Instituto Superior Tecnológico Universitario Rumiñahui
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de
aprendizaje automático
Solar Radiation Forecasting in Photovoltaic Systems Utilizing Aprendizaje Automático
Techniques
Wilson Palomo
1
, Carlos Quinatoa
2
, Mauricio Mullo
3
, Jessica N. Castillo
4
1
Universidad Técnica de Cotopaxi, wilson.palomo1@utc.edu.ec, Latacunga, Ecuador
2
Universidad Técnica de Cotopaxi, carlos.quinatoa4@utc.edu.ec, Latacunga, Ecuador
3
Universidad Técnica de Cotopaxi, mauricio.mullo@utc.edu.ec, Latacunga, Ecuador
4
Universidad Técnica de Cotopaxi, jessica.castillo@utc.edu.ec, Latacunga, Ecuador
Autor para correspondencia: wilson.alomo1@utc.edu.ec
RESUMEN
Esta investigación responde a la creciente demanda de energías renovables, enfocándose espe-
cícamente en los sistemas fotovoltaicos que aprovechan la energía solar como una solución
viable y sostenible. La metodología implementada incluyó el análisis y tratamiento de los da-
tos de radiación solar recopilados cada hora durante el periodo 2017-2023. Estos datos fueron
fundamentales para realizar las predicciones de enero, febrero y marzo del 2024. El propósito
de estas predicciones fue optimizar el dimensionamiento de un sistema fotovoltaico apropiado
para un área urbana. Para este propósito, se utilizó un algoritmo de árbol de decisión, una técni-
ca destacada dentro del campo del aprendizaje automático, implementada mediante el software
Python por su facilidad de acceso y versatilidad. Los resultados se almacenaron en un archivo
.xlsx, lo que simplicó el proceso de dimensionamiento del sistema. Además, se incorporaron
cálculos de desviación estándar para estimar la radiación solar en los próximos tres meses,
permitiendo así un cálculo preciso y adecuado del sistema fotovoltaico necesario. En conclu-
sión, el sistema fotovoltaico diseñado se dimensiono ecazmente a partir del análisis predictivo
proporcionado por el algoritmo. Con una potencia pico de 1,26 kWp y una conguración de
almacenamiento bien adaptada, este sistema está equipado para cumplir con las demandas ener-
géticas diarias de 123,5 kWh.
Palabras clave: Energía renovable, Sistemas fotovoltaicos, Predicción, Árbol de decisión.
ABSTRACT
This research responds to the growing demand for renewable energy, focusing specically on
photovoltaic systems that harness solar energy as a viable and sustainable solution. The meth-
odology implemented included the analysis of hourly solar radiation data collected during the
period 2017-2023. These data were fundamental to make predictions and validate the algorithm
used. The purpose of these predictions was to optimize the sizing of a photovoltaic system
appropriate for an urban area. For this purpose, a decision tree algorithm was used, a leading
technique in the eld of Machine Learning, implemented using Python software for its ease
of access and versatility. The results were stored in an .xlsx le, which simplied the system
sizing process. In addition, standard deviation calculations were incorporated to estimate the
solar radiation over the next three months, thus allowing an accurate and adequate calculation
of the required PV system. In conclusion, the designed PV system was eciently sized based
on the predictive analysis provided by the algorithm. With a peak power of 1.26 kWp and a
well-adapted storage conguration, this system is equipped to meet the daily energy demands
of 123.5 kWh.
338
Instituto Superior Tecnológico Universitario Rumiñahui
339
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Key words: Renewable energy, Photovoltaic systems, Prediction, Decision tree.
1. INTRODUCCIÓN
Hoy en día, uno de los factores externos que ha incidido al largo del tiempo en la industria es el
estiaje, generando pérdidas en la producción, un gran porcentaje de industrias siguen utilizan-
do energía convencional, siendo dependiente de las fuentes hidroeléctricas (Naciones Unidas,
2024). Considerando este problema se ha visto la necesidad de desarrollar esta investigación
que permita renovar la matriz productiva de las industrias en donde se considere la migración
de energía convencional a energía renovable.
El objetivo principal de esta investigación es crear una herramienta predictiva que utilice téc-
nicas de aprendizaje automático para mejorar la eciencia en la generación de energía fotovol-
taica. El empleo del aprendizaje automático permite analizar grandes volúmenes de datos, lo
cual facilita la predicción de los meses de enero, febrero y marzo del año 2024. Esto optimiza
signicativa los procesos energéticos, contribuyendo a la sostenibilidad y la reducción de cos-
tos operativos en el parque industrial de la ciudad de Riobamba, en la provincia de Chimborazo
(Ministerio de Energía y Recursos Naturales No Renovables, 2018). Esta herramienta no solo
contribuirá a maximizar la eciencia de los paneles solares en la región, sino que también
apoyará la toma de decisiones estratégicas en la gestión de recursos energéticos renovables,
adaptándose a las características climáticas y geográcas especícas del área. En este estudio,
se emplearon datos históricos de radiación solar obtenidos de la base de datos NASA POWER
(Prediction of Worldwide Energy Resources), que están disponibles públicamente (NASA,
2024). La accesibilidad de estos datos a través de plataformas en línea facilita su uso en inves-
tigaciones que requieren información precisa y actualizada sobre recursos energéticos globales.
Para la realización de este análisis, se seleccionó especícamente el recurso NASA POWER,
dado que este ofrece un acceso directo y bien estructurado a datos solares, los cuales son crucia-
les para la evaluación de potenciales aplicaciones en energías renovables, estudios ambientales
y climáticos, de los años 2017-2023, con mediciones realizadas cada hora (7:00-19:00), estos
datos fueron analizados para vericar la incidencia de radiación según el horario. La radiación
solar es un factor crucial que varía con el tiempo y es esencial para la generación de energía
fotovoltaica. Por ello, contar con predicciones ables y precisas de la radiación solar es fun-
damental para el diseño adecuado de los sistemas fotovoltaicos. Estas predicciones permiten
optimizar el rendimiento y la eciencia de los sistemas, asegurando que se dimensionen correc-
tamente para maximizar la captación de energía solar según las condiciones especícas de cada
ubicación (Solargis, 2024).
El empleo de técnicas de Aprendizaje Automático (Machine Learning) resulta crucial para el
desarrollo de algoritmos que pueden prever con precisión la radiación solar. Este enfoque per-
mite a los sistemas aprender de conjuntos de datos extensos y complejos, identicando patrones
Instituto Superior Tecnológico Universitario Rumiñahui
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
y correlaciones que no son fácilmente discernibles a través de métodos tradicionales. Al adap-
tarse y mejorar continuamente con base en nuevos datos, el aprendizaje automático no solo
aumenta la precisión de las predicciones, sino que también optimiza la eciencia operativa de
las instalaciones solares, asegurando que se maximice la captación de energía solar de acuerdo a
las variaciones ambientales y climáticas especícas. Esta técnica se revela como un recurso al-
tamente ecaz para anticipar los niveles de radiación que se presentarán en distintos momentos
del día y durante diversos meses del año (Lorenzo J., 2024). Esto permite a los operadores de
sistemas fotovoltaicos planicar de manera más efectiva y asegurar una optimización continua
del rendimiento energético (Ordoñez-Palacios, 2020). La capacidad de realizar predicciones
precisas mediante el uso de algoritmos matemáticos habilita el desarrollo de análisis detallados
y la toma de decisiones estratégicas en el ámbito de la generación fotovoltaica. Esta precisión
en las predicciones contribuye signicativamente a la mejora de los sistemas fotovoltaicos, op-
timizando el uso de recursos energéticos renovables. Además, esto ayuda a disminuir la depen-
dencia de los combustibles fósiles y promueve la utilización de fuentes de energía más limpias
y libres de emisiones, alineándose con los objetivos globales de sostenibilidad y protección
ambiental (Herrera A., 2023).
2. MATERIALES Y MÉTODOS
El desarrollo de la investigación empieza con el tratamiento de los datos, creando una base que
contiene información del parámetro radiación con un tiempo de 12 horas durante el día. Como
siguiente paso se identica el porcentaje de datos que van a ser usados para el entrenamiento
y prueba del modelo de árboles de decisión, las investigaciones realizados anteriormente re-
comiendan el uso del 80% para el inicio del proceso y el 20% para la validación del modelo.
Después de congurar el modelo, se procede con la ejecución de la programación necesaria
para recabar los datos predictivos de la radiación solar, empleando árboles de decisión durante
el entrenamiento del modelo. Adicionalmente, se determinan las métricas de validación para
evaluar la precisión y efectividad del modelo. Estos datos predictivos nos proporcionan la in-
formación esencial para efectuar los cálculos requeridos en el diseño y optimización del siste-
ma fotovoltaico, asegurando así que se ajuste a las necesidades energéticas y las condiciones
ambientales especícas.
Normativas
Las normativas son dirigidas por el Ministerio de Energía y Recursos Naturales No Renovables
a través de varios reglamentos y decretos ejecutivos. Estas regulaciones promueven la adop-
ción de tecnologías limpias y sostenibles, reduciendo la dependencia de combustibles fósiles y
disminuyendo las emisiones de carbono, la investigación tuvo como objetivo apostar al uso de
fuentes renovables, siendo medidas que no solo refuerzan la responsabilidad ambiental, sino
que también promueven el desarrollo económico sostenible. Las normativas vigentes son:
• Ley Orgánica del Servicio Público de Energía Eléctrica: Regula la generación, transmisión,
340
Instituto Superior Tecnológico Universitario Rumiñahui
341
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
distribución y comercialización de la energía.
• Decreto Ejecutivo No. 1036: Este decreto consolidó varias agencias en la Agencia de Regu-
lación y Control de Energía y Recursos Naturales No Renovables, centralizando la regula-
ción del sector energético.
• Políticas del Sector Eléctrico: Establecidas por el presidente, estas políticas orientan el de-
sarrollo y promoción de la eciencia y sostenibilidad en el servicio de energía eléctrica.
Escenario
En la tabla 1 se puede observar la cantidad de datos levantados para el desarrollo de la inves-
tigación al igual que el período. Estos datos pertenecen al sector del parque Industrial de la
ciudad de Riobamba ubicada geográcamente en: 8999+Q8F, Riobamba, -1.68040, -78.63170.
Tabla 1. Datos de la radiación solar del Parque Industrial-Riobamba
MES DIA HORA
RADI-
ACION
2017
RADIA-
CION 2018
RADIA-
CION 2019
RADIA-
CION 2020
RADIA-
CIÓN 2021
RADIA-
CIÓN 2022
RADIACIÓN
2023
1 1 7 4,424 0,474 5,951 0,000 3,356 2,519 3,7785
1 1 8 27,858 19,872 80,967 0,000 8,455 7,432 6,345
1 1 9 76,638 28,233 186,836 0,000 15,634 19,545 21,344
1 1 10 145,765 49,766 274,132 21,359 80,324 90,506 104,0819
12 31 10 245,062 268,561 118,383 226,641 233,100 251,748 254,769088
12 31 11 327,396 326,627 223,941 305,993 314,714 339,891 343,9699958
12 31 12 384,868 341,279 229,828 270,684 278,399 300,671 304,278762
12 31 13 161,341 343,886 163,380 246,920 253,958 274,274 277,5655374
12 31 14 115,442 355,859 142,759 249,232 256,335 276,842 280,1637642
12 31 15 167,045 321,379 70,431 111,788 114,974 124,172 125,6618999
12 31 16 63,184 259,326 60,407 107,829 110,902 119,774 121,2115468
12 31 17 53,453 162,182 28,115 69,427 71,406 77,118 78,04372703
12 31 18 7,375 58,156 13,461 11,341 11,664 12,597 12,74832332
12 31 19 0,000 1,308 0,000 0,000 0,000 0,000 0,000113076
Fuente: Autores., 2024
La investigación fue desarrollada con una cantidad de datos de 4746 de radiación solar, los
mismos que fueron tomados cada hora todos los días en los años 2017-2023 de la página web
de la NASA POWER. El tratamiento de los datos se realizó en el software Python eliminando
las celdas con valores Nulos.
Los datos nulos pueden introducir valores erróneos en la programación, lo que resulta en erro-
res en los resultados, afectando negativamente la precisión de las predicciones. En la gura 1 se
observa cómo se eliminan los datos nulos para mejorar la calidad de la base de datos, optimi-
zando la efectividad de la predicción.
Instituto Superior Tecnológico Universitario Rumiñahui
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Figura. 1. Tratamiento de la información
Fuente: Autores, 2024
Selección de técnicas de Aprendizaje Automático
Existen diversos métodos y técnicas de Aprendizaje Automático para la predicción de la ra-
diación solar. En la Tabla 2, se ilustra varias técnicas proporcionando una comparación que nos
ayudará a elegir la más adecuada para el proyecto.
Tabla 2. Cuadro comparativo de técnica de Aprendizaje Automático
Técnica Ventajas Desventajas Predicción de radiación
Árbol de
decisión
Fácil de entender e interpretar
No requiere normalización de
datos
Pueden sobre ajustarse
Sensibles a pequeñas variaciones
Ecaz para detectar
relaciones sencillas en
datos de radiación
LSTM Capacidad para aprender depen-
dencias a largo plazo.
Evita problemas del desvaneci-
miento del gradiente.
Tiempo de entrenamiento prolon-
gado
Necesita grandes volúmenes de
datos
Ideal para analizar
series temporales y
patrones complejos de
radiación.
RNN Ecaz con datos secuenciales
Menos compleja que el LSTM
Problemas con el desvanecimiento
del gradiente
No tiene la capacidad de aprender
dependencias a largo plazo
Adecuada para los pa-
trones de radiación de
corto a medio plazo.
SVM Alta precisión
Ecaz en espacios de alta dimen-
sionalidad
Dicultada para interpretar pará-
metros
Requiere ajustes de parámetros
Útil para clasicar
patrones de radiación
Considerando la información presentada en la tabla 1, se puede concluir que el árbol de decisión
es la técnica de aprendizaje más recomendable por varias razones. En primer lugar, su sencilla
interpretación, lo cual facilita la comprensión de los resultados.
Indexación de Datos
El proceso de indexación de datos se basa en una estructura que permite organizar y acceder a
los registros de manera más eciente. Al asignar un nuevo índice a cada registro del DataFrame,
relacionado con la hora y fecha, como se observa en la gura 2, esta facilita una reestructu-
ración de los datos. La reorganización mejora la capacidad de manejar y acceder a los datos,
también optimiza el análisis y visualización de información.
342
Instituto Superior Tecnológico Universitario Rumiñahui
343
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Figura. 2. Indexación de datos
Fuente: Autores, 2024
Comportamiento de la radiación solar en la zona de estudio
Analizar los datos es esencial para entender cómo varía la radiación solar a lo largo de diferentes
periodos. Es particularmente importante evaluar los datos en intervalos semanales para captar
las uctuaciones en la curva de radiación solar, las cuales a menudo ocurren en picos breves.
Estudiar estos patrones permite identicar tendencias relevantes que tienen un impacto directo
en la eciencia de la generación de energía solar. Reconocer estas tendencias ayuda a optimizar
los sistemas fotovoltaicos y a prever comportamientos futuros de la radiación. En la gura 3 se
puede observar cual es el comportamiento de la radiación solar del mes de enero de la zona en
análisis.
Figura. 3. Comportamiento semanal de las curvas de radiación mes de enero
Fuente: Autores, 2024
El análisis de los datos promedio mensuales se enfoca en examinar las variaciones de la radia-
ción solar a través del tiempo. Observar estos patrones es crucial para comprender la variabili-
dad inherente de la radiación solar y es fundamental para la optimización de la generación de
energía fotovoltaica. Identicar estos patrones facilita la previsión de períodos de alta o baja
producción energética, permitiendo así ajustes proactivos en la planicación energética para
maximizar la eciencia y la respuesta a la demanda. Un análisis minucioso y sostenido de los
Instituto Superior Tecnológico Universitario Rumiñahui
344
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
datos proporciona una comprensión precisa de las variaciones de la radiación solar a lo largo
del año. Esta información es vital para mejorar la eciencia y la planicación de los sistemas
fotovoltaicos, permitiendo ajustes estratégicos que optimicen el aprovechamiento de la energía
solar en función de las tendencias observadas. Es crucial disponer de un análisis detallado sobre
las uctuaciones de la radiación solar mes a mes durante el año 2023. Este examen resulta fun-
damental para identicar los meses con mayor radiación solar, como muestra la gura 4, donde
enero es señalado como el mes con la incidencia más alta. Entender estos patrones anuales de
radiación facilita la proyección de la producción energética y el desarrollo de tácticas para in-
crementar la eciencia, optimizando el uso de los recursos solares.
Figura. 4. Comportamiento de radiación promedio anual año 2023
Fuente: Autores, 2024
Entrenamiento del algoritmo de árbol de decisiones
La gura 5 se muestra parte de la programación del porcentaje asignado al entrenamiento y vali-
dación del modelo. Conforme a las recomendaciones del documento (Gholamy, A., Kreinovich,
V., & Kosheleva, O., 2018), sugiere una partición de datos en un 80% para el entrenamiento y
un 20% para la validación en contextos de aprendizaje automático. Esta proporción garantiza
que el modelo se ajuste adecuadamente a los datos de entrenamiento. Además, utilizar un 20%
de los datos para la validación permite probar la capacidad predictiva del modelo, evitando el
riesgo de sobreajuste y asegurando así la abilidad de las predicciones (Wang, F., Mi, Z., Su,
S., & Zhao, H., 2012). Se utilizan datos del período 2017-2022 y una parte del año 2023 como
datos de entrenamiento. El resto del año 2023 se emplea como datos de validación.
Instituto Superior Tecnológico Universitario Rumiñahui
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Figura. 5. Porcentaje de datos para entrenamiento de modelo
Fuente: Autores, 2024
Validación del algoritmo de árbol de decisiones
Hay diversas técnicas para validar modelos predictivos, incluida la matriz de confusión, que se
ilustra en la tabla 3. Esta tabla categoriza los resultados en verdaderos positivos (TP), verdade-
ros negativos (TN), falsos positivos (FP) y falsos negativos (FN). Las entradas en la diagonal
principal de la matriz corresponden a clasicaciones acertadas, mientras que las entradas fuera
de esta diagonal reejan errores en la clasicación. Este método es esencial para evaluar la pre-
cisión y efectividad de un modelo de predicción.
Tabla 3. Valores de la matriz de confusión
Predicho Negativo Predicho Positivo
Real Negativo
Real Positivo
TN
FN
FP
TP
Precisión
La métrica conocida como precisión se calcula como la proporción de verdaderos positivos en
relación al total de predicciones positivas, tal como se señala en (James, G., Witten, D., Has-
tie, T., & Tibshirani, R., 2017). Esto signica que la precisión indica cuántas de las instancias
que el modelo clasicó como positivas son efectivamente positivas, tal como se formula en la
ecuación 1. Es crucial considerar que una precisión muy alta podría sugerir que el modelo está
sobreajustado, lo cual implica que, aunque realiza predicciones precisas sobre los datos de en-
trenamiento, podría no generalizar bien con nuevos datos.
Sensibilidad
La sensibilidad, o tasa de verdaderos positivos, se dene como la proporción de verdaderos
positivos dividida por el total de casos positivos reales. Esta métrica, es esencial para evaluar
la capacidad del modelo de identicar todas las instancias positivas de manera correcta. Su
formulación matemática está detallada en la ecuación 2. Al medir la sensibilidad, podemos
comprender cuán efectivo es el modelo al no pasar por alto los verdaderos casos positivos, lo
que es particularmente crucial en contextos donde omitir un positivo tiene consecuencias sig-
nicativas.
345
Instituto Superior Tecnológico Universitario Rumiñahui
346
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Exactitud
La precisión global del modelo se determina calculando la proporción de predicciones correctas,
que incluye tanto los verdaderos positivos como los verdaderos negativos, respecto al total de
casos evaluados. Esta medida, se visualiza en la ecuación 3, donde se presenta su formulación
matemática. La precisión global es fundamental para valorar la efectividad general del modelo
en clasicar correctamente todas las instancias, ya sean positivas o negativas, proporcionando
una visión integral de su rendimiento.
En la gura 6 se muestra un extracto de la programación para validar el modelo de árbol de
decisión en el software Python.
Figura. 6. Métricas para validación del modelo
Fuente: Autores, 2024
Predicción de la radiación solar
Para la implementación del algoritmo de árbol de decisiones es importante conocer la compo-
sición del modelo.
Algoritmo de árbol de decisiones
El modelo de árbol de decisiones utiliza criterios especícos de división para evaluar la calidad
de las separaciones en los conjuntos de datos, como se indica en (Wang, 2012). Las ecuaciones
4, 5 y 6 ilustran estas reglas matemáticas, que son cruciales para la construcción efectiva del
modelo. Estos criterios permiten al modelo segmentar los datos de manera que cada división
mejore la precisión de las predicciones al crear subconjuntos más homogéneos, fundamentales
Instituto Superior Tecnológico Universitario Rumiñahui
347
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
para la operatividad y ecacia del árbol de decisiones.
Impureza de Gini:
Varianza
Función objetivo
Métricas de evaluacion del modelo
En la gura 7 se muestra la programación de las métricas de evaluación del modelo.
Error cuadrático medio (MSE): es el cálculo de la media de los cuadrados de los errores, pre-
sentado en la ecuación 7.
Coeciente de determinación (R
2
): Indicador estadístico empleado para valorar la adecuación
del modelo se muestra en la ecuación 8.
Instituto Superior Tecnológico Universitario Rumiñahui
348
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Figura. 7. Calculo de los indicadores MSE, NME,
Fuente: Autores., 2024
3. RESULTADOS Y DISCUSIÓN
A continuación, se detallan los resultados del proyecto de investigación, que abarcan tanto la
fase de predicción y validación del modelo como los datos especícos de predicción para un
periodo de tres meses. Además, se incluyen los resultados obtenidos del desempeño del sistema
fotovoltaico durante este tiempo. Esta información es fundamental para evaluar la precisión y
la efectividad del modelo en condiciones reales, proporcionando una base sólida para futuras
mejoras y ajustes en el sistema.
Matriz de confusión
La matriz de confusión calculada se presenta en la gura 8, donde se observan 6360 verdaderos
positivos (TP), 149 falsos positivos (FP), 94 verdaderos negativos (TN), y 37 falsos negativos
(FN). Estos resultados muestran una predominancia de verdaderos positivos sobre los falsos
negativos, indicativo de que el modelo posee una excelente capacidad para identicar correc-
tamente los casos positivos. Esto se reeja en un alto nivel de sensibilidad, lo que demuestra
que el modelo es conable y efectivo en la detección de eventos o condiciones positivas, justi-
cando su uso para realizar predicciones ables.
Figura. 8. Matriz de confusión par la validación del entrenamiento
Fuente: Autores., 2024
Además, se consideran otras métricas de validación del modelo, como la precisión, exactitud y
Instituto Superior Tecnológico Universitario Rumiñahui
349
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
sensibilidad. En la tabla 4 se presentan los valores de estas métricas.
Tabla 4. Resultados de las métricas de evaluación
Parámetro Valor
Precisión 0.9
Sensibilidad 0.9
Exactitud 0.9
MSE 4267.3
NME 21,3
Coeciente de determinación 0.70
Valores de prueba y predicción
Es crucial adoptar un enfoque que permita la predicción diaria de la radiación solar, como se
ilustra en la gura 9. Utilizando el 80% de los datos para entrenar el modelo y el 20% restante
para su validación, es posible vericar la precisión del modelo. En este contexto, la compara-
ción entre el comportamiento real y los datos predichos muestra una gran similitud, lo que indi-
ca que el modelo ha captado de manera efectiva las tendencias y patrones diarios de la radiación
solar. Esto subraya la abilidad del modelo para predecir la radiación solar de forma precisa en
un marco diario.
Figura. 9. Comparación de valores de prueba y valores de predicción diaria.
Fuente: Autores, 2024
Predicción del mes de enero, febrero y marzo del 2024
El análisis mostrado en la gura 10 compara los datos actuales de radiación solar con las pre-
dicciones futuras de los meses de febrero y marzo. Inicialmente, estas predicciones se validan al
compararlas con los datos reales, lo que demuestra una buena precisión del modelo debido a la
similitud en el comportamiento observado. Posteriormente, se lleva a cabo una predicción para
los próximos tres meses, utilizando la desviación estándar como indicador clave para evaluar la
Instituto Superior Tecnológico Universitario Rumiñahui
350
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
incertidumbre asociada con estas predicciones futuras. Esta metodología es fundamental para
conrmar la efectividad del modelo en prever cambios y tendencias en la radiación solar con un
margen de conanza razonable.
Figura. 10. Comparación de valor real, validación y predicciones
Fuente: Autores, 2024
Dimensionamiento del sistema fotovoltaico
Para dimensionar adecuadamente el sistema, se llevaron a cabo estudios especícos en la zona
en cuestión. Se tomaron en cuenta parámetros de diversas fuentes, incluyendo geoportales y
otros sitios web relevantes. Por ejemplo, la cantidad de luminarias se estimó basándose en
comparaciones con lugares que presentan características similares a la zona de estudio. La
eciencia de los paneles solares se determinó de acuerdo al tipo de panel elegido, y los días de
autonomía se calcularon según las necesidades especícas del cliente. Utilizando esta infor-
mación se conguraron los datos de entrada que aparecen en la tabla 5 para realizar el análisis
pertinente con un usuario de tipo comercial.
Tabla 5. Variables de entrada para el dimensionamiento del sistema fotovoltaico
Variable Valor
Consumo mensual total en kWh 3500
Número de clientes 5
Potencia de las luminarias en W 600
Número de luminarias 23
Horas de funcionamiento diarias de las luminarias 8
Eciencia del panel solar 0.8
Voltaje del sistema (kV) 13.8
Factor de sobrecarga del inversor 1.25
Margen de seguridad 0.2
Potencia nominal de cada panel solar en W 300
Eciencia de la batería 0.9
Instituto Superior Tecnológico Universitario Rumiñahui
351
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Variable Valor
Capacidad máxima de la batería en kWh 200
Energía inicial almacenada en la batería en kWh 20
En la Tabla 6 se presentan los datos calculados para el sistema fotovoltaico.
Tabla 6. Cálculo del sistema fotovoltaico
Consumo mensual promedio por cliente 700 kWh
Consumo diario promedio por cliente 23.33 kWh
Energía diaria requerida por las luminarias 120.00 kWh
Energía diaria total requerida 123.5 kWh
Energía necesaria para los paneles solares 0.89 kWh
Área requerida para los paneles solares 4.95 m²
Energía total necesaria para la batería 123.5 kWh
Energía diaria total requerida
Se hace una estimación de consumo de los siguientes elementos considerando que el parque
industrial de Riobamba es una zona industrial:
1. Prensa,
• Marca Ejemplo: Trumpf, Amada
• Consumo: 5 kWh por hora
• Estimación (50 kWh)
2. Tornos CNC
• Marca Ejemplo: Mazak, Haas
• Consumo: 3 kWh por hora
• Estimación (30 kWh)
3. Máquinas de Moldeo por Inyección
• Marca Ejemplo: Engel, Husky
• Consumo: 2 kWh por hora
• Estimación (20 kWh)
• 3 Televisores = 3 * 1.5 kWh = 4.5 kWh
• 5 Computadoras = 4 * 1.5 kWh = 6 kWh
• Luminarias = 13 kWh
Sumando estos consumos tendríamos: 123.5kWh
Energía almacenada en la batería
La gura 11 ofrece una comparación detallada entre la energía almacenada en la batería. Se
observa que la cantidad de energía almacenada es signicativamente alta, lo cual indica que el
sistema de almacenamiento está operando ecientemente y conserva una reserva sustancial de
Instituto Superior Tecnológico Universitario Rumiñahui
352
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
energía. Esto queda evidenciado por la línea azul del gráco, que muestra muy pocos picos de
descarga, reejando la capacidad del sistema para gestionar el consumo sin comprometer las
reservas energéticas.
Figura. 11. Energía almacenada en la batería
Fuente: Autores, 2024
La Figura 12 ilustra cómo el dimensionamiento del sistema permite que la batería opere cerca
de su capacidad máxima, mientras que el consumo de energía se mantiene relativamente bajo,
teniendo en cuenta que el perl de consumo se ilustra como porcentaje en comparación con la
cantidad almacenada que es en kWh. Este comportamiento indica que el sistema está diseñado
para proporcionar un suministro de energía constante sin el riesgo de agotar las reservas de la
batería, asegurando así la abilidad y la eciencia en la gestión de la energía almacenada.
Figura. 12. Comparación de la batería y el perl de consumo.
Fuente: Autores, 2024
Instituto Superior Tecnológico Universitario Rumiñahui
353
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Consumo promedio en comparación de la energía diaria requerida
En la Figura 13 se presenta una gráca que muestra que el sistema fotovoltaico está dimensio-
nado para cubrir una demanda de energía considerablemente mayor que el consumo promedio
diario. Esta capacidad adicional es beneciosa ya que permite al sistema satisfacer otras necesi-
dades eléctricas y además los días con menos radiación solar, el sistema puede seguir operando
de manera eciente son limitaciones.
Figura. 13. Consumo diario promedio vs energía diaria requerida
Fuente: Autores, 2024
La Figura 14 ilustra la relación entre la radiación solar predicha y la energía generada por los
paneles solares a lo largo de 2000 horas. Se observan picos de radiación que alcanzan más de
400 en varios intervalos, señalando períodos de intensa radiación solar. Existe una correspon-
dencia evidente entre la radiación solar pronosticada y la energía producida por los paneles, lo
cual coincide con el desempeño esperado de un sistema fotovoltaico ecaz. La energía genera-
da reeja adecuadamente las variaciones en la radiación disponible, demostrando la capacidad
del sistema para convertir la energía solar en eléctrica de manera eciente.
Instituto Superior Tecnológico Universitario Rumiñahui
354
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
Figura. 14. Radiación solar predicha vs Energía producida por los paneles (200 horas).
Fuente: Autores, 2024
4. CONCLUSIONES
El coeciente de determinación (R²) fue de 0.70 siendo la métrica más importante. Este valor
indica que el modelo explica el 70% de la variabilidad en la radiación solar, lo cual es signica-
tivo para asegurar predicciones precisas. Esta precisión en las predicciones resulta en una mejor
planicación y optimización del uso de los paneles solares, maximizando así la eciencia de la
generación de energía en el contexto del Parque Industrial de Riobamba.
El uso de diversas métricas, incluyendo precisión, exactitud, sensibilidad, matriz de confusión
y error cuadrático medio, es fundamental para evaluar la eciencia y el rendimiento de los
modelos de predicción. Cada una de estas métricas ofrece una vista única sobre la calidad del
modelo. Al combinarlas, se facilita una evaluación exhaustiva del modelo, permitiendo identi-
car su capacidad predictiva de manera más efectiva. Esta evaluación integral es esencial para
comprender cómo cada modelo maneja diferentes tipos de datos y situaciones, asegurando que
las decisiones basadas en estos modelos sean lo más precisas posible.
El diseño del sistema fotovoltaico para el área del parque industrial se ha basado en un minu-
cioso análisis de la radiación solar y los requisitos energéticos especícos de los usuarios co-
merciales. El sistema propuesto, equipado con una capacidad pico de 1,26 kWp y un esquema
de almacenamiento óptimo, está diseñado para cubrir una demanda energética diaria de 123,5
kWh, que incluye tanto el consumo de los clientes como la operación de las luminarias. Con
una capacidad utilizable de la batería de 286,77 kWh, el sistema asegura un suministro cons-
tante de energía, incluso en períodos de baja radiación solar. Además, la potencia del inversor
se ha calculado cuidadosamente para gestionar las cargas de manera eciente y proporcionar un
margen de seguridad adecuado. Esta planicación garantiza que el sistema no solo cumpla con
Instituto Superior Tecnológico Universitario Rumiñahui
355
Fecha de recepción: 29 / 09 / 2024
Fecha de aceptación: 06 / 12 / 2024
Fecha de publicación: 23 / 01 / 2025
Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático. pp. 338 - 355 / Volumen 6,
número 1 / DOI: https://doi.org/10.37431/conectividad.v6i1.196
las necesidades actuales, sino que también ofrezca abilidad y eciencia en su funcionamiento.
REFERENCIAS
Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). Why 70/30 or 80/20 relation between
training and testing sets: A pedagogical explanation. Recuperado de https://scholarwor-
ks.utep.edu/cs_techrep/1209
Herrera Jiménez, A. (2023). Análisis y predicción de radiación en sistemas fotovoltaicos ha-
ciendo uso de Aprendizaje Automático .
Lorenzo J. A. (2024), “Radiación, Irradiación y Azimut en Fotovoltaica
. SunFields.” [Online]. Available: https://www.sfe-solar.com/noticias/articulos/energia-
fotovoltaica-radiacion-geometria-recorrido-optico-irradiancia-y-hsp/#Irradiancia
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An introduction to statistical learn-
ing with applications in R. Springer Science+Business Media.
Ministerio de Energía y Recursos Naturales No Renovables. (2018). Plan Maestro de Elec-
tricidad (pp. 54–55). Recuperado el 8 de julio de 2024, de https://www.celec.gob.ec/
wp-content/uploads/2023/02/Plan-Maestro-de-Electricidad.pdf
NASA. (2024). NASA POWER | Predicción de los recursos energéticos mundiales. Recupera-
do el 17 de julio de 2024, de https://power.larc.nasa.gov/
Ordoñez-Palacios, L.-E., et al. (2020). Predicción de radiación solar en sistemas fotovoltaicos
utilizando técnicas de aprendizaje automático. Revista Facultad de Ingeniería, 29(54),
e11751. https://doi.org/10.19053/01211129.V29.N54.2020.11751
Solargis. (2024). Previsiones solares y predicción solar - Visión general. Recuperado el 8 de
agosto de 2024, de https://solargis.com/es/products/forecast
Wang, F., Mi, Z., Su, S., & Zhao, H. (2012). Short-term solar irradiance forecasting model
based on articial neural network using statistical feature parameters. Energies (Basel),
5(5), 1355-1370. https://doi.org/10.3390/EN5051355.
United Nations. (2024). La promesa de la energía solar: Estrategia energética para reducir las
emisiones de carbono en el siglo XXI. Naciones Unidas. Recuperado el 8 de agosto de
2024, de https://www.un.org/es/chronicle/article/la-promesa-de-la-energia-solar-estra-
tegia-energetica-para-reducir-las-emisiones-de-carbono-en-el
