Examinando por Autor "Mamani Alave, Edson David"

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 1 de 1
  • Miniatura
    Thesis
    Predicción del consumo de energía mensual en la ciudad de puno utilizando el algoritmo random forest, electro puno s.a.a. Periodo 2005 – 2024
    Mamani Alave, Edson David; Tito Lipa, Jose Panfilo , 2026-01-06 - (Universidad Nacional del Altiplano. Repositorio Institucional - UNAP)
    El objetivo de esta investigación fue estimar y evaluar el consumo eléctrico mensual en la ciudad de Puno mediante el modelo de aprendizaje automático Random Forest, con el fin de determinar su capacidad predictiva y contribuir a una mejor planificación energética regional; el estudio fue de enfoque cuantitativo, aplicado y predictivo, utilizando registros mensuales de demanda del período 2005–2025 proporcionados por Electro Puno S.A.A. y procesados en el lenguaje de programación R. El análisis evidenció una tendencia creciente y patrones estacionales asociados al crecimiento poblacional, la expansión urbana y el incremento de las actividades económicas, los cuales fueron modelados eficazmente por el algoritmo Random Forest. Los resultados mostraron que este modelo superó al ARIMA, presenta menores errores de predicción RMSE = 8.448 y MAE = 6.375 frente a RMSE = 12.837 y MAE = 11.397, lo que confirma su mayor precisión y capacidad para capturar relaciones no lineales y comportamientos estacionales complejos. Las proyecciones para el año 2025 indican una tendencia creciente de la demanda eléctrica, con valores estimados entre 73 y 80 MW, información útil para la planificación de infraestructura y la gestión eficiente de los recursos energéticos. Se concluyó que el modelo Random Forest es una herramienta robusta y confiable para la predicción del consumo eléctrico en la ciudad de Puno, confirmando la hipótesis general de investigación; asimismo, se concluyó que la actualización periódica del modelo, la incorporación de variables económicas y demográficas, y la evaluación de otros algoritmos de aprendizaje automático fortalecerán la planificación energética regional y promoverán un uso más eficiente y sostenible de la energía.