Aplicación de metodologías de machine learning en la industria de la energía offshore - Trabajo Final de Máster

Aug 3, 2026

Subir por Ezra

La industria de la energía offshore ha crecido de forma acelerada y genera grandes volúmenes de datos operativos. En este contexto, el machine learning se propone como una herramienta para responder a retos del sector, mejorando predicciones y optimizando procesos con mayor eficiencia. El proyecto revisa los avances del machine learning en el ámbito de la ingeniería naval y oceánica, con énfasis en la energía eólica offshore, e implementa un modelo predictivo para estimar la producción de un aerogenerador marino ubicado en la costa española.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas101

Tiempo de lectura2 h 36 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Motivación

Objetivos

Metodología

Material y métodos

Marco teórico

Fundamentos del machine learning

Estado del arte

Diseño del modelo predictivo: potencia activa de un aerogenerador marino

Recopilación y análisis de los datos

Generación de datos sintéticos

Análisis de datos

Ingeniería de características

Entrenamiento, evaluación y validación de los modelos

Regresión lineal

Árbol de decisión

Random Forest

Gradient Boosting y XGBoost

LightGBM

K-Nearest Neighbor

Comparación de los modelos

Conclusiones

Futuras investigaciones

Bibliografía

Código Python

Importación e instalación de librerías

Carga de datos y generación de datos sintéticos de la potencia activa

Visualización de los datos

Análisis exploratorio de datos

Ingeniería de características

Limpieza de datos

Selección de algoritmos y entrenamiento del modelo

Algoritmos, hiperparámetros y funciones

Regresión Lineal

Árbol de Decisión

Random Forest

Gradient Boosting

XGBoost

Light GBM

K-Nearest Neighbor

Importancia de Características

Diagrama de Gantt del proyecto

Aplicación de metodologías de machine learning en la industriade la energía o✛shore Trabajo Final de Máster Facultat de Nàutica de Barcelona Universitat Politècnica de Catalunya Trabajo realizado por: Inés Castillo Aponte Dirigido por: Julián Sánchez Sánchez Máster Universitario en Ingeniería Naval y Oceánica Barcelona, 30 de septiembre de 2024 Departamento de Ciencia e Ingeniería Náutica Resumen La industria de la energía o✛shore ha experimentado un crecimiento signi-✜cativo en los últimos años, caracterizándose por la gran cantidad de datos que se generan en sus operaciones. En este contexto, el machine learning se presenta como una herramienta clave para abordar diferentes desafíos de laindustria, permitiendo mejorar las predicciones y optimizar diferentes procesos. Este proyecto ofrece una revisión de los avances en esta disciplina dentrode la ingeniería naval y oceánica, con un enfoque particular en la energíaeólica o✛shore. Además, incluye el desarrollo de un modelo predictivo que utiliza técnicas de machine learning para estimar la producción de energíade un aerogenerador marino ubicado en la costa española, demostrando el potencial de estas metodologías en un entorno práctico y real. Palabras clave: energía eólica o✛shore, machine learning, inteligenciaarti✜cial, big data Abstract The o✛shore energy industry has experienced signi✜cant growth in recent years, characterised by the vast amount of data generated in its operations. In this context, machine learning stands out as a crucial tool for addressing the industry✬s various challenges, allowing for improved predictions and moree✣cient process optimisation. This project provides a review of the developments in this discipline within the ✜eld of naval and ocean engineering, with a particular focus ono✛shore energy. It also includes the development of a predictive model that applies machine learning to estimate the energy output of an o✛shore wind turbine located o✛ the Spanish coast, showcasing the potential of these techniques in a real and practical environment. Keywords: o✛shore wind energy, machine learning, arti✜cial intelligence, big data ❮ndice general ❮ndice de tablas v ❮ndice de ✜guras vii 1. Introducción 1 1.1. Motivación ............................. 1 1.2. Objetivos ............................. 2 1.3. Metodología ............................ 3 1.4. Material y métodos ........................ 3 2. Marco teórico 5 2.1. Fundamentos del machine learning ............... 5 2.2. Estado del arte .......................... 9 3. Diseño del modelo predictivo: potencia activa de un aerogenerador marino 17 3.1. Recopilación y análisis de los datos ............... 17 3.1.1. Generación de datos sintéticos .............. 19 3.1.2. Análisis de datos ..................... 25 3.2. Ingeniería de características ................... 33 3.3. Entrenamiento, evaluación y validación de los modelos .... 36 3.3.1. Regresión lineal ...................... 38 3.3.2. ➪rbol de decisión ..................... 39 3.3.3. Random Forest ...................... 42 3.3.4. Gradient Boosting y XGBoost .............. 44 3.3.5. LightGBM ......................... 48 3.3.6. K Nearest Neighbor .................... 50 3.3.7. Comparación de los modelos ............... 51 4. Conclusiones 53 4.1. Futuras investigaciones ...................... 55 Bibliogra✜a 55 A. Código Python 63 A.1 . Importación e instalación de librerías .............. 63 A.2 . Carga de datos y generación de datos sintéticos de la potencia activa ............................... 64 A.2.1 . Visualización de los datos ................ 66 A.3 . Análisis exploratorio de datos .................. 66 A.4 . Ingeniería de características ................... 68 A.5 . Limpieza de datos ......................... 69 A.6 . Selección de algoritmos y entrenamiento del modelo ...... 71 A.6.1 . Regresión Lineal ..................... 71 A.6.2 . ➪rbol de Deci

Preguntas frecuentes

Por qué la industria de la energía offshore se beneficia del machine learning?

Porque sus operaciones generan grandes volúmenes de datos. Esto permite abordar retos del sector con mejoras en la predicción y la optimización de procesos.

Qué enfoque tiene el proyecto dentro de la ingeniería naval y oceánica?

Incluye una revisión de los avances del machine learning aplicados a este campo, con un énfasis particular en la energía eólica offshore.

Qué desarrolla el proyecto además de la revisión teórica?

Un modelo predictivo basado en técnicas de machine learning para estimar la producción de energía de un aerogenerador marino en la costa española.

Aug 3, 2026

Subir por Ezra