Pronóstico de generación fotovoltaico de largo plazo - Aplicando técnicas de machine learning

Aug 3, 2026

Subido por Theodore

El trabajo desarrolla un modelo predictivo para recursos solares a largo plazo mediante metodologías de machine learning organizadas en fases secuenciales. Se describen técnicas usadas para la predicción global del recurso primario y se fijan criterios para seleccionar métodos según su relevancia en cada etapa del modelo. El enfoque integra estimación y pronóstico como componentes estratégicos para la planificación de sistemas fotovoltaicos, formulando además escenarios de simulación ajustados al clima ecuatoriano para apoyar la toma de decisiones ante la variabilidad del recurso.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas19

Tiempo de lectura29 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Planteamiento del problema y motivación

Importancia de los datos y el potencial solar

Enfoque de machine learning y modelo TFT

DOI: [https://doi.org/10.46296/ig.v7i14.0224](https://doi.org/10.46296/ig.v7i14.0224) PRONÓSTICO DE GENERACIÓN FOTOVOLTAICO DE LARGO PLAZO APLICANDO TÉCNICAS DE MACHINE LEARNING LONG-TERM PHOTOVOLTAIC GENERATION FORECASTING USING MACHINE LEARNING TECHNIQUES Quinatoa-Lema Freddy 1 ; Quinatoa-Caiza Carlos 2 1 Universidad Técnica de Cotopaxi. Latacunga , Ecuador. Correo: [freddy.quinatoa4942@utc.edu.ec. ORCID ID:](freddy.quinatoa4942@utc.edu.ec. ORCID ID:) [https://orcid.org/0009-0000-6076-0923](https://orcid.org/0009-0000-6076-0923) . 2 Universidad Técnica de Cotopaxi. Latacunga, Ecuador. Correo: [carlos.quinatoa7864@utc.edu.ec. ORCID ID:](carlos.quinatoa7864@utc.edu.ec. ORCID ID:) [https://orcid.org/0000-0001-6369-7480](https://orcid.org/0000-0001-6369-7480) . Resumen En el siguiente proyecto de investigación articula la formulación de un modelo predictivo de recursos solares que emplea metodologías de machine learning a largo plazo donde se construyeen fases secuenciales, aprovechando los conceptos pertinentes al análisis de datos históricos ybasando su arquitectura en metodologías de machine learning. Se presenta una exposición dela amplia gama de técnicas de machine learning utilizadas en la predicción global de los recursos primarios y se establecen criterios para la selección de técnicas en función de su relevancia para las distintas fases del modelo, también se prepara meticulosamente una síntesis completa sobre la utilización de la estimación y la predicción de los recursos primarios como componentes integrales de la planificación estratégica de los sistemas fotovoltaicos a largo plazo; se formula el modelo y se articulan escenarios de simulación que son pertinentes al clima ecuatoriano, que sirven como un instrumento para estimar el potencial solar que se puede emplear para discerniry enfatizar la importancia de los datos como elementos fundamentales en los procesos de tomade decisiones involucrados en la planificación de las fuentes de energía se caracteriza por lavariabilidad de los recursos primarios. Palabras clave: Sistemas Fotovoltaicos , Largo Plazo , Estimación , Potencial Solar. Abstract The following subsequent research articulates the formulation of a predictive solar resource model employing long-term machine learning methodologies where it is built in sequential phases, taking advantage of concepts relevant to historical data analysis and basing its architecture on machine learning methodologies. An exposition of the wide range of machine learning techniques used in global primary resource prediction is presented and criteria are established for the selection of techniques based on their relevance to the different phases of the model, a comprehensive synthesis on the use of primary resource estimation and prediction as integral components of long-term strategic planning of photovoltaic systems is also meticulously prepared; the model is formulated and simulation scenarios are articulated that are relevant to the Ecuadorian climate, which serve as a tool for estimating solar potential that can be used to discern and emphasize the importance of data as fundamental elements in the decision-making processes involved in planning energy sources characterized by the variability of primary resources. Keywords: Photovoltaic Systems , Long-term, Estimate , Solar Potential. 1. Introducción Esta investigación académica se centra en el examen de la predicción temporal extendida de la producciónde energía fotovoltaica mediante la aplicación de metodologías de machine learning, ya que la actual transición energética hacia fuentes renovables se ve obstaculizada significativamente por la mayoríapredominante de las naciones (Chenet al. , 2011) . En consecuencia, la generación de energía fotovoltaicaadquiere una importancia fundamental; sin embargo, la producción derivada de una instalación solar fotovoltaica depende de variables externas, incluidas las condiciones meteorológicas y la radiaci

Preguntas frecuentes

¿Qué problema aborda esta investigación sobre energía fotovoltaica?

Se enfoca en la predicción temporal extendida de la producción de energía fotovoltaica, considerando que depende de variables externas como la radiación solar y las condiciones meteorológicas.

¿Cómo se construye el modelo predictivo propuesto?

Se basa en metodologías de machine learning organizadas en fases secuenciales, aprovechando conceptos para el análisis de datos históricos y orientando la arquitectura del modelo a la predicción del recurso solar.

¿Qué es el TFT y por qué es relevante en el trabajo?

El estudio destaca el transformador de fusión temporal (TFT) como metodología de aprendizaje profundo que integra datos históricos de producción con variables como irradiación, ángulos solares, temperatura, humedad, viento y precipitaciones para mejorar previsiones a largo plazo.

Aug 3, 2026

Subido por Theodore