RT Generic
T1 Modelos predictivos de aprendizaje profundo y aprendizaje automático para la mejora de la eficiencia en instalaciones de energías renovables: parques eólicos y solares
A1 Muelas de la Linde, José Manuel
K1 Aprendizaje automático (Inteligencia artificial) - Trabajos fin de grado
K1 Recursos energéticos renovables - Trabajos fin de grado
AB En el contexto actual de transición energética y lucha contra el cambio climático, la búsqueda de soluciones que aumenten la eficiencia y la fiabilidad de las energías renovables es en una prioridad a nivel científico e industrial. La capacidad de predecir con más precisión la producción energética permite tanto optimizar la gestión de los recursos disponibles como contribuir de manera significativa a la integración de las fuentes renovables en los sistemas eléctricos, favoreciendo un modelo energético más sostenible.Este TFG aborda el desarrollo y evaluación de modelos predictivos basados en técnicas de aprendizaje automático y profundo, orientados a optimizar la eficiencia operativa en instalaciones de energías renovables, en este caso, centrado en parques eólicos y solares. La variabilidad inherente a las condiciones meteorológicas y la incertidumbre en la generación energética representan retos críticos para la integración y estabilidad de estos sistemas. Conscientes de ello, se emplean algoritmos avanzados que, mediante la integración de variables externas, tales como la velocidad del viento, la irradiación solar y la temperatura, permiten predecir de forma más precisa la producción de energía.La metodología propuesta combina la revisión del estado del arte en técnicas predictivas con la implementación de modelos clásicos (machine learning) como de arquitecturas 'deep learning', evaluados a través de métricas de rendimiento como R², MAE y MSE. Los resultados obtenidos evidencian mejoras sustanciales en la capacidad de predicción, lo que se traduce en una planificación operativa más eficiente, una optimización de recursos y una reducción en los costes asociados a la gestión de la energía. Ello no solo confirma la viabilidad de aplicar modelos predictivos en el sector de las energías renovables, sino que también sienta las bases para trabajo futuro orientado a la integración de sistemas inteligentes en la gestión energética a gran escala.
YR 2025
FD 2025-05
LK https://hdl.handle.net/10630/40829
UL https://hdl.handle.net/10630/40829
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 21 mar 2026