IA Aplicada a Evaluación de Proyectos Solares
Aprende las habilidades que hoy exige la industria energética: IA, SAM, Python y modelos predictivos para tomar decisiones.
Curso 100% virtual (Zoom) en vivo10 de Febrero al 19 de marzo de 2026
Cupos limitados
La energía cambió. La ingeniería también.
Los proyectos solares ya no se evalúan como antes. Los ingenieros que integran IA están liderando las decisiones técnicas y financieras de mayor impacto.
Lo que vas a lograr en este curso:
Integrar IA con SAM y Python para automatizar análisis.
Predecir generación y demanda con machine learning.
Crear reportes técnicos más rápido con IA.
Optimizar proyectos reales para clientes del mercado energético.
Aprende con expertos reales del sector
Alexander Valencia Rendon
Magister en Sistemas Energéticos, más de 10 años conectando personas, empresas y proyectos por la transformación digital, la eficiencia energética y las fuentes renovables. Consultor Especialista en desarrollar negocios alrededor de la energía: Energy as a Services (XaaS), Software as a Service. Certificado en IA Generativa, Prompt Engineering por IBM
Un entrenamiento práctico de 36 horas
Para aprender a combinar SAM, Python y modelos de IA en evaluación energética y financiera de proyectos fotovoltaicos. Incluye:
Modelos ML (LSTM, Random Forest)
Modelos ML (LSTM, Random Forest)
Automatización con Python
Reportes generados con IA
Inscríbete antes del 20 de diciembre y recibe 25% de descuento.
Haz parte de los primeros ingenieros en dominar IA aplicada a proyectos solares en Colombia
+ 2.500 ingenieros se han formado con AIE UdeA
Profesionales que hoy lideran proyectos energéticos a nivel nacional.
Contenido del Curso
Semana 1 — Capítulo 1: Conceptos básicos de analítica de datos (Sesiones 1–2)
- Sesión 1 (3 h) — Fundamentos y datos en proyectos PV
- Objetivos: entender tipos de datos relevantes; calidad y fuentes; métricas clave.
- Contenido teórico: variables meteorológicas (GHI, DNI, DHI), temperatura, perfiles de carga, características de módulos e inversores, parámetros financieros (CAPEX, OPEX, tarifas).
- Práctica: exploración básica de dataset de radiación y demanda en Python; introducción a Pandas y visualización con Matplotlib; limpieza básica y detección de valores atípicos.
- Sesión 2 (3 h) — Estadística descriptiva, series temporales y preprocesamiento
- Objetivos: aplicar transformaciones temporales, resampling y tratamiento de datos faltantes.
- Contenido teórico: medias móviles, estacionalidad, correlaciones, normalización/estandarización.
- Práctica: resampling horario/mensual; imputación; generación de features temporales (hora/día/mes); análisis de autocorrelación.
- Entregable: notebook con EDA (exploratory data analysis) y resumen de calidad de datos.notebook con pipeline de preprocesamiento reproducible
Semana 2 — Capítulo 1 (continuación) y transición a herramientas (Sesiones 3–4)
- Sesión 3 (3 h) — Introducción a SAM NREL: conceptos y flujo de trabajo
- Objetivos: conocer la interfaz y parámetros clave de SAM; tipos de simulaciones.
- Contenido teórico: modelos de sistema, ubicación/irradiación, pérdidas, temperatura, configuraciones de inversores y optimización simple.
- Práctica: correr simulación base en SAM para una planta de referencia; exportar resultados (producción horaria, balances) para análisis posterior.
- Entregable: archivo de proyecto SAM y exportación CSV de resultados.
- Sesión 4 (3 h) — Integración SAM ↔ Python y automatización básica
- Objetivos: automatizar runs de SAM y consumir sus salidas en Python.
- Contenido técnico: formatos de import/export, estructura de datos de salida, llamadas por línea de comandos o API cuando esté disponible.
- Práctica: script Python para modificar parámetros en lotes (tilt, azimuth, tamaño), ejecutar SAM por lotes y colectar resultados; visualización comparativa.
Semana 3 — Capítulo 2: Desarrollo básico con Python y AI (Sesiones 5–6)
- Sesión 5 (3 h) — Modelos supervisados para predicción de generación y demanda
- Objetivos: entrenar modelos básicos (regresión lineal, Random Forest) y evaluar métricas.
- Contenido teórico: selección de features, división train/test, métricas RMSE/MAE/R2, overfitting y validación cruzada.
- Práctica: pipeline con Scikit-learn; entrenamiento y evaluación para predicción horaria de generación usando datos históricos y variables meteorológicas.
- Sesión 6 (3 h) — Redes neuronales y Keras para series temporales
- Objetivos: construir modelos de redes neuronales para predicción de series temporales (LSTM/GRU).
- Contenido técnico: preparación de secuencias, arquitectura, hiperparámetros, regularización y entrenamiento.
- Práctica: modelo LSTM en Keras para pronóstico de generación; interpretación de resultados y ajuste rápido.
- Entregable: notebook con modelos comparados entrenados y evaluación bajo métricas
Semana 4 — Capítulo 2 (continuación): IA generativa y LLM aplicados (Sesiones 7–8)
- Sesión 7 (3 h) — Uso de LLM para soporte en diseño, generación de reportes y codificación asistida
- Objetivos: integrar LLM en el flujo para generación de documentación técnica, prompts efectivos y verificación de outputs.
- Contenido teórico: buenas prácticas de prompting, chain-of-thought seguro, control de versiones de prompts, rol de LLM en automatización.
- Práctica: ejemplos con ChatGPT/Gemini/Google AI Studio: generación de resúmenes ejecutivos, checklist de diseño, generación de scripts Python y revisión de código.
- Entregable: conjunto de prompts optimizados y ejemplo de uso para generar informe técnico en formato plantilla.
- Sesión 8 (3 h) — IA generativa para síntesis de datos y escenarios
- Objetivos: usar IA para crear escenarios sintéticos, simulaciones de sensibilidad y narrativas técnico-financieras.
- Contenido técnico: generación condicional de series temporales, verificación de consistencia física, fusión de outputs de modelos ML con texto generado.
- Práctica: pipeline que alimenta a un LLM con salidas de SAM y modelos ML para producir un reporte técnico-financiero automatizado.
Semana 5 — Capítulo 3: Proyecto de grado (Sesiones 9–10)
- Contexto del proyecto: evaluación de una granja solar destinada a un gran consumidor en Colombia (mercado no regulado), demanda objetivo 60 MW·mes.
- Sesión 9 (3 h) — Preparación del proyecto y modelado energético
- Objetivos: definir supuestos técnicos/operativos y preparar escenarios de irradiación y demanda.
- Actividades: selección de ubicación (supuestos geográficos), recolección/creación de series de radiación y demanda (perfil 60 MW·mes), parametrización SAM (capacidad, tilt, pérdidas, curtailment).
- Práctica: creación de proyecto SAM inicial y exportación a Python; análisis de generación vs demanda.
Semana 6 — Capítulo 3: Proyecto final, optimización y defensa (Sesiones 11–12)
- Sesión 11 (3 h) — Optimización multiobjetivo y robustez mediante ML/IA
- Objetivos: optimizar configuración (capacidad, tilt, panel/inversor selection, baterías si aplica) para criterios técnicos-financieros.
- Contenido técnico: algoritmos de optimización (grid search, Bayesian/Optuna), trade-offs CAPEX vs generación vs pérdidas, inclusión de almacenamiento y respuesta a demanda.
- Práctica: usar Optuna o enfoque similar para optimizar parámetros y usar LLM para sintetizar resultados en un reporte ejecutivo.
- Sesión 12 (3 h) — Presentación y defensa del proyecto final
- Actividades: presentación por equipos o individual (10–15 min), preguntas del instructor, retroalimentación técnica y financiera.
- Entregable final: Entregable: notebook de optimización y conjunto de escenarios óptimos.paquete entregable por equipo: proyecto SAM parametrizado, notebooks Python (preprocesamiento, modelos, análisis financiero, optimización), reporte ejecutivo generado con LLM y presentación en PDF.
ACTIVIDADES Y EVALUACIÓN
- Evaluación continua (80%):
- Entregables semanales: notebooks y pequeños informes (60%).
- Quizzes y participación en clase (20%).
- Proyecto final (20%):
- Calidad técnica del modelo SAM y notebooks (10%).
- Rigor financiero y análisis de sensibilidad (5%).
- Presentación y claridad del reporte automatizado con LLM (5%).
RECURSOS Y SOFTWARE SUGERIDO
- Software principal: SAM (NREL), Python 3.x, Jupyter/Colab. Todos son de acceso libre
- Librerías: Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Keras/TensorFlow, Optuna (u otra para optimización), PySAM (si disponible), requests/SDKs para acceso a LLM.
- Plataformas IA: ChatGPT, Gemini, Google AI Studio(uso para generación de texto, prompts y revisión de resultados).
- Datos: bases meteorológicas (ej.: datos solares horarios o satelitales), perfiles de demanda representativos para Colombia (generados o ajustados).
RESULTADOS ESPERADOS
Al finalizar el curso, los participantes podrán:
- Construir pipelines reproducibles que integren SAM con Python para análisis técnico y financiero.
- Entrenar y aplicar modelos ML para pronóstico de generación y demanda.
- Usar LLM/IA generativa para automatizar reportes técnicos, redactar documentación y asistir en debugging/codificación.
- Entregar un estudio completo de factibilidad técnica y financiera para una granja solar que satisfaga una demanda de 60 MW·mes en el contexto del mercado no regulado colombiano.
La ingeniería del futuro no espera.
Este es el momento para especializarte en IA y proyectos solares.
INVERSIÓN
Profesionales en General
$1.499.400 IVA Incluído
Egresados UdeA
$ 1.349.600 IVA incluido
Asociados AIE UdeA
$ 1.199.520 IVA incluido