Redes neuronales profundas en energías renovables

Hoy en día las energías renovables están adquiriendo cada vez más importancia ya que son imprescindibles a la hora de caminar hacia un sistema energético sostenible. La variación no controlada de la producción de éste tipo de energías gracias a factores no controlables por los humanos (por ejemplo, el clima) es uno de los factores más determinantes por el que no se consigue ese sistema energético completamente sostenible. El camino hacia ese sistema pasa por, entre otras cosas, predecir la producción de energía que tendrá lugar en el futuro para, estimando una posible demanda, conocer si resultará suficiente como para intentar prescindir de energías no renovables. Se ha visto que los paradigmas de aprendizaje automático actuales resultan muy útiles para hacer una estimación de una producción si se les proporcionan datos meteorológicos de calidad. Sin embargo, en el presente documento se ha tratado de averiguar qué horizontes temporales de predicción meteorológica resultarían más óptimos para el problema de la energía eólica. Se han utilizado datos numéricos de predicciones meteorológicas así como técnicas tanto de regresiones simples como de regresiones más avanzadas a través de aprendizaje profundo para intentar encontrar un patrón de decisión sobre los mejores horizontes temporales de la predicción meteorológica. Este proceso se ha llevado a cabo en el lenguaje de programación Python y sus librerías para tratar archivos de predicción meteorológica (Pygrib) y para utilizar modelos de aprendizaje automático de manera sencilla (Sklearn)