Científicos españoles revolucionan la predicción de energía solar con inteligencia artificial

Científicos en España desarrollan un modelo avanzado para predecir la generación de energía solar fotovoltaica

Investigadores de la Universidad Politécnica de Valencia han diseñado un innovador método para mejorar la predicción de la generación de energía en sistemas fotovoltaicos (FV). Este avance combina algoritmos genéticos (GA, por sus siglas en inglés) con redes neuronales artificiales de tipo feedforward (FF-ANN), logrando optimizar los parámetros del modelo y superar los métodos tradicionales en precisión.

El desafío de predecir la generación de energía solar radica en la naturaleza variable de las fuentes renovables y la complejidad de los sistemas no lineales. En este contexto, los investigadores han centrado sus esfuerzos en perfeccionar las técnicas de modelado para abordar estas dificultades. El enfoque propuesto utiliza algoritmos genéticos para ajustar los hiperparámetros de las redes neuronales, elementos clave que determinan cómo se entrena y funciona el modelo.

### ¿Qué son las redes FF-ANN y los algoritmos genéticos?

Las redes neuronales feedforward (FF-ANN) son un tipo de red artificial que procesa información en una única dirección, desde la capa de entrada hasta la de salida, pasando por capas ocultas. Estas redes requieren configuraciones precisas, conocidas como hiperparámetros, que incluyen el número de neuronas, funciones de transferencia y pesos de las conexiones.

Por otro lado, los algoritmos genéticos (GA) están inspirados en los procesos de selección natural. En este caso, los GA generan múltiples configuraciones iniciales (llamadas «padres») que evolucionan a través de generaciones, produciendo «descendientes» con mejores soluciones. La calidad de cada configuración se evalúa mediante una función de aptitud, que en este estudio se basa en el error cuadrático medio (RMSE, por sus siglas en inglés). Este indicador mide la diferencia entre los valores predichos y los reales, siendo un estándar ampliamente aceptado para evaluar el rendimiento de modelos.

### Aplicación práctica y resultados

El modelo fue probado utilizando datos de una instalación fotovoltaica real en Valencia, compuesta por 12 paneles monocristalinos de 350 W. Los datos, registrados entre mayo de 2021 y abril de 2022, incluyeron información meteorológica de una estación cercana. Para entrenar y validar el modelo, los investigadores dividieron el conjunto de datos en tres partes: 70% para entrenamiento, 15% para pruebas y 15% para validación.

El análisis se realizó a diferentes escalas temporales: anual, estacional y mensual. Cada enfoque ofreció ventajas específicas. Por ejemplo, el entrenamiento anual permitió identificar tendencias a largo plazo, mientras que el análisis mensual capturó patrones más detallados y específicos.

El modelo GA-FFANN mostró un rendimiento sobresaliente en comparación con métodos tradicionales como la regresión lineal múltiple (MLR) y el modelo autorregresivo no lineal (NAR). Los resultados indicaron que el modelo optimizado por algoritmos genéticos logró un RMSE mínimo de 13,4 W en predicciones mensuales para marzo, 31,8 W en análisis estacionales para febrero y 15,6 W en predicciones anuales para agosto. En promedio, el GA-FFANN superó ampliamente a los métodos tradicionales, que presentaron errores significativamente mayores.

### Comparación con metodologías avanzadas

Además de superar los métodos convencionales, el modelo fue evaluado frente a técnicas de vanguardia como QT-MARF, RNN-LSTM, CNN-LSTM y SVR, entre otras. En pruebas realizadas con instalaciones de entre 1.500 W y 2.700 W, el GA-FFANN demostró ser superior en términos de RMSE y coeficiente de determinación (R). Por ejemplo, en un caso específico del 1 de septiembre de 2023, el modelo alcanzó un RMSE de 20 W y un R de 0,99851, mientras que el mejor método comparativo (QT-MARF) obtuvo un RMSE de 43 W y un R de 0,99599.

### Conclusiones y disponibilidad del código

Este avance representa un paso significativo en la predicción de energía solar, ofreciendo una herramienta más precisa y adaptable para abordar la variabilidad inherente de las fuentes renovables. Los resultados del estudio han sido publicados en la revista *Scientific Reports* bajo el título “Optimizing photovoltaic power plant forecasting with dynamic neural network structure refinement”. Además, el código desarrollado por los investigadores está disponible públicamente en el repositorio Harvard Dataverse, promoviendo la transparencia y la colaboración científica.

Este desarrollo no solo mejora la capacidad de predicción en sistemas fotovoltaicos, sino que también abre nuevas posibilidades para la integración de inteligencia artificial en el sector energético, un paso crucial hacia

Fuente: https://www.pv-magazine.com/2025/01/31/pv-energy-forecasting-based-on-genetic-algorithms-dynamic-neural-network/