| Abstract | dc.description.abstract | En esta tesis, se proponen y desarrollan cuatro aplicaciones basadas en técnicas de machine
learning tanto supervisadas y como no supervisadas, que permiten optimizar la eficiencia
energética en Puntos de Presencia (POPs) y celdas, mejorando la planificación estratégica,
garantizando la calidad del servicio y reduciendo costos operacionales.
Primero, se presenta un modelo de predicción del consumo energético en los POPs a
nivel tanto mensual como horario, logrando reducir el error de presupuesto desde un 39 %
hasta el 1,66 %. Esta mejora en la exactitud de las proyecciones beneficia la asignación de
recursos y la planificación financiera, evitando desviaciones costosas. En segundo lugar, se
introduce un sistema de detección de anomalías en el consumo de los POPs, que combina
enfoques de predicción y de clustering, alcanzando una validación real de aproximadamente
el 80 % de las alertas identificadas. Con ello, se agiliza la corrección de fallas y se reduce la
sobrefacturación. Posteriormente, se aborda la separación del consumo energético en celdas
P y Q que comparten el mismo Remote Radio Unit (RRU), empleando redes neuronales
profundas. Se obtuvo una estimación con un error promedio (MAPE) de 8,7 %, lo cual facilita
una asignación de costos más justa y transparente, además de brindar información detallada
para priorizar inversiones y reforzar la confiabilidad de la red. Finalmente, se propone un
método de apagado dinámico de celdas 4G durante periodos de baja demanda, fundamentado
en modelos autorregresivos simples. El análisis piloto sugiere un ahorro de alrededor de
1200 kWh diarios, equivalentes a 72 millones de pesos chilenos anuales, sin comprometer la
experiencia de los usuarios ni la cobertura de la red según criterios de expertos.
Estos resultados evidencian la viabilidad de adoptar estrategias de eficiencia energética en
redes de telecomunicaciones, equilibrando la reducción en el consumo con la garantía de calidad del servicio. Cada aplicación presenta beneficios cuantificables y niveles de complejidad
distintos, lo que permite a las operadoras priorizar su implementación según objetivos técnicos y financieros. En conjunto, este trabajo contribuye tanto a la sostenibilidad económica
como al compromiso ambiental del sector, abriendo la puerta a nuevas investigaciones que
profundicen en la adopción de inteligencia artificial y modelos analíticos para una gestión
energética más eficiente. | |
