Forecasting the demand of an industrial facility
DOI:
https://doi.org/10.70577/asce.v5i3.997Keywords:
forecast, demand, quantitative model, qualitative model.Abstract
Forecasting today is the boom in management, planning and decision-making. The dilemma is to choose a model that allows for greater accuracy and a lower error rate, especially with highly variable data such as electricity demand. The objective of the study was to apply forecasting models using qualitative and quantitative approaches that integrate various factors to strengthen the prediction of the demand of an industrial facility of an Ecuadorian manufacturing company. To this end, a methodology was applied under the mixed paradigm, the quantitative models of Linear Trend, Simple Exponential Smoothing, Holt-Winters and SARIMA were applied, in addition the qualitative model Delphi expert judgment was evaluated and MAE (Mean Absolute Square Error), RMSE (Root Mean Square Error) and MAPE (Mean Absolute Percentage Error) error tests were determined in daily time horizons. weekly, monthly, and yearly. The results determine that there is no ideal model, its choice depends on the temporality of the analysis, highlighting according to the application in the daily and weekly horizon the simple exponential smoothing model obtaining MAPE of 3.90% for daily scale and ASM 0.76% for weekly periods, while in monthly or annual temporality with less structural difference of data the SARIMA model obtains the lowest ASM of 0.05%, the Holt-Winters model remains intermediate in terms of accuracy and the qualitative Delphi model is the one that demonstrated the least metric accuracy with an average error of 13%. The alternative hypothesis is accepted and the null hypothesis is rejected, considering that the application of forecasting models improves the accuracy of the electricity demand projection.
Downloads
References
N. A. Nguyen Thi, A. Nguyen Nhat, T. Tran Ngoc, S. Vijender Kumar, R. González Crespo, y N. Quang Dat, “Online SARIMA applied for short-term electricity load forecasting”, Applied Intelligence , vol. 54, núm. 1, pp. 1003–1019, dic. 2023, https://doi.org/10.1007/S10489-023-05230-Y. DOI: https://doi.org/10.1007/s10489-023-05230-y
[2] L. Jaramillo, C. Alarcón, y M. Yépez, “Programación macroeconómica 2025 - 2028”, Qutio, 2025. Consultado: el 25 de junio de 2025. [En línea]. Disponible en: https://www.finanzas.gob.ec/wp-content/uploads/downloads/2025/04/Programacio%CC%81n-Macroecono%CC%81mica-2025-2028_VersionFinalEnvio_15042025.pdf
[3] P. Pena, G. Ermida, y C. Zoppolo, “Procesamiento de Datos Históricos para la Proyección de Demanda Eléctrica”, 2018 IEEE 9th Power, Instrumentation and Measurement Meeting, EPIM 2018, vol. 53, pp. 38–46, nov. 2021, https://doi.org/10.1109/EPIM.2018.8756349. DOI: https://doi.org/10.1109/EPIM.2018.8756349
[4] R. Montero Laurencio, O. Torres Breff, S. Marrero Ramírez, y D. Jiménez Jiménez, “Predicción de Consumo y Demanda de Electricidad Mediante Redes Neuronales Artificiales y Algoritmo Iterativo”, Revista Politénica, vol. 54, núm. 3, pp. 45–57, 2024, Consultado: el 16 de enero de 2026. [En línea]. https://doi.org/10.33333/rp.vol54n3.05. DOI: https://doi.org/10.33333/rp.vol54n3.05
[5] G. Apeksha, M. Anirban, y K. Chaitanya, “AI-Based Demand Sensing: Improving Forecast Accuracy in Supply Chains.”, Journal of Informatics Education and Research, vol. 14, núm. 9, 2024, https://doi.org/10.52783/JIER.V4I2.1205. DOI: https://doi.org/10.52783/jier.v4i2.1205
[6] M. Seyedan y F. Mafakheri, “Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities”, Journal of Big Data 2020 7:1, vol. 7, núm. 1, pp. 1–22, jul. 2020, https://doi.org/10.1186/S40537-020-00329-2. DOI: https://doi.org/10.1186/s40537-020-00329-2
[7] Z. Dou, Y. Sun, Y. Zhang, T. Wang, C. Wu, y S. Fan, “Regional manufacturing industry demand forecasting: A deep learning approach”, Applied Sciences (Switzerland), vol. 11, núm. 13, jul. 2021, https://doi.org/10.3390/APP11136199. DOI: https://doi.org/10.3390/app11136199
[8] J. Rodríguez León y M. Pachón Rincón, “Estudio de pronóstico para la planeación, caso de estudio empresa distribuidora del sector farmacéutico”, Revista UIS ingenierías, vol. 20, núm. 4, pp. 59–78, 2021, https://doi.org/10.18273/revuin.v20n4-2021005. DOI: https://doi.org/10.18273/revuin.v20n4-2021005
[9] Diccionario de la lLengua Española, “pronóstico | Definición | Diccionario de la lengua española | RAE - ASALE”. Consultado: el 2 de julio de 2025. [En línea]. Disponible en: https://dle.rae.es/pron%C3%B3stico
[10] W. Gilstrap, “Por qué es importante la previsión de la demanda: Guía para el éxito empresarial”. Consultado: el 9 de julio de 2025. [En línea]. Disponible en: https://www.inventory-planner.com/why-demand-forecasting-important/?utm_source=chatgpt.com
[11] Intitute for Supply Management, “Optimización de la previsión de la demanda: desafíos y mejores prácticas”. Consultado: el 9 de julio de 2025. [En línea]. Disponible en: https://www.ismworld.org/supply-management-news-and-reports/news-publications/inside-supply-management-magazine/blog/2024/2024-03/optimizing-demand-forecasting-challenges-and-best-practices/
[12] J. Casanova Terán, “Pronósticos para la toma de decisiones”, Revista Semestre Económico , pp. 120–140, 2021. Consultado: el 2 de julio de 2025. [En línea]. Disponible en: https://revistas.udem.edu.co/index.php/economico/es/article/view/1435/1520
[13] P. Ugbehe, O. Diemuodeke, y D. Aikhuele, “Electricity demand forecasting methodologies and applications: a review”, Sustainable Energy Research 2025 12:1, vol. 12, núm. 1, pp. 1–32, abr. 2025, https://doi.org/10.1186/S40807-025-00149-Z. DOI: https://doi.org/10.1186/s40807-025-00149-z
[14] C. Á. Fierro Torres, V. H. Castillo Pérez, C. I. Torres Saucedo, C. Á. Fierro Torres, V. H. Castillo Pérez, y C. I. Torres Saucedo, “Análisis comparativo de modelos tradicionales y modernos para pronóstico de la demanda: enfoques y características”, RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, vol. 12, núm. 24, p. 354, jun. 2022, https://doi.org/10.23913/RIDE.V12I24.1203. DOI: https://doi.org/10.23913/ride.v12i24.1203
[15] B. Peak et al., “Peak Electrical Energy Consumption Prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU Approaches”, Energies 2023, Vol. 16, Page 4739, vol. 16, núm. 12, p. 4739, jun. 2023, https://doi.org/10.3390/EN16124739. DOI: https://doi.org/10.3390/en16124739
[16] Y. Sanchez Henao, “Propuesta para la selección de parámetros de modelos de pronóstico mediante ponderación de indicadores claves de desempeño: Caso suaviazación exponencial”, Univrsidad EAFIT, Medellín, 2021. Consultado: el 2 de julio de 2025. [En línea]. Disponible en: https://repository.eafit.edu.co/server/api/core/bitstreams/2c9d6124-95b6-4d0a-aab2-59144678bcf7/content
[17] A. Bandlamudi, “Household Energy Consumption Forecasting Using LSTM and ARIMA Models: A Comprehensive Analysis”, Res. Sq., vol. 1, núm. 12, pp. 1–37, ene. 2025, https://doi.org/10.21203/RS.3.RS-5916961/V1. DOI: https://doi.org/10.21203/rs.3.rs-5916961/v1
[18] B. Olalekan Ariyo, L. Mutalub Adesina, O. Ogunbiyi, A. Musa, B. J. Ojuolape, y M. Omolara Balogun, “AI-driven demand forecasting for enhanced energy management in renewable microgrids: A hybrid lstm-cnn approach”, JOURNAL OF ENGINEERING RESEARCH AND REVIEWS, vol. 2, núm. 1, pp. 1–11, 2025, https://doi.org/10.5455/JERR.20241007042800. DOI: https://doi.org/10.5455/JERR.20241007042800
[19] M. Mohammad Awad, A. Rafed Khaldoon, A. Baraa Mohammad, y N. Mohammad Ayman, “Comparative Analysis of ARIMA and SARIMA Models in Electrical Load Forecasting: Insights for Long and Short-Term Projections”, International Journal of Electrical Engineering and Computer Science, vol. 7, núm. 2025, pp. 83–89, 2025, https://doi.org/10.37394/232027.2025.7.8. DOI: https://doi.org/10.37394/232027.2025.7.8
[20] A. Thamer Mustafa, O. Sharaf Al, y D. Al-Yozbaky, “Forecasting energy demand and generation using time series models: A comparative analysis of classical, grey, fuzzy, and intelligent approaches”, Franklin Open, vol. 12, núm. 2025, p. 100350, sep. 2025, https://doi.org/10.1016/J.FRAOPE.2025.100350. DOI: https://doi.org/10.1016/j.fraope.2025.100350
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jeimy Azeneth Pincay Arteaga, Secundino Marrero Ramírez , Brayan Stalin Taipe Cayancela , Carlos Iván Quinatoa Caiza
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
