DESIGN OF MACHINE LEARNING MODELS FOR PREDICTING IRRADIANCE IN BIFACIAL SOLAR PANELS

Abstract

Uno de los principales desafíos que enfrenta la red eléctrica moderna es la integración de energías renovables caracterizadas por su variabilidad. Entre estas tecnologías, los módulos bifaciales han ganado relevancia debido a su capacidad de capturar irradiancia por ambas caras (frontal y trasera). Sin embargo, su integración efectiva requiere el desarrollo de modelos de predicción de irradiancia confiables. En este contexto, el presente trabajo propone el desarrollo, evaluación y análisis de ablación de modelos de inteligencia artificial basados en aprendizaje profundo. Se analizan diferentes arquitecturas de redes neuronales, incluyendo redes neuronales recurrentes, convolucionales temporales y modelos híbridos, además del efecto de variables meteorológicas, métodos de escalado de datos y la integración de múltiples sensores en un mismo modelo. Los resultados muestran que ciertas arquitecturas, como BiGRU y los modelos híbridos basados en CNN, presentan mayor estabilidad en la predicción de irradiancia. Asimismo, se identifican diferencias relevantes en el desempeño dependiendo del método de escalado y del tipo de modelo utilizado. Finalmente, se observa que en este proyecto R² resultó más útil que MAE para clasificar los días según su complejidad predictiva. Estos hallazgos contribuyen al desarrollo de metodologías robustas para la integración de sistemas fotovoltaicos bifaciales en redes eléctricas modernas.