Comparación de Modelos de Forecasting (ARIMA, KNN, SVM, XGBoost, Random Forest) en Energía Solar, Eólica y Carga Eléctrica

Este análisis utiliza el algoritmo XGBoost para realizar predicciones sobre tres variables del sector energético: generación solar, generación eólica onshore y carga total. Se emplea una ventana de 24 horas y un horizonte de predicción también de 24 horas. Se calculan y visualizan las métricas R², RMSE y MAE, junto con gráficos del pronóstico y una comparación del rendimiento frente a otros modelos como KNN y SVM.

Este análisis aplica el algoritmo de Random Forest para predecir tres variables clave del sector energético (energía solar, energía eólica y carga total) con un horizonte de 24 horas. Se utilizan ventanas temporales de 24 horas como entrada para los modelos, y se evalúan las métricas R², RMSE y MAE. Además, se compara el desempeño del modelo con otros algoritmos como KNN, SVM y XGBoost. El código fue desarrollado en R utilizando los paquetes caret, randomForest, tidyverse y ggplot2. El informe incluye tres visualizaciones: Pronósticos por variable Comparación de R² entre algoritmos Comparación completa de R², RMSE y MAE