Predicción de generación de energía renovable y consumo eléctrico para la microrred de la ufps usando técnicas de aprendizaje automático

El interés en el uso y desarrollo de energías alternativas ha aumentado debido al calentamiento global. Los sistemas fotovoltaicos convierten directamente la radiación electromagnética del Sol en energía eléctrica, sin emitir subproductos dañinos para el medio ambiente, a diferencia de los combustibles fósiles. Por su parte, las turbinas eólicas convierten la energía cinética de las partículas del viento en energía eléctrica. Sin embargo, pese a su viabilidad energética más limpia, el implementar un sistema de energía renovable (fotovoltaico o eólico) continúa teniendo un alto costo, esto se debe a los propios equipos y su fabricación. Por lo tanto, predecir la producción de energía es un factor clave en la viabilidad financiera de un proyecto de energías renovables. Al diseñar un sistema de este tipo, es importante considerar las características climáticas del lugar, la carga a alimentar, el área disponible para ubicar los paneles o las turbinas y las pérdidas energéticas. La precisión de la información sobre la radiación solar y velocidad del viento del lugar es crucial para una mejor predicción. Adicionalmente, caracterizar y estimar el consumo de energía eléctrica de un edificio facilita la planeación técnica y financiera del mismo. Esta estimación también es útil en microrredes porque permite diseñar un algoritmo de control que determine el flujo de energía según la demanda actual y las estimaciones futuras de consumo y producción de energía. En esta propuesta se busca establecer un modelo de aprendizaje automático (machine learning) en Python que permita predecir la producción de energía renovable (fotovoltaica y eólica) de la microrred instalada en el tercer piso del edificio de Vicerrectoría de Investigación y Extensión de la UFPS. Además, el modelo estimará el consumo futuro de electricidad con base en datos anteriores y en variables meteorológicas. Este modelo permitirá llevar un control de la producción de la microrred instalada en la UFPS de forma que se pueda medir la eficiencia del sistema y las variaciones dentro de la producción, así como problemas que puedan surgir debido a la variación de factores climáticos, recolectando información específica del lugar para una mayor precisión. Para dicho propósito se utilizarán sensores para registrar las variables meteorológicas relevantes. Con los datos obtenidos y la producción y consumo real de energía eléctrica del sistema se hará un análisis y procesamiento para ajustar el modelo de predicción. Por último, se usarán las variables medidas de forma continua y se entrenará al modelo con base en los resultados obtenidos para predecir la producción energética y el consumo de electricidad del sistema. Como resultados de esta propuesta se espera que se mantenga en línea el modelo de predicción de forma ininterrumpida para proporcionar información constante del estado de la microrred. Se espera que el proyecto provea de un mayor control sobre la microrred y una mayor facilidad a la hora de consultar su estado actual, así como una mayor confiabilidad de información sobre la producción futura del sistema siendo un insumo para futuros proyectos de investigación.

• Autores: Sepúlveda Mora, Sergio Basilio; Illera Bustos I, Mario Joaquín
• Tipo de recurso: http://purl.org/coar/resource_type/c_baaf
• Fecha de publicación: 2025
• Institución: Universidad Francisco de Paula Santander
• Repositorio: Repositorio Digital UFPS
• Idioma: spa
• OAI Identifier: oai:repositorio.ufps.edu.co:ufps/9592
• Acceso en línea: https://repositorio.ufps.edu.co/handle/ufps/9592
• Palabra clave: Energía solar fotovoltaica; Aprendizaje automático; Microrred; Modelos de predicción
• Rights: openAccess
• License: Derechos Reservados - Universidad Francisco de Paula Santander