PREDICCIÓN DE LA DEMANDA ENERGÉTICA EN HUILA: COMPARACIÓN DE MODELOS PREDICTIVOS

Resumen

Este estudio analiza la demanda energética del departamento del Huila entre 2023 y 2025 mediante modelos estadísticos y de aprendizaje automático, con el propósito de evaluar su capacidad predictiva y aportar evidencia para la comprensión de la dinámica reciente del consumo eléctrico regional. La base de datos utilizada incluye series diarias y horarias del consumo eléctrico, lo que permitió examinar patrones estacionales, tendencias de crecimiento y variaciones de la demanda asociadas a distintos comportamientos temporales. En el análisis se implementaron modelos ARIMA, SARIMAX, regresión lineal, Support Vector Regression (SVR), Gaussian Process Regression (GPR) y Random Forest, y se evaluó su desempeño mediante métricas de error como MAE, RMSE, MAPE, MASE y R². Los resultados muestran que los modelos estadísticos tradicionales, en particular ARIMA y SARIMAX, presentaron un desempeño más limitado frente a la complejidad y no linealidad de la serie analizada. En contraste, los modelos de aprendizaje automático alcanzaron mejores niveles de ajuste, y se destacaron Random Forest, con un RMSE de 14.137 unidades y un R² de 0,67, lo que lo posiciona como el modelo de mejor desempeño entre los evaluados para la predicción horaria. En este sentido, los hallazgos permiten identificar el potencial de los enfoques de aprendizaje automático para fortalecer ejercicios de pronóstico de demanda energética a escala regional.