Predicción de la demanda energética en el departamento del Huila mediante mecanismos de machine learning interpretables

Abstract

Este estudio analiza la demanda energética del departamento del Huila entre 2023 y 2025 mediante modelos estadísticos y de aprendizaje automático para construir un sistema de predicción que permita apoyar la planificación energética regional en el contexto de la transición hacia fuentes renovables. La base de datos utilizada incluye series diarias y horarias del consumo eléctrico, lo que permitió evaluar patrones estacionales, tendencias de crecimiento y picos de demanda asociados a la actividad productiva y residencial. Por su parte, se implementaron modelos ARIMA, SARIMAX, regresión lineal, Support Vector Regression (SVR), Gaussian Process Regression (GPR) y Random Forest, evaluando su desempeño mediante métricas de error como MAE, RMSE, MAPE, MASE y R². Adicionalmente, los modelos estadísticos tradicionales, especialmente ARIMA y SARIMAX, mostraron bajo rendimiento al no capturar la estructura no lineal de la demanda. En contraste, los modelos basados en aprendizaje automático lograron un ajuste significativamente superior, destacándose Random Forest, que alcanzó un RMSE de 14.137 unidades y un R² de 0,67, convirtiéndose en la herramienta más precisa y estable para la predicción horaria. A partir de estos resultados, se plantea la incorporación de sistemas de generación renovable, especialmente solar fotovoltaica, para abastecer el crecimiento sostenido de la demanda en el Huila y fortalecer la autosuficiencia energética. Así mismo, la modelación predictiva empleada se convierte así en un insumo estratégico para la formulación de políticas públicas, la inversión en infraestructura y la integración de energías limpias en el contexto de la transición energética regional.