III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

133 07 Desarrollando predicciones de radiación solar con aprendizaje automático y causalidad en zonas de estratocúmulos costeros Gabriela Pallauta Pérez ¹ , ²* Mónica Zamora Zapata ¹ , ² *E-mail: gabriela.pallauta@ing.uchile.cl ¹ Departamento de Ingeniería Mecánica, Universidad de Chile ² Solar Energy Research Center, SERC Chile __Referencias [1] Luccini, E., & Rivas, E. (2021). Kinematics and dynamics of the stratocumulus average diurnal dissipation process at Atacama Desert. Atmospheric Research, 255, 105523. https://doi.org/10.1016/j. atmosres.2021.105523 [2] Gbémou, S., Eynard, J., Thil, S., Guillot, E., & Grieu, S. (2021). A Comparative Study of Machine Learning-Based Methods for Global Horizontal Irradiance Forecasting. Energies, 14(11), 3192. https://doi. org/10.3390/en14113192 [3] Camacho, M., Maldonado-Correa, J., Torres-Cabrera, J., Martín-Martínez, S., & Gómez-Lázaro, E. (2025). Short-Medium- Term Solar Irradiance Forecasting with a CEEMDAN-CNN-ATT- LSTMHybrid Model Using Meteorological Data. Applied Sciences, 15(3), 1275. https://doi. org/10.3390/app15031275 Resumen La variabilidad diurna de los estratocúmulos (Sc) costeros representa un reto fundamental para la predicción solar, particularmente por su dinámica de frag- mentación matutina que genera cambios abruptos en la radiación incidente [1] . Estas fluctuaciones impactan directamente la operación de sistemas fotovoltai- cos, donde incluso variaciones de corto plazo pueden afectar significativamente la eficiencia energética. Si bien los modelos de aprendizaje automático han mos- trado avances en la predicción bajo condiciones variables [2,3] , usualmente no integran información de condiciones atmosféricas clave. Este estudio busca analizar cómo el comportamiento de las variables meteo- rológicas afectan la predictibilidad de la energía solar en regiones costeras, particularmente en el impacto de los Sc sobre el recurso solar en San Diego, California. Para ello, se emplean técnicas avanzadas como el Convergent Cross Mapping (CCM) para analizar relaciones causales y dinámicas no lineales en da- tos meteorológicos, satelitales y superficiales. Posteriormente, se implementan modelos de aprendizaje automático basados en redes LSTM, equipadas con me- canismos de atención que ponderan variables clave según su influencia causal identificada previamente, optimizando así la predicción de la irradiancia global horizontal (GHI) a corto plazo. Además, se utiliza el método SHAP (SHapley Addi- tive exPlanations) para evaluar la contribución individual de cada variable en las predicciones, contrastando los resultados con modelos que ignoran la estructura causal. Adicionalmente, los resultados serán comparados con los obtenidos en Antofagasta, Chile, mediante la misma metodología. Los resultados preliminares indican causalidades significativas ( ρ ≥ 0.5) para va- riables como la velocidad del viento, la radiación neta y la humedad relativa, su- giriendo una influencia directa en la radiación. Además, se observa una relación causal bidireccional entre la velocidad del viento y el GHI ( ρ ≥ 0.6).