Predicción de consumo eléctrico con aprendizaje automático

[ES] El siguiente proyecto presenta el desarrollo de un modelo predictivo de series temporales empleando variables exógenas con el objetivo de predecir el consumo eléctrico hora a hora en España. Para esta tarea compararemos tres modelos machine learning diferentes; SARIMAX, Random Forest y LSTM. Realizaremos un preprocesado de datos, entrenamiento y validación de los modelos utilizando el estimador RMSE como baseline de comparación para, tras un proceso iterativo, analizar los resultados y así obtener un modelo óptimo. Los modelos de predicción de series temporales son muy utilizados en la actualidad debido principalmente a su fiabilidad para predecir cualquier tipo de datos ordenados en el tiempo, siempre que sus diferentes atributos cuenten con una correlación respecto a la variable a predecir. Existen gran cantidad de aplicaciones que son capaces de generar un valor añadido gracias a esta tecnología, como son las predicciones de ventas, de censo o de terremotos, entre otros.[EN] This project portraits the development of a predictive model which uses exogenous variables in order to forecast hourly energy consumption in Spain. For this task we will compare three predictive models: SARIMAX, Random Forest and LSTM. We will carry out a data pre-processing, training, and validation of the models using the RMSE estimator as a comparison baseline to, after an iterative process, analyze the results and thus obtain an optimal model. Time series forecasting models are currently widely used mainly due to their reliability in predicting any type of data ordered in time, provided that their different features have a correlation with respect to the variable to be predicted. There are a large number of applications that are capable of generating added value thanks to this technology, such as sales, census, or earthquake predictions, among others.Medina Azorín, C. (2021). Predicción de consumo eléctrico con aprendizaje automático. Universitat Politècnica de València. http://hdl.handle.net/10251/17283