Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica

Autores
Uhrig, Mariela Noelia
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Müller, Omar Vicente
Echeveste, Rodrigo
Ruiz, Juan José
Stegmayer, Georgina
Vignolo, Leandro Daniel
Descripción
Fil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
La predicción de la demanda eléctrica es estratégica para planificar y operar los sistemas energéticos, pero resulta compleja por la interacción de factores externos, que generan dinámicas no lineales y patrones de variabilidad multiescala. Frente a las limitaciones de los modelos estadísticos clásicos, esta tesis aborda la predicción de la demanda eléctrica diaria de la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas del reanálisis ERA5-ECMWF y variables temporales. Se analizan horizontes de 1, 7 y 14 días. Como primera contribución, se desarrolla y optimiza sistemáticamente una arquitectura LSTM mediante múltiples configuraciones, búsqueda en grilla de hiperparámetros y validación cruzada. Los modelos obtenidos superan a SARIMAX y DA-SKIP, con arquitecturas más parsimoniosas y eficientes. Posteriormente, se estudian mecanismos de atención y se proponen DA-LSTM y AMBER, arquitectura que modela la relevancia de las variables meteorológicas en el contexto histórico y el horizonte de predicción. El modelo LSTM multivariado optimizado alcanza, para un día, R²=0,94 y RMSE=727,2 MWh. AMBER mejora estos resultados, con R²=0,94 y RMSE=608,86 MWh, reduce el error un 16,3% y obtiene el menor sesgo sistemático (%Bias=-0,70); a 14 días mantiene R²=0,69. Además, los pesos de atención identifican las variables térmicas y de radiación como las más relevantes. Los resultados demuestran que combinar arquitecturas recurrentes multivariadas con atención meteorológica mejora la precisión, robustez e interpretabilidad de la predicción, con aplicación directa en sistemas regionales de distribución.
Electricity demand forecasting is strategic for energy system planning and operation, but it is complex due to the interaction of external factors, which generate nonlinear dynamics and multiscale variability patterns. Given the limitations of classical statistical models, this thesis addresses daily electricity demand forecasting in the province of Entre Ríos, Argentina, through a multivariate approach that integrates historical consumption records, meteorological variables from the ERA5-ECMWF reanalysis, and temporal variables. Forecast horizons of 1, 7, and 14 days are analyzed. As a first contribution, an LSTM architecture is systematically developed and optimized using multiple configurations, grid search for hyperparameters, and cross-validation. The resulting models outperform SARIMAX and DA-SKIP while using more parsimonious and efficient architectures. Subsequently, attention mechanisms are investigated, and DA-LSTM and AMBER are proposed; the latter models the relevance of meteorological variables in both the historical context and forecast horizon. For the one-day horizon, the optimized multivariate LSTM model achieves R² = 0.94 and RMSE = 727.2 MWh. AMBER improves these results, achieving R² = 0.94 and RMSE = 608.86 MWh, reducing the error by 16.3%, and yielding the lowest systematic bias (%Bias = −0.70); at the 14-day horizon, it maintains R² = 0.69. In addition, the attention weights identify thermal and radiation variables as the most relevant. The results demonstrate that combining multivariate recurrent architectures with meteorological attention improves forecasting accuracy, robustness, and interpretability, with direct applicability to regional distribution systems.
Materia
Redes neuronales artificiales
Predicción de demanda eléctrica
Aprendizaje profundo
Redes neuronales recurrentes
Artificial neural networks
Electricity demand forecasting
Deep learning
Recurrent neural networks
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/9001
Acceder
id UNLBT_9b3990888703100dce1f85fa3c863183
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/9001
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológicaElectricity demand modeling with artificial neural networks using meteorological informationUhrig, Mariela NoeliaRedes neuronales artificialesPredicción de demanda eléctricaAprendizaje profundoRedes neuronales recurrentesArtificial neural networksElectricity demand forecastingDeep learningRecurrent neural networksFil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.La predicción de la demanda eléctrica es estratégica para planificar y operar los sistemas energéticos, pero resulta compleja por la interacción de factores externos, que generan dinámicas no lineales y patrones de variabilidad multiescala. Frente a las limitaciones de los modelos estadísticos clásicos, esta tesis aborda la predicción de la demanda eléctrica diaria de la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas del reanálisis ERA5-ECMWF y variables temporales. Se analizan horizontes de 1, 7 y 14 días. Como primera contribución, se desarrolla y optimiza sistemáticamente una arquitectura LSTM mediante múltiples configuraciones, búsqueda en grilla de hiperparámetros y validación cruzada. Los modelos obtenidos superan a SARIMAX y DA-SKIP, con arquitecturas más parsimoniosas y eficientes. Posteriormente, se estudian mecanismos de atención y se proponen DA-LSTM y AMBER, arquitectura que modela la relevancia de las variables meteorológicas en el contexto histórico y el horizonte de predicción. El modelo LSTM multivariado optimizado alcanza, para un día, R²=0,94 y RMSE=727,2 MWh. AMBER mejora estos resultados, con R²=0,94 y RMSE=608,86 MWh, reduce el error un 16,3% y obtiene el menor sesgo sistemático (%Bias=-0,70); a 14 días mantiene R²=0,69. Además, los pesos de atención identifican las variables térmicas y de radiación como las más relevantes. Los resultados demuestran que combinar arquitecturas recurrentes multivariadas con atención meteorológica mejora la precisión, robustez e interpretabilidad de la predicción, con aplicación directa en sistemas regionales de distribución.Electricity demand forecasting is strategic for energy system planning and operation, but it is complex due to the interaction of external factors, which generate nonlinear dynamics and multiscale variability patterns. Given the limitations of classical statistical models, this thesis addresses daily electricity demand forecasting in the province of Entre Ríos, Argentina, through a multivariate approach that integrates historical consumption records, meteorological variables from the ERA5-ECMWF reanalysis, and temporal variables. Forecast horizons of 1, 7, and 14 days are analyzed. As a first contribution, an LSTM architecture is systematically developed and optimized using multiple configurations, grid search for hyperparameters, and cross-validation. The resulting models outperform SARIMAX and DA-SKIP while using more parsimonious and efficient architectures. Subsequently, attention mechanisms are investigated, and DA-LSTM and AMBER are proposed; the latter models the relevance of meteorological variables in both the historical context and forecast horizon. For the one-day horizon, the optimized multivariate LSTM model achieves R² = 0.94 and RMSE = 727.2 MWh. AMBER improves these results, achieving R² = 0.94 and RMSE = 608.86 MWh, reducing the error by 16.3%, and yielding the lowest systematic bias (%Bias = −0.70); at the 14-day horizon, it maintains R² = 0.69. In addition, the attention weights identify thermal and radiation variables as the most relevant. The results demonstrate that combining multivariate recurrent architectures with meteorological attention improves forecasting accuracy, robustness, and interpretability, with direct applicability to regional distribution systems.Müller, Omar VicenteEcheveste, RodrigoRuiz, Juan JoséStegmayer, GeorginaVignolo, Leandro Daniel2026-09-14T14:27:48Z2026-08-26SNRDinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/11185/9001spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2026-09-24T12:48:21Zoai:https://bibliotecavirtual.unl.edu.ar:11185/9001Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872026-09-24 12:48:21.952Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
Electricity demand modeling with artificial neural networks using meteorological information
title Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
spellingShingle Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
Uhrig, Mariela Noelia
Redes neuronales artificiales
Predicción de demanda eléctrica
Aprendizaje profundo
Redes neuronales recurrentes
Artificial neural networks
Electricity demand forecasting
Deep learning
Recurrent neural networks
title_short Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
title_full Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
title_fullStr Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
title_full_unstemmed Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
title_sort Modelado de demanda de energía eléctrica mediante redes neuronales artificiales a partir de información meteorológica
dc.creator.none.fl_str_mv Uhrig, Mariela Noelia
author Uhrig, Mariela Noelia
author_facet Uhrig, Mariela Noelia
author_role author
dc.contributor.none.fl_str_mv Müller, Omar Vicente
Echeveste, Rodrigo
Ruiz, Juan José
Stegmayer, Georgina
Vignolo, Leandro Daniel
dc.subject.none.fl_str_mv Redes neuronales artificiales
Predicción de demanda eléctrica
Aprendizaje profundo
Redes neuronales recurrentes
Artificial neural networks
Electricity demand forecasting
Deep learning
Recurrent neural networks
topic Redes neuronales artificiales
Predicción de demanda eléctrica
Aprendizaje profundo
Redes neuronales recurrentes
Artificial neural networks
Electricity demand forecasting
Deep learning
Recurrent neural networks
dc.description.none.fl_txt_mv Fil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
La predicción de la demanda eléctrica es estratégica para planificar y operar los sistemas energéticos, pero resulta compleja por la interacción de factores externos, que generan dinámicas no lineales y patrones de variabilidad multiescala. Frente a las limitaciones de los modelos estadísticos clásicos, esta tesis aborda la predicción de la demanda eléctrica diaria de la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas del reanálisis ERA5-ECMWF y variables temporales. Se analizan horizontes de 1, 7 y 14 días. Como primera contribución, se desarrolla y optimiza sistemáticamente una arquitectura LSTM mediante múltiples configuraciones, búsqueda en grilla de hiperparámetros y validación cruzada. Los modelos obtenidos superan a SARIMAX y DA-SKIP, con arquitecturas más parsimoniosas y eficientes. Posteriormente, se estudian mecanismos de atención y se proponen DA-LSTM y AMBER, arquitectura que modela la relevancia de las variables meteorológicas en el contexto histórico y el horizonte de predicción. El modelo LSTM multivariado optimizado alcanza, para un día, R²=0,94 y RMSE=727,2 MWh. AMBER mejora estos resultados, con R²=0,94 y RMSE=608,86 MWh, reduce el error un 16,3% y obtiene el menor sesgo sistemático (%Bias=-0,70); a 14 días mantiene R²=0,69. Además, los pesos de atención identifican las variables térmicas y de radiación como las más relevantes. Los resultados demuestran que combinar arquitecturas recurrentes multivariadas con atención meteorológica mejora la precisión, robustez e interpretabilidad de la predicción, con aplicación directa en sistemas regionales de distribución.
Electricity demand forecasting is strategic for energy system planning and operation, but it is complex due to the interaction of external factors, which generate nonlinear dynamics and multiscale variability patterns. Given the limitations of classical statistical models, this thesis addresses daily electricity demand forecasting in the province of Entre Ríos, Argentina, through a multivariate approach that integrates historical consumption records, meteorological variables from the ERA5-ECMWF reanalysis, and temporal variables. Forecast horizons of 1, 7, and 14 days are analyzed. As a first contribution, an LSTM architecture is systematically developed and optimized using multiple configurations, grid search for hyperparameters, and cross-validation. The resulting models outperform SARIMAX and DA-SKIP while using more parsimonious and efficient architectures. Subsequently, attention mechanisms are investigated, and DA-LSTM and AMBER are proposed; the latter models the relevance of meteorological variables in both the historical context and forecast horizon. For the one-day horizon, the optimized multivariate LSTM model achieves R² = 0.94 and RMSE = 727.2 MWh. AMBER improves these results, achieving R² = 0.94 and RMSE = 608.86 MWh, reducing the error by 16.3%, and yielding the lowest systematic bias (%Bias = −0.70); at the 14-day horizon, it maintains R² = 0.69. In addition, the attention weights identify thermal and radiation variables as the most relevant. The results demonstrate that combining multivariate recurrent architectures with meteorological attention improves forecasting accuracy, robustness, and interpretability, with direct applicability to regional distribution systems.
description Fil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
publishDate 2026
dc.date.none.fl_str_mv 2026-09-14T14:27:48Z
2026-08-26
dc.type.none.fl_str_mv SNRD
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/11185/9001
url https://hdl.handle.net/11185/9001
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1877231486258642944
score 13.24418

Publicaciones similares