Desarrollo de un sistema multiagente basado en Modelos de Lenguaje Grande para la predicción de radiación solar utilizando datos meteorológicos

• Autores: Olivera, Lucas; Cappelletti, Marcelo Ángel; Morales, Martín
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Chatbot; LLM; Aprendizaje automático; machine learning; Radiación solar
• Institución: Universidad Nacional de La Plata

Este artículo corto presenta un trabajo en desarrollo basado en un enfoque híbrido para la estimación de la radiación solar global horaria bajo condiciones de cielo variables, combinando técnicas de aprendizaje automático supervisado y herramientas de inteligencia artificial generativa. Específicamente, se desarrolla un modelo predictivo basado en algoritmos de Gradient Boosting, utilizando como variables de entrada datos meteorológicos y el índice de claridad (Kt), parámetro derivado de la radiación solar, que permite clasificar la cobertura nubosa y mejorar la precisión del modelo. La radiación solar global horaria es la variable objetivo del sistema. El modelo con mejor desempeño, evaluado mediante métricas como el coeficiente de determinación (R²), error absoluto medio (MAE) y raíz del error cuadrático medio (RMSE), se integra en un chatbot interactivo diseñado para facilitar su uso y promover el acceso a  análisis exploratorios sin requerimientos técnicos por parte del usuario. Por ejemplo, un usuario puede consultar: “¿Cuál fue la radiación solar promedio en abril de 2022?” y obtener una respuesta acompañada de una visualización automática. Este sistema se implementa mediante la tecnología Semantic Kernel de Microsoft, que permite la ejecución de funciones programadas a partir de la interpretación del lenguaje natural, y se complementa con modelos de lenguaje locales gestionados a través de la plataforma Ollama, incluyendo instancias de LLaMA y Qwen. La solución propuesta mejora la precisión en la predicción de la radiación solar y facilita el acceso a modelos científicos mediante interfaces inteligentes y accesibles.
This short article presents a work in progress based on a hybrid approach for the estimation of hourly global solar radiation under variable sky conditions, combining supervised machine learning techniques and generative artificial intelligence tools. Specifically, a predictive model based on Gradient Boosting algorithms is developed, using as input variables meteorological data and the clarity index (Kt), a parameter derived from solar radiation, which allows classifying cloud cover and improving model accuracy. Hourly global solar radiation is the target variable of the system. The best performing model, evaluated using metrics such as the coefficient of determination (R²), mean absolute error (MAE) and root mean square error (RMSE), is integrated into an interactive chatbot designed to facilitate its use and promote access to exploratory analysis without technical requirements from the user. For example, a user can query: "What was the average solar radiation in April 2022?" and receive an answer accompanied by an automatic visualization. This system is implemented using Microsoft's Semantic Kernel technology, which enables the execution of programmed functions based on natural language interpretation, and is complemented by local language models managed through the Ollama platform, including instances of LLaMA and Qwen. The proposed solution improves the accuracy of solar radiation prediction and facilitates access to scientific models through intelligent and accessible interfaces.
Sociedad Argentina de Informática e Investigación Operativa