Predicción por hora y región de la demanda eléctrica del Sistema Interconectado Nacional en México utilizando bosques aleatorios y comparación con regresión lineal

Abstract

Artificial Intelligence has a wide work field. It is used mainly in the scientific and humanities branches. Neuronal networks are one of the prediction models most used nowadays, because of its adaptable and flexible nature. They are adequate to almost any problematic. Nevertheless, new prediction models have arisen. The automatized learning model called Random Forests is one of them, and it has reached great popularity. This is because, when armed and trained in a correct way, it can have the same potential as a neuronal network, getting an error range that is smaller, in a fast-training time. The topic of the thesis at hand, has been chosen to predict the demand that will be needed to result sufficient to all de Interconnected National System (Sistema Interconectado Nacional, SIN) and its respective seven regions in the future. For this, data from previous periods given by the National Energy Control Center (Centro Nacional de Control de Energía, CENACE), will be analyzed and used for the manufacturing and training of the random forests model of prediction, so it can successfully conclude and have a way out with a minimal error range. The data used for the execution of the random forests model of prediction is understood within the time period of: January 1st, 2020 to December 31st, 2020. The sample is given by the region and time. 75% of the data are used for the training, and the rest of them are used for the prediction. The error range obtained by using the metrics Mean absolute percentage error (MAPE) and Root mean square error (RMSE) is analyzed and compared to this data.

La Inteligencia Artificial tiene un campo de trabajo vasto y extenso. Se utiliza principalmente en las ramas científicas y de humanidades. Las redes neuronales son uno de los modelos de predicción más utilizado en la actualidad, esto se debe a su adaptabilidad, escalabilidad y flexibilidad, ya que se pueden adecuar a cualquier problemática, pero han surgido nuevos modelos de predicción entre ellos el modelo de aprendizaje automatizado: Bosques Aleatorios (Random Forest), el cual ha tenido un auge bastante grande, ya que si este es armado y entrenado de forma correcta puede tener el mismo potencial que una red neuronal obteniendo un margen de error relativamente pequeño con un tiempo de entrenamiento rápido. El tema de la tesis actual se eligió para predecir la demanda que se necesitará para dar abasto a todo el Sistema Interconectado Nacional (SIN) y sus respectivas 7 regiones a futuro. Para esto, se toman datos de periodos anteriores brindados por el Centro Nacional de Control de Energía (CENACE), se analizarán dichos datos y se utilizan para el armado y el entrenamiento del modelo de predicción de bosques aleatorios, para que pueda inferir de manera exitosa y tenga una salida con margen de error mínimo. Los datos utilizados para la ejecución del modelo de predicción de bosques aleatorios están comprendidos en el periodo de tiempo del: 01 de enero de 2020 al 31 de diciembre de 2020, la muestra está dada por región y hora, se utilizan el 75% de los datos para el entrenamiento y el resto para la predicción, se analiza y compara el margen de error obtenido utilizando las métricas: error absoluto medio porcentual (MAPE) y distancia media cuadrática mínima (RMSE).