Enhancing electricity demand prediction in Mexico: a comparative analysis of forecasting models using conformal prediction

Abstract

El objetivo de este estudio es identificar un modelo de predicción confiable para el mercado mayorista de electricidad de México para prevenir desequilibrios entre oferta y demanda, mediante el análisis de tres modelos de aprendizaje automático con técnicas de predicción conformadas. Marco teórico: La previsión de la demanda de electricidad utiliza tradicionalmente modelos SARIMAX o redes neuronales artificiales (ANN)/aprendizaje profundo (DL). Sin embargo, los modelos SARIMAX son sensibles a perturbaciones de datos, mientras que los modelos ANN/DL enfrentan desafíos de interpretación y computación. Los modelos basados en el árbol de decisiones (LGBM y CatBoost) han surgido como alternativas, ofreciendo potenciales ventajas para la predicción de series temporales. Método: El estudio analizó los datos de demanda de electricidad del CENACE (2018-2022), utilizando cuatro años para capacitación y uno para validación. El rendimiento del modelo se evaluó utilizando las métricas MAPE, MAE, MSE, RMSE y R², junto con las métricas de predicción conformal para la cuantificación de la incertidumbre. Resultados y Discusión: CatBoost demostró un rendimiento superior (MAPE: 1,85%, R²: 0,9) en comparación con los modelos LGBM y SARIMAX. SARIMAX mostró limitaciones significativas en la precisión de la predicción, particularmente durante las variaciones estacionales. LGBM logró un rendimiento intermedio con una precisión aceptable (R²: 0,89).