Maestría en Inteligencia de Negocios y Ciencia de Datos

Universidad de las Américas

• Claudio Arias

Este proyecto tiene como objetivo desarrollar un modelo predictivo para el sector eléctrico en Ecuador, analizando la generación eléctrica mensual por tipo de fuente entre 2013 y 2023. Los modelos de predicción SARIMA y Prophet fueron utilizados para generar pronósticos de alta precisión, basados en datos de la Agencia de Regulación y Control de Electricidad, y evaluados mediante métricas como RMSE y MAPE. Los resultados permiten evaluar el comportamiento del sector y proponer mejoras en la planificación energética.

La creciente demanda energética en Ecuador plantea la necesidad de contar con modelos predictivos precisos para la planificación y la toma de decisiones. Este proyecto busca resolver la incertidumbre en la disponibilidad de energía mediante modelos estadísticos, permitiendo anticipar la oferta y reducir la dependencia de fuentes externas.

1. SARIMA - Modelo autorregresivo estacional, adecuado para series temporales con estacionalidad.
2. Prophet - Modelo de descomposición que facilita el análisis de estacionalidad y tendencias, con capacidad de ajuste de hiperparámetros para mejorar la precisión.

La base de datos fue obtenida de la Agencia de Regulación y Control de Electricidad en Ecuador (SISDAT), con registros de generación eléctrica mensual para cada tipo de fuente desde 2013 hasta 2023.

• data/: Contiene los archivos de datos utilizados en el análisis. Estos archivos incluyen información sobre la generación eléctrica por tipo de fuente desde 2013 hasta 2023.

• visualizaciones/: Esta carpeta contiene las gráficas generadas a partir del análisis de los datos. Las visualizaciones son fundamentales para comprender las tendencias y patrones en la generación eléctrica.

• analisis_de_datos.ipynb: Archivo Jupyter Notebook que documenta el desarrollo de la tesis, incluyendo la implementación de los modelos SARIMA y Prophet, así como el análisis de resultados.

• documento_tesis.pdf: El documento final de la tesis en formato PDF. Este archivo presenta de manera detallada la metodología, resultados y conclusiones del estudio.

• README.md: Instrucciones y descripción general del proyecto.

• requirements.txt: Archivo con los paquetes necesarios para ejecutar el notebook.

1. Instalación de dependencias:

   • Asegúrate de tener Python 3.x instalado.
   • Instala las dependencias requeridas ejecutando:

     pip install -r requirements.txt

2. Ejecutar el Notebook:

   • Abre el archivo data_analysis.ipynb en un entorno Jupyter Notebook o Google Colab.
   • Ejecuta cada celda en el orden indicado para reproducir el análisis y los resultados.

3. Notas adicionales:

   • Para obtener los resultados de predicción, asegúrate de que los archivos de datos se encuentran en la carpeta /data y que el entorno tiene permisos para acceder a esta carpeta.