![\"\"](\"https:\/\/react2020.eu\/wp-content\/uploads\/sites\/5\/2022\/07\/image.png\")
<\/figure>\nLos modelos de aprendizaje autom\u00e1tico tienen muchos par\u00e1metros num\u00e9ricos que se ajustan de acuerdo con la cantidad de datos hist\u00f3ricos disponibles, de modo que sus predicciones sean lo m\u00e1s similares posible al comportamiento anterior del mundo real. En otras palabras, los modelos de aprendizaje autom\u00e1tico obtienen par\u00e1metros de entrada relevantes, extraen informaci\u00f3n relevante de ellos y proporcionan resultados estimados. Por ejemplo, si quisi\u00e9ramos estimar la producci\u00f3n solar fotovoltaica (FV), el primer paso ser\u00eda detectar qu\u00e9 factores influyen en su producci\u00f3n. La m\u00e1s importante es, definitivamente, la radiaci\u00f3n solar ya que a mayor radiaci\u00f3n solar se espera mayor producci\u00f3n fotovoltaica. Adem\u00e1s, una mayor cobertura de nubes dar\u00eda como resultado una menor producci\u00f3n y, por lo tanto, tambi\u00e9n deber\u00eda considerarse. Adem\u00e1s, la temperatura exterior afecta la eficiencia de los paneles fotovoltaicos, ya que son m\u00e1s eficientes cuando la temperatura es m\u00e1s baja. Una vez que se seleccionan todos los par\u00e1metros de entrada relevantes, la producci\u00f3n esperada se puede estimar en funci\u00f3n de sus valores.<\/p>\n\n
Tambi\u00e9n se podr\u00eda llevar a cabo un enfoque similar para los pronosticadores de la demanda. Uno de los factores m\u00e1s comunes para la predicci\u00f3n de la carga el\u00e9ctrica son los par\u00e1metros relacionados con el tiempo. Como ya se ha comentado, es habitual que los picos de demanda se presenten en las primeras horas de la ma\u00f1ana y la tarde durante los d\u00edas laborables, mientras que la demanda es notablemente menor en horario laboral o nocturno. Por otro lado, la forma de la curva de carga durante los fines de semana o d\u00edas festivos cambia significativamente ya que hay m\u00e1s usuarios presentes en casa. De manera similar, la estacionalidad tambi\u00e9n puede afectar el consumo total de energ\u00eda. Por ejemplo, en climas m\u00e1s fr\u00edos, la energ\u00eda el\u00e9ctrica se usa a veces durante el invierno para calefacci\u00f3n, mientras que ese no es el caso durante el verano. Por lo tanto, todas estas conclusiones se utilizan durante la fase de dise\u00f1o del modelo ML, para que pueda lograr la mayor precisi\u00f3n posible.<\/p>\n\n
En resumen, como se ilustra en la figura a continuaci\u00f3n, los modelos de aprendizaje autom\u00e1tico detectan cu\u00e1les son los factores m\u00e1s importantes para sus predicciones y requieren una gran cantidad de datos hist\u00f3ricos correspondientes. Esos datos son utilizados adem\u00e1s por algoritmos especializados que proporcionan modelos optimizados capaces de calcular predicciones precisas.<\/p>\n\n
<\/p>\n\n
En este art\u00edculo, presentamos algunas aplicaciones del aprendizaje autom\u00e1tico en proyectos relacionados con la energ\u00eda y tratamos de acercar el aprendizaje autom\u00e1tico a los usuarios finales. Sin embargo, su potencial va mucho m\u00e1s all\u00e1 de lo presentado aqu\u00ed, entonces, \u00bfpodr\u00eda usted pensar en otras aplicaciones de la inteligencia artificial que podr\u00edan ser \u00fatiles en el futuro?<\/p>\n\n
Dea Puji\u0107 del Instituto Mihajlo Pupin, Universidad de Belgrado.<\/p>\n\n
Para crear esta publicaci\u00f3n se usaron los siguientes \u00edconos:<\/p>\n\n
https:\/\/www.flaticon.com\/free-icons\/bucket created by justicon – Flaticon<\/p>\n\n
https:\/\/www.flaticon.com\/free-icons\/machine-learning created by Freepik – Flaticon<\/p>\n\n
https:\/\/www.flaticon.com\/free-icons\/arrow created by Creatype – Flaticon<\/p>\n\n
https:\/\/www.flaticon.com\/free-icons\/machine-learning created by Eucalyp – Flaticon<\/p>\n\n
https:\/\/www.flaticon.com\/free-icons\/prediction created by Parzival\u2019 1997 – Flaticon<\/p>\n","protected":false},"excerpt":{"rendered":"