Predicción del consumo eléctrico mediante análisis de Big Data y series temporales

Silva Rojas, Santiago

Publication:
Predicción del consumo eléctrico mediante análisis de Big Data y series temporales

dc.contributor.advisor	Vélez Uribe, Juan Pablo
dc.contributor.author	Silva Rojas, Santiago
dc.date.accessioned	2025-08-27T19:54:23Z
dc.date.available	2025-08-27T19:54:23Z
dc.date.issued	2025
dc.description.abstract	El propósito fundamental de esta investigación es idear un modelo predictivo que nos permita visualizar cómo será el consumo eléctrico en el futuro, partiendo de datos históricos detallados. Para lograrlo, echaremos mano de técnicas de Big Data y, por supuesto, de series temporales. Para este fin, recurrimos al conjunto de datos "Household Electric Power Consumption", que guarda registros minutos a minuto del consumo de un hogar desde diciembre de 2006 hasta noviembre de 2010. Al principio, trazamos un marco conceptual y contextual y pusimos todo en contexto, aclarando ideas clave como Big Data, series temporales y predicción del consumo eléctrico. Además, definimos el problema, justificamos el proyecto y fijamos los objetivos a alcanzar. Después, en la etapa de desarrollo e implementación, nos encargamos de subir, limpiar y alistar el conjunto de datos. Esto implicó deshacernos de los valores vacíos, adaptar los datos a los formatos correctos y crear un índice temporal. Explorar los datos análisis exploratorio de datos nos ayudó a detectar patrones importantes, como los momentos de mayor consumo, las diferencias entre los días de semana y los fines de semana, y un ritmo estacional que se repite cada año. Para predecir, usamos la librería Prophet. Con ella, entrenamos el modelo usando el consumo promedio diario y calculamos una proyección para los siguientes 180 días. Las predicciones respetan la tendencia del pasado y la estacionalidad, lo que indica que el modelo puede prever cuándo habrá más demanda. Los resultados señalan que predecir el consumo eléctrico es muy útil para usar mejor los recursos, planificar la generación y ser más conscientes al usar la energía. No obstante, sabemos que añadir más factores, como datos del clima o socioeconómicos, podría hacer que las predicciones sean aún más precisas.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) de Sistemas	spa
dc.format.extent	33 p.
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/7905
dc.language.iso	spa	spa
dc.publisher	Corporación Universitaria Remington	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Manizales (Caldas, Colombia)	spa
dc.publisher.program	Ingeniería de Sistemas	spa
dc.rights	Derechos Reservados - Corporación Universitaria Remington, 2025	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	spa
dc.subject	Big Data	spa
dc.subject	Predicción	spa
dc.subject	Consumo eléctrico	spa
dc.subject	Series temporales	spa
dc.subject	Prophet	spa
dc.subject.lemb	Análisis de datos
dc.subject.lemb	Big data
dc.subject.lemb	Consumo de energía eléctrica
dc.title	Predicción del consumo eléctrico mediante análisis de Big Data y series temporales	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	http://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication	spa