El presente trabajo de investigación tiene como objetivo principal la estimación de la demanda eléctrica de los usuarios residencial, industrial y comercial de la subestación Tumbaco, mediante la aplicación de dos métodos de aprendizaje automático supervisado: Random Forest y XGBoost. Se busca identificar patrones de consumo característicos de cada tipo de usuario y, a partir de estos, proponer estrategias que contribuyan a una gestión eficiente y sostenible del suministro eléctrico. La metodología adoptada se estructura en seis etapas: recopilación de datos históricos de consumo eléctrico correspondientes al periodo 2014-2023, preprocesamiento y clasificación de los datos, desarrollo y entrenamiento de modelos los RF y XGB diferenciados por tipo de usuario, evaluación del desempeño de los modelos utilizando métricas (correlación de Pearson, R², RMSE y MAPE), selección de los modelos óptimos con base a los resultados obtenidos y proyección de la demanda eléctrica a mediano plazo. Los resultados evidencian que Random Forest presenta un rendimiento superior en el caso de estudio industrial y comercial, mientras que XGBoost se erige como la mejor alternativa para el caso residencial.

The primary objective of this research work is the electricity demand forecasting of residential, industrial, and commercial users in the Tumbaco substation by applying two supervised machine learning methods: Random Forest and XGBoost. The study aims to identify characteristic consumption patterns for each type of user and based on these insights, propose strategies that contribute to the efficient and sustainable management of electricity supply. The adopted methodology is structured in six main stages: collection of historical electricity consumption data from 2014 to 2023, data preprocessing and classification, development and training of RF and XGB models tailored to each user category, performance evaluation of the models using metrics (Pearson correlation, R², RMSE, and MAPE), selection of the optimal models based on the results obtained, and projection of electricity demand for the medium term. The results demonstrate that Random Forest exhibits superior performance for the industrial and commercial cases, while XGBoost emerges as the most suitable alternative for the residential case.