Herramienta para el diseño de sistemas solares fotovoltaicos en Colombia basada en redes neuronales artificiales

Este proyecto busca dar respuesta al déficit del servicio eléctrico en las Zonas No Interconectadas (ZNI) de Nazareth y Puerto Estrella, en Uribia (La Guajira, Colombia), habitadas en un 96% por población indígena Wayuú. Actualmente, estas comunidades reciben entre 6 y 16 horas diarias de electricidad mediante una central de poligeneración diésel-fotovoltaica. La propuesta consiste en diseñar e implementar un modelo de comunidad energética (CE) con enfoque de autogeneración colectiva y gobernanza cooperativa, adaptado a las prácticas y tradiciones locales.
El modelo estará sustentado en un Sistema de Gestión Energética (SGE) optimizado mediante Programación Lineal Entera Mixta (MILP), con el objetivo de minimizar los costos operativos, principalmente los asociados al consumo de diésel. Se utilizará una estrategia de horizonte móvil para gestionar un año completo (8760 horas) de operación, asegurando un suministro continuo de 24 horas con apoyo de estrategias de gestión energética (EGEs). Además, se evaluará la incorporación de un aerogenerador, demostrando que puede reemplazar la generación diésel en condiciones normales.
La viabilidad del modelo se evaluará mediante indicadores técnicos, económicos y sociales bajo tres escenarios de crecimiento de la demanda (pesimista, conservador y optimista), permitiendo valorar su impacto integral y su contribución a una transición energética justa y sostenible.

Diseñar una herramienta para el dimensionamiento de SSFV basada en Redes Neuronales Artificiales

1. Refinar el conjunto de datos de la tesis original mediante una caracterización estadística avanzada y la aplicación de técnicas de ingeniería de características (feature engineering) para maximizar su potencial predictivo.
2. Mejorar la arquitectura de la Red Neuronal Artificial mediante un análisis de sensibilidad para la optimización de sus hiperparámetros (Alfa, número de capas ocultas, función de activación, taza de aprendizaje y solver), con el fin de incrementar la precisión predictiva del modelo.
3. Evaluar el rendimiento del modelo neuronal mejorado mediante un protocolo de validación cruzada (k-fold) y un análisis comparativo (benchmarking) frente a los resultados de software de simulación estándar (OpenSolar, PVsyst, SAM, HOMER) .
4. Sintetizar los hallazgos de la investigación en un artículo científico que detalle la metodología de optimización y el análisis comparativo, con el fin de postularlo a una revista indexada (Scopus Q4 o superior)