Evaluación de algoritmos de redes neuronales para la predicción de irradiación solar en sistemas fotovoltaicos

Abstract

La presente investigación se centró en el desarrollo de un modelo predictivo para estimar la irradiación solar diaria en la ciudad de Puno, aplicando técnicas de inteligencia artificial basadas en redes neuronales artificiales (RNA). Dado el comportamiento climático altamente variable de la región altiplánica, se evaluaron tres configuraciones de red: una MLP con activación ReLU, una MLP con activación sigmoide y una red LSTM, comparando su desempeño mediante métricas estándar. Se utilizaron datos climáticos diarios históricos provenientes de la plataforma NASA POWER (1984–2023), complementados con registros experimentales locales. Las variables climáticas más correlacionadas —temperatura del aire, humedad relativa y brillo solar— fueron seleccionadas como entradas para los modelos. Los datos fueron procesados mediante limpieza, interpolación y normalización antes de ser utilizados en el entrenamiento. Los resultados mostraron que el modelo MLP con activación ReLU ofreció el mejor desempeño general, con un coeficiente de determinación R² = 0.5255, MAE = 0.395 kWh/m² y RMSE = 0.583 kWh/m² en el conjunto de validación. Para la predicción de irradiación del año 2025, se utilizó una estrategia de simulación basada en patrones históricos y aleatoriedad controlada, obteniendo un R² reducido de 0.453, aceptable dada la ausencia de datos reales futuros. En conclusión, el uso de redes neuronales artificiales bien entrenadas con datos locales representa una herramienta confiable y adaptable para anticipar la irradiación solar en regiones altoandinas como Puno, apoyando la planificación y diseño eficiente de sistemas fotovoltaicos autónomos en contextos rurales.