Análisis de modelos de aprendizaje automático para la segmentación y predicción de la demanda de clientes no regulados en el mercado eléctrico colombiano

Abstract

La cadena de valor del sector energético colombiano incluye cuatro actividades principales: generación, transmisión, distribución y comercialización, y en cada uno se realizan procesos de pronóstico de la demanda. Esta investigación se centra en la comercialización, específicamente en los usuarios no regulados, quienes pactan el costo de la energía con comercializadoras y deben contar con un sistema de medición remota para registrar y almacenar su consumo. Estos datos se utilizan para elaborar informes regulatorios, pero pueden surgir discrepancias debido a fallas en los equipos, errores informáticos o humanos. La falta de un modelo automático para detectar anomalías implica una revisión manual de grandes volúmenes de información. Para mejorar la eficiencia, se propone el uso de aprendizaje automático, que permite predecir la demanda y detectar inconsistencias. Se revisan estudios previos sobre predicción de demanda en la cadena de valor eléctrica, analizando variables y modelos como K-Vecinos, K-Means y Clustering jerárquico para segmentar los usuarios no regulados. Además, se evalúan modelos de predicción como Prophet, ARIMA y LSTM, seleccionando el más adecuado para la predicción de la demanda de este tipo de usuarios. Finalmente, se presenta el modelo CRISP-DM, que proporciona una estructura eficiente para implementar proyectos de ciencia de datos.