Uno de los mayores desafíos en la transición hacia energías renovables es gestionar la incertidumbre climática que afecta la generación eléctrica. La irradiación solar (cantidad de energía proveniente del Sol que llega a una superficie) y la temperatura influyen directamente en la eficiencia de paneles solares, redes eléctricas y sistemas de climatización. Cuando estas variables cambian inesperadamente se reduce la eficiencia energética y aumenta la dependencia de fuentes convencionales como los combustibles fósiles.

La innovación de Mónica Moreno Revelo, estudiante del Doctorado en Ingeniería - Automática de la Universidad Nacional de Colombia (UNAL) Sede Manizales, consiste en el desarrollo de un modelo que predice estas variables climáticas de manera independiente para cada hora del día, en vez de usar un único modelo general para toda la jornada, como suele hacerse actualmente.

Este enfoque permite capturar mejor los cambios rápidos del clima en regiones con alta variabilidad atmosférica como Nariño, en donde los registros meteorológicos pueden presentar discontinuidades y condiciones tropicales complejas que dificultan la predicción de variables como la irradiancia solar y la temperatura, un reto que el modelo busca enfrentar mediante aprendizaje a partir de datos históricos.

En las zonas andinas la topografía y la nubosidad generan microclimas que pueden cambiar en cuestión de horas, lo que vuelve más complejo el pronóstico meteorológico y la planificación de sistemas energéticos basados en el Sol.

Así se entrena la IA para anticipar el clima

El sistema funciona analizando datos climáticos registrados en días anteriores —especialmente temperatura e irradiancia solar— organizados hora por hora. A partir de estos datos históricos el modelo identifica patrones temporales y estima lo que ocurrirá en cada franja horaria del día siguiente, incluyendo un indicador de incertidumbre que muestra qué tan confiable es la predicción.

Para evaluar su desempeño, los investigadores compararon tres enfoques de IA utilizados en la predicción de series de tiempo. Dos de ellos, Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU), son redes neuronales diseñadas para aprender patrones en datos que cambian con el tiempo, como el clima. El tercero, el modelo probabilístico Sparse Gaussian Process Regressor (SGPR), permite no solo estimar el valor esperado de la temperatura o la radiación solar, sino también calcular el margen de incertidumbre de la predicción.

“Este modelo no solo nos dice cuál será temperatura o cuánta radiación solar habrá, sino que además nos muestra el nivel de incertidumbre de esa predicción, es decir, indica qué tan confiable es el resultado y en qué momentos puede variar, una información fundamental para tomar decisiones basadas en el clima”, explica la estudiante Moreno.

El análisis se realizó con datos provenientes de tres fuentes. La primera es Jena, una ciudad de Alemania en donde el Instituto Max Planck opera una estación meteorológica con registros continuos de variables climáticas durante varios años. La segunda es Solcast, una plataforma internacional especializada en datos para energía solar. La tercera corresponde a estaciones del Instituto de Hidrología, Meteorología y Estudios Ambientales (Ideam) ubicadas en el departamento de Nariño.

“La elección de estos lugares responde a la necesidad de probar el modelo en escenarios complejos. Mientras en regiones como Nariño la variabilidad climática y los vacíos en los datos representan un reto para la predicción, los registros continuos de Alemania permiten evaluar el sistema en condiciones más estables y controladas”, señala la investigadora Moreno.

Predicción más precisa para sistemas energéticos

En la predicción de temperatura, el margen de error se redujo a alrededor de 0,53 °C en promedio, un resultado comparable o superior al reportado en la literatura científica.

“Aunque medio grado puede parecer poco, en sistemas energéticos esa diferencia es muy importante. Una predicción más precisa permite planificar mejor el uso de la energía y reducir pérdidas”, anota la investigadora Moreno.

Los resultados mostraron que el modelo SGPR con predicción horaria obtuvo el mejor desempeño frente a otros enfoques, alcanzando niveles de precisión muy altos (R² cercano a 0,99) y menos errores de predicción.

El estudio también evidenció un desafío importante para Colombia: la falta de continuidad en algunos registros meteorológicos. “La IA depende directamente de la calidad de los datos; cuando hay vacíos aumenta la incertidumbre”, enfatiza.

Como proyección, el equipo busca mejorar el manejo de datos incompletos y aplicar este enfoque en otras regiones del país con alta variabilidad climática, con el objetivo de fortalecer la planificación energética basada en fuentes renovables y apoyar estrategias de mitigación del cambio climático.

El estudio de la estudiante Moreno ha contado con el apoyo de su director de tesis, el profesor Juan Bernardo Gómez Mendoza, de la Facultad de Ingeniería y Arquitectura de la UNAL Sede Manizales.

​Autor​