Publicación: Indicadores y métricas para la evaluación del rendimiento energético de sistemas fotovoltaicos con inteligencia artificial aplicada al seguimiento solar: una revisión descriptiva
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Director
Fecha
Resumen en español
Este estudio revisa la literatura científica sobre los indicadores y métricas utilizados para evaluar el rendimiento energético de sistemas fotovoltaicos que integran inteligencia artificial aplicada al seguimiento solar. A partir de una revisión de artículos seleccionados publicados entre 2014 y 2026, el análisis encontró que las métricas basadas en el error, en particular el RMSE, predominan en la evaluación de los modelos de IA, mientras que la eficiencia y el Performance Ratio son los indicadores energéticos más reportados. Los modelos de Deep Learning mostraron la mayor precisión predictiva, aunque su adopción sigue siendo limitada frente a los enfoques clásicos de Machine Learning. Los sistemas que combinan IA con control adaptativo de seguimiento superaron de forma consistente tanto a las instalaciones fijas como a los seguidores de doble eje convencionales. Los hallazgos evidencian una falta de estandarización en los criterios de evaluación, lo que dificulta la comparación entre estudios, junto con una concentración reciente y creciente de investigaciones en América Latina.
Resumen en inglés
This study reviews the scientific literature on indicators and metrics used to evaluate the energy performance of photovoltaic systems that integrate artificial intelligence for solar tracking. Based on a review of selected articles published between 2014 and 2026, the analysis found that error-based metrics, particularly RMSE, dominate the evaluation of AI models, while efficiency and Performance Ratio are the most commonly reported energy indicators. Deep Learning models showed the strongest predictive accuracy, although their adoption remains limited compared to classical Machine Learning approaches. Systems combining AI-driven tracking with adaptive control consistently outperformed both fixed installations and conventional dual-axis trackers. The findings point to a lack of standardization across evaluation criteria, which limits comparability between studies, alongside a recent and growing concentration of research in Latin America.