Análisis de Demanda Eléctrica ANDE

# Ande_Demanda_de_Potencia_Mensual
Datos mensuales de la demanda de potencia máxima por mes, Paraguay.

# Jupyter notebook converted to Python script.

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# Leer el archivo Excel
df = pd.read_excel('demanda2.xlsx')

# Seleccionar las columnas relevantes (Año y meses)
columnas_meses = ['Año', 'Enero', 'Febrero', 'Marzo', 'Abril', 'Mayo', 'Junio', 'Julio', 'Agosto', 'Septiembre', 'Octubre', 'Noviembre', 'Diciembre']
df_meses = df[columnas_meses]

# Reorganizar el DataFrame para ser compatible con Seaborn
df_meses_melted = pd.melt(df_meses, id_vars='Año', var_name='Mes', value_name='KWh')

# Ordenar los meses correctamente
orden_meses = ['Enero', 'Febrero', 'Marzo', 'Abril', 'Mayo', 'Junio', 'Julio', 'Agosto', 'Septiembre', 'Octubre', 'Noviembre', 'Diciembre']
df_meses_melted['Mes'] = pd.Categorical(df_meses_melted['Mes'], categories=orden_meses, ordered=True)

# Configurar tema y estilo de Seaborn
sns.set_theme(style="white")

# Plot cada serie temporal de años en su propia faceta
g = sns.relplot(
    data=df_meses_melted,
    x="Mes", y="KWh", col="Año", hue="Año",
    kind="line", palette="crest", linewidth=4, zorder=5,
    col_wrap=3, height=5, aspect=2, legend=False
)

# Personalizar cada subplot
for año, ax in g.axes_dict.items():
    ax.text(0.9, 0.90, str(año), transform=ax.transAxes, fontweight="bold", 
            bbox=dict(facecolor='white', edgecolor='black', boxstyle='round,pad=0.1'))
    sns.lineplot(
        data=df_meses_melted, x="Mes", y="KWh", units="Año",
        estimator=None, color=".7", linewidth=1, ax=ax
    )
    ax.tick_params(axis='x', rotation=90)
    ax.set_xticks(range(len(orden_meses)))
    ax.set_xticklabels(orden_meses)
    ax.axvline(x=2, color='red', linestyle='--', linewidth=0.8, label='Marzo')
    ax.axvline(x=8, color='red', linestyle='--', linewidth=0.8, label='Septiembre')
    datos_año = df_meses_melted[df_meses_melted['Año'] == año]
    promedio_anual = datos_año['KWh'].mean()
    ax.plot(datos_año['Mes'], [promedio_anual] * len(datos_año), color='green', linestyle='--', linewidth=1, 
            label=f'Promedio Anual MW: {promedio_anual:.0f}')
    for idx in range(len(orden_meses)):
        ax.axvline(x=idx, color='black', linestyle='--', alpha=0.3, linewidth=0.2)
    ax.legend()
    ax.patch.set_edgecolor('black')
    ax.patch.set_linewidth(1)
    ax.set_xlim(-0.5, len(orden_meses) - 0.5)

g.set_titles("")
g.set_axis_labels("", "MW")
g.tight_layout()

plt.show()
g.savefig("grafico_demandaactual.png", dpi=200, bbox_inches="tight")

import logging
import pandas as pd
from utilsforecast.plotting import plot_series
from neuralforecast import NeuralForecast
from neuralforecast.models import NBEATS, NHITS
from neuralforecast.utils import AirPassengersDF

logging.getLogger('pytorch_lightning').setLevel(logging.ERROR)

# Cargar y transformar los datos
df2 = pd.read_excel('demanda2.xlsx')

meses_es_en = {
    'Enero': 'January', 'Febrero': 'February', 'Marzo': 'March', 'Abril': 'April',
    'Mayo': 'May', 'Junio': 'June', 'Julio': 'July', 'Agosto': 'August',
    'Septiembre': 'September', 'Octubre': 'October', 'Noviembre': 'November', 'Diciembre': 'December'
}

df_melted = df2.melt(id_vars=['Año'], var_name='Mes', value_name='y')
df_melted['Mes'] = df_melted['Mes'].map(meses_es_en)
df_melted['ds'] = pd.to_datetime(df_melted['Año'].astype(str) + '-' + df_melted['Mes'], format='%Y-%B')
df_final = df_melted[['ds', 'y']].sort_values('ds').reset_index(drop=True)

# Agregar columna de identificador único
df_final['unique_id'] = 'ts_1'

# Dividir datos en entrenamiento y prueba (últimas 12 entradas para prueba)
train_df = df_final.iloc[:-12]
test_df = df_final.iloc[-12:]

horizonte = len(test_df)

# Configurar y ajustar modelos NBEATS y NHITS
modelos = [
    NBEATS(input_size=2 * horizonte, h=horizonte, max_steps=100, enable_progress_bar=False),
    NHITS(input_size=2 * horizonte, h=horizonte, max_steps=100, enable_progress_bar=False)
]

nf = NeuralForecast(models=modelos, freq='ME')
nf.fit(df=train_df)
pronostico_df = nf.predict()

# Graficar la serie de entrenamiento y los pronósticos
plot_series(train_df, pronostico_df)

import pandas as pd
from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA
import matplotlib.pyplot as plt

# Cargar y transformar los datos
df2 = pd.read_excel('demanda2.xlsx')

meses_es_en = {
    'Enero': 'January', 'Febrero': 'February', 'Marzo': 'March', 'Abril': 'April',
    'Mayo': 'May', 'Junio': 'June', 'Julio': 'July', 'Agosto': 'August',
    'Septiembre': 'September', 'Octubre': 'October', 'Noviembre': 'November', 'Diciembre': 'December'
}

df_melted = df2.melt(id_vars=['Año'], var_name='Mes', value_name='y')
df_melted['Mes'] = df_melted['Mes'].map(meses_es_en)
df_melted['ds'] = pd.to_datetime(df_melted['Año'].astype(str) + '-' + df_melted['Mes'], format='%Y-%B')
df_final = df_melted[['ds', 'y']].sort_values('ds').reset_index(drop=True)

df_final['unique_id'] = 1

sf = StatsForecast(
    models=[AutoARIMA(season_length=12)],
    freq='ME'
)

sf.fit(df_final)
forecast = sf.predict(h=12, level=[95])

plt.figure(figsize=(10, 6))
plt.plot(df_final['ds'], df_final['y'], label='Datos históricos')
plt.plot(forecast['ds'], forecast['AutoARIMA'], label='Predicción', color='orange')
plt.fill_between(forecast['ds'], forecast['AutoARIMA-lo-95'], forecast['AutoARIMA-hi-95'], color='orange', alpha=0.3, label='Intervalo de confianza 95%')
plt.xlabel('Fecha')
plt.ylabel('Demanda de Potencia')
plt.title('Predicción de Demanda de Potencia Mensual')
plt.legend()
plt.show()

import pandas as pd
from prophet import Prophet
# Cargar datos
df2 = pd.read_excel('demanda2.xlsx')

# Diccionario para traducir los nombres de los meses de español a inglés
meses_es_en = {'Enero': 'January', 'Febrero': 'February', 'Marzo': 'March', 'Abril': 'April', 'Mayo': 'May', 'Junio': 'June', 'Julio': 'July', 'Agosto': 'August', 'Septiembre': 'September', 'Octubre': 'October', 'Noviembre': 'November', 'Diciembre': 'December'}

# Convertir el DataFrame al formato deseado
df_melted = df2.melt(id_vars=['Año'], var_name='Mes', value_name='y')

# Traducir los meses
df_melted['Mes'] = df_melted['Mes'].map(meses_es_en)

# Crear la columna de fechas
df_melted['ds'] = pd.to_datetime(df_melted['Año'].astype(str) + '-' + df_melted['Mes'], format='%Y-%B')

# Seleccionar solo las columnas necesarias
df_final = df_melted[['ds', 'y']]

# Ordenar por fecha
df_final = df_final.sort_values(by='ds').reset_index(drop=True)

# Mostrar resultado
print(df_final.head())
m = Prophet()
m.fit(df_final)
future = m.make_future_dataframe(50, freq='MS')
forecast = m.predict(future)
fig = m.plot(forecast)
m = Prophet(seasonality_mode='multiplicative')
m.fit(df_final)
forecast = m.predict(future)
fig = m.plot(forecast)