Israel Antonio Orozco Manobanda
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Israel Antonio Orozco Manobanda has a total of 3 co-authors. Here are the top co-authors by number of shared publications:
- Carlos Julio Martínez Guamán
Instituto Superior Tecnológico Simón Bolívar
1 shared publication - Oscar Fabricio Chicaiza Yugcha
Instituto Superior Tecnológico Simón Bolívar
1 shared publication - Ángel Danilo Arellano Castro
Instituto Superior Tecnológico Simón Bolívar
1 shared publication
Latest Publications
- Open Access
- 10 February 2024
- Published by Universidad Tecnologica Israel in REVISTA ODIGOS
- Vol. 5 (1) , 9-24
Previsión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático
En respuesta al crecimiento de la demanda de energía eléctrica, este estudio se centra en la eficiente previsión del consumo eléctrico en el cantón Salcedo, Ecuador. Se adoptaron las técnicas de aprendizaje automático Random Forest y XGBoost para pronosticar la demanda de seis parroquias en el sector residencial con registros de enero de 2017 hasta diciembre de 2022. La metodología abarcó la recopilación de datos, preprocesamiento, entrenamiento y evaluación de modelos. Se utilizaron métricas como el RMSE y MAPE para validar el rendimiento, destacando Random Forest como el más eficaz en la previsión de la demanda en todas las parroquias, mostrando una adaptación más adecuada a las peculiaridades del consumo eléctrico. Este enfoque no solo proporciona una base para la planificación eficiente de la generación y distribución de energía, sino que también destaca la utilidad de las técnicas de aprendizaje automático en entornos de previsión de consumo energético.
- 10 February 2024
- Published by Universidad Tecnologica Israel in REVISTA ODIGOS
- Vol. 5 (1) , 9-24
Open AccessPrevisión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático
En respuesta al crecimiento de la demanda de energía eléctrica, este estudio se centra en la eficiente previsión del consumo eléctrico en el cantón Salcedo, Ecuador. Se adoptaron las técnicas de aprendizaje automático Random Forest y XGBoost para pronosticar la demanda de seis parroquias en el sector residencial con registros de enero de 2017 hasta diciembre de 2022. La metodología abarcó la recopilación de datos, preprocesamiento, entrenamiento y evaluación de modelos. Se utilizaron métricas como el RMSE y MAPE para validar el rendimiento, destacando Random Forest como el más eficaz en la previsión de la demanda en todas las parroquias, mostrando una adaptación más adecuada a las peculiaridades del consumo eléctrico. Este enfoque no solo proporciona una base para la planificación eficiente de la generación y distribución de energía, sino que también destaca la utilidad de las técnicas de aprendizaje automático en entornos de previsión de consumo energético.