Resumen: El pronóstico de electricidad preciso es crucial para la estabilidad de la red y la planificación energética, especialmente en Benghazi, Libia, donde persisten el desprendimiento de carga frecuente, los déficits de generación y las limitaciones de infraestructura. Este estudio propone un enfoque basado en datos para pronosticar la carga de electricidad, la generación y los déficits para 2025 utilizando datos históricos de 2019 (un año marcado por inestabilidad) y 2023 (un año más estable). Se aplicaron múltiples modelos de series de tiempo, incluida ARIMA, ARIMA estacional, regresión dinámica ARIMA, suavizado exponencial, impulso de gradiente extremo y redes neuronales de memoria a corto plazo (LSTM). El conjunto de datos se mejoró mediante la imputación del valor faltante, el suavizado atípico y la transformación de registro. El rendimiento se evaluó mediante error al cuadrado medio, error cuadrado medio de raíz, error absoluto medio y error de porcentaje absoluto medio. LSTM superó a todos los demás modelos, mostrando fuertes capacidades en el modelado de patrones no estacionarios y estacionales. Una contribución clave de este trabajo es un marco LSTM optimizado que integra factores exógenos como la temperatura y la humedad, que ofrece un rendimiento robusto en el pronóstico de indicadores de electricidad múltiples. Estos resultados proporcionan información práctica para los formuladores de políticas y operadores de red para permitir la gestión de carga proactiva y la planificación de recursos en las regiones de escasez de datos y volátiles.
Publicado Originalme en export.arxiv.org El 2 de julio de 2025.
Ver Fuente Original
