En la presente investigación se hace el análisis de los datos de energía eléctrica facturada a los clientes regulados en la región metropolitana de Chile durante el período 2015-2021, con el fin de establecer las características de la estructura de los datos, la relación entre las variables, predecir las clases de los registros nuevos, e identificar los patrones subyacentes en los datos. Para ello se utilizó el análisis estadístico descriptivo y los algoritmos de aprendizaje automático K-Means y K-NN. Se pudo establecer que, para el período de estudio, el consumo de energía unitario promedio para clientes residenciales fue de 453 kWh, y de 10.315 kWh para clientes no residenciales. Asimismo, se estableció que hay dependencia entre el número de clientes y la energía eléctrica facturada, al igual que entre la comuna y la empresa distribuidora. Por otra parte, con el algoritmo K-Means se obtuvo un modelo que agrupó los datos de acuerdo con el tipo de cliente, así como también de acuerdo con el tipo de empresa de distribución eléctrica que abastece a los clientes regulados. Por medio del algoritmo K-NN se obtuvo un modelo para predecir el tipo de cliente de los registros nuevos, con una exactitud del 99,73%.

El objetivo de esta investigación es crear modelos de predicción de consumo de energía eléctrica para el corto plazo, utilizando el algoritmo de regresión lineal múltiple y una red neuronal artificial. Es una investigación de tipo descriptiva-explicativa, y se usa la metodología de la ciencia de datos para alcanzar el objetivo planteado. Los modelos se entrenan y evalúan utilizando los datos de energía eléctrica facturada mensual en Uruguay, durante el período 2000-2022, además de las mediciones de temperatura ambiente y humedad relativa, así como la variación porcentual del índice de protección al consumidor. A través de un análisis de correlación y de un análisis de componentes principales, se verifica la importancia de las variables explicativas seleccionadas, previo a la obtención de los modelos. El modelo de regresión lineal tuvo un R2 de 0,782 y el modelo de la red neuronal de 0,797, los residuos se distribuyeron normalmente para ambos modelos, y las métricas RMSE, MAE, y MAPE tuvieron valores similares también en ambos modelos. El modelo de la red neuronal tuvo un mejor desempeño, en comparación con el modelo de regresión lineal, en lo que respecta a la predicción de la energía eléctrica para los meses de julio y agosto del año 2022.

Con las capacidades actuales de las computadoras, los algoritmos de Machine Learning se implementan con facilidad en distintas áreas de interés. En el presente estudio se utilizan métodos de Machine Learning para analizar los datos de energía eléctrica facturada mensualmente en la Ciudad de Buenos Aires, durante el período 2010-2021. Los objetivos son: determinar patrones en los datos utilizando el algoritmo K-Means y determinar las variables que más impactan la energía facturada total a través del uso del algoritmo de Regresión Lineal. Como técnica de reducción de la dimensionalidad se utilizó el análisis de componentes principales. La investigación fue de tipo cuantitativa-explicativa, utilizando los datos de la Dirección General de Estadística y Censos de Buenos Aires, los cuales fueron analizados y preprocesados antes de la aplicación de los algoritmos; para generar los modelos se toma el 75 % de los datos para entrenamiento y 25 % para la evaluación del modelo obtenido. Para el modelo de agrupamiento K-Means se determinó el K óptimo a través del método del codo, y se obtuvo que los datos de energía facturada total presentan una estacionalidad mensual. Para el modelo de Regresión Lineal se utilizaron las métricas R2, RMSE y MAE, y se obtuvo que las energías facturadas residencial, comercial e industrial, más el número de usuarios residenciales, son las variables que mayor impacto tienen sobre la energía eléctrica facturada total.

En el mercado eléctrico chileno, los usuarios finales se clasifican en clientes libres y clientes regulados.  El análisis del consumo energético de los clientes regulados es importante para efectos del diseño y aplicación de las políticas públicas del sector. En esta investigación se hace el análisis de los datos de energía eléctrica facturada mensual de los clientes regulados de Chile, durante el período 2015-2021, con el fin de detectar patrones y predecir la categoría a la que pertenecen. Se utilizan los algoritmos K-Means para la detección de patrones, K-NN para la predicción de la categoría de los clientes, y PCA para determinar las variables más significativas dentro del conjunto de datos. Con K-Means se encontró que los datos se agrupan de acuerdo con el tipo de cliente, con K-NN se obtuvo un modelo que permite predecir a qué tipo de clientes pertenecen los datos, y con PCA se encontró que las variables tipo de cliente, el año y el mes, son las más importantes en el conjunto de datos. Más del 96% de los clientes analizados corresponde al tipo residencial, quienes consumieron el 50% de la energía facturada durante el período de estudio, y además imponen la estacionalidad mensual de los datos. Los resultados obtenidos son de ayuda para el establecimiento y revisión de las políticas aplicadas a los clientes regulados, en cuanto a tarifas, límites de consumo en invierno, y eficiencia energética. Se recomienda continuar la investigación orientándola hacia la predicción del consumo de energía eléctrica.

Existen varios factores que justifican el uso de fuentes de energía renovable en la producción de electricidad, como por ejemplo la reducción de emisiones contaminantes al medio ambiente y el costo nulo de la fuente primaria. Por tales razones, el uso de plantas solares fotovoltaicas para la generación de energía eléctrica ha crecido continuamente en los últimos años, y estas podrían estar conectadas a la red eléctrica externa o desconectadas de la red. El pronóstico de la producción de energía eléctrica de este tipo de plantas es importante para su gestión, operación y mantenimiento, por lo que en esta investigación se propone un estudio del pronóstico de la generación eléctrica de plantas solares fotovoltaicas utilizando el análisis de series de tiempo con modelos ARIMA, en escala semanal y mensual, haciendo uso de los datos reales de una planta solar fotovoltaica del Laboratorio Nacional de Energías Renovables de los Estados Unidos. Aplicando la metodología Box-Jenkins1, se consiguen cuatro modelos de pronóstico, dos para los datos semanales y dos para los datos mensuales, para un mismo período de tiempo. Con el fin de evaluar el desempeño de los modelos se obtuvieron las métricas MAE, RMSE y MAPE. Se encontró que desde el punto de vista del MAPE, los modelos con datos mensuales fueron los de mejor desempeño, al ser su valor menor al 10 % para los dos modelos.