Predicción de la Demanda Energética del SADI

Proyecto desarrollado en el marco de la materia Minería de Datos de la Especialización en Ciencia de Datos (UNLaM), durante el primer cuatrimestre de 2025, con el objetivo de predecir la demanda energética del Sistema Argentino de Interconexión (SADI).

📌 Descripción del proyecto

Este proyecto se enmarca en el análisis y predicción de la demanda energética del SADI, utilizando datos históricos proporcionados por la Compañía Administradora del Mercado Mayorista Eléctrico (CAMMESA). El objetivo principal fue desarrollar modelos descriptivos y predictivos que permitan comprender el comportamiento de la demanda y anticipar su valor máximo diario (potencia pico), con aplicaciones directas en la planificación y operación del sistema eléctrico nacional. Para ello, se aplicaron técnicas de minería de datos utilizando la herramienta KNIME, abarcando desde análisis exploratorio hasta regresión, clasificación y descubrimiento de patrones.

Datos Utilizados

• Fuente: CAMMESA
• Período analizado: Enero 2007 - Febrero 2025
• Frecuencia: Diaria
• Variables originales: N° MES, VERANO / INVIERNO, SEMANA, FECHA, TIPO DIA, DIA, N° DIA, Energía SADI (GWh), Potencia Pico SADI (MW), Hora Potencia Pico, Temperatura Media Diaria GBA (°C), Estado del Tiempo [Claro/Nublado/Seminublado].

📊 Proceso de Minería de Datos

El desarrollo siguió de manera implicita el enfoque CRISP-DM y se implementó utilizando KNIME Analytics Platform. Las etapas abordadas fueron:

• Comprensión del negocio y de los datos
• Preparación de los datos
• Modelado
• Evaluación
• Despliegue (limitado a la documentación y visualización de resultados)

🛠️ Herramientas utilizadas

• KNIME Analytics Platform, esencial para la implementación de las etapas de preparación de datos, modelado y evaluación.
• Word (documentación del proyecto)
• Dataset descargado desde la web de CAMMESA, disponible en https://cammesaweb.cammesa.com/ en la sección de Máximos Históricos de Energía y Potencia Estacionales del SADI.

📂 Estructura

• docs/: informe y diapositivas de la presentación final en formato PDF.
• flujo_knime/: capturas del workflow en KNIME
• workflow/: contiene el archivo del workflow en formato .knwf para importar desde KNIME.

📈 Resultados

Modelado Predictivo

• Modelos de regresión: La Regresión Lineal mostró buen poder explicativo (R² > 0,96). La normalización redujo errores absolutos, mientras que el modelo sin normalizar logró mejor MAPE. Gradient Boosted Trees fue el modelo más preciso y robusto, con un error máximo de -6,91%.

• Complejidad vs. desempeño: Modelos complejos como la Regresión Polinómica de grado 10 presentaron sobreajuste. Modelos intermedios (grado 4) lograron buen equilibrio entre sesgo y varianza.

• Modelos de clasificación: Para clasificar niveles de demanda (baja/media/alta), Random Forest superó a Naive Bayes (85,8% vs. 66,9% de exactitud), sin necesidad de técnicas de balanceo como SMOTE.

• Variables clave: Las principales variables predictivas fueron: temperatura media diaria, energía diaria, tipo de día, estación y número de semana.

• Impacto operativo: El modelo final, Gradient Boosted Trees, permite predecir la potencia pico con un margen de error controlado (±7%), lo cual optimiza el proceso de despacho de energía y contribuye a la reducción de costos operativos, mejorando la eficiencia del sistema.

Análisis Descriptivo

• Clustering (K-means): Se identificaron 4 clústeres con buena separación según el nivel de potencia, aunque con baja homogeneidad interna debido a la complejidad del fenómeno energético.

• Análisis de Componentes Principales (PCA): Se redujo la dimensionalidad a 4 componentes principales, explicando el 92,3% de la varianza y revelando patrones estacionales y de tipo de día.

• Reglas de asociación: Se detectaron combinaciones relevantes de variables categóricas. Una regla destacada (67,8% confianza, lift 2,796) asocia días hábiles, altas temperaturas y verano con alta demanda, aportando valor operativo.

👥 Equipo

Proyecto realizado por:

• Barvagelata, Julián Mariano
• Fica Millán, Yesica Verónica
• González De Rose, Franco Ezequiel
• Gotte, Joaquín Ezequiel
• Miranda Quisbert, Brian Alex
• Petraroia, Franco Albano

Con la guía de la profesora Lorena Matteo.

📌 Notas

Este repositorio tiene fines académicos y demostrativos. Los datos utilizados provienen de fuentes oficiales y se usaron exclusivamente con fines educativos.