Algoritmo de previsión de demanda: automatización predictiva para la gestión energética

Indicadores y procesos de mejora

KPIS:
-Error APE mensual (mejor modelo): 2,21% (29/09/2025).
-Error APE diario con meteorología (mejor modelo): 7,73% (29/09/2025). Modificado respecto al valor inicial.
-Semanas en las que el mejor modelo supera a la metodología base: 100%. Nuevo indicador.

La solución incorpora un ciclo de mejora continua basado en:
•Ingesta y depuración automatizadas para identificar diariamente datos atípicos y valores ausentes.
Técnicas avanzadas de imputación que preservan los patrones de consumo.
Evaluación de distintos enfoques predictivos según activos y escenarios operativos.
Comparación sistemática con la metodología actual mediante backtesting y métricas estandarizadas.
Detección de desviaciones significativas entre consumo previsto y real mediante alertas operativas.
Capacidad de reutilización y escalado a nuevos activos con mínima intervención.
Validación continua del rendimiento mediante seguimiento periódico de métricas de error a nivel de activo y cartera.

Cuantificación/Estimación reducción consumo

La iniciativa mejora la capacidad de anticipar la demanda energética y apoyar la toma de decisiones mediante modelos avanzados de machine learning y econometría. La automatización integral del proceso permite generar previsiones más precisas, detectar desviaciones de forma temprana y optimizar tanto la planificación económica como la gestión operativa y la comercialización energética.
Además de aumentar la precisión predictiva, la solución automatiza tareas de preparación, depuración y validación de datos, mejorando la eficiencia del proceso y reduciendo el esfuerzo manual. También incorpora mecanismos de control de calidad, detección de anomalías y comparación continua con la metodología actual
Mejora predictiva mensual frente al modelo actual: 2,21% de error APE.
Mejora predictiva diaria considerando variables meteorológicas: 7,73% de error APE.
Mejora predictiva diaria sin considerar variables meteorológicas: 13,56% de error APE

Cuantificación/Estimación reducción emisiones CO2

El Delivery Plan firmado no aporta una cifra de tCO₂e evitadas ni un factor de emisión aprobado. Por ello, la candidatura debe presentar la reducción de emisiones como una línea de medición vinculada a futuros ahorros energéticos validados, no como un impacto ya conseguido.
Metodología propuesta para validación
• Definir el consumo de referencia para cada activo y horizonte de previsión.
• Normalizar temperatura, calendario, ocupación, tarifas y otras variables relevantes cuando proceda.
• Registrar la decisión operativa tomada a partir de una previsión o alerta del sistema.
• Calcular el consumo evitado atribuible, separándolo de variaciones no relacionadas con la iniciativa.
• Aplicar un factor de emisión validado, indicando fuente, año, geografía y alcance.
• Documentar el resultado en tCO₂e para un periodo concreto y con una trazabilidad auditable

Innovación aplicada y buenas prácticas

La solución combina modelos econométricos y de machine learning para generar previsiones energéticas mensuales y diarias más precisas. Incorpora variables externas como temperatura y tarifas energéticas, además de mecanismos automatizados de detección de anomalías, tratamiento de valores ausentes e imputación avanzada de datos. La plataforma compara de forma homogénea distintos enfoques predictivos mediante métricas estandarizadas y procesos de backtesting, identificando la alternativa con mejor rendimiento. También incluye alertas automáticas ante desviaciones entre consumo previsto y real y un diseño escalable que facilita su reutilización en nuevos activos. La arquitectura y los procesos se han preparado para una futura productivización, garantizando trazabilidad, validación continua y mejora constante del rendimiento de los modelos

Uso de tecnologías (TICs)

• Modelos econométricos para la previsión del consumo energético en distintos horizontes temporales.
• Metodologías predictivas evaluadas según características de los distintos activos y horizontes de previsión.
• Flujo automatizado de ingesta, preparación, predicción, validación y generación de resultados.
• Rutinas de detección de outliers y valores ausentes, junto con técnicas avanzadas de imputación.
• Integración de variables exógenas como temperatura y tarifas energéticas.
• Backtesting empírico y evaluación mediante RMSE, MAE y MAPE.
• Sistema de alertas para desviaciones significativas entre consumo previsto y real.
• Estructura escalable y reutilizable, preparada para futuras extensiones de previsión en tiempo real y optimización de tarifas.
• Módulo complementario para la conversión de previsiones energéticas en magnitudes económicas, integrando reglas tarifarias y fuentes externas de información para facilitar el análisis financiero asociado al consumo energético.