Desarrollo de modelos de predicción de radiación solar mediante técnicas de machine learning

Aug 5, 2026

La demanda creciente de paneles solares impulsa el uso de predicciones de radiación solar para facilitar la toma de decisiones y la gestión óptima de la producción y la demanda de energía, tanto en huertos solares como en edificios energéticamente eficientes. La predicción enfrenta un reto clave: la alta variabilidad espacial y temporal y la influencia de las condiciones atmosféricas. El trabajo compara modelos de predicción desarrollados con aprendizaje automático usando datos históricos de la Plataforma Solar de Almería, logrando errores inferiores al 12% en la mayoría de los casos.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas6

Tiempo de lectura9 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Contexto y objetivos

Motivación: variabilidad atmosférica

XLIV Jornadas de AUTOMÁTICA 2 0 2 3 -Z A R A G O Z A [https:](https://jautomatica.es)[//](https://jautomatica.es)[jautomatica.es](https://jautomatica.es) Desarrollo de modelos de prediccin de radiacin solar mediante tcnicas de machine learning Abad-Alcaraz, V.a,b , Castilla, M.M.a,b,∗, ´Alvarez, J.D.a,b , Carballo, J.A.a,c , Bonilla, J.a,c aCIESOL, Centro de Investigaciones en Energ´ıa Solar. Centro mixto UAL-CIEMAT, Universidad deAlmer´ıa -ceiA3-Crta. Sacramento, s/n, 04120, La Ca˜nada de San Urbano, Almer´ıa, Espa˜na b Departamento de Inform´atica, Universidad de Almer´ıa -ceiA3, Crta. Sacramento, s/n, 04120, La Ca˜nada de San Urbano, Almer´ıa, Espa˜na. cCIEMAT-Plataforma Solar de Almer´ıa, Crta. de Sen´es, s/n, 04200, Tabernas, Espa˜na. ´ To cite this article: Abad-Alcaraz, V., Castilla, M.M., Alvarez, J.D., Carballo, J.A., Bonilla, J. 2023. Development of solar radiation prediction models using machine learning techniques. XLIV Jornadas de Autom´atica, 382-387. [https://doi.org/10.17979/spudc.9788497498609.382](https://doi.org/10.17979/spudc.9788497498609.382) Resumen La creciente demanda de paneles solares en los ´ultimos a˜nos ha hecho que cada vez ms empresas se dediquen por completoa la instalacin de paneles fotovoltaicos o captadores solares con el fin de aprovechar al mximo la energ´ıa solar. Ya sea para un huerto solar o para conseguir edificios ms eficientes energticamente, el disponer de predicciones de radiacin solar y, por tanto, de la produccin de electricidad o de calor, facilita la toma de decisiones y permite realizar una gestin ptima de la producciny demanda de energ´ıa. Sin embargo, la prediccin de la radiacin solar es un desaf´ıo importante debido, entre otros factores, a su alta variabilidad espacial y temporal y a la influencia de las condiciones atmosfricas. Este trabajo presenta una comparacin demodelos de prediccin de radiacin solar desarrollados mediante tcnicas de aprendizaje automtico utilizando datos histricos dela Plataforma Solar de Almer´ıa. Los resultados obtenidos resultan prometedores ya que, en la mayor´ıa de los casos, se han obtenido errores inferiores al 12% . Palabras clave: Modelado, Modelado e integracin de sistemas de energ´ıas renovables, Modelado de series temporales, Prediccin, Aprendizaje automtico. Development of solar radiation prediction models using machine learning techniques Abstract In recent years, the growing demand for solar panels has led an increasing number of companies to focus on installing both photovoltaic panels and solar collectors in order to take advantage of solar energy. Whether it is a solar farm or an energy-efficient building, the availability of predictions of solar radiation, and therefore of electricity and heat production, facilitates decision making and allows the development of optimal management strategies for energy production and demand. However, the prediction of solar radiation is a major challenge due to, among other factors, its high spatial and temporal variability and the influence of atmospheric conditions. This paper presents a comparison of solar radiation prediction models developed using machine learning techniques and historical data from the Solar Platform of Almer´ıa. The results obtained are promising since, in most cases, an error less than 12% has been obtained. Keywords: Modelling, Renewable Energy System Modeling and Integration, Time series modelling, Forecasting, Machine learning. ∗Autor para correspondencia: mcastilla@ual.es Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 1. Introduccin Actualmente, la ascendente preocupacin sobre el cambio climtico est ocasionando la b´usqueda de diferentes alternativas que permitan disminuir las emisiones de gases de efecto invernadero, reducir la dependencia de los combustibles fsiles y disponer de diversas opciones de suministro elctrico. Ms concretamente, en la Unin Europea, la Directiva sobre Fuentes de Energ´ıa Ren

Preguntas frecuentes

¿Por qué es importante predecir la radiación solar en aplicaciones solares?

Porque disponer de predicciones permite facilitar la toma de decisiones y habilita una gestión óptima de la producción y la demanda de energía en entornos como huertos solares y edificios eficientes.

¿Qué factores hacen especialmente desafiante la predicción de la radiación solar?

La predicción resulta difícil debido a la alta variabilidad espacial y temporal de la radiación y a la influencia de las condiciones atmosféricas.

¿Cómo aborda el trabajo el desarrollo y comparación de modelos?

Presenta una comparación de modelos de predicción basados en técnicas de aprendizaje automático, empleando datos históricos de la Plataforma Solar de Almería, con resultados prometedores y errores menores al 12% en la mayoría de los casos.

Aug 5, 2026

Subido por Lucas Martin