Este documento presenta un método de optimización para sistemas de energía híbrida basado en Control Predictivo de Modelo (MPC), redes de Memoria a Corto y Largo Plazo (LSTM) y Redes Kolmogorov-Arnold (KAN). El método propuesto se aplica a un sistema de control de paraguas de trabajo de energía eólica de alta altitud, donde tiene como objetivo mejorar la estabilidad y eficiencia de la utilización de energía. El sistema de paraguas de trabajo integra fuentes de energía eólica y solar, con energía almacenada en una batería y utilizada para controlar las operaciones del paraguas. El marco de MPC se emplea para optimizar las acciones de control al resolver un problema de optimización de horizonte finito, asegurando que el Estado de Carga (SOC) de la batería permanezca dentro de un rango óptimo. La red LSTM proporciona predicciones precisas de las condiciones ambientales, incluida la velocidad del viento y la irradiancia solar, que son esenciales para el proceso de toma de decisiones de MPC. Para abordar las complejas no linealidades en el sistema, se utiliza el KAN para modelar y aproximar estas dinámicas, refinando las predicciones de LSTM. La integración de estas estrategias de control avanzadas permite que el sistema maneje condiciones operativas variables y mantenga un rendimiento óptimo. El estudio de caso demuestra la efectividad del enfoque MPC-LSTM-KAN, revelando mejoras en la estabilidad del SOC, eficiencia energética y resistencia operativa del sistema de paraguas de trabajo de energía eólica de alta altitud. Los resultados indican que este método de optimización híbrida ofrece una solución robusta para gestionar sistemas de energía híbrida en entornos dinámicos.