aprendizaje automático, las empresas y autoridades locales pueden mejorar la precisión de las
predicciones, contribuyendo así a evitar situaciones críticas como apagones o racionamientos.
Por último, resulta relevante subrayar que tanto Random Forest, como XGBoost, exhibieron
una destacada habilidad para detectar patrones de comportamiento atípicos en los conjuntos
de datos de entrenamiento en los diversos grupos de consumo. No obstante, se enfatiza la
importancia de considerar para futuras investigaciones la incorporación de variables
climáticas, factores estacionales, días festivos y tendencias de consumo a lo largo del tiempo.
Esta adición potencial de variables podría resultar en mejoras significativas en la precisión de
los modelos predictivos.
Referencias
Ahmad, M. W., Reynolds, J., & Rezgui, Y. (2018). Predictive modelling for solar thermal energy
systems: A comparison of support vector regression, random forest, extra trees and regression
trees. Journal of Cleaner Production, 203, 810–821.
https://doi.org/10.1016/J.JCLEPRO.2018.08.207
ARCERNNR. (2023). Reportes de Información Estadística del Sector Eléctrico. SISDAT.
http://reportes.controlrecursosyenergia.gob.ec/
Banik, R., Das, P., Ray, S., & Biswas, A. (2021). Prediction of electrical energy consumption
based on machine learning technique. Electrical Engineering, 103(2), 909–920.
https://doi.org/10.1007/S00202-020-01126-Z/METRICS
Bedi, J., & Toshniwal, D. (2019). Deep learning framework to forecast electricity demand. Applied
Energy, 238, 1312–1326. https://doi.org/10.1016/J.APENERGY.2019.01.113
Carrillo, D. B., Pazuña, W. P., & Quinatoa, C. I. (2023). Forecasting Energy Consumption in the
Chimborazo Province, Ecuador, Using Random Forest and XGBoost Algorithms. 2023 1st
International Conference on Advanced Engineering and Technologies, ICONNIC 2023 -
Proceeding, 66–72. https://doi.org/10.1109/ICONNIC59854.2023.10467276
Dhaliwal, S., Nahid, A.-A., & Abbas, R. (2018). Effective Intrusion Detection System Using
XGBoost. Information, 9(7). https://doi.org/10.3390/info9070149
Guachimboza-Davalos, J. I., Llanes-Cedeño, E. A., Rubio-Aguiar, R., Peralta-Zurita, D., & Núñez-
Barrionuevo, O. (2021). Prediction of Monthly Electricity Consumption by Cantons in Ecuador
Through Neural Networks: A Case Study. Advances in Intelligent Systems and Computing, 1273
AISC, 28–37. https://doi.org/10.1007/978-3-030-59194-6_3/COVER
Li, R., Jiang, P., Yang, H., & Li, C. (2020). A novel hybrid forecasting scheme for electricity
demand time series. Sustainable Cities and Society, 55, 102036.
https://doi.org/10.1016/J.SCS.2020.102036
Li, X., Ma, L., Chen, P., Xu, H., Xing, Q., Yan, J., Lu, S., Fan, H., Yang, L., & Cheng, Y. (2022).
Probabilistic solar irradiance forecasting based on XGBoost. Energy Reports, 8, 1087–1095.
https://doi.org/10.1016/J.EGYR.2022.02.251
Mañay, E., Chiliquinga, M., Taco, H., y Moreno, M. (2022). Sistema de Internet de las cosas para
el monitoreo del índice ultravioleta en la comunidad de Chirinche Bajo. REVISTA ODIGOS, 3(2),
9–25. https://doi.org/10.35290/RO.V3N2.2022.595