Desempeño comparativo de Holt-Winters y Prophet en la predicción de la demanda eléctrica en sistemas de distribución y alumbrado público

Galo Tapia Estrella; Nancy Rodríguez Sánchez; Carlos Ramiro Corrales Tapia; Alex Danilo Panchi Guamangallo; Mauricio Eduardo Mullo Pallo

doi:10.61236/qd0p8f87

Autores/as

Galo Tapia Estrella
Nancy Rodríguez Sánchez
Carlos Ramiro Corrales Tapia
Alex Danilo Panchi Guamangallo
Mauricio Eduardo Mullo Pallo

DOI:

https://doi.org/10.61236/qd0p8f87

Palabras clave:

demanda eléctrica, redes de distribución, alumbrado público, pronóstico, Holt-Winters, Prophet

Resumen

El pronóstico de demanda eléctrica apoya la planificación operativa y las decisiones de eficiencia energética en sistemas de distribución. Este artículo compara los modelos Holt-Winters aditivo y Prophet aplicados a la demanda de alumbrado público en Cotopaxi, Ecuador, utilizando un inventario institucional de 52 365 luminarias del periodo 2012-2020. El inventario se transformó en una serie mensual de energía teórica mediante depuración de datos, cálculo energético basado en calendario y una regla dinámica de reemplazo tecnológico para la transición de lámparas de mercurio y sodio hacia LED. Los modelos se implementaron en Python y se evaluaron con MAPE, RMSE y R². Holt-Winters obtuvo menor error de corto plazo, mientras que Prophet representó mejor el cambio estructural LED de 2019; por ello, ambos modelos son útiles de forma complementaria para la planificación operativa y estratégica.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

[1] C. Á. Fierro Torres, V. H. Castillo Pérez y C. I. Torres Saucedo, “Análisis comparativo de modelos tradicionales y modernos para pronóstico de la demanda: estado del arte,” Revista Técnica Energía, 2024.

[2] E. J. Mejía Vásquez y S. Gonzales Chávez, “Predicción del consumo de energía eléctrica residencial de la Región Cajamarca mediante modelos Holt-Winters,” Ingeniería Energética, 2021.

[3] M. Muñoz García, D. Peña Banegas, J. Murillo Oviedo y F. Ortega Loza, “Análisis de los factores que condicionan la demanda energética en la Región Costa del Ecuador,” Revista Científica, 2022.

[4] I. O. Anaguano Pérez y F. F. Sandoya Sánchez, “Métodos basados en los modelos ARIMA estacional y Holt-Winters para la previsión de la demanda eléctrica a ultra corto plazo,” Revista Politécnica, 2020.

[5] J. W. Taylor, “Triple seasonal methods for short-term electricity demand forecasting,” European Journal of Operational Research, vol. 204, no. 1, pp. 139-152, 2010.

[6] E. S. Gardner Jr., “Exponential smoothing: The state of the art,” Journal of Forecasting, vol. 4, pp. 1-28, 1985.

[7] S. J. Taylor and B. Letham, “Forecasting at scale,” The American Statistician, vol. 72, no. 1, pp. 37-45, 2018, doi: 10.1080/00031305.2017.1380080.

[8] R. J. Hyndman y G. Athanasopoulos, Forecasting: Principles and Practice, 2nd ed. Melbourne, Australia: OTexts, 2018.

[9] D. C. Montgomery, C. L. Jennings y M. Kulahci, Introduction to Time Series Analysis and Forecasting, 2nd ed. New Jersey, NJ, USA: John Wiley & Sons, 2015.

[10] G. E. P. Box y G. M. Jenkins, Time Series Analysis: Forecasting and Control. San Francisco, CA, USA: Holden-Day, 1976.

[11] O. Trull Domínguez, “Predicción a corto plazo de la demanda horaria de energía eléctrica en España mediante modelos optimizados de Holt-Winters múltiple-estacional,” Trabajo de Fin de Máster, Univ. Politécnica de Valencia, Valencia, España, 2024.

[12] J. M. Sánchez López, “Pronóstico de consumo eléctrico y detección de anomalías mediante machine learning,” Trabajo de Fin de Máster, Escuela Técnica Superior de Ingeniería, España, 2024.

[13] E. Romero Depablos, “Predicción del volumen neto de los desvíos generación/demanda (MW) de la red eléctrica de España,” Trabajo de Fin de Máster, Univ. Europea de Madrid, Madrid, España, 2025.

[14] A. Toapanta Lema, “Comparación de modelos de regresión para la eficiencia en el consumo de electricidad en las escuelas ecuatorianas: un caso de estudio,” Repositorio UISEK, Ecuador, 2020.

[15] C. C. Holt, “Forecasting seasonals and trends by exponentially weighted averages,” O.N.R. Memorandum, vol. 52, Carnegie Institute of Technology, 1957.

[16] P. R. Winters, “Forecasting sales by exponentially weighted moving averages,” Management Science, vol. 6, no. 3, pp. 324-342, 1960.

[17] F. X. Diebold and R. S. Mariano, “Comparing predictive accuracy,” Journal of Business & Economic Statistics, vol. 13, no. 3, pp. 253-263, 1995, doi: 10.1080/07350015.1995.10524599.

[18] Secretaría de Energía, “Acuerdo por el que se emite el Manual de Pronósticos,” Diario Oficial de la Federación, México, nov. 23, 2017.

[19] Agencia de Regulación y Control de Electricidad, “Regulación No. ARCONEL-006/18: Prestación del Servicio de Alumbrado Público General,” Ecuador, 2018.

[20] Statsmodels Developers, “statsmodels.tsa.holtwinters.ExponentialSmoothing,” documentación oficial, 2026. [En línea]. Disponible en: https://www.statsmodels.org/. Consultado: 2 jul. 2026.

[21] Meta Open Source, “Prophet: Forecasting at scale,” documentación oficial, 2026. [En línea]. Disponible en: https://facebook.github.io/prophet/. Consultado: 2 jul. 2026.

[22] Gaón-Escobar K, Quinatoa-Caiza C, Proaño-Maldonado X, Mullo-Pallo M, "Advanced Statcom Integration Through Hybrid Co-Simulation for Stability Improvement in Power Systems," WSEAS Transactions on Power Systems, vol. 20, pp. 493-502, 2025, DOI:10.37394/232016.2025.20.39

[23]“Estimación Paramétrica del Modelo de Carga de Recuperación Exponencial Utilizando Mediciones Sincrofasoriales”, re, vol. 22, no. 2, pp. PP. 65–74, Jan. 2026, doi: 10.37116/revistaenergia.v22.n2.2026.735.