Análisis comparativo de rendimiento entre algoritmos de Machine Learning ( KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU, LSTM, ARIMA y PROFET) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.

Análisis comparativo de rendimiento entre algoritmos de Machine Learning ( KNN, SVM, XGBoost, Random Forest, RNA, RNR, GRU y LSTM) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.

Análisis comparativo de rendimiento entre algoritmos de Machine Learning (KNN, SVM, XGBoost, Random Forest y RNA_TensorFlow) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.

Análisis comparativo de rendimiento entre algoritmos de Machine Learning (KNN, SVM, XGBoost, Random Forest y RNA c(12)) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.

Este proyecto explora cómo la cantidad de capas y neuronas en una Red Neuronal afecta la precisión del pronóstico de generación solar, eólica y demanda eléctrica. Se implementaron modelos en R con la librería neuralnet, evaluando arquitecturas como A1 = c(3), A2 = c(3,3), A3 = c(3,3,3), A4 = c(3,3,3,3), A5 = c(3,3,3,3,3), A6 = c(3,3,3,3,3,3), A7 = c(6), A8 = c(8), A9 = c(10), A10 = c(12), A11 = c(15,15), A12 = c(10,10), A13 = c(20). Se compararon las métricas de error (R², RMSE, MAE) para cada arquitectura, observando el impacto de aumentar la profundidad y el número de neuronas sobre la precisión del pronóstico. Los resultados muestran el desafío de equilibrar la complejidad del modelo con la precisión en series temporales de energía.

Este resultado compara el desempeño de cuatro algoritmos (KNN, SVM, Random Forest, XGBoost) para predecir tres variables energéticas: Solar, Eólica y Carga, usando tres métricas: R², RMSE, MAE Basado en el gráfico y las métricas evaluadas para las tres variables energéticas (Carga, Eólica, Solar), el mejor modelo es XGBoost