Modelado predictivo de emisiones de CO₂ empleando Machine Learning para la planificación energética sostenible del Ecuador

Predictive modeling of CO₂ emissions using Machine Learning for sustainable energy planning in Ecuador

Resumo

Este estudio desarrolla un modelo predictivo basado en aprendizaje automático para estimar las emisiones de CO₂ del sistema eléctrico ecuatoriano. Se empleó una metodología bajo el enfoque CRISP-ML(Q) y, se evaluaron modelos híbridos entre ellos:  XGBoost, LightGBM y Random Forest, simulándose diferentes escenarios energéticos entre 2026–2036. Los resultados muestran que el modelo Random Forest optimizado presentó el mejor balance entre ajuste global, estabilidad y control de errores extremos, con un R² = 0,7989), evidenciando una adecuada capacidad para representar la dinámica de emisiones en un sistema hidrotérmico complejo.  Posteriormente, se evaluaron diferentes escenarios prospectivos 2026–2036, analizando expansión energética, variabilidad climática y respaldo térmico. Los resultados alcanzados permiten evidenciar que la generación térmica y la variabilidad hidrológica son cruciales para dictar la dinámica de las emisiones. Estos resultados ofrecen una herramienta valiosa para aplicaciones en la planificación energética sostenible y la toma de decisiones en contextos de transición energética.