{"id":{"repo_id":"u-ean","oai_identifier":"oai:null:10882/14441"},"canonical_url":"https://search.dev.ndltd.org/etd/u-ean/oai:null:10882/14441","repository":{"repo_id":"u-ean","name":"Universidad Ean","base_url":"https://repository.universidadean.edu.co/server/oai/request"},"display":{"title":"Análisis predictivo de la viabilidad de la instalación para plantas de energía solar en Colombia mediante Machine Learning y datos meteorológicos.","abstract":"El presente estudio tuvo como objetivo desarrollar una herramienta basada en tecnicas de machine learning para evaluar la viabilidad de la instalacion de plantas de energia solar en Colombia. La herramienta se diseño para analizar datos meteorologicos historicos y en tiempo real, optimizando así la seleccion de ubicaciones para nuevas instalaciones solares. La metodologia integro datos recolectados mediante estaciones meteorologicas y sistemas de monitoreo satelital, los cuales fueron procesados utilizando algoritmos de prediccion avanzada. Este enfoque permitio mejorar la precision de los resultados y proporcionar recomendaciones practicas que fomentan el uso de energias renovables y aumentan la eficiencia energetica en el país.","abstract_html":"El presente estudio tuvo como objetivo desarrollar una herramienta basada en tecnicas de machine learning para evaluar la viabilidad de la instalacion de plantas de energia solar en Colombia. La herramienta se diseño para analizar datos meteorologicos historicos y en tiempo real, optimizando así la seleccion de ubicaciones para nuevas instalaciones solares. La metodologia integro datos recolectados mediante estaciones meteorologicas y sistemas de monitoreo satelital, los cuales fueron procesados utilizando algoritmos de prediccion avanzada. Este enfoque permitio mejorar la precision de los resultados y proporcionar recomendaciones practicas que fomentan el uso de energias renovables y aumentan la eficiencia energetica en el país.","abstract_has_math":false,"creators":["Castillo Castillo, Giovanny","Sainea Rojas, Andrés Felipe"],"institution":"Universidad Ean","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Chéry Leal, Marie José"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025-02-19T12:51:49Z","date_published":"2025-02-19T12:51:49Z","updated_at":"2026-07-27T21:31:29Z","subjects":["Innovaciones tecnológicas","Evaluación de proyectos","Aprendizaje automático","Desarrollo sostenible","Energía solar","Energia Solar","Datos meteorológicos","Machine learning"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess","Abierto (Texto Completo)","Atribución-NoComercial-SinDerivadas 2.5 Colombia"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/2.5/co/"],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["instname:Universidad Ean","reponame:Repositorio Institucional Biblioteca Digital Minerva","repourl:https://repository.ean.edu.co/"],"render_values":[{"text":"instname:Universidad Ean","href":null,"code":true},{"text":"reponame:Repositorio Institucional Biblioteca Digital Minerva","href":null,"code":true},{"text":"repourl:https://repository.ean.edu.co/","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10882/14441","outbound_label":"Handle","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Chéry Leal, Marie José"]},{"key":"dc:creator","label":"Author","values":["Castillo Castillo, Giovanny","Sainea Rojas, Andrés Felipe"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025-02-19T12:51:49Z","2024-12-19"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Ean","Especialización en Machine Learning","Facultad de Ingeniería"]},{"key":"dc:type","label":"Dc Type","values":["Trabajo de grado - Especialización","bachelor thesis","http://purl.org/coar/resource_type/c_7a1f","info:eu-repo/semantics/bachelorThesis","info:eu-repo/semantics/acceptedVersion"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Innovaciones tecnológicas","Evaluación de proyectos","Aprendizaje automático","Desarrollo sostenible","Energía solar","Energia Solar","Datos meteorológicos","Machine learning"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["http://creativecommons.org/licenses/by-nc-nd/2.5/co/","info:eu-repo/semantics/openAccess","Abierto (Texto Completo)","Atribución-NoComercial-SinDerivadas 2.5 Colombia"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["http://hdl.handle.net/10882/14441","instname:Universidad Ean","reponame:Repositorio Institucional Biblioteca Digital Minerva","repourl:https://repository.ean.edu.co/"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["El presente estudio tuvo como objetivo desarrollar una herramienta basada en tecnicas de machine learning para evaluar la viabilidad de la instalacion de plantas de energia solar en Colombia. La herramienta se diseño para analizar datos meteorologicos historicos y en tiempo real, optimizando así la seleccion de ubicaciones para nuevas instalaciones solares. La metodologia integro datos recolectados mediante estaciones meteorologicas y sistemas de monitoreo satelital, los cuales fueron procesados utilizando algoritmos de prediccion avanzada. Este enfoque permitio mejorar la precision de los resultados y proporcionar recomendaciones practicas que fomentan el uso de energias renovables y aumentan la eficiencia energetica en el país.","The objective of this study was to develop a tool based on machine learning techniques to evaluate the feasibility of installing solar power plants in Colombia. The tool was designed to analyze historical and real-time meteorological data, thus optimizing the selection of locations for new solar installations. The methodology integrated data collected through weather stations and satellite monitoring systems, which were processed using advanced prediction algorithms. This approach improved the accuracy of the results and provided practical recommendations that promote the use of renewable energy and increase energy efficiency in the country.","Especialista en Machine Learning","Especialización"]},{"key":"dc:format","label":"Dc Format","values":["pdf","65 página","Recurso electrónico","application/pdf"]},{"key":"dc:title","label":"Title","values":["Análisis predictivo de la viabilidad de la instalación para plantas de energía solar en Colombia mediante Machine Learning y datos meteorológicos.","Predictive Analysis of the Feasibility of Installing Solar Power Plants in Colombia Using Machine Learning and Meteorological Data."]}]}],"canonical_facts":{"dc:contributor":["Chéry Leal, Marie José"],"dc:creator":["Castillo Castillo, Giovanny","Sainea Rojas, Andrés Felipe"],"dc:date":["2025-02-19T12:51:49Z","2024-12-19"],"dc:description":["El presente estudio tuvo como objetivo desarrollar una herramienta basada en tecnicas de machine learning para evaluar la viabilidad de la instalacion de plantas de energia solar en Colombia. La herramienta se diseño para analizar datos meteorologicos historicos y en tiempo real, optimizando así la seleccion de ubicaciones para nuevas instalaciones solares. La metodologia integro datos recolectados mediante estaciones meteorologicas y sistemas de monitoreo satelital, los cuales fueron procesados utilizando algoritmos de prediccion avanzada. Este enfoque permitio mejorar la precision de los resultados y proporcionar recomendaciones practicas que fomentan el uso de energias renovables y aumentan la eficiencia energetica en el país.","The objective of this study was to develop a tool based on machine learning techniques to evaluate the feasibility of installing solar power plants in Colombia. The tool was designed to analyze historical and real-time meteorological data, thus optimizing the selection of locations for new solar installations. The methodology integrated data collected through weather stations and satellite monitoring systems, which were processed using advanced prediction algorithms. This approach improved the accuracy of the results and provided practical recommendations that promote the use of renewable energy and increase energy efficiency in the country.","Especialista en Machine Learning","Especialización"],"dc:format":["pdf","65 página","Recurso electrónico","application/pdf"],"dc:identifier":["http://hdl.handle.net/10882/14441","instname:Universidad Ean","reponame:Repositorio Institucional Biblioteca Digital Minerva","repourl:https://repository.ean.edu.co/"],"dc:language":["spa"],"dc:publisher":["Universidad Ean","Especialización en Machine Learning","Facultad de Ingeniería"],"dc:rights":["http://creativecommons.org/licenses/by-nc-nd/2.5/co/","info:eu-repo/semantics/openAccess","Abierto (Texto Completo)","Atribución-NoComercial-SinDerivadas 2.5 Colombia"],"dc:subject":["Innovaciones tecnológicas","Evaluación de proyectos","Aprendizaje automático","Desarrollo sostenible","Energía solar","Energia Solar","Datos meteorológicos","Machine learning"],"dc:title":["Análisis predictivo de la viabilidad de la instalación para plantas de energía solar en Colombia mediante Machine Learning y datos meteorológicos.","Predictive Analysis of the Feasibility of Installing Solar Power Plants in Colombia Using Machine Learning and Meteorological Data."],"dc:type":["Trabajo de grado - Especialización","bachelor thesis","http://purl.org/coar/resource_type/c_7a1f","info:eu-repo/semantics/bachelorThesis","info:eu-repo/semantics/acceptedVersion"]},"updated_at":"2026-07-27T21:31:29Z"}