Cada proyecto parte de un problema real y teermina con una solución de vanguardia.

Predicción, clasificación, segmentación, detección, comprensión, generación y control aplicados a dominios donde una mala decisión cuesta caro.

Investigación aplicada

Tesis de grado · 2026 Energía eólica Predicción Control Agente - DRL ⌥ GitHub

Control multiobjetivo del ángulo de paso en turbinas eólicas mediante un modelo híbrido de predicción y optimización

Problema

La velocidad del viento es estocástica: no se puede saber con certeza su disponibilidad. Los controladores tradicionales reaccionan al viento ya observado y suelen asumir comportamientos lineales, lo que limita su capacidad de operar bajo incertidumbre y equilibrar simultáneamente captura energética, estabilidad del rotor y desgaste mecánico.

Modelo
Diagrama de la arquitectura híbrida LSTM y aprendizaje por refuerzo profundo (DDPG) para control de pitch en turbinas eólicas
Arquitectura híbrida que combina una red LSTM para anticipar la velocidad del viento y un agente DDPG que ajusta dinámicamente el ángulo de pitch, guiado por una función de recompensa multiobjetivo que equilibra captura energética, estabilidad operacional y desgaste mecánico.
Resultados

Caso Chile

  • ⚡ Captura un 20% más potencia que la observada en el escenario real.
  • 🔄 Reduce un 49% la variabilidad de la velocidad del rotor.
  • 🎯 Reduce un 93% el movimiento del controlador de paso (pitch controller).
  • 📈 Alcanzó una eficiencia de 806.635, superando tanto los datos reales como el modelo con acceso al viento real.

Caso Suiza

  • ⚡ Captura el 97% de la potencia observada en el escenario real.
  • 🔄 Reduce un 72% la variabilidad de la velocidad del rotor.
  • 🎯 Reduce un 90% el movimiento del controlador de paso (pitch controller).
  • 📈 Alcanzó una eficiencia de 0.356, superando los datos reales y el modelo que ve el viento real.