Doctorado en Ciencias con mención en Física

Titulo del Proyecto: Desarrollo de modelos de Prediccion de Energia Solar Fotovoltaica mediante técnica Machine/Transfer Learning para optimizar la gestión de microrredes eléctricas hibridas. Teniendo en cuenta la problemática ambiental actual, el uso de fuentes de energía renovables está pasando de ser una opción a una necesidad obligatoria para transformar la matriz energética global. Por ello, este trabajo de investigación se orienta al estudio de los sistemas fotovoltaicos (PVS), centrándose específicamente en la predicción de potencia a corto plazo mediante un marco de Aprendizaje por Transferencia (TL) transcontinental. A pesar de que la energía solar es inagotable, presenta desafíos críticos debido a su naturaleza estocástica, fluctuaciones constantes y alta dependencia de factores climatológicos. En microrredes remotas como la de Laguna Grande, la integración de estos PVS enfrenta el obstáculo de la escasez de datos históricos, lo que imposibilita construir modelos de predicción fiables desde cero. Esta falta de previsión conlleva efectos negativos, como la inestabilidad en el suministro y una gestión ineficiente del almacenamiento, lo que reduce la vida útil de los equipos eléctricos. Debido a la variabilidad de la radiación, este trabajo tiene como objetivo implementar un modelo computacional basado en algoritmos de aprendizaje automático (como LightGBM y ANN) que, mediante la transferencia de conocimiento desde plantas de gran escala (en España), permita pronosticar la potencia con un horizonte de 15 minutos bajo diferentes regímenes climatológicos. Basado en esta información predicha, se optimizará la gestión del Estado de Carga (SOC) de la batería para amortiguar las fluctuaciones de energía, garantizando un flujo constante y protegiendo el sistema de almacenamiento en entornos de baja instrumentación. La metodología básica para esta investigación tendrá el siguiente orden: obtención de la data histórica de potencia y principales parámetros climatológicos del sistema fotovoltaico fuente, clasificación de los días contenidos en la data histórica por regímenes climáticos a través de K-means clustering, desarrollo de modelos de inteligencia artificial (IA) para predecir la potencia fotovoltaica a corto plazo en el sistema fotovoltaico fuente, obtención de la data histórica disponible de potencia y principales parámetros climatológicos de la microrred rural objetivo, validación de los patrones de irradiancia y temperatura entre ambos puntos geográficos mediante un Análisis de Discrepancia de Dominio, aplicación de aprendizaje por transferencia del modelo pre-entrenado en el dominio fuente al dominio objetivo; y por último, aplicación del modelo adaptado a la gestión energética de la microrred. Los resultados esperados de esta investigación son los siguientes: con el desarrollo de un marco de aprendizaje por transferencia se supera la barrera de escasez de datos para realización de modelos de predicción confiables, evidenciar mediante resultados numéricos el rendimiento del modelo adaptado para la predicción a corto plazo de generación fotovoltaica, mostrar que al integrar las predicciones del modelo adaptado al algoritmo de gestión energética de la microrred ayuda a prolongar la vida útil del sistema de almacenamiento de batería de dicha microrred, con esta investigación se pretende demostrar la viabilidad de usar modelos altamente precisos entrenado con muchos datos de lugares energéticos mas desarrollados y adaptarlos a zonas con potencial energético renovables en vías de desarrollo, lo cual permitirá aumentar la viabilidad de instalar sistemas fotovoltaicos rurales.

VASQUEZ CASTELLANOS ,MANUEL ROBERTO