Una de las labores más importantes de la academia es generar nuevo conocimiento a través del trabajo investigativo que desarrollan profesionales vinculados a las instituciones educativas, de allí el propósito de la Universidad Cooperativa de Colombia en busca de aportar a distintas áreas del saber desde el quehacer en las aulas.
Es por esto que, compartimos a la comunidad estudiantil el trabajo de investigación que surge del Grupo de Investigación Eslinga, adscrito a la facultad de Ingeniería de la Universidad Cooperativa de Colombia campus Pasto, en conjunto con la Universidad Nacional y el grupo de investigación 3P, publicado en la revista de alto impacto nacional e internacional, denominada Tecnológicas, clasificada en categoría B por Minciencias, publicada por el Instituto Tecnológico Metropolitano de Medellín.
En este documento se muestra una integración de los recursos TERS Recursos Energéticos Distribuidos al Sistema de Distribución, además se desarrolla una propuesta de lo que significa la integración de demanda activa en la figura del prosumer, (productor – consumidor), al sistema interconectado y específicamente, el sistema de distribución, dentro de esta metodología de propuesta, también se pretenden integrar técnicas del Machine Learning, (disciplina que a través de algoritmos, dota a los ordenadores de la capacidad de identificar) y la inteligencia artificial para la cuantificación de recurso solar primario variable.
Todos conocemos que la radiación solar es un recurso muy variable, es decir un día está haciendo sol y otro no, incluso en horas puede cambiar esta condición de soleado a lluvioso y luego nubosidad, etcétera, con esta investigación se pretende desarrollar un modelo para la cuantificación y predicción de este recurso primario que sirva como insumo para la planeación de soluciones energéticas como, paneles solares y granjas solares, para el dimensionamiento de soluciones energéticas y así trazar la ruta energética nacional 2030 y 2050.
Resumen:
La radiación solar impacta significativamente la energía recibida del sol en un área específica, crucial para la planificación de plantas de energía renovable no convencional como sistemas solares fotovoltaicos o solares térmicos. La variabilidad de este recurso, influenciada por el clima y la geografía, plantea desafíos para la planificación de la integración solar. Los modelos numéricos estiman el recurso solar, pero carecen de respuestas futuras y en tiempo real. Machine Learning (ML) ofrece herramientas de predicción heurística, utilizando amplios conjuntos de datos y algoritmos para cuantificar y pronosticar la radiación solar. Un modelo de ML propuesto incorpora geolocalización y vincula recursos primarios con datos climáticos de diversas ciudades colombianas. Consta de tres etapas: agrupación, estimación y respuesta, utilizando predictores de ML seleccionados mediante criterios y revisión de la literatura. La respuesta del modelo se valida mediante métodos estadísticos, lo que proporciona predicciones precisas del recurso solar.
Este tipo de investigaciones contribuyen al desarrollo de los modelos de datos, pero principalmente, se convierten en una alternativa de solución a los problemas que existen en este ámbito del modelamiento de datos y del recurso primario.
Parte de la investigación fue desarrollada por Edgar Dario Obando, Ingeniero Físico de la Universidad del Cauca, Magíster en Ingeniería Eléctrica y candidato a Ph.D en Ciencias de la ingeniería Automática de la Universidad Nacional de Colombia sede Manizales, quien se encuentra vinculado a la Universidad Cooperativa de Colombia campus Pasto como profesor investigador de la Facultad de Ingeniería, el profesor Obando, enfoca sus portes en el tratamiento de los sistemas dinámicos de la energía solar para generar modelos y nuevas respuestas en modelos que utilicen datos.
Si deseas conocer esta investigación visita:
Modeling and Assessment of Machine Learning Models for Solar Radiation Forecast | IEEE Conference Publication | IEEE Xplore