Modelo de predicción de irradiación solar basado en Machine Learning para la Facultad de la Energía, las Industrias y los Recursos Naturales no Renovables de la Universidad Nacional de Loja.

Abstract

La predicción de datos o forecasting, se emplea para anticipar la disponibilidad de energía solar en una región específica. En este trabajo, se llevó a cabo la predicción de irradiación solar en la Facultad de la Energía, las Industrias y los Recursos Naturales no Renovables (FEIRNNR) mediante la implementación de Redes Neuronales, tales como

Redes Neuronales Recurrentes (RNN), Long Short-Term Memory (LSTM) y Gated Recu- rrent Unit (GRU). Durante este proceso, se realizaron ajustes en hiperparámetros clave,

como Dropout, el optimizador Adams, batch_size y las épocas. Los modelos ajustados, con cada uno de los hiperparámetros mencionados anteriormente, lograron una precisión del 85 % en todos los análisis realizados, lo cual es considerado aceptable en este ámbito.

Se utilizó información proveniente de la estación meteorológica de la FEIRNNR, abar- cando todo el año 2021 con una frecuencia de muestreo de cinco minutos. No obstante,

para explorar posibles mejoras, se optó por calcular promedios cada 20 y 60 minutos res- pectivamente. Dada la diversidad climática de la ciudad de Loja, se consideró que esta

estrategia proporcionaría resultados más precisos, resultando en un éxito particularmente notable para el periodo de 5 minutos, con mejoras mínimas con respecto a los resultados obtenidos con intervalos de cinco minutos. Este estudio se sometió a la evaluación de métricas como Mean Squared Error (MSE), Mean Absolute Error (MAE) y R-squared (R2). En última instancia, este trabajo contribuye al impulso de la utilización de fuentes de energía limpias y renovables. Para futuras mejoras, se sugiere explorar ajustes en las estructuras de los modelos, así como realizar modificaciones en los hiperparámetros para continuar optimizando la precisión y eficacia de las predicciones.