Evaluación de Algoritmos Random Forest y Stacking para Pronóstico de Demanda Eléctrica de Edificios Universitarios

• Autores: Yenia Maza Díaz, Marcos Funes, Patricio Donato, Carlos Orallo
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 57, Nº. 2, 2026 (Ejemplar dedicado a: Revista Politécnica), págs. 97-106
• Idioma: español
• DOI: 10.33333/rp.vol57n2.08
• Títulos paralelos:
  • Random Forest and Stacking Algorithm Evaluation for Electricity Demand Forecasting of University Buildings
• Enlaces
  • Texto completo
• Resumen
  • español

    El avance de las Redes Eléctricas Inteligentes y la creciente disponibilidad de datos provenientes de sistemas de medición avanzados han impulsado el uso de técnicas de aprendizaje automático para el pronóstico de la demanda eléctrica. En este trabajo se analiza el desempeño de dos algoritmos supervisados —Random Forest y Stacking— aplicados a series temporales de demanda eléctrica correspondientes a cuatro edificios de la Universidad Nacional de Mar del Plata (UNMDP). El estudio considera registros históricos con un periodo de muestreo de 15 minutos, abarcando desde 2022 a 2025, estructurado en fases de preprocesamiento, entrenamiento, validación y evaluación comparativa. El objetivo principal es caracterizar la capacidad de ambos modelos para captar la dinámica temporal del consumo eléctrico institucional y determinar su adecuación para distintos perfiles de demanda. Los resultados indican que ambos algoritmos logran reproducir adecuadamente la dinámica temporal de la demanda cuando las condiciones operativas se mantienen dentro de los rangos observados durante el entrenamiento. Sin embargo, se observa una disminución en la precisión ante la presencia de cambios estructurales, períodos de baja ocupación o desviaciones significativas respecto de los patrones habituales de consumo. Estos hallazgos ponen de manifiesto que la calidad del pronóstico depende no solo del algoritmo utilizado, sino también de la representatividad y estabilidad de las series temporales disponibles. En este contexto, la incorporación de variables adicionales que reflejen condiciones operativas y/o ambientales, junto con esquemas de actualización o reentrenamiento periódico, podría contribuir a mejorar el desempeño del modelo.

  • English

    The advancement of Smart Grids and the increasing availability of data from advanced metering systems have motivated the use of machine learning techniques for electrical demand forecasting. This work analyzes the performance of two supervised algorithms—Random Forest and Stacking—applied to active power demand time series from four buildings at the National University of Mar del Plata (UNMDP), Argentina. The study uses historical records with 15-minute sampling period covering from 2022 to 2025, structured into preprocessing, training, validation, and comparative evaluation phases. The main objective is to assess the ability of both models to capture the temporal dynamics of institutional electricity consumption and to determine their suitability for different demand profiles. The results indicate that both algorithms are able to adequately reproduce the temporal dynamics of electricity demand when operating conditions remain within the ranges observed during the training phase. However, a degradation in predictive accuracy is observed in the presence of structural changes, periods of low occupancy, or significant deviations from typical consumption patterns. These findings highlight that forecasting performance depends not only on the selected algorithm, but also on the representativeness and stability of the available time series. In this context, the inclusion of additional input variables reflecting operational and/or environmental conditions, together with periodic updating or retraining schemes, could contribute to improving model performance.