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
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
Dimensions
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
Wilson Sánchez
Mostrar biografía de los autores
Artículos similares
- Juan Giraldo, Juan Pablo Arango, Proceso de optimización en el diseño de sistema de calefacción solar pasivo , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- William Quitiaquez, Isaac Simbaña, Robinson Caizatoa, César Isaza, César Nieto, Patricio Quitiaquez, Fernando Toapanta, Análisis del rendimiento termodinámico de una bomba de calor asistida por energía solar utilizando un condensador con recirculación , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Terry Solis, Cristina Calderón, Yang Liu , Optimización de la Producción de Xilanasa Bacteriana a Partir de Bacillus sp. K1 con el Uso de Residuos Lignocelulósicos , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Christian Ortiz, Gabriel Salazar, Metodología para la Planificación y Control de la Ejecución de Mantenimientos Preventivos y Correctivos de Líneas de Subtransmisión , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Paúl Potes, Xavier Proaño, Diseño de un Sistema Fotovoltaico Conectado a la Red en el Bloque B de la Universidad Técnica de Cotopaxi , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Diego Jiménez, Xavier Proaño, Diseño de un Sistema de Alumbrado LED a través de Energía Fotovoltaica para Brindar Niveles de Calidad de Iluminación en el Parqueadero N° 1 de la Universidad Técnica de Cotopaxi , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Jorge Cepeda, Primer Laboratorio de Ensayos Estructurales Virtuales de Autobuses en Latinoamérica: Innovación y Acreditación , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Juan Taco, Luis Tipán, Metodología para la determinación de indicadores de Eficiencia Eléctrica en la Zona Residencial , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Christian Gutierrez, Joseph Venegas, Análisis Nodal para determinar el punto óptimo de operación entre producción de petróleo y producción de GLP, maximizando el recurso energético de la Estación de producción de Petróleo, Aguarico , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Walter Vargas, Pablo Verdugo, Validación e Identificación de Modelos de Centrales de Generación Empleando Registros de Perturbaciones de Unidades de Medición Fasorial, Aplicación Práctica Central Paute - Molino , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
También puede Iniciar una búsqueda de similitud avanzada para este artículo.
Artículos más leídos del mismo autor/a
- Carlos Lozada, David Panchi, Wilson Sánchez, Andrés Jacho, Regresión Lineal para la Identificación del Punto de Máxima Potencia en Microrredes Híbridas Implementado en HYPERSIM , Revista Técnica "energía": Vol. 20 Núm. 2 (2024): Revista Técnica "energía", Edición No. 20, ISSUE II
- Andrés Jacho, Diego Echeverría, Santiago Chamba, Carlos Lozada, Wilson Sánchez, Aplicación del Control Formador de Red en Microrredes con Sistemas de Almacenamiento de Energía para la Regulación Primaria de Frecuencia, Caso de Estudio: Islas Galápagos , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Wilson Sánchez, Diego Echeverría, Santiago Chamba, Andrés Jacho, Carlos Lozada, Despacho Económico de Energía de la Microrred en las Islas Galápagos Utilizando la Plataforma SimSEE , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
- Wilson Brito, Santiago Chamba, Diego Echeverría, Aharon De La Torre, David Panchi, Herramienta de Identificación Paramétrica, Validación y Sintonización de Reguladores de Velocidad Mediante Algoritmos de Optimización Heurísticos , Revista Técnica "energía": Vol. 20 Núm. 2 (2024): Revista Técnica "energía", Edición No. 20, ISSUE II
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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- S. Ozdemir, Feature Engineering Bookcamp. Simon and Schuster, 2022.
- E. Lewinson, Python for Finance Cookbook: Over 80 powerful recipes for effective financial data analysis. Packt Publishing Ltd, 2022.
- X. Vasques, Machine Learning Theory and Applications: Hands-on Use Cases with Python on Classical and Quantum Machines. John Wiley & Sons, 2024.
- V. Babuskhin y A. Kravchenko, Machine Learning System Design: With end-to-end examples. Simon and Schuster, 2025.
- «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
- «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
- A. van Wyk, Machine Learning with LightGBM and Python: A practitioner’s guide to developing production-ready machine learning systems. Packt Publishing Ltd, 2023.
- 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.
- S. S. M Paulraj, Introduction to Artificial Neural Networks. Vikas Publishing House, 2009.
- R. Rojas, Neural Networks: A Systematic Introduction. Springer Science & Business Media, 2013.
- 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.
- J. Brownlee, Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery, 2018.
- R. A. Yaffee y M. McGee, An Introduction to Time Series Analysis and Forecasting: With Applications of SAS® and SPSS®. Academic Press, 2000.
- P. Cichosz, Data Mining Algorithms: Explained Using R. John Wiley & Sons, 2015.
- 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
Indexada en
Redes Sociales
Miembros Comité Editorial
