Identificación de anomalías y tendencias estacionales sobre la demanda eléctrica en instalaciones universitarias mediante algoritmos de clustering

Resumen

El aumento constante de la demanda de energía, impulsado por el crecimiento poblacional, la expansión industrial y la digitalización, ejerce una presión creciente sobre los sistemas de distribución eléctrica. En este contexto, en los últimos años se han incorporado algoritmos de aprendizaje automático para el procesamiento de datos eléctricos y la optimización operativa de la red. Evaluar el desempeño de estos algoritmos con datos del mundo real es esencial para comprender su potencial en aplicaciones concretas. Este artículo presenta un estudio de series temporales de demanda eléctrica de dos edificios públicos mediante algoritmos de clustering no supervisados (K-Means, Fuzzy C-Means y Gaussian Mixture Models). Si bien estos algoritmos se han empleado ampliamente en diferentes campos de la ingeniería, las bases de datos de demanda eléctrica analizadas exhiben una combinación de patrones estacionales y eventos anómalos que pueden dificultar la correcta identificación de grupos y, en consecuencia, afectar su agrupamiento. La calidad de los resultados se evalúa mediante los índices Silhouette y Davies–Bouldin. El objetivo de este estudio es explorar la capacidad de las técnicas de clustering para extraer información relevante de series temporales de consumo que abarcan varios años, sentando las bases para futuras investigaciones orientadas a la optimización de la gestión de la energía en edificios públicos y en otros clientes con perfiles de consumo similares.