Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables
- Autores
- Cappelletti, Marcelo Ángel; Gross, Patricio Martín; Olivera, Lucas; Guzmán, Jésica; Scheone, Carlos; Osio, Jorge Rafael; Morales, Martín
- Año de publicación
- 2026
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- El crecimiento sostenido de la demanda energética y la transición hacia fuentes renovables plantean tecnológicos nuevos desafíos que requieren soluciones basadas en herramientas computacionales avanzadas. En este contexto, el desarrollo de métodos de modelado, optimización y análisis de datos se vuelve fundamental para mejorar la eficiencia y la integración de sistemas energéticos renovables, contribuyendo al reemplazo progresivo de los combustibles fósiles y a la reducción del impacto ambiental asociado a la generación eléctrica tradicional. Entre las tecnologías renovables, la energía solar fotovoltaica representa un escenario particularmente relevante desde el punto de vista computacional, debido a la complejidad inherente al recurso solar, su alta variabilidad temporal y la necesidad de optimizar tanto el diseño de dispositivos como la operación de los sistemas. Sin embargo, la incorporación eficiente de esta tecnología en la red eléctrica enfrenta desafíos relacionados con la predicción del recurso, la toma de decisiones bajo incertidumbre y la optimización de procesos en múltiples escalas, aspectos que requieren enfoques basados en algoritmos y aprendizaje automático. El objetivo general del presente proyecto es generar aportes científico-tecnológicos desde la informática aplicada, mediante el desarrollo y evaluación de estrategias computacionales orientadas a mejorar los procesos de generación de energía eléctrica a partir de recursos renovables. En particular, se propone el diseño de metodologías basadas en aprendizaje automático, optimización y análisis de datos para abordar problemas asociados tanto al diseño de dispositivos fotovoltaicos basados en nuevos materiales como al análisis y gestión de sistemas fotovoltaicos (SFV) bajo diferentes condiciones ambientales. El proyecto también promueve la formación de recursos humanos en áreas interdisciplinarias, integrando estudiantes y docentes investigadores en temáticas vinculadas a la ciencia de datos, la inteligencia artificial y la computación aplicada a la energía. Finalmente, la propuesta fortalece la colaboración con otros grupos académicos, consolidando una línea de investigación en informática aplicada a sistemas energéticos renovables dentro del ámbito de la UNAJ.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Aprendizaje automático (Machine learning)
Optimización computacional
Sistemas energéticos renovables - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/195683
Ver los metadatos del registro completo
| id |
SEDICI_2f994fc5eb5d871d4bb4cb6f5840ad0f |
|---|---|
| oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/195683 |
| network_acronym_str |
SEDICI |
| repository_id_str |
1329 |
| network_name_str |
SEDICI (UNLP) |
| spelling |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovablesCappelletti, Marcelo ÁngelGross, Patricio MartínOlivera, LucasGuzmán, JésicaScheone, CarlosOsio, Jorge RafaelMorales, MartínCiencias InformáticasAprendizaje automático (Machine learning)Optimización computacionalSistemas energéticos renovablesEl crecimiento sostenido de la demanda energética y la transición hacia fuentes renovables plantean tecnológicos nuevos desafíos que requieren soluciones basadas en herramientas computacionales avanzadas. En este contexto, el desarrollo de métodos de modelado, optimización y análisis de datos se vuelve fundamental para mejorar la eficiencia y la integración de sistemas energéticos renovables, contribuyendo al reemplazo progresivo de los combustibles fósiles y a la reducción del impacto ambiental asociado a la generación eléctrica tradicional. Entre las tecnologías renovables, la energía solar fotovoltaica representa un escenario particularmente relevante desde el punto de vista computacional, debido a la complejidad inherente al recurso solar, su alta variabilidad temporal y la necesidad de optimizar tanto el diseño de dispositivos como la operación de los sistemas. Sin embargo, la incorporación eficiente de esta tecnología en la red eléctrica enfrenta desafíos relacionados con la predicción del recurso, la toma de decisiones bajo incertidumbre y la optimización de procesos en múltiples escalas, aspectos que requieren enfoques basados en algoritmos y aprendizaje automático. El objetivo general del presente proyecto es generar aportes científico-tecnológicos desde la informática aplicada, mediante el desarrollo y evaluación de estrategias computacionales orientadas a mejorar los procesos de generación de energía eléctrica a partir de recursos renovables. En particular, se propone el diseño de metodologías basadas en aprendizaje automático, optimización y análisis de datos para abordar problemas asociados tanto al diseño de dispositivos fotovoltaicos basados en nuevos materiales como al análisis y gestión de sistemas fotovoltaicos (SFV) bajo diferentes condiciones ambientales. El proyecto también promueve la formación de recursos humanos en áreas interdisciplinarias, integrando estudiantes y docentes investigadores en temáticas vinculadas a la ciencia de datos, la inteligencia artificial y la computación aplicada a la energía. Finalmente, la propuesta fortalece la colaboración con otros grupos académicos, consolidando una línea de investigación en informática aplicada a sistemas energéticos renovables dentro del ámbito de la UNAJ.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf107-111http://sedici.unlp.edu.ar/handle/10915/195683spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195683Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.762SEDICI (UNLP) - Universidad Nacional de La Platafalse |
| dc.title.none.fl_str_mv |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| title |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| spellingShingle |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables Cappelletti, Marcelo Ángel Ciencias Informáticas Aprendizaje automático (Machine learning) Optimización computacional Sistemas energéticos renovables |
| title_short |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| title_full |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| title_fullStr |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| title_full_unstemmed |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| title_sort |
Estrategias avanzadas de optimización basadas en aprendizaje automático para sistemas de energías renovables |
| dc.creator.none.fl_str_mv |
Cappelletti, Marcelo Ángel Gross, Patricio Martín Olivera, Lucas Guzmán, Jésica Scheone, Carlos Osio, Jorge Rafael Morales, Martín |
| author |
Cappelletti, Marcelo Ángel |
| author_facet |
Cappelletti, Marcelo Ángel Gross, Patricio Martín Olivera, Lucas Guzmán, Jésica Scheone, Carlos Osio, Jorge Rafael Morales, Martín |
| author_role |
author |
| author2 |
Gross, Patricio Martín Olivera, Lucas Guzmán, Jésica Scheone, Carlos Osio, Jorge Rafael Morales, Martín |
| author2_role |
author author author author author author |
| dc.subject.none.fl_str_mv |
Ciencias Informáticas Aprendizaje automático (Machine learning) Optimización computacional Sistemas energéticos renovables |
| topic |
Ciencias Informáticas Aprendizaje automático (Machine learning) Optimización computacional Sistemas energéticos renovables |
| dc.description.none.fl_txt_mv |
El crecimiento sostenido de la demanda energética y la transición hacia fuentes renovables plantean tecnológicos nuevos desafíos que requieren soluciones basadas en herramientas computacionales avanzadas. En este contexto, el desarrollo de métodos de modelado, optimización y análisis de datos se vuelve fundamental para mejorar la eficiencia y la integración de sistemas energéticos renovables, contribuyendo al reemplazo progresivo de los combustibles fósiles y a la reducción del impacto ambiental asociado a la generación eléctrica tradicional. Entre las tecnologías renovables, la energía solar fotovoltaica representa un escenario particularmente relevante desde el punto de vista computacional, debido a la complejidad inherente al recurso solar, su alta variabilidad temporal y la necesidad de optimizar tanto el diseño de dispositivos como la operación de los sistemas. Sin embargo, la incorporación eficiente de esta tecnología en la red eléctrica enfrenta desafíos relacionados con la predicción del recurso, la toma de decisiones bajo incertidumbre y la optimización de procesos en múltiples escalas, aspectos que requieren enfoques basados en algoritmos y aprendizaje automático. El objetivo general del presente proyecto es generar aportes científico-tecnológicos desde la informática aplicada, mediante el desarrollo y evaluación de estrategias computacionales orientadas a mejorar los procesos de generación de energía eléctrica a partir de recursos renovables. En particular, se propone el diseño de metodologías basadas en aprendizaje automático, optimización y análisis de datos para abordar problemas asociados tanto al diseño de dispositivos fotovoltaicos basados en nuevos materiales como al análisis y gestión de sistemas fotovoltaicos (SFV) bajo diferentes condiciones ambientales. El proyecto también promueve la formación de recursos humanos en áreas interdisciplinarias, integrando estudiantes y docentes investigadores en temáticas vinculadas a la ciencia de datos, la inteligencia artificial y la computación aplicada a la energía. Finalmente, la propuesta fortalece la colaboración con otros grupos académicos, consolidando una línea de investigación en informática aplicada a sistemas energéticos renovables dentro del ámbito de la UNAJ. Red de Universidades con Carreras en Informática |
| description |
El crecimiento sostenido de la demanda energética y la transición hacia fuentes renovables plantean tecnológicos nuevos desafíos que requieren soluciones basadas en herramientas computacionales avanzadas. En este contexto, el desarrollo de métodos de modelado, optimización y análisis de datos se vuelve fundamental para mejorar la eficiencia y la integración de sistemas energéticos renovables, contribuyendo al reemplazo progresivo de los combustibles fósiles y a la reducción del impacto ambiental asociado a la generación eléctrica tradicional. Entre las tecnologías renovables, la energía solar fotovoltaica representa un escenario particularmente relevante desde el punto de vista computacional, debido a la complejidad inherente al recurso solar, su alta variabilidad temporal y la necesidad de optimizar tanto el diseño de dispositivos como la operación de los sistemas. Sin embargo, la incorporación eficiente de esta tecnología en la red eléctrica enfrenta desafíos relacionados con la predicción del recurso, la toma de decisiones bajo incertidumbre y la optimización de procesos en múltiples escalas, aspectos que requieren enfoques basados en algoritmos y aprendizaje automático. El objetivo general del presente proyecto es generar aportes científico-tecnológicos desde la informática aplicada, mediante el desarrollo y evaluación de estrategias computacionales orientadas a mejorar los procesos de generación de energía eléctrica a partir de recursos renovables. En particular, se propone el diseño de metodologías basadas en aprendizaje automático, optimización y análisis de datos para abordar problemas asociados tanto al diseño de dispositivos fotovoltaicos basados en nuevos materiales como al análisis y gestión de sistemas fotovoltaicos (SFV) bajo diferentes condiciones ambientales. El proyecto también promueve la formación de recursos humanos en áreas interdisciplinarias, integrando estudiantes y docentes investigadores en temáticas vinculadas a la ciencia de datos, la inteligencia artificial y la computación aplicada a la energía. Finalmente, la propuesta fortalece la colaboración con otros grupos académicos, consolidando una línea de investigación en informática aplicada a sistemas energéticos renovables dentro del ámbito de la UNAJ. |
| publishDate |
2026 |
| dc.date.none.fl_str_mv |
2026-04 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
| format |
conferenceObject |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/195683 |
| url |
http://sedici.unlp.edu.ar/handle/10915/195683 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7 info:eu-repo/semantics/reference/hdl/10915/195432 |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
| dc.format.none.fl_str_mv |
application/pdf 107-111 |
| dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
| reponame_str |
SEDICI (UNLP) |
| collection |
SEDICI (UNLP) |
| instname_str |
Universidad Nacional de La Plata |
| instacron_str |
UNLP |
| institution |
UNLP |
| repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
| repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
| _version_ |
1868982611628523520 |
| score |
13.334379 |