What is it about?

Este artículo presenta una metodología práctica para identificar y modelar sistemas complejos usando aprendizaje automático, específicamente aplicada a la predicción de generación eléctrica en parques eólicos. Los investigadores proponen usar algoritmos de machine learning para crear modelos predictivos a partir de datos históricos, sin necesidad de conocer explícitamente las relaciones matemáticas del sistema. La investigación se centra en desarrollar un proceso sistemático de 6 pasos: definir el problema, analizar los datos, prepararlos, evaluar diferentes algoritmos, mejorar los resultados y presentar las conclusiones. Como caso de estudio, utilizan datos reales del parque eólico MADE del Instituto Tecnológico y de Energías Renovables de Canarias (ITER), que incluye variables como velocidad del viento, dirección, temperatura y humedad para predecir la generación energética. Los autores comparan varios algoritmos de aprendizaje automático (regresión lineal, LASSO, k-vecinos más próximos, árboles de decisión, máquinas de soporte vectorial y redes neuronales) y determinan que el algoritmo k-vecinos más próximos ofrece el mejor rendimiento predictivo con un coeficiente de determinación de 0.77.

Featured Image

Why is it important?

Esta investigación es relevante porque aborda uno de los desafíos tecnológicos más importantes de la actualidad: la predicción eficiente de sistemas complejos en la era de la industria 4.0. Con la interconexión masiva de procesos industriales y la disponibilidad de grandes cantidades de datos, es crucial desarrollar metodologías accesibles para convertir esta información en conocimiento predictivo útil. El trabajo es especialmente valioso para el sector de energías renovables, donde la predicción precisa de generación eólica es fundamental para la gestión eficiente de la red eléctrica. Además, la investigación proporciona una guía práctica y reproducible usando Python y Jupyter Notebook, herramientas accesibles que facilitan la transferencia de conocimiento tanto en entornos académicos como industriales. La metodología presentada puede aplicarse a otros sistemas complejos más allá de la energía eólica, ofreciendo un marco de trabajo sistemático para profesionales que necesiten desarrollar modelos predictivos sin requerir conocimientos profundos en matemáticas avanzadas.

Perspectives

Este trabajo representa para mí el cumplir con una responsabilidad fundamental que tenemos como investigadores: la divulgación científica. Nuestro objetivo principal fue crear un puente entre la teoría compleja del aprendizaje automático y su aplicación práctica, estableciendo una metodología clara y reproducible. La elección del parque eólico como caso de estudio fue estratégica, ya que las energías renovables son un sector donde la predicción precisa tiene un impacto real en la eficiencia energética. Trabajar con datos reales del ITER nos permitió demostrar que estas técnicas funcionan en condiciones reales, no solo en ejemplos académicos. Lo que más me satisface es el potencial educativo del trabajo. El uso de Python y Jupyter Notebook, junto con la estructura paso a paso, está diseñado para que cualquier persona con conocimientos básicos pueda replicar la metodología. Esto es parte de nuestra obligación como investigadores: no solo generar conocimiento, sino asegurar que sea transferible y útil para la sociedad. Espero que este enfoque divulgativo inspire a otros investigadores a acercar las herramientas de inteligencia artificial a un público más amplio, cumpliendo así con nuestro deber de divulgación científica.

Dr. Jesús Torres
Universidad de La Laguna

Read the Original

This page is a summary of: Aprendizaje Automático en la Identificación de Sistemas. Un Caso de Estudio en la Predicción de la Generación Eléctrica de un Parque Eólico, Revista Iberoamericana de Automática e Informática Industrial RIAI, December 2018, Universitat Politecnica de Valencia,
DOI: 10.4995/riai.2018.9421.
You can read the full text:

Read

Contributors

The following have contributed to this page