Pronóstico de Consumo Eléctrico y Detección de Anomalías mediante Machine Learning

Sánchez López, José Manuel

Publicación:
Pronóstico de Consumo Eléctrico y Detección de Anomalías mediante Machine Learning

dc.contributor.advisor	Rodríguez Anaya, Antonio
dc.contributor.author	Sánchez López, José Manuel
dc.date.accessioned	2025-07-09T14:45:07Z
dc.date.available	2025-07-09T14:45:07Z
dc.date.issued	2025-06-08
dc.description.abstract	El objetivo principal de esta Tesis de Máster es desarrollar un modelo para predecir el consumo energético y detectar anomalías en una red extensa y heterogénea de supermercados. En concreto, utilizaremos como caso de estudio la red de tiendas de Grupo Dia en España. Esta red se compone de aproximadamente 2300 supermercados distribuidos por todo el territorio nacional peninsular, caracterizados por una notable heterogeneidad en términos de tamaño, horarios de apertura, ubicaciones (locales comerciales de edificios, centros comerciales o naves independientes) y antigüedad de las edificaciones, así como una marcada estacionalidad del consumo energético mensual y semanal, influenciado además por efectos de calendario, como días festivos. Para lograr el objetivo de predicción, se evaluarán tres técnicas de pronóstico a corto plazo (14 días) que proyectarán consumos energéticos para cada tienda a nivel diario y por franjas horarias. Los modelos que se implementarán son: Random Forest (Ensemble), Redes Neuronales LSTM (Deep Learning) y Prophet (Modelo Estadístico y ML). Simultáneamente, para el análisis de ineficiencias y la detección de anomalías, se empleará un enfoque de aprendizaje no supervisado basado en clustering para crear grupos de tiendas, con posterior detección de anomalías dentro de cada grupo. Se utilizarán los algoritmos K- Means, Agglomerative, DB-SCAN y GMM para Clustering y el Rango Intercuartílico para la detección de anomalías. Todos los algoritmos serán entrenados con datos reales históricos de consumo de energía a nivel horario, un extenso conjunto de características de cada tienda y variables de entorno, como la temperatura, que combinadas, permitirán mejorar la precisión de los modelos. Descubriremos cómo un modelo que no está pensado para pronosticar series temporales, como Random Forest, es capaz de conseguir los mejores resultados para una predicción a corto plazo sobre una secuencia de datos, gracias a la fortaleza de los modelos Ensemble y a su capacidad de detectar patrones no lineales y, por otro lado, cómo un meticuloso análisis de datos nos puede ayudar a dar un perfil de tienda ineficiente y a visualizar anomalías de consumo. El trabajo incluye un análisis exhaustivo del estado del arte en modelos predictivos de consumo energético y detección de anomalías, con énfasis en su aplicación en el sector minorista o similar. Además, se explorarán posibles mejoras a los modelos propuestos que podrían implementarse en el futuro para optimizar aún más la gestión energética de la compañía.	es
dc.description.abstract	The main objective of this Master’s Thesis is to develop a model to forecast energy consumption and detect anomalies in an extensive and heterogeneous network of supermarkets. Specifically, we will use as a case study the store network of Grupo Dia in Spain. This network consists of approximately 2300 supermarkets distributed across the Spanish mainland, characterized by notable heterogeneity in terms of size, opening hours, locations (retail spaces within buildings, shopping centers, or standalone buildings), and the age of the premises, as well as marked seasonality in monthly and weekly energy consumption, also influenced by calendar effects such as holidays. To achieve the forecasting objective, three short-term (14-day) forecasting techniques will be evaluated to project energy consumption for each store on a daily and hourly time slot basis. The models to be implemented are: Random Forest (Ensemble), LSTM Neural Networks (Deep Learning), and Prophet (Statistical and ML Model). Simultaneously, for the analysis of inefficiencies and anomaly detection, an unsupervised learning approach based on clustering will be used to create groups of stores, followed by anomaly detection within each group. The algorithms to be used for clustering are K-Means, Agglomerative, DB-SCAN, and GMM, and the Interquartile Range will be used for anomaly detection. All algorithms will be trained with real historical energy consumption data at an hourly level, an extensive set of features for each store, and environmental variables such as temperature, which combined will help improve the accuracy of the models. We will discover how a model not specifically designed for time series forecasting, such as Random Forest, is capable of achieving the best results for a short-term prediction over a sequence of data, thanks to the strength of ensemble models and their ability to detect non-linear patterns. On the other hand, we will also see how appropriate data analysis can help profile inefficient stores and visualize consumption anomalies. The work includes a comprehensive review of the state of the art in energy consumption forecasting and anomaly detection models, with an emphasis on their application in the retail or similar sectors. Additionally, possible improvements to the proposed models will be explored, which could be implemented in the future to further optimize the company’s energy management.	en
dc.identifier.citation	Sánchez López, José Manuel. Trabajo Fin de Máster: "Pronóstico de Consumo Eléctrico y Detección de Anomalías mediante Machine Learning". Universidad Nacional de Educación a Distancia (UNED) 2025
dc.identifier.uri	https://hdl.handle.net/20.500.14468/29347
dc.language.iso	es
dc.publisher	Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
dc.relation.center	E.T.S. de Ingeniería Informática
dc.relation.degree	Máster universitario en Ingeniería y Ciencia de Datos
dc.relation.department	Inteligencia Artificial
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.subject	1203.04 Inteligencia artificial
dc.subject	33 Ciencias Tecnológicas
dc.subject.keywords	Pronóstico de consumo energético	es
dc.subject.keywords	Detección de anomalías	es
dc.subject.keywords	Ineficiencias	es
dc.subject.keywords	Optimización	es
dc.subject.keywords	Retail	es
dc.subject.keywords	Deep Learning	es
dc.subject.keywords	Energy consumption forecasting	en
dc.subject.keywords	Anomaly detection	en
dc.subject.keywords	Inefficiencies	en
dc.subject.keywords	Optimization	en
dc.subject.keywords	Ensemble	en
dc.title	Pronóstico de Consumo Eléctrico y Detección de Anomalías mediante Machine Learning	es
dc.type	tesis de maestría	es
dc.type	master thesis	en
dspace.entity.type	Publication