Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
DOI: https://doi.org/10.46296/ig.v7i14.0224  
PRONÓSTICO DE GENERACIÓN FOTOVOLTAICO DE LARGO PLAZO  
APLICANDO TÉCNICAS DE MACHINE LEARNING  
LONG-TERM PHOTOVOLTAIC GENERATION FORECASTING USING  
MACHINE LEARNING TECHNIQUES  
Quinatoa-Lema Freddy ; Quinatoa-Caiza Carlos 2  
1
1
Universidad Técnica de Cotopaxi. Latacunga, Ecuador.  
Correo: freddy.quinatoa4942@utc.edu.ec. ORCID ID: https://orcid.org/0009-0000-6076-0923.  
2
Universidad Técnica de Cotopaxi. Latacunga, Ecuador.  
Correo: carlos.quinatoa7864@utc.edu.ec. ORCID ID: https://orcid.org/0000-0001-6369-7480.  
Resumen  
En el siguiente proyecto de investigación articula la formulación de un modelo predictivo de  
recursos solares que emplea metodologías de machine learning a largo plazo donde se construye  
en fases secuenciales, aprovechando los conceptos pertinentes al análisis de datos históricos y  
basando su arquitectura en metodologías de machine learning. Se presenta una exposición de  
la amplia gama de técnicas de machine learning utilizadas en la predicción global de los recursos  
primarios y se establecen criterios para la selección de técnicas en función de su relevancia para  
las distintas fases del modelo, también se prepara meticulosamente una síntesis completa sobre  
la utilización de la estimación y la predicción de los recursos primarios como componentes  
integrales de la planificación estratégica de los sistemas fotovoltaicos a largo plazo; se formula  
el modelo y se articulan escenarios de simulación que son pertinentes al clima ecuatoriano, que  
sirven como un instrumento para estimar el potencial solar que se puede emplear para discernir  
y enfatizar la importancia de los datos como elementos fundamentales en los procesos de toma  
de decisiones involucrados en la planificación de las fuentes de energía se caracteriza por la  
variabilidad de los recursos primarios.  
Palabras clave: Sistemas Fotovoltaicos, Largo Plazo, Estimación, Potencial Solar.  
Abstract  
The following subsequent research articulates the formulation of a predictive solar resource  
model employing long-term machine learning methodologies where it is built in sequential phases,  
taking advantage of concepts relevant to historical data analysis and basing its architecture on  
machine learning methodologies. An exposition of the wide range of machine learning techniques  
used in global primary resource prediction is presented and criteria are established for the  
selection of techniques based on their relevance to the different phases of the model, a  
comprehensive synthesis on the use of primary resource estimation and prediction as integral  
components of long-term strategic planning of photovoltaic systems is also meticulously  
prepared; the model is formulated and simulation scenarios are articulated that are relevant to  
the Ecuadorian climate, which serve as a tool for estimating solar potential that can be used to  
discern and emphasize the importance of data as fundamental elements in the decision-making  
processes involved in planning energy sources characterized by the variability of primary  
resources.  
Keywords: Photovoltaic Systems, Long-term, Estimate, Solar Potential.  
Información del manuscrito:  
Fecha de recepción: 15 de abril de 2024.  
Fecha de aceptación: 25 de junio de 2024.  
Fecha de publicación: 10 de julio de 2024.  
4
05  
Quinatoa-Lema et al. (2024)  
1
. Introducción  
utilización óptima de las capacidades  
que presentan las diversas regiones  
geográficas. Inicialmente, se lleva a  
cabo un examen exhaustivo de los  
Esta investigación académica se  
centra en el examen de la predicción  
temporal extendida de la producción  
de energía fotovoltaica mediante la  
aplicación de metodologías de  
machine learning, ya que la actual  
transición energética hacia fuentes  
renovables se ve obstaculizada  
significativamente por la mayoría  
predominante de las naciones (Chen  
et al., 2011). En consecuencia, la  
generación de energía fotovoltaica  
conceptos  
fundamentales  
necesarios para el estudio, incluidas  
las definiciones y los atributos del  
recurso principal, junto con las  
variables pertinentes  
a
dicho  
recurso. El machine learning (ML)  
constituye un subconjunto de la  
inteligencia artificial, aplicable en  
múltiples dominios, y su principal  
ventaja es su capacidad para  
abordar problemas que no se  
adquiere importancia  
una  
fundamental; sin embargo, la  
pueden  
representar  
mediante  
producción  
instalación  
derivada  
solar  
de  
una  
algoritmos explícitos. Los modelos  
de machine learning distinguen las  
relaciones entre las entradas y las  
salidas, incluso en escenarios en los  
fotovoltaica  
depende de variables externas,  
incluidas las condiciones  
meteorológicas y la radiación solar,  
lo que hace que su pronóstico sea  
que  
la  
representación  
es  
inalcanzable. Esta característica  
facilita la aplicación de los modelos  
de machine learning en numerosos  
contextos, particularmente en la  
previsión de desafíos. En este marco  
en particular, es imprescindible  
complejo:  
las  
características  
variables e intermitentes de la  
energía solar, influenciadas por las  
condiciones climáticas, presentan  
obstáculos considerables en la  
planificación estratégica de la  
integración efectiva a largo plazo de  
las fuentes de energía renovables en  
la red eléctrica (Voyant et al., 2017).  
Es imprescindible poseer datos  
precisos y completos sobre el  
potencial solar. Esto permite la  
investigar  
la  
metodología  
de  
aprendizaje profundo denominada  
transformador de fusión temporal  
(TFT) (Chen et al., 2011). El  
algoritmo TFT asimila los datos  
históricos de producción y los integra  
con variables como la irradiación, los  
4
06  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
ángulos solares, la temperatura, la  
humedad, la velocidad del viento y  
las precipitaciones, entre otras, para  
mejorar la precisión de las  
identificación de las áreas de estudio  
relevantes.  
Tras  
necesaria a partir de los datos de  
entrada delimitar las zonas  
obtener  
la  
información  
previsiones  
a
largo  
plazo  
y
relacionadas con la generación de  
energía fotovoltaica (Anuradha et al.,  
definidas para facilitar la aplicación  
de las metodologías de machine  
learning, se evalúan posteriormente  
varias técnicas para determinar su  
eficacia en la clasificación y la  
regresión, junto con una revisión  
exhaustiva del modelo híbrido. Tras  
2
021).  
Las  
metodologías  
innovadoras relacionadas con la  
previsión de la generación influyen  
significativamente en la planificación  
y la gestión de la energía, ya que  
facilitan predicciones más precisas  
de la producción de energía solar y  
mejoran la gestión de la variabilidad  
de la producción (Sharkawy et al.,  
el  
metodologías elegidas, el modelo  
híbrido se construye  
establecimiento  
de  
las  
sistemáticamente, delineando cada  
una de las etapas que lo constituyen,  
al mismo tiempo que se realizan las  
calibraciones de los parámetros  
esenciales para mejorar su eficacia  
operativa; posteriormente, utilizando  
el modelo desarrollado, se derivan  
2
022). La precisión mejorada de la  
previsión algorítmica en Python  
contribuye a la minimización de los  
gastos y al aumento de la eficiencia  
operativa,  
mientras  
de  
que las  
aprendizaje  
metodologías  
profundo, debido a su capacidad  
para analizar y obtener información  
de extensos repositorios de datos,  
los hallazgos  
resultantes.  
y
conclusiones  
proporcionan  
los  
instrumentos  
2
. Materiales y métodos  
necesarios para abordar este  
desafío (Voyant et al., 2017).  
El dominio de las fuentes de energía  
renovables, en particular el  
Paralelamente,  
se  
analiza  
y
selecciona meticulosamente la base  
de datos que aborda de manera más  
despliegue de energía solar para la  
generación de energía eléctrica, ha  
experimentado importantes avances  
tecnológicos en los últimos años  
eficaz  
los  
requisitos  
junto  
de  
con  
la  
la  
investigación,  
4
07  
Quinatoa-Lema et al. (2024)  
(
Chen et al., 2011), lo que se ha  
traducido en un aumento notable en  
la utilización de instalaciones solares  
fotovoltaicas vinculadas a la red  
ayudaría en la administración y el  
mantenimiento de estas  
instalaciones solares fotovoltaicas  
(Aparicio, 2020).  
eléctrica  
externa,  
que  
ha  
Predicción de radiación solar  
experimentado un aumento mundial  
en el año 2021 (Voyant et al., 2017).  
La energía solar presenta una  
variabilidad significativa, ya que se  
genera mediante la conversión de la  
radiación solar en energía eléctrica  
utilizable a través de paneles  
fotovoltaicos que aprovechan la  
irradiación solar (Voyant et al.,  
El machine learning representa un  
dominio especializado dentro de la  
disciplina más amplia de la  
informática y se identifica como una  
técnica pertinente a la inteligencia  
artificial (IA). Esta metodología  
encuentra aplicaciones en una  
amplia gama de sectores, que  
abarcan la energía, la economía y la  
biología (Castillo, 2015). El proceso  
de machine learning se divide en tres  
fases distintas: la fase inicial implica  
2
017). La predicción de la radiación  
solar depende de una multitud de  
variables, tan variables como las  
condiciones meteorológicas que  
influyen en la magnitud, la duración y  
la trayectoria de la irradiación solar  
el  
pre  
procesamiento  
y
la  
clasificación de los datos, la fase  
posterior se refiere a la entrada de  
datos y la fase final aborda las  
discrepancias entre los datos  
pronosticados y los datos medidos  
reales.  
(
Anuradha et al., 2021). La energía  
producida por las instalaciones  
solares fotovoltaicas está  
influenciada por las variaciones  
climáticas, en particular la irradiación  
solar y la temperatura ambiente; por  
lo tanto, para evaluar la estabilidad y  
confiabilidad del sistema eléctrico, es  
imperativo generar pronósticos para  
esta producción de energía, teniendo  
en cuenta los datos históricos  
relacionados con las variables  
climáticas (Sharkawy et al., 2022).  
Este análisis predictivo también  
Además, la implementación de un  
modelo de aprendizaje automático  
requiere la consideración de criterios  
específicos, como se describe en  
(Echegaray et al., 2018):  
•
Tratamiento de la no-linealidad.  
•
Comportamiento  
al  
usar  
múltiples entradas.  
4
08  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
•
•
Horizonte de predicción.  
Tratamiento de la desviación  
asociada a la predicción  
Flexibilidad  
requieren una evaluación exhaustiva  
Sandoval Serrano, 2018):  
(
1
. Planeación de generación a  
largo plazo, con un periodo de 10  
a 40 años.  
•
En el ámbito de la predicción de la  
radiación solar, la aplicación del  
machine learning ha demostrado un  
impacto transformador a la hora de  
abordar los desafíos que plantean la  
importante falta de linealidad  
2
3
4
. Planeación geo-espacial para  
transmisión, Un periodo de  
tiempo de 5-20 años.  
. Simulación de despacho, con un  
tiempo no mayor a semanas o  
meses.  
inherente  
a
los datos  
y
su  
. Estudios técnicos de red, con un  
tiempo mayor a 5 años.  
pronunciada variabilidad (Echegaray  
et al., 2018).  
En consecuencia, se pueden  
identificar tres categorías distintas de  
Estimación de recurso primario  
aplicado  
en  
escenarios  
de  
radiación con respecto  
a
los  
planeación  
impactos que la radiación solar  
ejerce sobre la Tierra:  
La evaluación del recurso solar  
primario se convierte en un  
instrumento fundamental dentro de  
la planificación estratégica del sector  
eléctrico. Los responsables políticos  
dependen cada vez más de los  
o Directa: radiación que se origina  
en el sol sin sufrir ninguna  
alteración por las condiciones  
atmosféricas de la Tierra  
(Echegaray et al., 2018).  
análisis  
técnicos,  
tanto  
para  
o Difusa: se refiere a la radiación  
que presenta una variabilidad de  
dirección como resultado de los  
fenómenos de dispersión que  
experimenta en la atmósfera o  
que, alternativamente, está  
influenciada por el efecto albedo  
cuantificar el recurso primario como  
para guiar la formulación de políticas  
destinadas a establecer el marco y  
las iniciativas para el avance de la  
energía solar fotovoltaica (Constante  
&
Palacios, 2014). En el contexto de  
la planificación de un sistema  
fotovoltaico, cuatro fases distintas  
(Echegaray et al., 2018).  
o Energía reflejada: se refiere a la  
parte de la energía solar que  
4
09  
Quinatoa-Lema et al. (2024)  
impacta directamente en la  
a la atenuación de la radiación  
directa, que puede deberse a las  
condiciones meteorológicas, los  
días nublados u otras variables.  
No obstante, la radiación  
continúa absorbiéndose, ya que  
superficie  
terrestre  
y,  
posteriormente, se refleja en las  
superficies adyacentes o se  
reemite a la atmósfera (Cuesta  
et al., 2023). Haciendo hincapié  
en  
las  
categorías  
antes  
la  
radiación  
difusa  
está  
mencionadas, se puede afirmar  
que, en el contexto del  
aprovechamiento de la radiación  
solar en las instalaciones de  
permanentemente presente y  
activa. Para dilucidar más, la  
suma de los tres tipos de  
radiación (directa, difusa  
y
energía fotovoltaica  
térmica, la radiación directa tiene  
una importancia capital.  
Numerosos factores contribuyen  
y
foto  
reflejada) constituye la radiación  
total que impregna nuestro  
planeta (Cuesta et al., 2023). En  
la Figura 1 se observa a detalle:  
Figura 1. Tipos de radiación solar  
Fuente: (Cuesta et al., 2023)  
Para aprovechar la energía eléctrica  
semiconductores que son capaces  
de absorber, conducir o aislar la  
energía.  
derivada de la radiación solar, es  
imprescindible convertirla mediante  
módulos  
fotovoltaicos,  
propiedades  
Tras la interacción de la célula  
aprovechando  
las  
fotovoltaica  
con  
los  
fotones  
excepcionales de estos materiales  
(partículas de luz), se produce una  
4
10  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
transferencia de energía a los  
electrones dentro del material de la  
célula, lo que resulta en una  
elevación de los niveles de energía  
entre los electrones, lo que permite  
su movilidad por todo el material  
entrenamiento mediante el cual se le  
proporcionan tanto las preguntas  
(características) como las  
respuestas correspondientes. Esto  
permite al algoritmo ejecutar  
posteriormente predicciones en  
función de su comprensión de las  
características (Bontempi et al.,  
2013). En este marco, se emplean  
(Echegaray et al., 2018) ; cada  
electrón llega posteriormente a un  
punto de contacto designado, que  
culmina con la generación de una  
corriente eléctrica (Cuesta et al.,  
algoritmos  
regresión.  
de  
clasificación  
y
2
023).  
Algoritmos de clasificación: estos  
algoritmos identifican los patrones  
subyacentes dentro de los datos  
suministrados y los clasifican en  
Machine Learning  
El puede  
caracterizarse como la metodología  
computacional de deducir  
machine  
learning  
distintos evaluando  
posteriormente los datos novedosos  
asignándolos una de estas  
grupos,  
y
extrapolar de forma autónoma un  
modelo de aprendizaje a partir de  
una muestra de conjunto de datos,  
como se muestra en la Figura 2  
a
categorías establecidas, dotándolos  
así de capacidades predictivas  
(Bontempi et al., 2013).  
(Sandoval Serrano, 2018). Estos  
Figura 2. Clasificación lineal  
modelos emplean algoritmos, o  
funciones estadísticas, para delinear  
las dependencias dentro de los  
datos, las ocurrencias  
y
las  
correlaciones entre las variables de  
entrada y los resultados de salida  
(Voyant et al., 2017). Existen dos  
categorías distintas de aprendizaje:  
supervisado y no supervisado.  
Fuente:(Bontempi et al., 2013)  
Aprendizaje supervisado: en este  
paradigma de aprendizaje, un  
algoritmo se somete a un proceso de  
4
11  
Quinatoa-Lema et al. (2024)  
El machine learning clasifica los  
modelos en función de la cantidad de  
metodologías empleadas. Cuando  
se utiliza una metodología aislada  
desde la entrada inicial de datos  
hasta la fase final, normalmente en  
ausencia de procesamiento previo,  
se denomina modelo unitario. Por el  
contrario, cuando se implementan  
dos o más metodologías en cada  
etapa, junto con el procesamiento de  
datos, se designa como modelo  
híbrido (Sandoval Serrano, 2018).  
Redes Neuronales  
Esta metodología tiene como  
objetivo emular las características  
operativas del cerebro humano, que  
consiste en numerosas neuronas  
interconectadas que forman redes  
que facilitan la transmisión de  
información entre ellas, como se  
muestra en la Figura 3. Esta  
simulación  
del  
funcionamiento  
cerebral humano se clasifica como  
uno de los modelos de moda  
contemporáneos debido  
a
las  
de  
avanzadas  
capacidades  
cognitivo  
razonamiento  
que  
desarrolla (Bontempi et al., 2013).  
Figura 3. Estructura de la red neuronal artificial  
Fuente: (Bontempi et al., 2013)  
SVM  
mantenga una distancia igual de las  
instancias más cercanas (muestras o  
vectores de entrada) de cada  
categoría, logrando así lo que se  
conoce como el margen máximo a  
cada lado del hiperplano. Al definir  
Las máquinas vectoriales de soporte  
Support Vector Machine (SVM) se  
esfuerzan un  
por  
identificar  
hiperplano de delineación que  
4
12  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
este hiperplano, solo se tienen en  
cuenta las instancias de  
entrenamiento de cada categoría  
que están ubicadas precisamente en  
el límite de estos márgenes. Como  
se muestra en la Figura 4.  
Figura 4. Clases de un hiperplano equidistantes en SVM  
Fuente: (Aparicio, 2020)  
Las máquinas vectoriales de soporte  
SVR) que se han modificado para  
abordar los desafíos de regresión  
regresión vectorial de soporte). Por  
lo tanto, teniendo en cuenta una  
los recursos solares y facilitan la  
(
formulación de estrategias de  
expansión de la generación a largo  
plazo. En el funcionamiento del  
sistema eléctrico, una de las  
consideraciones fundamentales es  
garantizar el equilibrio entre la oferta  
(
colección  
de  
instancias  
de  
formación:  
y
la  
demanda,  
garantizando  
푆 = {(푥 , 푦 ), … , (푥 , 푦 )}  
(1)  
1
1
푛
푛
esencialmente que la generación se  
alinee con el consumo en tiempo  
real. Esto requiere la realización de  
estudios destinados a mantener la  
El  
sector  
eléctrico  
una  
oportunidad para el ML  
Inicialmente, la aplicación de  
modelos empíricos basados en la  
evaluación de las correlaciones entre  
las variables meteorológicas y el  
análisis de imágenes de satélite  
estabilidad del sistema  
y
la  
frecuencia de la red, además de  
comprender el comportamiento de  
sus componentes y variables, como  
el voltaje, la corriente eléctrica y la  
potencia, mediante metodologías  
(Bontempi et al., 2013) culmina con  
la creación de instrumentos como los  
mapas, que dilucidan el potencial de  
4
13  
Quinatoa-Lema et al. (2024)  
como el análisis del flujo de carga  
La  
geográficos y climáticos distintivos  
que pueden afectar  
nación  
exhibe  
atributos  
(Echegaray et al., 2018).  
La incorporación de estas fuentes de  
generación renovables a la matriz  
energética (específicamente la solar  
y la eólica) presenta importantes  
significativamente el despliegue de  
los sistemas fotovoltaicos. El  
potencial de energía solar en  
Ecuador es excepcionalmente alto,  
lo que se atribuye a su posición  
dentro de la zona intertropical, con  
una insolación solar promedio de  
ventajas  
para  
los  
gobiernos  
contemporáneos, ya que estas  
fuentes disminuyen la dependencia  
de  
las  
fuentes  
de  
energía  
4
.378 (kW-h/m² por día). El punto  
tradicionales y mitigan la necesidad  
de adquirir combustible para las  
álgido de la radiación solar en el país  
se observa en la región andina,  
donde la elevación facilita la  
absorción de niveles sustanciales de  
energía solar a lo largo del ciclo  
anual. La capacidad fotovoltaica en  
Ecuador, tal como se define en la  
designación de tierra adecuada para  
el desarrollo de instalaciones  
centrales  
térmicas.  
Además,  
además de las ventajas ambientales  
bien documentadas, contribuyen a la  
reducción de las emisiones de gases  
de efecto invernadero, a la mejora de  
la calidad del aire mundial y a la  
disminución del consumo de agua  
por unidad de electricidad generada  
fotovoltaicas  
complementarias,  
(Echegaray et al., 2018). El  
comprende el 9,3% de la extensión  
nacional (23.819 km²), mientras que  
el área clasificada como tierra más  
adecuada para tales desarrollos  
abarca 805 km² o el 0,32% del  
territorio nacional, lo que arroja un  
potencial bruto teórico de 35,7 GWp  
panorama contemporáneo de los  
sistemas fotovoltaicos en Ecuador se  
caracteriza por un avance sustancial  
en la utilización de la energía solar,  
respaldado  
por  
políticas  
gubernamentales  
innovaciones  
favorables  
e
tecnológicas;  
sin  
(61,5 GWh/año). La radiación solar  
embargo, al mismo tiempo encuentra  
obstáculos relacionados con la  
integración dentro de la red eléctrica  
y la viabilidad financiera (Sandoval  
Serrano, 2018).  
emitida por el sol entra en la  
atmósfera terrestre en una fracción  
relativamente  
pequeña  
en  
comparación con la producción solar  
total debido a las grandes distancias  
4
14  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
recorridas; la cifra aproximada de la  
radiación solar que incide sobre la  
Tierra es de 1.360 (W/m²). Sin  
embargo, este valor no refleja la  
radiación que finalmente llega a la  
que se les atribuyen. En el presente  
estudio, la aplicación del machine  
learning se concentra en la  
predicción de los recursos solares  
primarios como fuentes de energía  
renovables no tradicionales, lo que  
superficie que  
aproximadamente el 26% de los  
360 W/m² se absorbe dentro de la  
terrestre,  
ya  
permite  
evaluar  
el  
potencial  
1
energético dentro de una localidad  
geográfica designada, ofreciendo así  
una metodología que ayuda en la  
fase de diseño para mitigar la  
incertidumbre relacionada con el  
recurso energético.  
capa atmosférica, lo que hace que  
una radiación solar efectiva de  
aproximadamente 1000 W/m² llegue  
a la superficie.  
3
. Resultados y discusión  
Base de datos  
En el contexto de las bases de datos  
disponibles actualmente en la Tabla  
Para el avance de estos modelos, un  
requisito fundamental es la posesión  
de datos históricos validados que  
faciliten la comprensión de la  
interdependencia estocástica entre  
los eventos pasados y los resultados  
futuros. Esta capacidad de analizar  
datos y convertir las observaciones  
en conocimiento práctico nos  
permite crear modelos sólidos con  
niveles de precisión aceptables. Sin  
embargo, para el desarrollo de estos  
modelos, es imprescindible tener en  
cuenta las metodologías incluidas en  
el machine learning, ya que cada  
técnica posee atributos distintivos  
que la hacen más competente en  
relación con las aplicaciones  
específicas y las configuraciones  
1
, se consideró necesaria una  
revisión exhaustiva de las fuentes  
nacionales e internacionales. En el  
marco nacional, se identifica la base  
de datos IDEAM, mientras que entre  
las fuentes internacionales destacan  
organizaciones como la NASA. A la  
luz de los atributos de las bases de  
datos mejoradas, cabe destacar que  
la NASA presenta importantes  
ventajas con respecto al IDEAM en  
lo que respecta a la actualidad de la  
información, reduce los casos de  
datos ausentes para las variables de  
entrada y salida y aumenta la  
eficiencia en la gestión de los datos  
faltantes para un pre procesamiento  
4
15  
Quinatoa-Lema et al. (2024)  
adecuado de la información. En  
consecuencia, se considera que la  
base de datos de la NASA se ajusta  
mejor a los requisitos del estudio, lo  
que confirma su papel como fuente  
fiable de información para  
fundamentar el modelo.  
Tabla 1. Características de los datos de las variables de la NASA  
Parámetro  
Unidades  
Abreviatura  
Precipitación diaria  
Mm/día  
PRECTOT  
PS  
Precipitación  
atmosférica  
kPa  
Humedad relativa  
Temperatura media  
Velocidad del viento  
Índice de claridad  
%
RH2M  
T2M  
°퐶  
m/s  
WS10M  
KT  
Adimensional  
Radiación a cielo  
abierto  
푊⁄푚2  
ALLKY_SFC_SW_DWN  
Desarrollo del modelo  
asocian a entidades específicas, y  
cabe destacar que cada lenguaje de  
programación posee un enfoque  
único para la implementación del  
concepto de variable. Python abarca  
varios tipos de variables que los  
expertos pueden utilizar de forma  
predeterminada, incluidos, entre  
otros: tipos numéricos, secuencias,  
mapeos y conjuntos, que sirven para  
organizar otros datos, como se  
explica en la siguiente Tabla 3 a  
continuación.  
Teniendo en cuenta los factores  
antes mencionados, procedemos  
ahora las  
metodologías que constituirán el  
modelo definitivo. Para este  
a
seleccionar  
emprendimiento, se emplea el  
lenguaje de programación Python,  
que se caracteriza por ser de código  
abierto y diseñado para analistas de  
datos.  
En el ámbito de la  
programación, las variables se  
Tabla 2. Principales funciones utilizados  
Descripción  
Sirve para crear funciones definidas por el usuario.  
Se usa para tomar decisiones, generalmente de una operación lógica  
Tipo de variable  
def  
if  
4
16  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
else  
Se cumple sin evaluar la expresión condicional  
Permite abrir archivo y leer archivo.  
Open, read  
Este lenguaje de programación  
abarca una serie de funciones que  
están integradas de forma inherente  
en el propio lenguaje y, al mismo  
tiempo, facilitan el desarrollo de  
funciones definidas por el usuario.  
Flujo del programa desarrollado  
Figura 5. Estructura de la metodología aplicada  
Fuente: Autoría propia  
La Figura 5 delinea la representación  
esquemática del aparato  
computacional ideado, en el que el  
procesamiento de variables  
durante un período de análisis  
específico.  
Para determinar la producción  
eléctrica que generará la instalación  
de energía solar fotovoltaica, es  
estocásticas (específicamente la  
radiación solar y la temperatura)  
imprescindible una  
previsión de los recursos primarios  
Figura 6), ya que se trata de  
establecer  
junto evaluación  
probabilística precisa mediante la  
simulación del machine learning  
con  
una  
(
variables que son intrínsecamente  
susceptibles a las fluctuaciones  
naturales que escapan al control  
humano, lo que presenta un desafío  
importante en el cálculo de la  
produce la potencia de salida  
proyectada que la instalación  
fotovoltaica es capaz de entregar  
4
17  
Quinatoa-Lema et al. (2024)  
producción de energía de dichos  
sistemas de generación eléctrica. El  
conjunto de datos relativo a la  
radiación solar y la temperatura  
proviene del laboratorio de Energía  
Renovable de la Escuela Politécnica  
Nacional. Es importante hacer  
hincapié en que la gestión eficaz de  
los datos requiere la disponibilidad  
de un conjunto de datos anual para  
posteriores arrojen una estimación  
energética que se ajuste  
sustancialmente a las condiciones  
reales; además, el intervalo  
designado de horas representativas  
para la gestión de datos se  
estableció entre las 07:00 y las 18:00  
horas, lo que culminó con un total de  
12 horas asignadas a la estimación  
de la energía.  
garantizar  
que  
los  
cálculos  
Figura 6. La irradiación solar promedio  
Fuente: Autoría propia  
Para el examen del histograma,  
tenemos en cuenta la tabla de datos  
que presenta la irradiación media  
mensual junto con la curva  
correspondiente que ilustra las  
fluctuaciones en la irradiación diaria  
total.  
Figura 7. Potencia generada y predicción para un día soleado  
Fuente: Autoría propia  
4
18  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
La Figura 7 presentan el análisis  
comparativo de los resultados  
predictivos yuxtapuestos con el  
conjunto de datos original en un día  
caracterizado por cielos despejados  
y otro marcado por condiciones  
cuenta. Los atributos eléctricos de un  
módulo de potencia y voltaje están  
determinados por las células  
fotovoltaicas que lo constituyen,  
como lo ilustran las curvas P-V e I-V,  
y se especifican mediante los  
sustancialmente  
respectivamente.  
nubladas,  
Estas  
parámetros  
Isc  
(corriente  
de  
cortocircuito), Voc (voltaje de circuito  
abierto), Vmpp (voltaje máximo),  
Impp (corriente máxima), Pm  
(potencia máxima) y FF (factor de  
llenado).  
representaciones gráficas aclaran la  
eficacia del modelo a la hora de  
pronosticar la energía eléctrica  
generada, teniendo en cuenta las  
variables que se han tenido en  
Figura 8. Los valores de Isc, Voc, Vmpp, Impp  
Fuente: Autoría propia  
Los parámetros en la Figura 8, Isc,  
denomina potencia máxima y se  
cuantifica en vatios máximos (Wp).  
El impacto de la temperatura y la  
irradiación en el rendimiento de la  
célula solar es de suma importancia  
para las predicciones precisas; por lo  
tanto, confiar únicamente en un  
modelo físico no sería práctico. Por  
Voc, Vmpp e Impp se calcularon en  
condiciones de prueba estándar, que  
se describen de la siguiente manera:  
irradiación G = 1 kW/m², distribución  
espectral AM = 1,5 y temperatura de  
la celda Tc = 25 °C. La potencia  
máxima de salida del módulo, tal  
como se define en las condiciones  
de prueba estándar (STC), se  
el emplean  
contrario,  
se  
metodologías matemáticas para  
4
19  
Quinatoa-Lema et al. (2024)  
convertir las características de  
corriente-voltaje (I-V) del STC en  
distintos puntos de funcionamiento,  
aunque dentro de rangos de  
temperatura e irradiación específicos  
próximos a los valores de prueba,  
incorporando al mismo tiempo  
normalización de los valores de  
radiación, que sirven como entradas  
a la matriz de Markov. La desviación  
observada en esta investigación es  
de aproximadamente el 8% en  
comparación con los modelos  
lineales y estadísticos. Este marco  
analítico es experto en capturar las  
características no lineales de la  
radiación y sopesar eficazmente las  
probabilidades de ocurrencia para  
identificar el predictor.  
parámetros  
adicionales.  
Este  
modelo analítico se estructura en  
dos fases: la fase inicial utiliza redes  
neuronales (NN) para estimar los  
valores mensuales de la radiación  
solar. La fase posterior implica la  
Figura 9. Componentes del predictor principal híbrido  
Fuente: (Chen et al., 2011)  
La fase de pronóstico que utiliza  
del espacio de características, donde  
los puntos de datos se representan  
exclusivamente a través de sus  
productos internos con otros puntos.  
SVM en la Figura 9, comienza  
evaluando un mapeo del conjunto  
de datos de entrada dentro de un  
dominio expansivo delineado por la  
función del kernel. Esta función  
calcula el producto interno entre las  
representaciones de dos puntos de  
datos distintos. El proceso de  
aprendizaje se lleva a cabo dentro  
Según el marco teórico, si se utilizara  
una proyección:  
훷 → Aquí, 푥 indica el vector de datos  
de entrada representa el  
y
hiperplano separador.  
4
20  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
El producto interno de los puntos  
4. Conclusiones  
La función k del núcleo puede  
articularse mediante una función  
básica k.  
Se estableció una metodología de  
vanguardia en la que se discernieron  
los patrones evolutivos al abordar el  
tema de la previsión de los recursos  
k (푥,푥′) = ⟨훷(푥)|훷(푥′)⟩  
(2)  
primarios, soluciones  
delineadas en la literatura existente  
empleaban predictores de  
y
las  
Una vez que se ha delineado la  
función del núcleo de tipo red  
neuronal (NN), es factible operar  
dentro de espacios de cualquier  
dimensionalidad sin necesidad de  
aprendizaje automático. Se formuló  
un marco híbrido basado en  
metodologías de machine learning  
para  
evaluar  
y
estimar  
repetir  
el  
procedimiento  
de  
cuantitativamente el recurso solar  
diario utilizando el lenguaje de  
programación Python.  
caracterización. Esta capacidad se  
basa en la capacidad de las redes  
neuronales para asimilar numerosas  
entradas que pueden utilizarse  
directamente con conjuntos de datos  
alternativos, lo que evita la  
Al seleccionó meticulosamente una  
base de datos adaptada a los  
requisitos de la investigación  
necesidad  
de  
utilizar  
una  
(NASA), que se considera más  
metodología de extracción de  
características.  
sólida y funcional en comparación  
con las bases de datos alternativas,  
se ajustó a la metodología propuesta  
para su aplicación en este contexto  
específico y, basándose en este  
conjunto de datos, se analizó la  
capacidad de respuesta del modelo  
En última instancia, determina los  
valores de la radiación total incidente  
como consecuencia del análisis  
predictivo. Las secciones siguientes  
aclaran los escenarios de simulación  
y las características operativas del  
modelo de inteligencia artificial en  
diferentes perfiles climáticos.  
a
las  
diversas  
condiciones  
meteorológicas en relación con cada  
área de estudio designada. El  
machine learning facilita la toma de  
decisiones estratégicas a largo  
plazo, lo que permite proporcionar  
soluciones cada vez más eficientes  
4
21  
Quinatoa-Lema et al. (2024)  
en relación con la capacidad de  
https://books.google.com.ec/b  
ooks?id=YkxOEAAAQBAJ  
generación  
de  
los  
sistemas  
fotovoltaicos, además de discernir  
los tiempos óptimos para que los  
sistemas antes mencionados se  
interconecten a la red, mejorando así  
la confiabilidad de la infraestructura  
eléctrica.  
Bontempi, G., Ben Taieb, S., & Le  
Borgne,  
Y.-A.  
(2013).  
Machine Learning Strategies  
for Time Series Forecasting.  
In Lecture Notes in Business  
Information Processing (Vol.  
1
38, 6).  
https://doi.org/10.1007/978-3-  
42-36318-4_3  
p.  
6
En última instancia, la incorporación  
de técnicas de machine learning en  
la planificación estratégica de la  
toma de decisiones plantea un  
desafío importante en las iniciativas  
Castillo, J. I. R. (2015). Analysis of  
the operation of photovoltaic  
panels and their use in the  
coastal and highland regions  
of Ecuador, case study:  
Pompeu Fabra Library in  
de  
expansión  
en  
Ecuador.  
Mataró.  
https://api.semanticscholar.or  
g/CorpusID:161044152  
99.  
Comprender el contexto histórico de  
una región y evaluar su potencial  
como recurso principal contribuirá a  
tomar decisiones más informadas en  
las dimensiones económica, de  
inversión y social.  
Chen, J.-L., Liu, H.-B., Wu, W., & Xie,  
D.-T. (2011). Estimation of  
monthly solar radiation from  
measured temperatures using  
support vector machines – A  
case  
Energy,  
study.  
36(1),  
Renewable  
413–420.  
Bibliografía  
https://doi.org/https://doi.org/1  
0.1016/j.renene.2010.06.024  
Anuradha, K., Erlapally, D., Karuna,  
G.,  
Adilakshmi,  
Analysis Of Solar Power  
Generation Forecasting Using  
Srilakshmi,  
K.  
V.,  
(2021).  
&
Constante, J., & Palacios, E. (2014).  
Solar Resource For Power  
Generation. In Universidad  
Politécnica  
http://www.dspace.ups.edu.e  
c/handle/123456789/6791  
Salesiana.  
Machine  
Techniques. E3S Web of  
Conferences, 309.  
Learning  
https://doi.org/10.1051/e3sco  
nf/202130901163  
Cuesta, M., Constante, J., & Jijón, D.  
(2023). Solar Radiation and  
Ambient  
Prediction  
Recurrent Neural Networks.  
Temperature  
Modeling by  
Aparicio, M. P. (2020). Solar  
radiation and its energy use.  
Marcombo.  
4
22  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) 2024. ISSN: 2737-6249  
Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning  
Revista Técnica “Energía,”  
1
9(2),  
PP.  
81–89.  
https://doi.org/10.37116/revist  
aenergia.v19.n2.2023.552  
Echegaray,  
C.,  
Masabanda-  
Caisaguano, M., Rodriguez  
Espinosa, F., Toulkeridis, T.,  
Mato, F., & Alegria, A. (2018).  
Solar Energy Potential in  
Ecuador. Proceedings of the  
IEEE,  
1,  
46–51.  
https://doi.org/10.1109/ICEDE  
G.2018.8372318  
Sandoval Serrano, L. J. (2018).  
Machine learning algorithms  
for  
data  
analysis  
and  
Revista  
1–2.  
forecasting.  
Tecnológica,  
11,  
http://redicces.org.sv/jspui/bit  
stream/10972/3626/1/Art6_R  
T2018.pdf  
Sharkawy, A.-N., Ali, M., Mousa, H.,  
Ali, A., & Abdel-Jaber, G.  
(2022). Machine Learning  
Method for Solar PV Output  
Power  
International  
Prediction.  
Journal  
SVU-  
of  
Engineering Sciences and  
Application, 3(1), 123–130.  
https://doi.org/10.21608/svusr  
c.2022.157039.1066  
Voyant, C., Notton, G., Kalogirou, S.,  
Nivet, M.-L., Paoli, C., Motte,  
F., & Fouilloy, A. (2017).  
Machine Learning methods  
for solar radiation forecasting:  
a review. Renewable Energy,  
1
05.  
https://doi.org/10.1016/j.renen  
e.2016.12.095  
4
23