Mejora de la previsión eólica y solar mediante ingeniería de características de series temporales y aprendizaje automático en conjunto

Por qué importan mejores previsiones para la energía limpia

A medida que los aerogeneradores y los paneles solares suministran más de nuestra electricidad, sus fluctuaciones naturales dificultan mantener el suministro estable. Los operadores de la red deben saber no solo cuánta energía se está generando ahora, sino cómo es probable que cambie esa producción en las próximas horas. Este estudio explora cómo el análisis avanzado de datos y el aprendizaje automático pueden transformar años de registros eólicos y solares en previsiones a corto plazo más precisas que ayudan a equilibrar la oferta y la demanda, reducir el desperdicio y respaldar una red baja en carbono más confiable.

De lecturas brutas de potencia a señales más inteligentes

Los investigadores trabajaron con casi seis años de datos horarios de potencia eólica y solar de toda Francia, cubriendo más de cincuenta mil puntos temporales. En lugar de introducir estos números crudos directamente en un modelo, los reestructuraron en señales más ricas. Añadieron información sobre cuál había sido la producción una hora, un día o incluso más atrás, calcularon medias y variabilidad a corto plazo y codificaron patrones del calendario como la hora del día, el día de la semana y la estación mediante funciones circulares que reflejan los ciclos diarios y anuales. También comprobaron con cuidado la información redundante y las filtraciones ocultas de datos futuros, para que los modelos se evaluaran en tareas de previsión realistas y no ante la posibilidad de ver accidentalmente las respuestas por adelantado.

Enseñar a las máquinas a seguir el ritmo del tiempo

Con estas series temporales diseñadas, el equipo probó una amplia gama de métodos de previsión. Modelos estadísticos clásicos como ARIMA, que asumen patrones lineales relativamente simples, se compararon con sistemas de aprendizaje automático más flexibles, incluidos árboles potenciados por gradiente y redes neuronales profundas. Dos ensamblados basados en árboles, CatBoost y LightGBM, destacaron. Estos métodos construyen muchos árboles de decisión pequeños que capturan distintos aspectos de los datos y luego los combinan en un único predictor potente. Usando un esquema estricto de evaluación por rodadura hacia adelante, donde cada nueva previsión se obtiene solo a partir de datos pasados, los autores garantizaron que las cifras de rendimiento se asemejaran a lo que se podría esperar en operaciones reales de red.

Hasta qué distancia temporal podemos realmente ver

El estudio examinó previsiones desde una hora hasta un día completo por delante, para eólica y solar por separado. Para el viento, los mejores modelos capturaron la mayor parte de la variación en el horizonte de una hora, con un rendimiento que disminuye gradualmente a medida que aumenta el tiempo de anticipación. Hasta alrededor de seis horas, las previsiones aún aportaban información útil, pero entre doce y veinticuatro horas la creciente influencia del cambio climático (meteorológico) hizo que las predicciones fueran mucho menos ciertas. La energía solar resultó aún más difícil de anticipar en horizontes largos, porque la cubierta de nubes y otros factores de rápida variación pueden cambiar de forma súbita de maneras no visibles solo en la producción pasada. Los modelos realizaron un buen trabajo para la siguiente hora aproximadamente, especialmente en días despejados, pero más allá de unas pocas horas su habilidad cayó bruscamente.

A qué prestan atención realmente los modelos

Mediante la eliminación sistemática de grupos de características de entrada, los autores investigaron qué piezas de información importaban más. Los niveles recientes de potencia —los valores rezagados— fueron el ingrediente dominante, confirmando que lo que acaba de ocurrir suele ser la mejor pista de lo que viene. Las medias móviles y las medidas de variabilidad a corto plazo también jugaron un papel importante, especialmente cuando el sistema transitaba entre calma y viento o entre nublado y soleado. Las características de calendario y cíclicas, como la hora del día codificada en un círculo, cobraron mayor importancia en horizontes más largos, donde los patrones diarios y estacionales generales importan más que las fluctuaciones minuto a minuto. Los modelos de aprendizaje profundo basados en redes recurrentes pudieron seguir oscilaciones complejas en la producción, pero los ensamblados de árboles mejor ajustados igualaron o superaron su precisión con un menor coste computacional.

Qué significa esto para la red del futuro

Para un lector general, el mensaje clave es que una preparación cuidadosa de los datos con marcas temporales y una evaluación detenida de los modelos pueden marcar una diferencia real en la capacidad para anticipar la producción de parques eólicos y solares. Métodos de aprendizaje automático sofisticados pero prácticos pueden ofrecer previsiones fiables para las próximas horas, que es la ventana temporal más importante para el equilibrio diario de la red. Al mismo tiempo, el estudio muestra que mirar un día completo por delante sigue siendo difícil si nos basamos solo en la producción pasada, especialmente para la energía solar. Para empujar más lejos la previsión, las herramientas futuras tendrán que combinar estas técnicas dirigidas por datos con información meteorológica detallada y conocimiento físico sobre turbinas y paneles, ayudando a que las redes se mantengan estables a medida que la energía limpia asume una mayor parte de la carga.

Cita: Elmunim, N.A., Khlifi, M.A., Aldawsari, M.A. et al. Enhancing wind and solar energy forecasting through time-series feature engineering and ensemble machine learning. Sci Rep 16, 15546 (2026). https://doi.org/10.1038/s41598-026-49373-7

Palabras clave: predicción de energía renovable, predicción de energía eólica, predicción de energía solar, aprendizaje automático, características de series temporales