Integración de series de tiempo y Random Forest para la predicción de disponibilidad de activos eléctricos

Abstract

La planificación y gestión de los activos en los sistemas de distribución de energía eléctrica son esenciales para los operadores de red (OR), especialmente en un contexto de creciente demanda energética. El objetivo principal del proyecto es utilizar técnicas de aprendizaje automático, como Random Forest y series de tiempo, que permitan una mejor previsión del crecimiento de la demanda y de la vida útil de los activos eléctricos. El incremento demográfico y económico ha llevado a las empresas a enfrentar desafíos relacionados con la capacidad del sistema y la continuidad del servicio. Métodos convencionales de predicción, basados en datos históricos, no son siempre efectivos en este entorno dinámico, lo que puede resultar en decisiones no óptimas. Este trabajo enfatiza la necesidad de utilizar datos de demanda histórica (2021-2023) y registros de operaciones de activos (2019-2024) para generar pronósticos más precisos, a través del análisis de datos y la implementación de modelos predictivos, se busca proporcionar proyecciones fiables de la demanda para el periodo 2024-2026 y un mapa georreferenciado que muestre la vida útil de los activos eléctricos. Los objetivos específicos incluyen el preprocesamiento de datos para alimentar los modelos, la predicción de la demanda máxima en circuitos, y la estimación del ciclo de vida de los activos. Esta investigación se alinea con las normativas regulatorias, enfatizando la importancia de garantizar una buena calidad en el servicio de energía. Los resultados obtenidos podrían ser decisivos para que los OR optimicen la gestión de sus activos, reduzcan costos operativos, y mejoren el mantenimiento preventivo, en pro de un sistema eléctrico más eficiente y confiable, además de realizar cambios en activos que cumplieron su vida útil o repotenciándolos para obtener una mejor capacidad nominal.