Efecto de la pandemia sobre la eficiencia de los predictores

Abstract

As is known, the outbreak of the pandemic brought with it a series of regulations and restrictions that led to a modification in the daily lifestyle that was had previously, resulting in a change in the patterns and levels of electricity consumption. In this way, forecasting systems that use historical data as the main basis for making forecasts were affected by the new behavior of the data, causing an impact on the accuracy of their forecasts. Based on the aforementioned, in this thesis an investigation is presented with the objective of showing the effect of this new behavior on the efficiency of the machine learning models used for forecasting energy demand. For this, the data set of the regions that make up the Mexican national interconnected system was analyzed, that is, the regions: Center, Northeast, Northwest, North, West, East and Peninsular, where the effects of the pandemic demonstrate an impact different about each region. On the other hand, energy demand predictions were made for the years 2019, 2020 and 2021 using the algorithms: Random Forest, XGBoost, Support Vector Regression (SVR), k nearest neighbor (KNN) and an assembly of these, showing as a result an improvement in the efficiency of predictors during the pandemic years, since, in the analysis of results, it is revealed that the forecasts of the models trained with each of these algorithms had a greater precision during the years 2020 and 2021.

Como se sabe, el estallido de la pandemia trajo consigo una serie de regulaciones y restricciones que conllevaron una modificación en el estilo de vida cotidiano que se tenía con anterioridad, teniendo como consecuencia un cambio en los patrones y niveles de consumo de electricidad. De esta forma, los sistemas de predicción que utilizan datos históricos como principal base para realizar pronósticos, se vieron afectados por el nuevo comportamiento de los datos, provocando un impacto en la precisión de sus pronósticos. En base a lo anterior mencionado, en esta tesis se presenta una investigación con el objetivo de mostrar el efecto de este nuevo comportamiento en la eficiencia de los modelos de aprendizaje automático usados para el pronóstico de la demanda energética. Para esto, se analizó el conjunto de datos de las regiones que conforman el sistema interconectado nacional mexicano, es decir, las regiones: Centro, Noreste, Noroeste, Norte, Occidente, Oriente y Peninsular, donde, los efectos de la pandemia mostraron un impacto diferente sobre cada región. Por otra parte, se realizaron predicciones de la demanda energética para los años 2019, 2020 y 2021 utilizando los algoritmos: Random Forest, XGBoost, Regresión vectorial de soporte (SVR), K vecinos más cercanos (KNN) y un ensamble de estos, mostrando como resultado una mejoría en la eficiencia de los predictores durante los años de pandemia, ya que, en el análisis de resultados, se observó que los pronósticos de los modelos entrenados con cada uno de estos algoritmos tuvieron una mayor precisión durante los años 2020 y 2021.