Análisis predictivo de radiación solar con algoritmos de Aprendizaje de Máquina para energía renovable

• Autor: Rivas Gastulo Christian Rodrigo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/16171
• Enlace del recurso: https://hdl.handle.net/20.500.12802/16171
• Nivel de acceso: acceso abierto
• Materia: Pronóstico fotovoltaico; Aprendizaje de máquina; Incertidumbre; Reproducibilidad; Integración renovable; https://purl.org/pe-repo/ocde/ford#2.02.04

La integración masiva de energía solar fotovoltaica requiere pronósticos precisos, pero existe una brecha crítica entre avances académicos y necesidades operativas. Este estudio sintetizó evidencia reciente (2023-2025) sobre aprendizaje de máquina aplicado al pronóstico fotovoltaico, evaluando efectividad y aplicabilidad práctica. Se analizaron sistemáticamente 42 artículos siguiendo protocolo PRISMA, caracterizando modelos, desempeño, métricas e implicaciones operativas. Los resultados revelaron predominancia de redes neuronales profundas (76%) y modelos híbridos (45%), pero con deficiencias fundamentales: solo 5% cuantifica incertidumbre probabilísticamente, ningún estudio validó en sitios independientes, y existe desconexión total con aplicaciones como despacho económico o almacenamiento. La transferencia de aprendizaje apareció en un solo estudio pese a su potencial transformador. La discusión identificó tres crisis: predominio del pronóstico determinístico inadecuado para decisiones bajo incertidumbre, oportunidad perdida de reutilizar conocimiento entre instalaciones, y ausencia de reproducibilidad con cero estudios compartiendo código/datos. Se concluye que aunque existen avances metodológicos significativos, barreras sistemáticas en validación, cuantificación de incertidumbre, integración operativa y ciencia abierta impiden que estos desarrollos contribuyan efectivamente a la transición energética, requiriendo reorientación urgente hacia pronóstico probabilístico, transferencia de aprendizaje y transparencia radical.