Predicción de cortes en la matriz energética argentina con IA

Autores
Gorgal, Macarena Rocío; Inchausti, Pablo; Del Vecchio, Matías Marcelo; Benito, Franco Agustín
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Se propone una investigación para predecir la ocurrencia de interrupciones en el suministro energético mediante el entrenamiento de modelos de Machine Learning. Para el entrenamiento se utilizan datos de demanda y generación eléctrica provistos por CAMMESA, variables climáticas del Servicio Meteorológico Nacional y datos georreferenciados de generadores energéticos. Se implementan modelos predictivos neuronales basados recurrentes, en incluyendo redes las arquitecturas RNN, LSTM y GRU. La solución permite anticipar, con distinta granularidad, posibles interrupciones en la matriz energética de la República Argentina. Como parte de la validación, el prototipo será testeado en Pinamar y General Madariaga para ajustar el desempeño del modelo en entornos reales.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Machine Learning
Energía
Sustentabilidad
Predicción
Redes neuronales recurrentes
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195755
Acceder
id SEDICI_a30e7072143b70146d029fb0fc5a13f5
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195755
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Predicción de cortes en la matriz energética argentina con IAGorgal, Macarena RocíoInchausti, PabloDel Vecchio, Matías MarceloBenito, Franco AgustínCiencias InformáticasMachine LearningEnergíaSustentabilidadPredicciónRedes neuronales recurrentesSe propone una investigación para predecir la ocurrencia de interrupciones en el suministro energético mediante el entrenamiento de modelos de Machine Learning. Para el entrenamiento se utilizan datos de demanda y generación eléctrica provistos por CAMMESA, variables climáticas del Servicio Meteorológico Nacional y datos georreferenciados de generadores energéticos. Se implementan modelos predictivos neuronales basados recurrentes, en incluyendo redes las arquitecturas RNN, LSTM y GRU. La solución permite anticipar, con distinta granularidad, posibles interrupciones en la matriz energética de la República Argentina. Como parte de la validación, el prototipo será testeado en Pinamar y General Madariaga para ajustar el desempeño del modelo en entornos reales.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf188-191http://sedici.unlp.edu.ar/handle/10915/195755spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195755Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.812SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Predicción de cortes en la matriz energética argentina con IA
title Predicción de cortes en la matriz energética argentina con IA
spellingShingle Predicción de cortes en la matriz energética argentina con IA
Gorgal, Macarena Rocío
Ciencias Informáticas
Machine Learning
Energía
Sustentabilidad
Predicción
Redes neuronales recurrentes
title_short Predicción de cortes en la matriz energética argentina con IA
title_full Predicción de cortes en la matriz energética argentina con IA
title_fullStr Predicción de cortes en la matriz energética argentina con IA
title_full_unstemmed Predicción de cortes en la matriz energética argentina con IA
title_sort Predicción de cortes en la matriz energética argentina con IA
dc.creator.none.fl_str_mv Gorgal, Macarena Rocío
Inchausti, Pablo
Del Vecchio, Matías Marcelo
Benito, Franco Agustín
author Gorgal, Macarena Rocío
author_facet Gorgal, Macarena Rocío
Inchausti, Pablo
Del Vecchio, Matías Marcelo
Benito, Franco Agustín
author_role author
author2 Inchausti, Pablo
Del Vecchio, Matías Marcelo
Benito, Franco Agustín
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Machine Learning
Energía
Sustentabilidad
Predicción
Redes neuronales recurrentes
topic Ciencias Informáticas
Machine Learning
Energía
Sustentabilidad
Predicción
Redes neuronales recurrentes
dc.description.none.fl_txt_mv Se propone una investigación para predecir la ocurrencia de interrupciones en el suministro energético mediante el entrenamiento de modelos de Machine Learning. Para el entrenamiento se utilizan datos de demanda y generación eléctrica provistos por CAMMESA, variables climáticas del Servicio Meteorológico Nacional y datos georreferenciados de generadores energéticos. Se implementan modelos predictivos neuronales basados recurrentes, en incluyendo redes las arquitecturas RNN, LSTM y GRU. La solución permite anticipar, con distinta granularidad, posibles interrupciones en la matriz energética de la República Argentina. Como parte de la validación, el prototipo será testeado en Pinamar y General Madariaga para ajustar el desempeño del modelo en entornos reales.
Red de Universidades con Carreras en Informática
description Se propone una investigación para predecir la ocurrencia de interrupciones en el suministro energético mediante el entrenamiento de modelos de Machine Learning. Para el entrenamiento se utilizan datos de demanda y generación eléctrica provistos por CAMMESA, variables climáticas del Servicio Meteorológico Nacional y datos georreferenciados de generadores energéticos. Se implementan modelos predictivos neuronales basados recurrentes, en incluyendo redes las arquitecturas RNN, LSTM y GRU. La solución permite anticipar, con distinta granularidad, posibles interrupciones en la matriz energética de la República Argentina. Como parte de la validación, el prototipo será testeado en Pinamar y General Madariaga para ajustar el desempeño del modelo en entornos reales.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195755
url http://sedici.unlp.edu.ar/handle/10915/195755
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
188-191
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982611654737920
score 13.365483

Publicaciones similares