Como primer paso, graficaremos la correlaci\u00f3n que existe entre cada variable de entrada con respecto a la salida del sistema. En este caso, la m\u00e1s alta es con la irradiancia solar. Esto comprueba la relaci\u00f3n directa del sol con la energ\u00eda producida, seguida de la humedad.<\/p>\n
![\"\"](\"https:\/\/energiaadebate.com\/diario\/wp-content\/uploads\/2024\/10\/image1.png\")
<\/p>\n
El segundo paso es construir una red neuronal que represente el escenario a resolver. Los modelos de aproximaci\u00f3n suelen contener las siguientes capas:<\/p>\n
- \n
- LSTM (Long Short-Term Memory). Captura dependencias a largo plazo en los datos secuenciales, lo que las hace muy \u00fatiles en tareas como la predicci\u00f3n de series temporales.<\/li>\n
- De escalamiento. En la pr\u00e1ctica, siempre es conveniente parametrizar las entradas para darles un rango adecuado. Contiene algunas estad\u00edsticas b\u00e1sicas que incluyen el promedio, la desviaci\u00f3n est\u00e1ndar, los valores m\u00ednimos y m\u00e1ximos.<\/li>\n
- Perceptr\u00f3n. Es un tipo de modelo matem\u00e1tico de neurona artificial y es uno de los primeros y m\u00e1s simples algoritmos en el campo del aprendizaje autom\u00e1tico.<\/li>\n
- De desescalamiento. Las salidas escaladas de una red neuronal se deben regresar a las unidades originales.<\/li>\n<\/ul>\n
Como ya lo establecimos para nuestro ejercicio, la red tiene nueve entradas y una salida.<\/p>\n
![\"\"](\"https:\/\/energiaadebate.com\/diario\/wp-content\/uploads\/2024\/10\/image2.png\")
<\/p>\nUna vez definida la arquitectura y los registros hist\u00f3ricos, seguimos a la fase de aprendizaje. El procedimiento utilizado se denomina estrategia de entrenamiento. Esto se hace buscando par\u00e1metros que ajusten la RNA al conjunto de datos. T\u00edpicamente, se divide en dos procesos:<\/p>\n
- \n
- Funci\u00f3n de p\u00e9rdida. Es una m\u00e9trica que mide qu\u00e9 tan bien o mal est\u00e1 funcionando el modelo en relaci\u00f3n con el objetivo esperado. En otras palabras, es una medida de cu\u00e1nto error o diferencia hay entre las predicciones realizadas por la RNA y los valores reales o deseados.<\/li>\n
- Algoritmo de optimizaci\u00f3n. Es un m\u00e9todo matem\u00e1tico utilizado para ajustar los pesos sin\u00e1pticos y sesgos, de manera que se minimice la funci\u00f3n de p\u00e9rdida. Es decir, gu\u00eda el aprendizaje, ayudando a la RNA a encontrar los par\u00e1metros \u00f3ptimos. Tienen una variedad distinta de requisitos de procesamiento y almacenamiento, dependiendo de la cantidad de datos.<\/li>\n<\/ul>\n
Cuando el modelo concluye con el entrenamiento, realizamos una validaci\u00f3n llamada an\u00e1lisis de prueba. La finalidad es evaluar las capacidades de estandarizaci\u00f3n de la RNA. Un m\u00e9todo de prueba est\u00e1ndar en aplicaciones de aproximaci\u00f3n es efectuar un an\u00e1lisis de regresi\u00f3n lineal entre los valores calculados contra los reales.<\/p>\n
![\"\"](\"https:\/\/energiaadebate.com\/diario\/wp-content\/uploads\/2024\/10\/image3.png\")
<\/p>\nPara un ajuste perfecto, el coeficiente de correlaci\u00f3n R \u00b2 ser\u00eda 1. Como tenemos R \u00b2 = 0.9951, la RNA predice con un grado de precisi\u00f3n bastante elevado.<\/p>\n
Por \u00faltimo, en la implementaci\u00f3n del modelo, la RNA predice datos para entradas que nunca ha visto. Podemos calcular los resultados para un conjunto dado:<\/p>\n
- \n
- Humedad = 74.3\u202f%<\/li>\n
- Irradiancia = 8.4 kWh\/m\u00b2<\/li>\n
- Velocidad del viento = 8.03 km\/s<\/li>\n
- Direcci\u00f3n del viento = 178\u00b0<\/li>\n
- Temperatura = 31\u202f\u00b0C<\/li>\n
- Nubosidad = 1.034<\/li>\n
- Visibilidad = 8.67 km<\/li>\n
- Factor de ensuciamiento = 94<\/li>\n
- Grado de degradaci\u00f3n del panel = 24,816<\/li>\n<\/ul>\n
El resultado determinado para estos valores ser\u00e1: energ\u00eda producida = 3,012.4 Watts.<\/p>\n
Una vez que se vuelve funcional, podremos proyectar la tendencia impact\u00e1ndola con sus diversas variantes. No obstante, ser\u00e1 imperativo continuar con el ingreso de m\u00e1s estad\u00edsticas a raz\u00f3n de ir nutriendo de conocimiento al sistema para robustecerlo y volverlo cada vez m\u00e1s preciso. A partir de datos hist\u00f3ricos de producci\u00f3n, condiciones meteorol\u00f3gicas, posici\u00f3n del sol y factores estacionales, los modelos pueden pronosticar la cantidad de energ\u00eda generada a corto y largo plazo.<\/p>\n
La inteligencia artificial est\u00e1 transformando el uso y la gesti\u00f3n de los paneles solares, desde la optimizaci\u00f3n, el mantenimiento predictivo y la gesti\u00f3n eficiente de los recursos energ\u00e9ticos. Con el tiempo, su integraci\u00f3n en sistemas fotovoltaicos continuar\u00e1 mejorando la eficiencia y reduciendo los costos, haciendo que sea a\u00fan m\u00e1s competitiva, interconectable y sostenible.<\/p>\n
En la siguiente entrega llevaremos a la IA al siguiente nivel. \u00bfQu\u00e9 pasa cuando se interconectan fuentes de generaci\u00f3n y consumidores?<\/p>\n