Análisis Técnico: Sistema de Análisis del Consumo Eléctrico Postpandemia

1. Contexto y Motivación del Proyecto

1.1. Contexto y motivación del proyecto

La pandemia de COVID-19 transformó significativamente los hábitos de consumo eléctrico en los hogares y empresas. El aumento del trabajo remoto, el incremento del tiempo en casa, y el uso intensivo de dispositivos electrónicos son solo algunos de los factores que han influido en estos cambios. Esta nueva realidad ha creado la necesidad de analizar con precisión el impacto de estos factores en el consumo eléctrico y proporcionar herramientas que permitan a los usuarios optimizar su uso.

El sistema desarrollado responde a esta necesidad, ofreciendo una plataforma que permite a los usuarios evaluar su consumo eléctrico antes, durante y después de la pandemia, proporcionando predicciones basadas en modelos estadísticos y recomendaciones personalizadas para optimizar el consumo.

1.2. Objetivos de la aplicación

1. Análisis comparativo: Permitir a los usuarios comparar su consumo eléctrico antes y después de la pandemia, identificando patrones y tendencias.
2. Predicción de consumo: Implementar un modelo predictivo que estime el consumo eléctrico futuro basado en los hábitos actuales y factores relevantes.
3. Visualización de datos: Ofrecer visualizaciones interactivas que faciliten la comprensión de los patrones de consumo y su evolución.
4. Recomendaciones personalizadas: Generar recomendaciones específicas para cada usuario según su perfil de consumo, tipo de usuario y electrodomésticos utilizados.
5. Concientización y educación: Fomentar una mayor conciencia sobre el consumo eléctrico y promover prácticas más eficientes.

1.3. Alcance y limitaciones

Alcance:

• Análisis de consumo eléctrico pre y post pandemia para usuarios residenciales, comerciales e industriales.
• Predicción de consumo futuro basada en modelos de regresión lineal múltiple.
• Visualización interactiva de datos de consumo y distribución por electrodomésticos.
• Generación de recomendaciones personalizadas según el perfil del usuario.
• Exportación de datos para análisis externos.

Limitaciones:

• El sistema depende de la precisión de los datos ingresados por el usuario.
• El modelo predictivo utiliza regresión lineal, lo que puede limitar la precisión en escenarios con comportamientos no lineales.
• No se integra directamente con medidores inteligentes o sistemas de monitoreo en tiempo real.
• Las recomendaciones se basan en patrones generales y no en mediciones específicas de cada electrodoméstico.
• La aplicación no considera factores externos como cambios climáticos estacionales o variaciones en las tarifas eléctricas a lo largo del tiempo.

2. Descripción General de la Aplicación

2.1. Propósito y funcionalidad principal

El sistema de Análisis del Consumo Eléctrico Postpandemia es una aplicación web diseñada para ayudar a los usuarios a entender, analizar y optimizar su consumo eléctrico en el contexto de los cambios provocados por la pandemia. La aplicación permite a los usuarios ingresar datos sobre su consumo eléctrico y hábitos de uso, procesa esta información mediante modelos estadísticos, y genera visualizaciones y recomendaciones personalizadas.

La funcionalidad principal se centra en tres aspectos clave:

1. Análisis comparativo: Evaluación del consumo antes y después de la pandemia.
2. Predicción: Estimación del consumo futuro basada en patrones actuales.
3. Optimización: Recomendaciones específicas para reducir el consumo y mejorar la eficiencia.

2.2. Público objetivo

La aplicación está diseñada para beneficiar principalmente a dos grupos:

EDEESTE (Empresa Distribuidora de Electricidad del Este):

• Aunque no depende directamente de este sistema para su operación diaria, la herramienta representa un recurso valioso para la planificación eléctrica estratégica.
• Permite visualizar la evolución del consumo eléctrico en la etapa postpandemia.
• Facilita la identificación de patrones y tendencias para anticipar la demanda.
• Proporciona información útil para diseñar campañas de concientización más efectivas.
• Ayuda a mejorar la asignación de recursos.

Consumidores (residenciales, comerciales e industriales):

• Ofrece una visión clara de cómo ha cambiado su consumo eléctrico a lo largo del tiempo.
• Permite comparar su comportamiento con tendencias generales.
• Ayuda a identificar posibles excesos en el consumo.
• Proporciona recomendaciones personalizadas para optimizar el consumo.
• Contribuye a una mayor conciencia y eficiencia eléctrica, beneficiando tanto la economía personal como el medio ambiente.

2.3. Flujo general de la aplicación

La aplicación sigue un flujo secuencial de 4 páginas principales:

1. Página de inicio (landing.html):

   • Presenta la aplicación y sus beneficios.
   • Ofrece acceso a las principales funcionalidades.
   • Explica el proceso de análisis en tres pasos sencillos.

2. Formulario de entrada (form.html):

   • Recopila información detallada sobre el usuario y su consumo eléctrico.
   • Incluye secciones para información del usuario, hábitos y consumo, y detalles del espacio y equipos.
   • Captura datos sobre electrodomésticos utilizados, horas de uso, y consumo pre y post pandemia.

3. Predicción de consumo (prediction.html):

   • Muestra el consumo actual reportado por el usuario.
   • Presenta la predicción de consumo futuro basada en el modelo estadístico.
   • Ofrece un análisis textual de la predicción, explicando los factores considerados.

4. Visualización de resultados (visualization.html):

   • Presenta un dashboard interactivo con múltiples visualizaciones.
   • Incluye gráficos comparativos, distribución por electrodomésticos y predicción a 12 meses.
   • Proporciona recomendaciones personalizadas basadas en el perfil del usuario.
   • Permite exportar los datos para análisis externos.

Este flujo guía al usuario desde la entrada de datos hasta la obtención de insights accionables, facilitando la comprensión y toma de decisiones sobre su consumo eléctrico.

3. Tecnologías Utilizadas y su Propósito

La aplicación implementa una arquitectura moderna utilizando diversas tecnologías para el frontend, backend y procesamiento de datos:

Frontend:

• HTML5: Estructura básica de las páginas web, implementando un diseño semántico y accesible.
• CSS3: Estilización avanzada con variables CSS para mantener consistencia en colores y estilos, diseño responsivo mediante grid y flexbox.
• JavaScript (ES6+): Manipulación del DOM, gestión de eventos, comunicación con el backend mediante fetch API, y manejo del estado de la aplicación con sessionStorage.
• Chart.js: Biblioteca para la creación de gráficos interactivos y responsivos que visualizan los datos de consumo.
• Font Awesome: Proporciona iconos vectoriales para mejorar la experiencia visual y la usabilidad.

Backend:

• Python: Lenguaje principal para el desarrollo del backend, elegido por su potencia en procesamiento de datos y análisis estadístico.
• FastAPI: Framework moderno para la creación de APIs RESTful, seleccionado por su alto rendimiento, tipado estático con Pydantic y generación automática de documentación.
• Uvicorn: Servidor ASGI de alto rendimiento para ejecutar la aplicación FastAPI.
• Pydantic: Validación de datos y serialización/deserialización para garantizar la integridad de los datos recibidos.
• NumPy: Biblioteca para cálculos numéricos utilizada en el procesamiento de datos y modelos predictivos.

Almacenamiento de datos:

• sessionStorage: Almacenamiento del lado del cliente para mantener el estado entre páginas sin necesidad de una base de datos persistente.

Despliegue y entorno:

• Jinja2Templates: Motor de plantillas para renderizar HTML desde el backend.
• StaticFiles: Middleware de FastAPI para servir archivos estáticos como CSS, JavaScript e imágenes.

Cada tecnología fue seleccionada específicamente para cumplir con los requisitos funcionales y no funcionales del sistema, priorizando el rendimiento, la experiencia de usuario y la facilidad de mantenimiento. La combinación de estas tecnologías permite crear una aplicación web moderna, interactiva y eficiente que cumple con los objetivos establecidos.

4. Arquitectura del Sistema

4.1. Modelo cliente-servidor

La aplicación implementa una arquitectura cliente-servidor clásica, donde:

• Cliente: Navegador web del usuario que renderiza la interfaz, maneja interacciones y realiza peticiones al servidor.
• Servidor: Backend desarrollado con FastAPI que procesa las solicitudes, ejecuta la lógica de negocio y devuelve respuestas.

La comunicación entre cliente y servidor se realiza mediante peticiones HTTP/HTTPS, utilizando principalmente:

• GET: Para solicitar páginas y recursos estáticos.
• POST: Para enviar datos del formulario al servidor para su procesamiento.

El estado de la aplicación se mantiene principalmente en el cliente mediante sessionStorage, lo que permite una navegación fluida entre las diferentes páginas sin perder los datos ingresados o los resultados obtenidos.

4.2. Componentes principales del sistema

La solución se estructura en tres componentes clave que trabajan de forma integrada:

1. Portal Web Intuitivo (Frontend):

   • Interfaz de usuario desarrollada con HTML, CSS y JavaScript.
   • Formularios para captura de datos sobre consumo eléctrico y hábitos.
   • Visualizaciones interactivas mediante Chart.js.
   • Diseño responsivo adaptable a diferentes dispositivos.
   • Gestión del estado de la aplicación mediante sessionStorage.

2. Motor de Análisis Predictivo (Backend):

   • API RESTful desarrollada con FastAPI.
   • Validación de datos mediante Pydantic.
   • Implementación de modelos de regresión lineal múltiple.
   • Procesamiento de datos y generación de predicciones.
   • Cálculo de distribución de consumo por electrodomésticos.

3. Módulo de Visualización y Recomendaciones:

   • Generación de gráficos interactivos (comparativos, distribución, predicción).
   • Sistema de recomendaciones personalizadas basado en el perfil del usuario.
   • Exportación de datos en formato CSV.
   • Filtrado dinámico de visualizaciones según criterios del usuario.

Estos componentes interactúan de manera coordinada para proporcionar una experiencia completa, desde la captura de datos hasta la generación de insights accionables para el usuario.

4.3. Diagrama de arquitectura

5. Descripción de las Interfaces y Secciones de la Aplicación

5.1. Página de inicio y formulario de ingreso de datos

Página de inicio (landing.html): La página de inicio presenta una interfaz limpia y atractiva que introduce al usuario a la aplicación. Incluye:

• Encabezado con logo y título principal.
• Descripción concisa del propósito de la aplicación.
• Tres tarjetas destacadas que presentan las principales funcionalidades: entrada de datos, predicción de consumo y visualización de resultados.
• Sección "¿Cómo funciona?" que explica el proceso en tres pasos sencillos.
• Diseño con colores distintivos para cada sección (azul, verde y morado) que se mantienen consistentes a lo largo de toda la aplicación.

Formulario de entrada (form.html): El formulario de entrada está estructurado en secciones claramente diferenciadas para facilitar la captura de datos:

1. Información del Usuario:

   • Tipo de usuario (residencial, comercial, industrial).
   • Cantidad de personas en el hogar o empresa.

2. Hábitos y Consumo:

   • Cambios en hábitos postpandemia (teletrabajo, cambio de horario, etc.).
   • Consumo antes y después de la pandemia en kWh.

3. Detalles del Espacio y Equipos:

   • Tarifa eléctrica aplicable.
   • Electrodomésticos utilizados (amplia lista categorizada).
   • Horas de uso diario, espacios de alto consumo y horas de tráfico alto.

El formulario implementa validación del lado del cliente para garantizar que los datos ingresados sean correctos antes de enviarlos al servidor. Además, incluye elementos de ayuda como descripciones breves y mensajes informativos para guiar al usuario durante el proceso de entrada de datos.

5.2. Predicción de consumo futuro

La página de predicción (prediction.html) presenta los resultados iniciales del análisis de forma clara y concisa:

• Encabezado informativo que contextualiza los resultados.
• Banner informativo que explica la base de las predicciones.

• Tarjetas de consumo que muestran:

  • Consumo actual reportado por el usuario.
  • Predicción de consumo futuro calculada por el modelo.

• Análisis textual que explica:

  • La tendencia esperada (aumento, disminución o estabilidad).
  • El porcentaje de cambio proyectado.
  • Los factores considerados en la predicción (tipo de usuario, número de personas, horas de uso, electrodomésticos).
  • Contexto para entender mejor los resultados.

• Navegación intuitiva con botones para:

  • Volver al formulario para ajustar datos.
  • Continuar a la página de visualizaciones para un análisis más detallado.

Esta página sirve como puente entre la entrada de datos y el análisis detallado, proporcionando una visión rápida pero informativa de la situación de consumo del usuario.

5.3. Visualización de consumo pre y post pandemia

La página de visualización (visualization.html) implementa un dashboard interactivo con múltiples elementos visuales:

• Controles del dashboard que permiten:

  • Filtrar por electrodoméstico específico.
  • Cambiar la vista de datos (mensual o trimestral).

• Resumen de consumo que muestra:

  • Consumo pre-pandemia en kWh.
  • Consumo post-pandemia en kWh.
  • Variación porcentual entre ambos períodos, con indicadores visuales (verde para disminución, rojo para aumento).

• Gráfico de comparación (tipo barra) que visualiza:

  • Consumo pre-pandemia vs post-pandemia.
  • Diferencias claras mediante colores contrastantes.

• Gráfico de distribución (tipo pie) que muestra:

  • Distribución del consumo por electrodoméstico.
  • Porcentajes y valores absolutos en kWh.
  • Filtrado dinámico según la selección del usuario.

• Gráfico de predicción (tipo línea) que presenta:

  • Proyección del consumo para los próximos 12 meses.
  • Tendencia general con variaciones realistas.
  • Opción de visualización mensual o trimestral.

Estos elementos visuales están diseñados para ser intuitivos, informativos y estéticamente agradables, facilitando la comprensión de patrones complejos de consumo eléctrico.

5.4. Recomendaciones personalizadas

El sistema de recomendaciones personalizadas es un componente clave de la aplicación, presentado en la página de visualización:

• Sección de recomendaciones que incluye:

  • Recomendaciones específicas basadas en el perfil del usuario.
  • Consejos prácticos para reducir el consumo.
  • Sugerencias adaptadas al tipo de usuario y electrodomésticos utilizados.

• Recomendaciones específicas por electrodoméstico que se actualizan dinámicamente cuando:

  • El usuario selecciona un electrodoméstico específico en el filtro.
  • Se identifican patrones de uso ineficientes.

• Estimación de ahorro potencial que muestra:

  • Porcentaje de reducción posible implementando las recomendaciones.
  • Ahorro estimado en kWh mensuales.
  • Impacto económico de las mejoras sugeridas.

Las recomendaciones están redactadas en un lenguaje claro y accionable, enfocándose en medidas prácticas que el usuario puede implementar inmediatamente. Además, se adaptan al contexto local, considerando factores como el clima y las prácticas habituales en la región.

6. Diccionario de Datos de la Aplicación

6.1. Estructura de la base de datos

La aplicación no utiliza una base de datos persistente tradicional, sino que implementa un enfoque basado en:

1. Almacenamiento temporal en el cliente mediante sessionStorage:

   • formData: Almacena los datos ingresados por el usuario en el formulario.
   • resultData: Almacena los resultados del análisis y predicciones.

2. Modelos de datos definidos con Pydantic en el backend:

   • EntradaConsumoElectrico: Valida y estructura los datos recibidos del formulario.
   • ResultadoPrediccion: Define la estructura de los resultados devueltos al cliente.

Este enfoque permite una arquitectura ligera sin dependencia de sistemas de bases de datos externos, manteniendo la integridad de los datos mediante validación tanto en el cliente como en el servidor.

6.2. Descripción de cada campo y su propósito

Modelo EntradaConsumoElectrico:

Modelo ResultadoPrediccion:

Estos modelos de datos garantizan la consistencia y validez de la información procesada por la aplicación, facilitando el mantenimiento y la extensibilidad del sistema.

7. Procesamiento de Datos y Modelos de Predicción

7.1. Captura de los datos

El proceso de captura de datos se realiza a través del formulario interactivo (form.html) que implementa:

1. Validación en tiempo real:

   • Verificación de campos requeridos.
   • Validación de rangos numéricos (ej. horas entre 0-24).
   • Comprobación de valores positivos para consumo y cantidades.

2. Organización estructurada:

   • Agrupación lógica de campos relacionados.
   • Secciones diferenciadas por color para mejorar la experiencia de usuario.
   • Elementos de ayuda contextual (tooltips y descripciones).

3. Procesamiento del formulario:

   • Captura de eventos mediante JavaScript.
   • Transformación de datos a formato JSON.
   • Almacenamiento temporal en sessionStorage.
   • Envío al servidor mediante fetch API.

4. Validación en el servidor:

   • Verificación adicional mediante Pydantic.
   • Conversión de tipos y normalización de datos.
   • Manejo de errores con mensajes descriptivos.

Este enfoque de doble validación (cliente y servidor) garantiza la integridad de los datos y mejora la experiencia del usuario al proporcionar retroalimentación inmediata sobre posibles errores.

7.2. Implementación del modelo de regresión lineal

El sistema implementa un modelo de regresión lineal múltiple adaptado específicamente para la predicción de consumo eléctrico. La implementación se encuentra en la función calcular_prediccion_consumo en el archivo utils.py:

1. Enfoque metodológico:

   • Utiliza un modelo de factores ponderados que considera múltiples variables.
   • Aplica coeficientes específicos según el tipo de usuario y características.
   • Normaliza los factores para evitar sesgos por magnitudes diferentes.

2. Proceso de cálculo:

   • Determina factores individuales para cada variable relevante.
   • Calcula un ajuste promedio combinando todos los factores.
   • Aplica el ajuste al consumo actual para obtener la predicción base.
   • Incorpora la tasa de crecimiento histórica para refinar la predicción.

3. Ventajas del modelo:

   • Simplicidad conceptual que facilita la interpretación.
   • Adaptabilidad a diferentes perfiles de usuario.
   • Capacidad para incorporar múltiples variables predictoras.
   • Eficiencia computacional para cálculos en tiempo real.

El modelo, aunque no utiliza bibliotecas estadísticas avanzadas explícitamente, implementa los principios fundamentales de la regresión lineal múltiple de manera personalizada para el contexto específico del consumo eléctrico.

7.3. Variables consideradas en el modelo

El modelo de predicción incorpora múltiples variables que influyen en el consumo eléctrico, agrupadas en seis factores principales:

1. Factor por Tipo de Usuario:

   • Residencial: factor base (1.0)
   • Comercial: 20% adicional (1.2)
   • Industrial: 50% adicional (1.5)

2. Factor por Cambios en Hábitos:

   • Teletrabajo: +10% (1.10)
   • Cambio de horario: +5% (1.05)
   • Reducción de consumo: -10% (0.90)
   • Aumento de consumo: +15% (1.15)
   • Sin cambios: sin ajuste (1.0)

3. Factor por Electrodomésticos:

   • Cada electrodoméstico tiene un peso específico (ej. aire acondicionado: 30%, refrigerador: 13%)
   • Se normaliza la suma si supera el 100%
   • Se ajusta según el tipo de usuario para "otros electrodomésticos"

4. Factor por Horas de Uso Diario:

   • Residencial > 6 horas: +10% (1.10)
   • Comercial > 8 horas: +10% (1.10)
   • Industrial > 10 horas: +20% (1.20)

5. Factor por Ocupación (cantidad de personas):

   • Escalas diferenciadas por tipo de usuario
   • Residencial: 1-2 personas (+10%), 3-4 personas (+20%), 5+ personas (+30%)
   • Comercial: 1-5 personas (+30%), 6-10 personas (+40%), 11+ personas (+50%)
   • Industrial: 1-10 personas (+20%), 11-50 personas (+30%), 51+ personas (+40%)

6. Factor por Espacios de Alto Consumo:

   • Escalas diferenciadas por tipo de usuario
   • Residencial: 1 espacio (sin ajuste), 2-3 espacios (+10%), 4+ espacios (+20%)
   • Comercial: 1-2 espacios (+10%), 3-5 espacios (+20%), 6+ espacios (+30%)
   • Industrial: 1-2 espacios (+20%), 3-5 espacios (+40%), 6+ espacios (+60%)

Adicionalmente, el modelo considera:

• La tasa de crecimiento histórica (diferencia entre consumo pre y post pandemia)
• Variaciones aleatorias controladas para simular fluctuaciones realistas

Esta combinación de variables permite capturar la complejidad del consumo eléctrico desde múltiples dimensiones, mejorando la precisión de las predicciones.

7.4. Evaluación y precisión del modelo

La evaluación del modelo se realiza mediante varios enfoques complementarios:

1. Validación interna:

   • Comparación entre consumo histórico y predicciones.
   • Análisis de la variación porcentual entre valores reales y predichos.
   • Ajuste de coeficientes basado en patrones observados.

2. Factores de normalización:

   • Implementación de límites para evitar predicciones extremas.
   • Normalización de factores para mantener proporcionalidad.
   • Ajustes basados en el tipo de usuario para reflejar patrones específicos.

3. Limitaciones reconocidas:

   • El modelo asume relaciones lineales entre variables.
   • No considera factores externos como cambios climáticos estacionales.
   • Depende de la precisión de los datos proporcionados por el usuario.

4. Mejoras potenciales:

   • Incorporación de análisis de series temporales para capturar estacionalidad.
   • Implementación de técnicas de aprendizaje automático más avanzadas.
   • Integración con datos históricos de consumo para calibración automática.

La precisión del modelo, aunque no se cuantifica explícitamente con métricas como RMSE o R², se optimiza mediante la combinación de conocimiento del dominio (pesos específicos para electrodomésticos) y la incorporación de la tendencia histórica del usuario, lo que permite predicciones razonablemente precisas para el propósito de la aplicación.

8. Generación de Visualizaciones y Recomendaciones

8.1. Herramientas utilizadas para la visualización

La aplicación utiliza Chart.js como biblioteca principal para la generación de visualizaciones interactivas. Esta elección se basa en varias ventajas clave:

1. Versatilidad: Chart.js soporta múltiples tipos de gráficos (barras, líneas, circular) utilizados en la aplicación.
2. Responsividad: Los gráficos se adaptan automáticamente a diferentes tamaños de pantalla, mejorando la experiencia en dispositivos móviles.
3. Interactividad: Implementa tooltips, leyendas interactivas y animaciones que enriquecen la experiencia del usuario.
4. Personalización: Permite ajustar colores, estilos, etiquetas y comportamientos para adaptarse a las necesidades específicas.
5. Rendimiento: Ofrece buen rendimiento incluso con conjuntos de datos moderadamente grandes, como las proyecciones a 12 meses.
6. Compatibilidad: Funciona en todos los navegadores modernos sin necesidad de plugins adicionales.

La implementación de las visualizaciones se realiza mediante JavaScript en el archivo visualization.js, que se encarga de:

• Inicializar los gráficos con datos del sessionStorage.
• Actualizar dinámicamente las visualizaciones según los filtros seleccionados.
• Manejar la interactividad y eventos del usuario.
• Adaptar los gráficos a diferentes dispositivos y tamaños de pantalla.

8.2. Tipos de gráficos y su interpretación

La aplicación implementa tres tipos principales de gráficos, cada uno diseñado para comunicar aspectos específicos del consumo eléctrico:

1. Gráfico de Barras (Comparación Pre vs Post Pandemia):

   • Propósito: Comparar visualmente el consumo antes y después de la pandemia.
   • Características: Barras con colores distintivos para cada período, etiquetas claras y valores en kWh.
   • Interpretación: Permite identificar rápidamente si el consumo ha aumentado o disminuido y en qué magnitud.
   • Valor añadido: Proporciona un punto de referencia visual para entender el cambio en patrones de consumo.

2. Gráfico Circular (Distribución por Electrodoméstico):

   • Propósito: Visualizar la contribución relativa de cada electrodoméstico al consumo total.
   • Características: Segmentos con colores diferenciados, leyenda interactiva y tooltips con porcentajes y valores absolutos.
   • Interpretación: Identifica los electrodomésticos que más impactan en el consumo, ayudando a priorizar acciones de optimización.
   • Interactividad: Permite filtrar por electrodoméstico específico para un análisis más detallado.

3. Gráfico de Línea (Predicción de Consumo Futuro):

   • Propósito: Proyectar la tendencia de consumo para los próximos 12 meses.
   • Características: Línea con área sombreada, etiquetas temporales (mensual o trimestral) y valores en kWh.
   • Interpretación: Muestra la tendencia esperada, permitiendo anticipar aumentos o disminuciones en el consumo.
   • Flexibilidad: Permite cambiar entre vista mensual y trimestral para diferentes perspectivas temporales.

Estos gráficos trabajan en conjunto para proporcionar una visión completa del consumo eléctrico desde diferentes ángulos: histórico (comparación), actual (distribución) y futuro (predicción), facilitando una comprensión integral de los patrones de consumo.

8.3. ¿Cómo se manejan las recomendaciones?

El sistema de recomendaciones implementa un enfoque contextual y personalizado:

1. Generación de recomendaciones base:

   • La función generarRecomendacionesPersonalizadas() analiza el perfil completo del usuario.
   • Considera factores como variación de consumo, tipo de usuario, hábitos, tarifa, horas de uso y electrodomésticos.
   • Selecciona recomendaciones relevantes de un conjunto predefinido según las características específicas.
   • Limita el número de recomendaciones a 5 para evitar sobrecargar al usuario.

2. Recomendaciones específicas por electrodoméstico:

   • Cuando el usuario selecciona un electrodoméstico específico en el filtro, se activa la función actualizarRecomendaciones().
   • Se accede a un diccionario de recomendaciones específicas para cada tipo de electrodoméstico.
   • Se muestran consejos detallados y técnicos para optimizar el uso del electrodoméstico seleccionado.
   • Las recomendaciones consideran el contexto local (clima, prácticas comunes, disponibilidad de tecnología).

3. Estimación de ahorro potencial:

   • Se calcula un porcentaje de ahorro estimado (entre 15-20%) basado en el consumo actual.
   • Se traduce este porcentaje a un valor absoluto en kWh para hacerlo más tangible.
   • Se presenta esta información junto con las recomendaciones para motivar la acción.

4. Presentación y actualización dinámica:

   • Las recomendaciones se muestran en tarjetas visualmente destacadas.
   • Se actualizan dinámicamente cuando el usuario cambia los filtros.
   • Se redactan en lenguaje claro, accionable y específico.
   • Se organizan por relevancia y potencial de impacto.

Este enfoque garantiza que las recomendaciones sean relevantes, prácticas y adaptadas a las circunstancias específicas del usuario, aumentando la probabilidad de implementación y el consiguiente ahorro energético.

9. Pruebas y Validación del Sistema

9.1. Pruebas funcionales de la aplicación

Las pruebas funcionales de la aplicación se enfocan en verificar que todas las características y flujos de trabajo funcionen correctamente desde la perspectiva del usuario:

1. Pruebas de navegación:

   • Verificación de enlaces entre páginas.
   • Comprobación de la consistencia de la interfaz de usuario.
   • Validación del flujo secuencial (landing → form → prediction → visualization).
   • Pruebas de navegación hacia atrás y adelante en el flujo.

2. Pruebas de formulario:

   • Validación de campos requeridos y formatos.
   • Comprobación de rangos válidos para valores numéricos.
   • Verificación de selección múltiple en checkboxes.
   • Pruebas de envío con datos válidos e inválidos.

3. Pruebas de procesamiento de datos:

   • Verificación de cálculos de variación de consumo.
   • Comprobación de predicciones con diferentes perfiles de usuario.
   • Validación de la distribución por electrodomésticos.
   • Pruebas con valores extremos y casos límite.

4. Pruebas de visualización:

   • Verificación de la correcta renderización de gráficos.
   • Comprobación de interactividad (tooltips, filtros, selección).
   • Validación de actualización dinámica al cambiar filtros.
   • Pruebas de responsividad en diferentes dispositivos y tamaños de pantalla.

5. Pruebas de exportación:

   • Verificación de la generación correcta de archivos CSV.
   • Comprobación de la inclusión de todos los datos relevantes.
   • Validación del formato y estructura del archivo exportado.

Estas pruebas se realizan de manera manual y sistemática, siguiendo escenarios de uso predefinidos que cubren tanto los flujos principales como casos excepcionales.

9.2. Evaluación del modelo de predicción ¿Cómo saber que es útil el cálculo elegido?

La evaluación de la utilidad del modelo de predicción se realiza mediante varios criterios complementarios:

1. Validación conceptual:

   • El modelo incorpora variables reconocidas en la literatura como influyentes en el consumo eléctrico.
   • Los factores y ponderaciones se basan en conocimiento del dominio y patrones observados.
   • La estructura del modelo permite capturar relaciones entre múltiples variables y el consumo.

2. Validación empírica:

   • Comparación de predicciones con datos históricos cuando están disponibles.
   • Análisis de la desviación entre valores predichos y reales.
   • Verificación de que las tendencias predichas sean consistentes con patrones conocidos.

3. Validación de utilidad práctica:

   • El modelo proporciona predicciones interpretables y accionables.
   • Las proyecciones son suficientemente precisas para informar decisiones de optimización.
   • Las variaciones incluidas reflejan la naturaleza no determinista del consumo eléctrico.

4. Validación de robustez:

   • El modelo maneja adecuadamente diferentes perfiles de usuario.
   • Produce resultados razonables incluso con datos de entrada diversos.
   • Evita predicciones extremas o implausibles mediante normalización.

La utilidad del cálculo elegido se confirma principalmente por su capacidad para:

• Capturar las tendencias generales de consumo.
• Identificar los factores más influyentes para cada usuario.
• Proporcionar una base cuantitativa para las recomendaciones.
• Generar proyecciones plausibles que ayuden en la planificación.

Aunque no se implementan métricas formales de evaluación como RMSE o MAE, la validación cualitativa y la consistencia con el conocimiento del dominio respaldan la utilidad del modelo para los propósitos de la aplicación.

9.3. Resultados y mejoras identificadas

Resultados principales:

1. Funcionalidad completa: La aplicación cumple con todos los objetivos funcionales establecidos, proporcionando un flujo completo desde la entrada de datos hasta las recomendaciones personalizadas.
2. Experiencia de usuario positiva: La interfaz intuitiva, las visualizaciones interactivas y el lenguaje claro contribuyen a una experiencia de usuario satisfactoria.
3. Precisión adecuada: El modelo de predicción proporciona estimaciones razonables que sirven como base útil para la toma de decisiones sobre optimización de consumo.
4. Recomendaciones accionables: El sistema genera consejos específicos y prácticos que los usuarios pueden implementar para reducir su consumo eléctrico.

Mejoras identificadas:

1. Refinamiento del modelo predictivo:

   • Incorporar técnicas de aprendizaje automático más avanzadas como redes neuronales o modelos de bosque aleatorio.
   • Implementar análisis de series temporales para capturar patrones estacionales.
   • Desarrollar un sistema de retroalimentación para mejorar el modelo con datos reales de resultados.

2. Ampliación de funcionalidades:

   • Integración con medidores inteligentes para captura automática de datos.
   • Implementación de notificaciones y recordatorios para seguimiento de recomendaciones.
   • Desarrollo de una comunidad de usuarios para compartir estrategias de ahorro.

3. Mejoras en la interfaz de usuario:

   • Añadir más opciones de personalización para las visualizaciones.
   • Implementar un panel de control configurable según preferencias del usuario.
   • Desarrollar versiones específicas para diferentes dispositivos (móvil, tablet, escritorio).

4. Expansión del alcance:

   • Incorporar análisis de impacto ambiental (huella de carbono).
   • Añadir comparativas con promedios regionales o por tipo de usuario.
   • Desarrollar módulos específicos para diferentes sectores (residencial, comercial, industrial).

5. Optimización técnica:

   • Mejorar el rendimiento con técnicas de carga diferida para visualizaciones.
   • Implementar almacenamiento persistente opcional para seguimiento a largo plazo.
   • Desarrollar una API pública para integración con otros sistemas.

Estas mejoras identificadas proporcionan una hoja de ruta para el desarrollo futuro de la aplicación, permitiendo una evolución continua que aumente su valor para los usuarios y su impacto en la optimización del consumo eléctrico.