Zuleta García, Luis Alejandro | 2021-08-27

spa: La energía desempeña un papel crítico en el mundo entero teniendo en cuenta que la sociedad requiere de ella para llevar a cabo cualquier tipo de actividad en la modernidad. En los últimos años el incremento de consumo energético ha sido constante en los diferentes sectores consumidores imponiendo diversos retos ambientales, logísticos y regulatorios. El sector industrial como uno de los sectores con mayor participación en el consumo global, emplea el gas natural como fuente de energía para soportar procesos de manufactura y transformación de materia prima. En este escenario, la predicción del consumo de gas natural en el sector industrial cobra gran importancia para los actores involucrados en las operaciones logísticas, que buscan garantizar el suministro y transporte confiable y asequible a los diferentes sectores consumidores diariamente, a su vez reduciendo el impacto ambiental. El proceso logístico del gas natural está sujeto a un conjunto de regulaciones y condiciones impuestas dentro del marco de la cadena de suministro en la región del eje cafetero colombiano, las cuales exigen estimaciones de consumo en el corto plazo. Múltiples estudios han abordado la predicción de gas natural, sin embargo estos han sido orientados a predecir el consumo global, analizando diferentes tipos de consumidores de manera conjunta y en su mayoría enfocándose en un horizonte de tiempo a mediano y largo plazo. En este trabajo se propone el uso de técnicas de machine learning para la predicción del consumo de gas natural del sector industrial en la región. Las técnicas implementadas incluyen Random Forest, Máquinas de Vectores de Soporte y Redes Neuronales Recurrentes, específicamente la arquitectura de gran memoria a corto plazo o LSTM usada ampliamante en el campo de deep learning. Para cada industria se construyeron un conjunto de modelos a partir de los datos históricos de consumo industrial en un periodo de cinco años, y de acuerdo a su desempeño se seleccionó el mejor modelo para cada industria. La evaluación del desempeño se realizó utilizando la métrica de precisión denominada raíz del error cuadrático medio (RMSE, del inglés Root-mean-squared error). De acuerdo a lo anterior, los resultados obtenidos para cada modelo son presentados, con lo cual es posible evidenciar que las Redes Neuronales Recurrentes mostraron un desempeño superior a las demás técnicas propuestas. Adicionalmente, se presentan las predicciones diarias para un periodo de 350 días, demostrando que dicha técnica puede ser adoptada para la predicción confiable del consumo de gas natural del sector industrial en un periodo de tiempo a corto plazo. Finalmente, como parte de esta investigación se presentan las conclusiones y las recomendaciones para emprender acciones en trabajos futuros, que permitan explorar aspectos adicionales para modelar el consumo de gas natural.