Optimización de redes eléctricas inteligentes mediante Inteligencia Artificial para una gestión energética sostenible
Palabras clave:
aprendizaje automático, detección de anomalías, eficiencia energética, predicción de demanda, redes eléctricas inteligentes, aprendizaje automático, detección de anomalías, eficiencia energética, predicción de demanda, redes eléctricas inteligentes, XGBoost.Resumen
En el contexto de la modernización de sistemas de potencia y la transición hacia Smart Grids, se ha identificado una incapacidad crítica de los métodos estadísticos tradicionales para manejar la estocasticidad de la demanda y la detección reactiva de fallos. Esta variabilidad afecta a los operadores de red y usuarios finales, generando ineficiencias operativas y sobrecostos por mantenimiento correctivo.
Ante esta situación, el presente proyecto tiene como objetivo desarrollar un sistema integral que optimice la predicción de demanda y la detección de anomalías mediante inteligencia artificial. Para alcanzar este objetivo, se empleó la metodología CRISP-DM, diseñando un pipeline que contrasta modelos de Deep Learning (LSTM) frente a Gradient Boosting (XGBoost) e integra algoritmos no supervisados (Isolation Forest).
Como resultado, se obtuvo que el modelo XGBoost supera drásticamente a las redes recurrentes en datos tabulares, logrando un R^2 de 0.997 frente a 0.539 del LSTM, permitiendo un despacho energético optimizado que prioriza fuentes renovables. Teniendo un impacto social y transferencia tecnológica, en donde el sistema facilita la integración de energías renovables y mejora la confiabilidad del servicio, alineándose con la "Visión Colombia 2030" para reducir la huella de carbono y costos al usuario final. En conclusión, se logró demostrar que la complejidad computacional del Deep Learning no siempre es superior, validando arquitecturas de ensamblaje (Boosting) como la solución más eficiente y resiliente para la gestión energética actual.
