Propuesta de Estrategias Inteligentes para la Implementación de Tecnologías de IA en la Generación de Energía Renovable en Colombia

Simple item page
dc.contributor.advisorZabala Vargas Sergio Andrés
dc.contributor.authorNegrete Villadiego, Yorleidys
dc.contributor.authorQuintero Julio, Maria Angelica
dc.coverage.spatialBogotá D.C.
dc.date.accessioned2025-12-06T19:31:36Z
dc.date.available2025-12-06T19:31:36Z
dc.date.issued2024-11-06
dc.descriptionGenerar una propuesta de estrategias para la implementación de tecnologías de inteligencia artificial en la gestión de proyectos de generación de energía renovable en Colombia.
dc.description.abstractEl presente estudio tiene como objetivo desarrollar estrategias para implementar tecnologías de inteligencia artificial (IA) en la gestión de proyectos de generación de energía renovable en Colombia. El problema principal que aborda es la necesidad de optimizar la predicción de la disponibilidad de recursos naturales, mejorar la eficiencia operativa de las plantas y reducir los costos asociados a las barreras técnicas y financieras del sector energético. La investigación se llevó a cabo mediante un enfoque cuantitativo, aplicando encuestas a empresas del sector energético para evaluar su nivel de adopción de IA. El análisis se centró en identificar cómo estas tecnologías pueden superar las limitaciones de intermitencia en la generación de energía y mejorar la integración de fuentes renovables, como la energía solar y eólica, en el sistema eléctrico colombiano. Entre los principales resultados, se encontró que la adopción de IA está en etapas tempranas, pero las empresas reconocen su potencial. Las tecnologías emergentes, como el machine learning y el deep learning, muestran grandes beneficios para predecir y gestionar la generación de energía renovable, mejorando tanto la precisión como la eficiencia. Sin embargo, aún existen desafíos relacionados con la inversión en infraestructura tecnológica y la capacitación del personal. En conclusión, el estudio propone un conjunto de estrategias que incluyen la modernización tecnológica, la formación especializada y la colaboración con instituciones expertas para acelerar la implementación de IA en el sector energético de Colombia
dc.description.abstractThe present study aims to develop strategies for implementing artificial intelligence (AI) technologies in the management of renewable energy generation projects in Colombia. The main problem addressed is the need to optimize the prediction of natural resource availability, improve the operational efficiency of power plants, and reduce costs associated with technical and financial barriers in the energy sector. The research was conducted using a quantitative approach, applying surveys to companies in the energy sector to assess their level of AI adoption. The analysis focused on identifying how these technologies can overcome the intermittency limitations in energy generation and improve the integration of renewable sources, such as solar and wind energy, into the Colombian electrical grid. Among the main findings, it was discovered that AI adoption is still in its early stages, but companies recognize its potential. Emerging technologies such as machine learning and deep learning show great benefits in predicting and managing renewable energy generation, improving both accuracy and efficiency. However, challenges remain concerning investment in technological infrastructure and staff training. In conclusion, the study proposes a set of strategies that include technological modernization, specialized training, and collaboration with expert institutions to accelerate AI implementation in Colombia's energy sector.
dc.format.extent86 páginas
dc.identifier.citationNegrete Villadiego, Y., & Quintero Julio, M. (2024).Propuesta de Estrategias Inteligentes para la Implementación de Tecnologías de IA en la Generación de Energía Renovable en Colombia. [Monografía, Corporación Universitaria Minuto de Dios - UNIMINUTO]. Repositorio UNIMINUTO.
dc.identifier.urihttps://hdl.handle.net/10656/22741
dc.language.isoes
dc.publisherCorporación Universitaria Minuto de Dios - UNIMINUTO
dc.publisher.departmentPosgrado (Virtual)
dc.publisher.programEspecialización en Gerencia de Proyectos
dc.rightsAcceso Abierto - http://purl.org/coar/access_right/c_abf2
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRenewable energy
dc.subjectArtificial intelligence
dc.subjectProject management
dc.subjectCost optimization
dc.subjectResource prediction
dc.subjectColombia
dc.subject.keywordsEnergía renovable
dc.subject.keywordsInteligencia artificial
dc.subject.keywordsGestión de proyectos
dc.subject.keywordsOptimización de costos
dc.subject.keywordsPredicción de recursos
dc.subject.keywordsRenewable energy
dc.subject.keywordsArtificial intelligence
dc.subject.keywordsProject management
dc.titlePropuesta de Estrategias Inteligentes para la Implementación de Tecnologías de IA en la Generación de Energía Renovable en Colombia
dc.typeTrabajo de Investigación e Innovación
dc.type.coarthesis
dcterms.bibliographicCitationBansal, R. C., Sharma, D. K., & Singh, P. (2018). Optimization of solar PV systems using artificial intelligence techniques. Renewable Energy, 474-487. CEPAL. (2013). Energía: Una visión sobre los retos y oportunidades en América Latina y el Caribe. Repositorio CEPAL. Chen, W., & Li, X. (2023). AI-powered forecasting models for offshore wind energy production. Applied Energy. Chen, Y., Zhang, Y., & Li, M. (2020). Deep learning applications in renewable energy systems. Renewable Energy, 62-77. Congreso de Colombia. (22 de Diciembre de 1933). Ley 99 del 22 de diciembre de 1993. Diario Oficial No. 41.146. Congreso de Colombia. (16 de Diciembre de 1959). Ley 2 del 16 de diciembre de 1959. Diario Oficial No. 30.694. Congreso de Colombia. (23 de Diciembre de 1973). Ley 23 del 18 de diciembre de 1973. Diario Oficial No. 33.223. Congreso de Colombia. (3 de Octubre de 2001). Ley 697 del 3 de octubre de 2001. Diario Oficial No. 44.584. Congreso de Colombia. (13 de mayo de 2014). Ley 1715 del 13 de mayo de 2014. Diario Oficial No. 49.150. Congreso de Colombia. (25 de mayo de 2019). Ley 1955 del 25 de mayo de 2019. Diario Oficial No. 50.964. Cortés, C., & Arango, S. (2017). Energías renovables en Colombia: Avances y desafíos. Energía y Sostenibilidad, 45-60. Córtes, S., & Arango, A. (2017). Energías renovables en Colombia: una aproximación desde la economía. Revista Ciencias Estratégicas, 375-390. CREG. (01 de Marzo de 2018). Resolución 030 del 1 de marzo de 2018. Diario Oficial No. 50.541. Ding, F., & Zhang, X. (2018). A hybrid AI approach for energy consumption prediction in microgrids. Energy, 229-239. Du, J., & Hu, Z. (2021). Machine learning for energy generation forecasting: A comprehensive review. Applied Energy. Fernández, A., & Castro, J. (2021). Intelligent systems for managing energy grids with renewable energy sources. Journal of Energy Systems, 123-140. García, L., & Moreno, J. (2022). Artificial intelligence for predictive maintenance in solar power plants. Journal of Cleaner Production. Guo, S., Zhang, L., & Lu, H. (2019). Artificial intelligence-based renewable energy prediction. Energy Conversion and Management, 320-330. IPCC. (2011). Intergovernmental Panel on Climate Change. Obtenido de Special Report on Renewable Energy Sources and Climate Change Mitigation: https://www.ipcc.ch/report/srren/ IRENA. (2018). International Renewable Energy Agency. Obtenido de Renewable Energy and Jobs – Annual Review 2018: https://www.irena.org/publications/2018/May/RenewableEnergy-and-Jobs-Annual-Review-2018 Jacobsson, S., & Lauber, V. (2006). The politics and policy of energy system transformation— Explaining the German diffusion of renewable energy technology. Energy Policy, 256- 276. Kammen, D., & Nemet, G. (2005). Reversing the incredible shrinking energy R&D budget. Issues in Science and Technology, 49-56. Kumar, N., & Prakash, S. (2018). Artificial neural networks for wind energy systems optimization. Renewable Energy, 304-317. Li, W., & Xu, G. (2023). Deep learning for real-time energy management in smart grids. IEEE Transactions on Smart Grid, 330-345. Mohammadi, M., Hosseinian, S. H., & Gharehpetian, G. B. (2019). Application of artificial intelligence techniques in smart grids. Electric Power Systems Research, 58-69. Morales, D. (11 de 08 de 2022). PORTAFOLIO . Obtenido de En el país 404.000 familias aún no cuentan con electricidad: https://www.portafolio.co/economia/infraestructura/en-el-pais404-000-familias-aun-no-cuentan-con-electricidad-569482 Nguyen, T. D., & Lee, K. Y. (2018). AI-based prediction models for solar energy forecasting. Renewable Energy, 249-262. Patel, J., & Shah, M. (2020). AI-based energy management system for smart homes. Journal of Cleaner Production. Pelfini, A., Fulget, G., & Beling, A. (2012). La energía de los emergentes: innovación y cooperación para la promoción de energías renovables en el Sur Global. Buenos Aires: FLACSO. Posso, F., & Sánchez, J. P. (2014). El desarrollo del sistema energético solar-hidrógeno en américa latina: potencialidades, oportunidades y barreras. Maskana. Posso, F., Acevedo, J., Hernandez, & J. (2014). El impacto económico de las energías renovables. Revista de investigación, administración e ingeniería, 22-26. Presidencia de la República. (18 de Diciembre de 1974). Decreto 2811 del 18 de diciembre de 1974. Diario Oficial No. 34.243. Presidencia de la República. (26 de mayo de 2015). Decreto 1073 del 26 de mayo de 2015. Diario Oficial No. 49.539. Rahman, A., Chen, Z., & Li, Y. (2022). AI-based energy management for smart grids: Optimization and forecasting. Energy. Ramirez, A. (2021). Artificial intelligence techniques applied to energy forecasting in power systems: A review. Energies, 11-14. Ramírez, A. (2021). UNIVERSIDAD DE LA LAGUNA. Obtenido de RIULL- REPOSITORIO INSTITUCIONAL: https://riull.ull.es/xmlui/bitstream/handle/915/25009/Tecnicas%20de%20inteligencia%20 artificial%20para%20la%20prediccion%20de%20energia%20renovable.pdf?sequence=1 &isAllowed=y Russell, S., & Norvig, P. (2016). Artificial intelligence: A modern approach . Pearson Education. Santos, J., & Oliveira, A. (2019). Energy generation forecasting using machine learning algorithms. Energy, 876-886. Sharma, P., & Gupta, R. (2019). AI-based optimization for hybrid renewable energy systems. Energy, 715-728. Singh, P., & Kaur, R. (2023). Artificial intelligence in renewable energy systems: A review on applications and future directions. Renewable Energy, 383-399. Wang, X., & Zhang, J. (2020). AI applications in enhancing renewable energy integration. Renewable Energy, 781-789. Zhou, Z., & Yang, Y. (2022). Artificial intelligence in optimizing energy storage systems. Journal of Energy Storage. Zhu, L., Wang, X., & Wei, Q. (2021). Project management in renewable energy sector: Key factors for efficiency. Energy Policy, 147-152.

Files

Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
TE.PRO_NegreteYorleidys-QuinteroMaria_2024.pdf
Size:
948.54 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorizacion_NegreteYorleidys-QuinteroMaria_2024.pdf
Size:
498.92 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
4.72 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Especialización en Gerencia de Proyectos