Modelo predictivo de la demanda de gas natural en Norte de Santander, utilizando técnicas de Machine Learning.

Según datos registrados por los agentes del mercado de gas natural en la declaración de producción que realizaron en 2023, se observa que el potencial de producción se reducirá en los siguientes años para Colombia, esto genera impacto en el costo energéticos y el impacto medioambiental. Esta investigación presenta una revisión exhaustiva de las técnicas de aprendizaje automático (ML) para pronosticar series temporales de consumo de gas natural utilizando datos reales. Los datos serán proporcionados por la empresa comercializadora de gas natural y se utilizarán para evaluar la eficacia y efectividad de las técnicas estadísticas y de aprendizaje automático. Se utilizarán conocidas técnicas de inteligencia artificial para analizar el consumo de gas natural en escenarios individuales y conjuntos. Así mismo, se presentará una revisión y análisis en profundidad del 'modelo híbrido' que combina técnicas de previsión y optimización. La comparación exhaustiva demuestra que el modelo híbrido es más preciso que los modelos individuales y de conjunto. Se considera que tanto la precisión de la predicción como la idoneidad para el uso de estos modelos ayudan a los usuarios a planificar la gestión energética. Siendo así, el presente proyecto se orienta a proponer un modelo predictivo para la demanda de gas natural, lo que podría permitir tomar mejores medidas de planeación de la gestión energética, establecer políticas de consumo, y gestionar los costos de sostenibilidad, ya que el costo energético tiene un impacto directo economía local, regional y nacional, se espera brindar resultados que permitan aportar a las decisiones gerenciales relacionadas con la transición energética. También, académicamente, se busca generar una propuesta que aborde esta línea de conocimiento tradicional empleando nuevas técnicas como el Machine Learning.

• Autores: Palacios Alvarado, Wlamyr
• Tipo de recurso: http://purl.org/coar/resource_type/c_baaf
• Fecha de publicación: 2025
• Institución: Universidad Francisco de Paula Santander
• Repositorio: Repositorio Digital UFPS
• Idioma: spa
• OAI Identifier: oai:repositorio.ufps.edu.co:ufps/9588
• Acceso en línea: https://repositorio.ufps.edu.co/handle/ufps/9588
• Rights: openAccess
• License: Derechos Reservados - Universidad Francisco de Paula Santander