4285, ene. 2025, doi: 10.3390/en18164285.
  7. 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
  8. 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.
  9. 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.
  10. S. Ozdemir, Feature Engineering Bookcamp. Simon and Schuster, 2022.
  11. E. Lewinson, Python for Finance Cookbook: Over 80 powerful recipes for effective financial data analysis. Packt Publishing Ltd, 2022.
  12. X. Vasques, Machine Learning Theory and Applications: Hands-on Use Cases with Python on Classical and Quantum Machines. John Wiley & Sons, 2024.
  13. V. Babuskhin y A. Kravchenko, Machine Learning System Design: With end-to-end examples. Simon and Schuster, 2025.
  14. «Writing a training loop from scratch | TensorFlow Core», TensorFlow. Accedido: 4 de noviembre de 2025. [En línea]. Disponible en: https://www.tensorflow.org/guide/keras/writing_a_training_loop_from_scratch
  15. «XGBoost Documentation — xgboost 3.1.1 documentation». Accedido: 4 de noviembre de 2025. [En línea]. Disponible en: https://xgboost.readthedocs.io/en/stable/index.html
  16. A. van Wyk, Machine Learning with LightGBM and Python: A practitioner’s guide to developing production-ready machine learning systems. Packt Publishing Ltd, 2023.
  17. T. Chen y C. Guestrin, «XGBoost: A Scalable Tree Boosting System», en Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, en KDD ’16. New York, NY, USA: Association for Computing Machinery, ago. 2016, pp. 785-794. doi: 10.1145/2939672.2939785.
  18. S. S. M Paulraj, Introduction to Artificial Neural Networks. Vikas Publishing House, 2009.
  19. R. Rojas, Neural Networks: A Systematic Introduction. Springer Science & Business Media, 2013.
  20. S. Hochreiter y J. Schmidhuber, «Long Short-Term Memory», Neural Comput., vol. 9, n.o 8, pp. 1735-1780, nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
  21. J. Brownlee, Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery, 2018.
  22. R. A. Yaffee y M. McGee, An Introduction to Time Series Analysis and Forecasting: With Applications of SAS® and SPSS®. Academic Press, 2000.
  23. P. Cichosz, Data Mining Algorithms: Explained Using R. John Wiley & Sons, 2015.
  24. 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.
Periodicidad

Semestral: Publicaciones en enero y julio

Miembros Comité Editorial
UPS
EPN
Ministerio de Energía
CENACE
INGE
CELEC
ARC
ESPOL

Código QR

Sistema OJS 3.4.0.9