Un día soleado que se vuelve nublado en pocas horas, lluvias
inesperadas en zonas de montaña o cambios bruscos de temperatura entre la
mañana y la tarde son ejemplos de la variabilidad climática que dificulta
prever cuánta energía solar se podrá producir en un momento específico. Para
anticipar estos cambios con mayor precisión, un modelo de inteligencia
artificial (IA) predice la temperatura y la radiación solar hora por hora, lo
que permitiría planificar mejor la generación de energía y reducir pérdidas en
sistemas eléctricos y edificios.
.jpg)
Uno de los mayores desafíos en la transición hacia energías
renovables es gestionar la incertidumbre climática que afecta la generación
eléctrica. La irradiación solar (cantidad de energía proveniente del Sol que
llega a una superficie) y la temperatura influyen directamente en la eficiencia
de paneles solares, redes eléctricas y sistemas de climatización. Cuando estas
variables cambian inesperadamente se reduce la eficiencia energética y aumenta
la dependencia de fuentes convencionales como los combustibles fósiles.
La innovación de Mónica Moreno Revelo, estudiante del
Doctorado en Ingeniería - Automática de la Universidad Nacional de Colombia
(UNAL) Sede Manizales, consiste en el desarrollo de un modelo que predice estas
variables climáticas de manera independiente para cada hora del día, en vez de
usar un único modelo general para toda la jornada, como suele hacerse
actualmente.
Este enfoque permite capturar mejor los cambios rápidos del
clima en regiones con alta variabilidad atmosférica como Nariño, en donde los
registros meteorológicos pueden presentar discontinuidades y condiciones
tropicales complejas que dificultan la predicción de variables como la
irradiancia solar y la temperatura, un reto que el modelo busca enfrentar
mediante aprendizaje a partir de datos históricos.
En las zonas andinas la topografía y la nubosidad generan
microclimas que pueden cambiar en cuestión de horas, lo que vuelve más complejo
el pronóstico meteorológico y la planificación de sistemas energéticos basados
en el Sol.
Así se entrena la IA para anticipar el clima
El sistema funciona analizando datos climáticos registrados
en días anteriores —especialmente temperatura e irradiancia solar— organizados
hora por hora. A partir de estos datos históricos el modelo identifica patrones
temporales y estima lo que ocurrirá en cada franja horaria del día siguiente,
incluyendo un indicador de incertidumbre que muestra qué tan confiable es la
predicción.
Para evaluar su desempeño, los investigadores compararon
tres enfoques de IA utilizados en la predicción de series de tiempo. Dos de
ellos, Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU), son redes
neuronales diseñadas para aprender patrones en datos que cambian con el tiempo,
como el clima. El tercero, el modelo probabilístico Sparse Gaussian Process
Regressor (SGPR), permite no solo estimar el valor esperado de la temperatura o
la radiación solar, sino también calcular el margen de incertidumbre de la
predicción.
“Este modelo no solo nos dice cuál será temperatura o cuánta
radiación solar habrá, sino que además nos muestra el nivel de incertidumbre de
esa predicción, es decir, indica qué tan confiable es el resultado y en qué
momentos puede variar, una información fundamental para tomar decisiones
basadas en el clima”, explica la estudiante Moreno.
El análisis se realizó con datos provenientes de tres
fuentes. La primera es Jena, una ciudad de Alemania en donde el Instituto Max
Planck opera una estación meteorológica con registros continuos de variables
climáticas durante varios años. La segunda es Solcast, una plataforma
internacional especializada en datos para energía solar. La tercera corresponde
a estaciones del Instituto de Hidrología, Meteorología y Estudios Ambientales
(Ideam) ubicadas en el departamento de Nariño.
“La elección de estos lugares responde a la necesidad de
probar el modelo en escenarios complejos. Mientras en regiones como Nariño la
variabilidad climática y los vacíos en los datos representan un reto para la
predicción, los registros continuos de Alemania permiten evaluar el sistema en
condiciones más estables y controladas”, señala la investigadora Moreno.
Predicción más precisa para sistemas energéticos
En la predicción de temperatura, el margen de error se
redujo a alrededor de 0,53 °C en promedio, un resultado comparable o
superior al reportado en la literatura científica.
“Aunque medio grado puede parecer poco, en sistemas
energéticos esa diferencia es muy importante. Una predicción más precisa
permite planificar mejor el uso de la energía y reducir pérdidas”, anota la
investigadora Moreno.
Los resultados mostraron que el modelo SGPR con predicción
horaria obtuvo el mejor desempeño frente a otros enfoques, alcanzando niveles
de precisión muy altos (R² cercano a 0,99) y menos errores de predicción.
El estudio también evidenció un desafío importante para
Colombia: la falta de continuidad en algunos registros meteorológicos. “La IA
depende directamente de la calidad de los datos; cuando hay vacíos aumenta la
incertidumbre”, enfatiza.
Como proyección, el equipo busca mejorar el manejo de datos
incompletos y aplicar este enfoque en otras regiones del país con alta
variabilidad climática, con el objetivo de fortalecer la planificación
energética basada en fuentes renovables y apoyar estrategias de mitigación del
cambio climático.
El estudio de la estudiante Moreno ha contado con el apoyo
de su director de tesis, el profesor Juan Bernardo Gómez Mendoza, de la
Facultad de Ingeniería y Arquitectura de la UNAL Sede Manizales.
.jpeg)
.jpeg)
.jpeg)
.jpg)
.jpg)
