Este proyecto de Machine Learning se enfoca en predecir la radiación solar utilizando un conjunto de datos meteorológicos de 32,686 registros. El objetivo es desarrollar modelos de regresión avanzados para optimizar la eficiencia de los parques solares y la captación de energía.
El estudio de las interdependencias del sistema reveló relaciones clave para el modelo predictivo.
- Correlación Crítica: La temperatura presenta la relación lineal más fuerte con la radiación, siendo el indicador más fiable para el modelo.
- Independencia Atmosférica: Factores como la presión y la velocidad del viento muestran una dependencia débil, comportándose de forma casi autónoma respecto a la radiación inmediata.
- Relación Inversa: Se confirmó que la humedad actúa como un factor limitante; a mayor humedad, la radiación tiende a disminuir debido a la dispersión atmosférica.
El análisis de series temporales identificó patrones cíclicos claros.
-
Comportamiento Cíclico Diario: La radiación sigue una curva tipo campana de Gauss, con picos superiores a los
$600 , W/m^{2}$ entre las 11:00 h y 13:00 h. - "Desfase Térmico": Aunque la radiación es máxima al mediodía, la temperatura alcanza su pico horas después. Esto confirma que la seguridad energética depende de una lectura multivariante y no solo del calor ambiental.
Dado que la variabilidad climática presenta patrones complejos, se recurrió a algoritmos de Machine Learning. El modelo de "ensamble" Random Forest fue el más exitoso.
| Modelo de IA | Eficacia | Métrica (MSE) | Interpretación |
|---|---|---|---|
| Random Forest | 93.6% | El más robusto; ideal para datos climáticos complejos. | |
| Varianza Explicada | N/A | Excelente capacidad para capturar cambios bruscos. |
El análisis demuestra que la radiación solar puede determinarse con una alta fiabilidad analizando el conjunto de variables en su totalidad.
Gracias al uso de Random Forest, se logró predecir la disponibilidad energética con un 93.6% de certeza utilizando solo tres parámetros clave: Temperatura, Día del Año y Hora.
Este modelo sugiere que la implementación de sensores inteligentes basados en estos algoritmos permitiría gestionar microrredes eléctricas en tiempo real con una eficiencia superior.