Modelo de Inteligência Artificial

Vista previa del material en texto

PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 1 
 
Desarrollo de un modelo basado en inteligencia artificial para la implementación de un 
proyecto de energía solar que supla los requerimientos energéticos de la compañía 
Servicios Petroleros Olimpia SA de CV 
 
 
Andrés Fernando Lizcano Villamizar 
 
 
Trabajo de grado como requisito para optar el título de: 
Magíster en Dirección y Gestión de Proyectos 
 
 
Director 
Luis Alfonso Aguirre Montealegre 
Magister en Gestión Tecnológica 
 
 
 
Universidad Santo Tomás, Bucaramanga 
División de Ingenierías y Arquitectura 
Facultad de Ingeniería en Telecomunicaciones 
 2022 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 2 
 
Dedicatoria 
 
A mi familia, que han estado presentes en cada uno de los momentos de mi vida, a ellos es a 
quienes les debo y les agradezco todo lo que soy. 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 3 
 
Agradecimientos 
 
En primer lugar, quiero agradecer a la compañía Servicios Petroleros Olimpia SA de CV, por 
la confianza dada, y toda la información suministrada para poder avanzar en el desarrollo de este 
proyecto. A mi director, que con su conocimiento, experiencia y dedicación aportó de manera 
invaluable, para construir los cimientos importantes en el desarrollo del proyecto. 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 4 
 
Resumen 
 
El siguiente trabajo se planteó para atender el problema encontrado en la compañía Servicios 
Petroleros Olimpia SA de CV, donde las afectaciones con el suministro de energía eléctrica se 
mantienen de forma periódica, problemas asociados a fallas por la infraestructura eléctrica, 
vandalismo a la misma; dada la ubicación y la falta de mantenimiento de las redes eléctricas, 
provocando así tiempos perdidos, cese de actividades por no contar con energía eléctrica y daños 
en equipos y componentes de las oficinas y base operativa por las caídas de tensión; dado esto, el 
objetivo general de este estudio, consiste en: “desarrollar un modelo que incorpore el concepto de 
inteligencia artificial como herramienta que permita levantar de manera predictiva información 
requerida para la viabilidad en el desarrollo del proyecto de energía solar”. Para ello, como método 
para el desarrollo de este proyecto, se hace utilización de métodos de inteligencia artificial como 
lo son modelos supervisados, la cual obtuvo como resultado, la predicción de los puntos de 
eficiencia máxima del modelo del sistema solar y estableció la discusión con la mesa directiva y 
principales patrocinadores de este proyecto y la viabilidad de implementación de este. 
 
Palabras clave. inteligencia artificial, energía solar. 
 
 
 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 5 
 
Abstract 
 
The following work was proposed to address the problem found in the company Servicios 
Petroleros Olimpia SA de CV, where the affectations with the supply of electrical energy are 
maintained periodically, problems associated with failures in the electrical infrastructure, 
vandalism to it; given the location and lack of maintenance of the electrical networks, thus causing 
lost time, cessation of activities due to the lack of electrical energy and damage to equipment and 
components of the offices and operating base due to voltage drops; Given this, the general 
objective of this study consists of: "developing a model that incorporates the concept of artificial 
intelligence as a tool that allows predictively gathering information required for the viability in the 
development of the solar energy project." For this, as a method for the development of this project, 
artificial intelligence methods are used, such as supervised models, which obtained as a result, the 
prediction of the maximum efficiency points of the solar system model and established the 
discussion with the board of directors and main sponsors of this project and the viability of its 
implementation. 
 
Keywords: artificial intelligence, solar energy. 
 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 6 
 
Contenido 
Pág. 
 
Introducción .................................................................................................................................. 13 
1. Generalidades del proyecto ................................................................................................... 15 
1.1. Objetivos ........................................................................................................................ 15 
1.1.1. General .................................................................................................................... 15 
1.1.2. Específicos .............................................................................................................. 15 
1.2. Descripción institucional ................................................................................................ 15 
1.2.1. La entidad................................................................................................................ 15 
1.2.2. Misión ..................................................................................................................... 16 
1.2.3. Visión ...................................................................................................................... 16 
1.2.4. Compromiso ............................................................................................................ 16 
1.3. Revisión técnica de la propuesta .................................................................................... 18 
1.4. Conceptos generales de la dirección de proyectos ......................................................... 18 
2. Estado del arte ....................................................................................................................... 29 
3. Grupo de procesos de inicio .................................................................................................. 31 
3.1. Acta de constitución del proyecto .................................................................................. 31 
3.2. Análisis de los interesados en el proyecto ...................................................................... 33 
3.3. Planteamiento del problema ........................................................................................... 35 
4. Grupos de procesos de planificación- Gestión del alcance del proyecto .............................. 36 
4.1. Planificación de la gestión del alcance ........................................................................... 36 
4.2. Recopilación de requisitos ............................................................................................. 37 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 7 
 
4.3. Definición del alcance .................................................................................................... 37 
4.4. Creación de la EDT ........................................................................................................ 38 
4.5. Grupos de proceso de planificación – Gestión de los costos del proyecto .................... 40 
5. Grupos de procesos de planificación – Gestión del cronograma del proceso ....................... 42 
6. Grupos de proceso de planificación – Gestión de la calidad del proyecto ............................ 42 
7. Grupos de proceso de planificación – Gestión de los recursos del proyecto ........................ 43 
7.1. Planificación de los recursos .......................................................................................... 43 
7.2. Asignación de responsabilidades................................................................................... 44 
7.3. Manejo del recurso ......................................................................................................... 45 
7.4. Utilización de los recursos ............................................................................................. 46 
8. Grupos de proceso de planificación – Gestión de las comunicaciones ................................. 47 
8.1. Planificación de la gestión de las comunicaciones......................................................... 47 
9. Grupos de proceso de planificación – Gestión de los riesgos del proyecto .......................... 48 
9.1. Planificación de los riesgos ............................................................................................ 48 
9.2. Identificación de los riesgos ........................................................................................... 49 
9.3. Análisis cualitativo de los riesgos .................................................................................. 50 
9.4. Análisis cuantitativo de los riesgos ................................................................................ 51 
9.5. Planificación de la respuesta a los riesgos ..................................................................... 51 
10. Grupos de proceso de planificación – Gestión de las adquisiciones del proyecto ............. 53 
10.1. Planificación de la gestión de las adquisiciones............................................................. 53 
11. Grupos de proceso de planificación – Gestión de los interesados del proyecto ................ 53 
11.1. Identificar los interesados del proyecto .......................................................................... 53 
11.2. Planificación del involucramiento de los interesados .................................................... 55 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 8 
 
12. Fase de ejecución del modelado ........................................................................................ 56 
12.1. Fase de modelado ........................................................................................................... 56 
12.2. Identificación de las técnicas de modelado .................................................................... 56 
12.3. Recopilación de datos y variables .................................................................................. 60 
12.4. Proceso de entrenamiento del modelo de predicción ..................................................... 63 
12.5. Validación del modelo ................................................................................................... 66 
13. Fase de análisis de resultados ............................................................................................ 73 
13.1. Verificación del modelo ................................................................................................. 73 
13.2. Selección del tipo de panel y dispositivos ...................................................................... 83 
14. Fase de estimación ............................................................................................................. 87 
14.1. Cotización de equipos .................................................................................................... 87 
14.2. Desarrollo de informe de viabilidad ............................................................................... 87 
14.3. Beneficios del proyecto .................................................................................................. 88 
14.4. Flujo económico ............................................................................................................. 89 
15. Comentarios finales ........................................................................................................... 91 
Referencias .................................................................................................................................... 94 
Apéndices ...................................................................................................................................... 96 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 9 
 
Lista de tablas 
 
Tabla 1. Acta de constitución del proyecto .................................................................................. 31 
Tabla 2. Análisis de los interesados del proyecto ........................................................................ 33 
Tabla 3. Recopilación de requisitos ............................................................................................. 37 
Tabla 4. Estructura de desglose de trabajo (EDT) ...................................................................... 38 
Tabla 5. Parámetros de calidad del modelo ................................................................................ 43 
Tabla 6. Roles y responsabilidades .............................................................................................. 43 
Tabla 7. Asignación de responsabilidades ................................................................................... 44 
Tabla 8. Manejo de los recursos .................................................................................................. 45 
Tabla 9. Plana de comunicación del proyecto ............................................................................. 47 
Tabla 10. Tipos de comunicaciones ............................................................................................. 48 
Tabla 11. Identificación de riesgos .............................................................................................. 49 
Tabla 12. Análisis cuantitativo de riesgos ................................................................................... 50 
Tabla 13. Análisis cuantitativo de riesgos ................................................................................... 51 
Tabla 14. Planificación de la respuesta al riesgo ........................................................................ 52 
Tabla 15. Identificación de los interesados ................................................................................. 53 
Tabla 16. Matriz de análisis de interesados ................................................................................ 55 
Tabla 17. Comparación de técnicas ............................................................................................. 57 
Tabla 18. Consumos de energía "SPO" ....................................................................................... 61 
Tabla 19. Variables climáticas Villahermosa, Tabasco ............................................................... 62 
Tabla 20. Datos de kwh/m2 .......................................................................................................... 62 
Tabla 21. Valores del cociente de consumo/Radiación ............................................................... 63 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 10 
 
Tabla 22. Validación cruzada con múltiples métricas ................................................................. 67 
Tabla 23. Resultados del entrenamiento ...................................................................................... 72 
Tabla 24. Dispositivos del sistema solar ...................................................................................... 83 
Tabla 25. Características Inversor .............................................................................................. 85 
Tabla 26. Cotización de equipos .................................................................................................. 87 
Tabla 27. Presupuesto .................................................................................................................. 88 
Tabla28. Flujo de costos-beneficios............................................................................................ 89 
Tabla 29. Parámetros de análisis de rentabilidad ....................................................................... 90 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 11 
 
Tabla de figuras 
 
Figura 1. Estructura organizacional ............................................................................................ 17 
Figura 2. Servicios Petroleros Olimpia SA de SV ........................................................................ 17 
Figura 3. Ciclo de vida de un proyecto ........................................................................................ 20 
Figura 4. Técnicas de predicción ................................................................................................. 23 
Figura 5. Técnicas de aprendizaje. .............................................................................................. 24 
Figura 6. Diferencia entre clasificación y regresión ................................................................... 25 
Figura 7. Neurona de múltiples entradas..................................................................................... 26 
Figura 8. Red neuronal tres capas ............................................................................................... 26 
Figura 9. k-means ......................................................................................................................... 28 
Figura 10. Fórmulas de error de predicción ............................................................................... 28 
Figura 11. Planteamiento del problema desde la perspectiva lógica .......................................... 35 
Figura 12. Plan de gestión de los costos ...................................................................................... 40 
Figura 13. Presupuesto del proyecto ........................................................................................... 41 
Figura 14. Estructura EDT .......................................................................................................... 42 
Figura 15. Histograma de utilización de recursos ....................................................................... 46 
Figura 16. Matriz de poder-interés .............................................................................................. 54 
Figura 17. Diagrama del proceso de modelado .......................................................................... 56 
Figura 18. Técnica de "Bagging" ................................................................................................. 58 
Figura 19. Random Forest ........................................................................................................... 60 
Figura 20. Gráfico de correlación ............................................................................................... 64 
Figura 21. Resultado del Bagged Tree......................................................................................... 65 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 12 
 
Figura 22. Arreglo de predicción "Random Forest".................................................................... 66 
Figura 23. Distribución del error ................................................................................................ 67 
Figura 24. Diagnóstico de modelo de residuos............................................................................ 68 
Figura 25. Tabla de matriz de confusión ..................................................................................... 69 
Figura 26. Matriz de confusión normalizada ............................................................................... 70 
Figura 27. Correlación de variables ............................................................................................ 70 
Figura 28. Matriz de correlación ................................................................................................. 71 
Figura 29. Datos de Inicio de la fase de Simulación ................................................................... 73 
Figura 30. Ingreso parámetros número de paneles e inclinación ............................................... 74 
Figura 31. Parámetros de sombra ............................................................................................... 75 
Figura 32. Resultados de Simulación general ............................................................................. 76 
Figura 33. Resultados de producción de energía ........................................................................ 77 
Figura 34. Consumo real vs generador por el modelo. ............................................................... 78 
Figura 35. Mapa de sombra mejor escenario .............................................................................. 78 
Figura 36. Simulación parámetros peor escenario ...................................................................... 79 
Figura 37. Configuración de la simulación ................................................................................. 80 
Figura 38. Resultados de la simulación ....................................................................................... 81 
Figura 39. Mapa de sombra peor escenario ................................................................................ 82 
Figura 40. Consumo real vs generador por el modelo ................................................................ 83 
Figura 41. Paneles solares más eficientes ................................................................................... 84 
Figura 42. Temperatura vs variación de potencia ....................................................................... 85 
Figura 43. Eficiencia del inversor ................................................................................................ 86 
Figura 44. Análisis VAN............................................................................................................... 91 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 13 
 
 
Introducción 
 
Para la compañía Servicios petroleros Olimpia SA de CV, dada la ubicación de su base 
operativa y oficinas administrativas, las cuales se encuentran a unos 30 kms de la zona céntrica de 
Villahermosa, estado Tabasco en México, de forma diaria se vive una de las problemáticas más 
complejas a nivel del acceso a servicios públicos como lo es la de energía eléctrica, suministrada 
por la empresa CFE (Comisión federal de electricidad); este es un servicio que se torna complejo 
por las siguientes razones: infraestructura eléctrica con problemas de mantenimiento notables, 
delincuencia común que accede a dicha infraestructura con fines vandálicos y esto se traduce en 
alta fluctuación del servicio dado el tiempo que el suministro eléctrico está fuera de 
funcionamiento, dado los problemas de fallas en los equipos, así como los constantes robos a la 
infraestructura y adicional los daños a equipos como lo son computadores, servidores, pantallas y 
una variedad de dispositivos de las oficinas. 
Por lo que, a lo largo de este documento se observará que el objetivo general de este 
proyecto es desarrollar un modelo usando inteligencia artificial como una herramienta predictiva 
para establecer la viabilidad del desarrollo de un sistema de energía solar, que garantice el servicio 
de suministro eléctrico en la mayor proporción posible, tomando en cuenta todas las variables 
requeridas, dentro de este objetivo general se establecen dos objetivos específicos como lo son: 
desarrollar un modelo de inteligencia artificial que permita predecir los puntos de eficiencia 
máxima que pueda entregar un modelo de energía alternativa, teniendo encuenta las variables 
reales, tales como: patrón de radiación, velocidad del viento, humedad, temperatura y por supuesto 
a través de estas predicciones y en conjunto evaluar el modelo planteado en la capacidad de 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 14 
 
entregar los requerimientos necesarios para abastecer las necesidades de la compañía Servicios 
Petroleros Olimpia SA de CV. 
Este es un proyecto que enmarca una estrategia de adaptación de las herramientas, recursos 
que se tienen disponibles en la compañía, permitiendo de esta forma el ajuste de los 
procedimientos, metodología, técnicas y herramientas para el desarrollo del proyecto; por supuesto 
la finalidad de cualquier proyecto es entregar un producto o servicio, entendiendo que existen 
particularidades que hacen únicos cada uno de estos. Para lo que compete en este documento se 
muestra el seguimiento de las diferentes recomendaciones que el PMI establece para llevar a cabo 
de principio a fin el desarrollo del proyecto, pero tomando estrategias, herramientas y técnicas que 
van de la mano en la búsqueda del cumplimiento de los objetivos y abriendo las puertas al 
desarrollo de estrategias híbridas que permitan adaptar nuevas metodologías y secuencias que 
hagan mucho más flexible el abordaje de proyectos de esta naturaleza. 
 
 
 
 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 15 
 
1. Generalidades del proyecto 
 
La formulación de este proyecto plantea una metodología basada en los lineamientos del 
PMI, y la búsqueda de otras estrategias para el desarrollo de un modelo basado en inteligencia 
artificial que pueda analizar de manera óptima la implementación de proyectos de energía 
fotovoltaica. 
 
1.1. Objetivos 
1.1.1. General 
Desarrollar un modelo usando inteligencia artificial como una herramienta predictiva para 
establecer la viabilidad del desarrollo de un sistema de energía solar. 
 
1.1.2. Específicos 
Desarrollar un modelo de inteligencia artificial que permita predecir los puntos de eficiencia 
máxima que pueda entregar un modelo de energía fotovoltaica. 
Evaluar que el modelo planteado tenga la capacidad de entregar los requerimientos energéticos 
que la compañía Servicios Petroleros Olimpia, requiere. 
 
1.2.Descripción institucional 
 
1.2.1. La entidad 
Este proyecto se desarrollará para la empresa Servicios Petroleros Olimpia SA de CV, 
que es una compañía 100% mexicana, dedicada a la prestación de servicios para la industria del 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 16 
 
petróleo, gas y geotermia; con operaciones en el norte y sur del territorio mexicano, compañía 
constituida en el año 2017 y que hoy cuenta con más de 200 empleados. Compañía que hoy 
trabaja para compañías privadas brindando servicios a pozo desde proyectos a nivel integral, así 
como servicios discretos; caracterizándose por la calidad y desempeño en el desarrollo de las 
actividades, con altos estándares de seguridad y estadísticas que respaldan el desempeño en las 
actividades. 
 
1.2.2. Misión 
Generar valor a nuestros clientes, brindando soluciones integrales para la industria 
energética de manera segura, eficaz y confiable, a través de la excelencia en la ejecución 
operacional y del trabajo en equipo. 
 
1.2.3. Visión 
Ser el referente nacional en servicios petroleros. 
 
1.2.4. Compromiso 
Se crea valor agregado, siendo la compañía mexicana de servicios que mejor anticipa, 
entiende y excede las expectativas de sus clientes. Los servicios que la compañía tiene dentro de 
su catálogo son: 
• Reparación de pozos. 
• Perforación de pozos. 
• Registros eléctricos. 
• Operaciones de tubería flexible. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 17 
 
• Soluciones integradas. 
Figura 1. Estructura organizacional 
 
 Nota. Servicios Petroleros Olimpia SA de CV, (2022) 
 
La ubicación de las oficinas administrativas y base operativa es la siguiente: Carretera 
Cárdenas – Villahermosa; Km 146.7; Ranchería plátano y cacao, Segunda Sección. Municipio de 
Centro Villahermosa, Tabasco, México. Código Postal: 86280. 
 
Figura 2. Servicios Petroleros Olimpia SA de SV 
 
 Nota. Instalaciones de la Servicios Petroleros Olimpia SA de SV 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 18 
 
 
1.3.Revisión técnica de la propuesta 
La idea del desarrollo de este proyecto emerge de las reuniones que se tienen en la 
organización, cuyo concepto se estipula como revisiones por la dirección, donde los parámetros a 
nivel del impacto energético se analizan contemplando: costos en facturación, consumos, tiempo 
del servicio; es por esto, que en dichas revisiones se analiza de manera clara la problemática que 
dentro de la empresa se tiene a causa de la latencia del servicio. De esta forma, y teniendo claro 
que en la compañía no se tiene ningún estudio previo de alternativas energéticas, ni ninguna opción 
de cambio, se hace la propuesta, de un estudio de la viabilidad de la implementación de un sistema 
de energía solar. 
En este aspecto, la gerencia de operaciones de la compañía da vía libre para que se realice 
el proceso de estudio y todo lo que este proyecto de extensión requiere para ser presentado ante la 
mesa directiva de la compañía, que solo hasta que se tenga finalizado todo el proceso, con los datos 
y todo lo relacionado al estudio y desarrollo obtenido, podrán tomar una decisión de la viabilidad 
de la ejecución o el rechazo de esta. 
 
1.4.Conceptos generales de la dirección de proyectos 
 
El esfuerzo temporal desarrollado para la obtención final de un producto, servicio o 
resultados únicos, enmarcan el concepto general de lo que es un proyecto. Es importante entender 
que cualquiera que sea la finalidad de un proyecto, este se considerará finalizado, cuando todos 
los objetivos y metas establecidas hayan sido concluidas. Por lo tanto, la gestión de proyectos une 
las habilidades, conocimientos, experticia para cumplir con los requisitos establecidos y de esto 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 19 
 
surgen cinco (5) procesos claves en el marco de la dirección de estos, tales procesos son: inicio, 
planificación, ejecución, seguimiento y control y por último el cierre. 
Es importante entender entonces, todo lo que involucra la dirección de un proyecto, y entre 
las actividades más importantes se logran establecer las siguientes: 
• Identificación de requisitos. 
• Entender las necesidades e inquietudes que provienen de las partes interesadas. 
• Definir de manera clara el alcance, los recursos, los riesgos, el tiempo y el presupuesto. 
En este orden de ideas, y de acuerdo a Nextop (2017), “toda organización, empresa o grupo 
que desee orientar sus proyectos bajo la metodología para tales efectos de lo establecido por el 
PMI”, deberá de la manera que más se ajuste a sus necesidades incorporar un PMO o más conocida 
como la oficina de dirección/gestión de proyectos, esta cubrirá responsabilidades que van desde el 
simple soporte a la dirección de proyectos o hasta incluso asumir el control total en la dirección de 
esto. 
Por consiguiente, es necesario entender de manera clara, la serie de fases que deben pasar 
por un proyecto desde el inicio hasta el cierre de este, a esto se le denomina ciclo de vida, estas 
fases se entienden como la etapa de inicio, organización y preparación, ejecución del trabajo y 
cierre. De igual forma en la metodología que sugiere el PMI se definen algunos tipos de ciclos de 
vida, los cuales son: 
• Ciclo de vida predictivo: acá se define el alcance del proyecto, el tiempo y los costos 
requeridos. 
• Ciclode vida adaptativo: pueden ser también denominados ágiles, y tienen una gran ventaja 
y es la respuesta al cambio y a la constante participación de las partes interesadas. 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 20 
 
Figura 3. Ciclo de vida de un proyecto 
 
 Nota. Gascón. (2019). 
 
Las características de lo que se considera un ciclo de vida se pueden especificar de la 
siguiente manera: 
• Por lo regular las fases son secuenciales. 
• Las fases deben ser clasificadas de acuerdo con los objetivos. 
• Toda fase debe estar acotada. 
• Hay que establecer un marco de referencia para la dirección del proyecto. 
• El ciclo de vida puede estar basado en los requerimientos propios de la organización. 
Si bien es cierto, los proyectos pueden variar en tamaño, costo y complejidad, pero 
asumiendo las buenas prácticas de la gestión de proyectos las fases serán similares asumiendo las 
características propias de dichos proyectos. Es importante explicar uno de los conceptos que hacen 
parte fundamental de la gestión de proyectos y es la PMO (project management organization), o 
conocida en el español como la oficina de dirección de proyectos. Las características de esta van 
desde funciones de soporte y acompañamiento hasta la dirección de forma total de la gestión de 
un proyecto. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 21 
 
No todas las organizaciones cuentan con una oficina de gestión de proyectos, pero tarde o 
temprano la maduración en el concepto de gerencia de sus proyectos de forma interna, obligará a 
la creación de esta, tomando en cuenta la relevancia e importancia que esta va a tomar como eje 
fundamental para el control de los proyectos. Dentro de las funciones que desempeña una PMO se 
encuentran: 
• Permiten vincular los proyectos con los objetivos del negocio. 
• Disponer de los recursos, herramientas y todo lo requerido para la toma de las decisiones 
de una forma correcta y responsable. 
Para esto, es importante tener en cuenta todas las bondades que ofrece una PMO, entre las 
cuales se pueden encontrar: 
• Establece políticas para enmarcar el desarrollo de los proyectos. 
• Aporta los conocimientos para entender las zonas de influencia y desarrollo de los 
proyectos. 
• Establece metodologías para el desarrollo de los proyectos. 
Entrando en materia de lo pertinente a los modelos y herramientas de predicción surgen los 
siguientes conceptos: 
• Tipos de predicción de potencia. Es importante entender los diferentes mecanismos de 
predicción de las bondades de los sistemas fotovoltaicos, donde estos se pueden clasificar 
por: la variable que puede predecir, el horizonte de predicción y según el método de 
predicción que utiliza. 
• Según la variable de predicción. Durante muchos años se ha establecido este método como 
uno de los más cercanos a contar con errores de predicción muy pequeños. Por lo que Kudo 
et al (2009) exponen que teniendo en cuenta que lo que se busca es predecir la potencia de 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 22 
 
los paneles y se ha relacionado con la irradiancia de esta forma se toman como modelos de 
predicción directa. 
• Según el horizonte de predicción. Este método de predicción establece los tiempos desde 
la obtención del último dato medido hasta el tiempo de obtención del dato que se desea 
predecir, de acá surgen los diferentes tipos de horizonte de predicción. 
• Corto plazo. En este tipo de horizontes se realizan predicciones que van desde algunas 
horas hasta siete días y su principal característica es la utilización en sistemas integrados 
que permiten garantizar la seguridad en el suministro de red. 
• Mediano plazo. Este tipo de horizonte permite realizar las predicciones que van desde 
algunas semanas hasta un mes, su característica más importante es que permite la 
definición y establecimiento de los programas de mantenimiento. 
• Largo plazo. Las predicciones pueden ir hasta 1 año, esto permitirá contar con ventajas en 
la planificación, generación y distribución de la energía eléctrica. 
• Según el método de predicción. En este tipo de métodos se utilizan variables ambientales 
y los datos de energía generadas por los paneles y pueden establecerse como un método o 
un algoritmo de predicción, acá surge uno de los métodos más utilizados y es el de 
persistencia, este método asume que el valor siguiente de potencia es igual al del día 
anterior y a la misma hora, de manera real es obvio que las condiciones climáticas no son 
las mismas, por lo cual la tasa de error es muy alta, pero su característica es que cuenta con 
análisis matemáticos muy sencillos. 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 23 
 
Figura 4. Técnicas de predicción 
 
Nota. Das et al, (2018) 
 
De acuerdo con la figura 2, se pueden establecer que también existen métodos estadísticos, 
aprendizaje de máquinas y métodos híbridos. No obstante, de las desventajas que se tiene con los 
modelos estadísticos como el ARMA y el ARIMA, es que, aunque su naturaleza les permite ser 
fácilmente adaptables, tienden a ser un problema en estimaciones a largo plazo dado que requieren 
altos requerimientos computacionales. “La inteligencia artificial (IA) es un sistema informático 
entrenado para percibir su entorno, tomar decisiones y tomar medidas”. (MathWorks, 2022). 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 24 
 
Figura 5. Técnicas de aprendizaje. 
 
Nota. Datos tomados del curso de Matlab sobre Deep Learning, 2020. 
 
Como se observa en la figura 3, es congruente revisar la definición de dos conceptos 
importantes: el aprendizaje de máquinas y el aprendizaje profundo. 
• Aprendizaje de máquinas. Este aprendizaje está definido dentro de las ciencias 
computacionales como la habilidad que las computadoras pueden tener de aprender sin ser 
programadas, en el aprendizaje se establece una gran variedad de algoritmos y surgen dos 
tipos de aprendizaje, el supervisado y no supervisado (Samuel, 1959). 
• Aprendizaje supervisado. Se establece como una técnica para definir o establecer una 
función a través de datos previamente determinados, lo que significa, que se tienen 
definidos los datos de entrada y los datos de salida del modelo. Una de las características 
más importantes de este modelo, es que es comúnmente utilizado para realizar procesos de 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 25 
 
regresión (predicción). Acá se utilizan dos tipos de datos, donde un grupo de estos se ocupa 
para realizar los procesos de entrenamiento y el otro grupo de datos para evaluar el modelo 
teniendo en cuenta el error generado. 
 
Figura 6. Diferencia entre clasificación y regresión 
Nota. Datos obtenidos de Johnson, (2022). 
 
Dentro de los algoritmos más utilizados como sistema de aprendizaje supervisado se 
encuentran las ANN, SVM y GA, todas estas técnicas de aprendizaje que emulan el 
comportamiento de aprendizaje del sistema biológico. Dado que, las redes neuronales se 
componen de neuronas conectadas entre sí, en diversos niveles o capas, las neuronas transfieren la 
información de capa en capa. Una neurona es considerada un sistema de regresión lineal y funciona 
de la siguiente forma: internamente, hace una suma ponderada de las variables siendo estas 
multiplicadas por los pesos respectivos, a la salida se obtiene una función de transferencia 
encargada de generar la no linealidad de la neurona. 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 26 
 
Figura 7. Neurona de múltiples entradas 
 
Nota. Hagan, M., Demuth, H. (2014) 
 
Las neuronas pueden configurarse en capasy conformar una red, como se puede observar 
en la figura 6. 
 
Figura 8. Red neuronal tres capas 
 
 Nota. Datos tomados de. Hagan, M., Demuth, H. (2014) 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 27 
 
Los valores de entrada son multiplicados por los pesos, cuyos valores son llamados 
parámetros, por lo que, el algoritmo más común para encontrar el mejor valor es el de propagación 
hacia atrás (BP). Es importante definir, que el número de capas, la función de transferencia, el 
número de neuronas por capa, son nombrados como hiperparámetros y los valores se escogen en 
la fase de entrenamiento de la red. Existen dos funciones de transferencia denominadas sigmoidal 
y la tangente hiperbólica. La diferencia de estas dos funciones radica, en que la sigmoidal restringe 
los valores de salida de la neurona entre 0 y 1 y la de tangente hiperbólica entre -1 y 1. Las 
funciones están expresadas bajo las siguientes ecuaciones: 
𝐴 = 
1
1 + 𝑒−𝑥
 𝐸𝑐𝑢 1 
 Ecuación 1. Función de transferencia sigmoidal. 
 
𝐴 = 
𝑒𝑛 − 𝑒−𝑛
𝑒𝑛 − 𝑒−𝑛
 𝐸𝑐𝑢 2 
 Ecuación 2. Función de transferencia de tangente hiperbólica 
 
• Aprendizaje no supervisado. Este tipo de aprendizaje tiene una característica muy 
importante y es la que los datos no poseen etiquetas, en este tipo de modelos se busca 
encontrar o formar grupos y clasificaciones, entre los algoritmos se encuentra uno muy 
popular llamado el k-means, donde k representa el número de grupos o clústeres en los que 
se desea dividir la información. 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 28 
 
Figura 9. k-means 
 
 Nota. Datos tomados de Petersen. (2010) 
 
 
• Error de predicción. Este modelo permite establecer el rendimiento del modelo y puede 
establecer una medida para comparar la eficacia de un modelo de predicción contra otro. 
 
Figura 10. Fórmulas de error de predicción 
 
 
 Nota. Datos tomados de. Rodríguez et al. (2020) 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 29 
 
2. Estado del arte 
 
En primer lugar, se hace referencia al estudio de Ochoa y Ramírez (2020), en el cual, se 
plantea un modelo basado en redes neuronales (RNA), para la proyección y dimensionamiento de 
un sistema de paneles solares, es importante establecer que se desarrolló basado en un modelo 
supervisado cuyas características se pueden establecer al contar con datos de entrada y de salida 
requeridos y las grandes bondades de predicción que brinda este modelo de aprendizaje. En este 
trabajo se plantea el desarrollo de la variación del algoritmo K, a través de técnicas como la 
FSCNCA y donde a través del aprendizaje de las redes neuronales se logró parametrizar los 
sistemas fotovoltaicos de acuerdo a los requerimientos, obteniendo resultados como: encontrar las 
configuraciones más idóneas que hacen mucho más eficientes los sistemas de paneles solares; se 
encontraron las estructuras más aproximadas e incluso el cálculo del número de paneles fue lo más 
cercano al nivel más óptimo. 
Así mismo, Heras (2018), realiza una investigación para el desarrollo de un modelo de 
predicción de la radiación solar, el autor aborda esta investigación a través de tres (3) modelos, los 
cuales son: autorregresivo de media móviles (sARIMA), modelo no lineal autorregresivo (NAR) 
y modelo no lineal autorregresivo con entradas exógenas de redes neuronales (NARX), el proyecto 
fue establecido en dos partes importantes: La primera parte estableció el pronóstico de la radiación 
solar y la potencia de salida de los paneles, donde la primera establece todo el estudio de los 
fenómenos físicos de la llegada de la radiación a la atmósfera y la segunda el desarrollo de los 
modelos, cálculos, análisis de datos para identificar la eficacia y desempeño del modelo. 
En este orden, la segunda parte de este estudio aborda todo el proceso de cálculo de la 
potencia del generador fotovoltaico, y el estudio de las características de los paneles solares. Una 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 30 
 
de las conclusiones más importantes finalizada esta investigación fue encontrar cuál de los tres 
modelos utilizados fue el más eficiente, de acuerdo con los resultados los modelos tradicionales 
como lo son el NARy NARX presentaron mayor precisión respecto al sARIMA 
De igual manera, Romero (2020), establece en su proyecto, un modelo de predicción de la 
potencia fotovoltaica, basando su investigación en la utilización de redes neuronales, cuya 
investigación se divide en cuatro fases fundamentales: En la primera etapa se realiza el 
levantamiento de las variables más importantes, el método de agregación al modelo de predicción. 
En la segunda fase se realizó la agrupación de los datos para identificar los clústeres, y acá se 
obtuvieron los arreglos para días nublados y días soleados. En esta etapa se entrenaron las redes 
neuronales para cada tipo de clúster, se realizó la modificación de los hiperparámetros esto 
enfocado en la obtención del menor error. En la última etapa se realizó una comparación entre el 
modelo desarrollado y alguno modelos teóricos utilizando la distancia media cuadrática mínima 
normalizada (nRSME). 
Entre las conclusiones obtenidas dentro de dicha investigación, se obtuvieron los 
siguientes: los modelos de predicción tienen a disminuir el porcentaje de error, pero es cierta la 
afirmación de que se requiere mayor cantidad de data para busca una mayor minimización de la 
tasa de error. El estudio mostró un buen resultado a seccionar los datos para días nublados y días 
soleados por aparte, pero bajo la premisa que el estudio por las condiciones de desarrollo no pudo 
acceder a mayor data, que hubiese enriquecido el estudio. Igualmente, del desempeño de la red 
neuronal se obtuvo que el menor error fue definido bajo la siguiente configuración: 5 neuronas en 
la primera capa y 3 neuronas en la segunda, con un nRSME de validación promedio del 5.48% un 
𝑅2 de 0.963 y un coeficiente de correlación de los datos obtenidos por la predicción vs los actuales 
de 0.982 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 31 
 
3. Grupo de procesos de inicio 
 
3.1.Acta de constitución del proyecto 
 
Tabla 1. Acta de constitución del proyecto 
 
 
Título del proyecto 
Desarrollo de un modelo basado en inteligencia artificial 
para la implementación de un proyecto de energía Solar 
que supla los requerimientos energéticos de la compañía 
Servicios Petroleros Olimpia SA de CV. 
 
 
 
Descripción del proyecto 
Se plantea el desarrollo de un modelo de predicción 
basado en inteligencia artificial para encontrar los 
parámetros de optimización máximos en un sistema de 
paneles solares, esto para garantizar que dicho sistema 
pueda suplir los requerimientos de la compañía, 
entendiendo el planteamiento de este proyecto bajo los 
lineamientos de una metodología de gestión de 
proyectos, para presentar a la mesa directiva de la 
compañía los resultados y establecer cuan viable sería la 
implementación de este. 
 
 
 
 
Caso de negocio 
Este proyecto se plantea en función de establecer una 
solución confiable a las altas fluctuaciones y tiempos 
muertos del servicio de energía proporcionado por la 
CFE (comisión federal de electricidad), dados los altos 
costos en daños de equipos por las fluctuaciones, 
vandalismo y a pesar de los tiempos altos fuera de 
servicio, si se representa en montos significativos en la 
facturación de este. Adicional el implementar este tipo 
de proyectos de energía limpias, trae,para la compañía 
beneficios de tipos y beneficios fiscales, bastante 
interesantes para los intereses económicos de la 
compañía. 
 
Recursos preasignados 
Para esta fase de desarrollo de los modelos de 
predicción, no se estima un presupuesto previo para la 
ejecución de las actividades. El recurso humano para el 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 32 
 
desarrollo del proyecto es: Acta de constitución del 
proyecto 
 
 
 
 
 
 
Recursos preasignados 
 
Gerente de proyecto: 
 
Perfil: profesional en ingeniería, carreras 
administrativas o afines, con experiencia de mínimo 
cinco (5) años en dirección de proyectos para el 
sector energético. 
 
Equipo de desarrollo: 
 
Perfil: ingeniero electrónico, mecatrónico, con 
conocimientos en desarrollo y diseño electrónico, así 
como conocimientos en programación e 
implementación de redes neuronales. 
 
Docente orientador: 
Perfil: profesional en ingeniería, carreras 
administrativas o afines con experiencia en el área de 
dirección y gestión de proyectos. 
 Entregables principales: 
 
 
 
Breve Descripción de los productos 
/entregables 
1. Resultados obtenidos del modelo de predicción 
basado en redes neuronales. 
2. Documento donde se establezca todo el 
desarrollo de la metodología para el desarrollo 
del proyecto. 
3. Informe de evaluación del modelo de energía 
solar sugerido para establecer el cumplimiento de 
los requerimientos energéticos. 
 
 
Supuestos 
1. El modelo de predicción arroja los escenarios 
óptimos para el desarrollo de un sistema 
fotovoltaico eficiente. 
2. El desarrollo del proyecto se realizará en los 
tiempos establecidos. 
3. Se cuenta con un seguimiento detallado por parte 
de los interesados del proyecto. 
Acta de constitución del proyecto 
Restricciones 1. Adaptación a cambio por parte de los directivos 
de la compañía. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 33 
 
Patrocinadores 1. Mario Alejandro Gómez García: director 
general de Servicios Petroleros Olimpia SA de 
CV. 
 
2. Víctor Alfonso Vargas Leiva: Gerente de 
operaciones de Servicios Petroleros Olimpia SA 
de CV. 
 
3. Inversionistas 
Cronograma 12 meses 
Presupuesto 1-2 M USD 
 
 
 
 
Riesgos 
❖ Tiempos de desarrollo del modelo de predicción. 
❖ Confiabilidad del modelo a desarrollar. 
❖ Resistencia al cambio por parte de los directivos. 
❖ Falta de información en el desarrollo de modelos 
predictivos en la zona de interés a implementar. 
 
 
3.2.Análisis de los interesados en el proyecto 
 
Tabla 2. Análisis de los interesados del proyecto 
Interesado Institución Intereses Problemas 
percibidos 
Recursos o 
mandatos 
Requisitos Criterios de 
aceptación 
 
 
Director 
general 
 
 
SPO 
 
 
Partidario 
Altos costos 
asociados 
que 
incrementan 
los 
indicadores 
de gestión. 
Aprobación 
de recursos 
Desarrollo de las 
etapas 
pertinentes 
acorde al 
cronograma 
establecido. 
Cumplimient
o de las 
actividades 
establecidas y 
resultados 
acorde al 
plan. 
 
 
 
Gerente 
financiero 
 
 
 
SPO 
 
 
 
Partidario 
Incremento 
en el pago 
de las 
facturas de 
energía, así 
como 
incremento 
Liberación de 
recursos., 
pago de 
proveedores y 
servicios. 
Todas las 
solicitudes de 
recursos deberán 
contar con las 
aprobaciones del 
director general. 
Todos los 
costos, 
recursos, 
deberán estar 
claramente 
identificados 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 34 
 
en la 
compra de 
equipos por 
daños 
derivados 
de las 
fluctuacione
s de energía. 
en el caso de 
negocio. 
 
 
 
Gerente 
de 
Operacion
es 
 
 
 
 
SPO 
 
 
 
 
Partidario 
Cese de 
actividades 
tanto 
administrati
vas como 
operativas 
por falta del 
suministro 
eléctrico, 
ocasionando 
retrasos en 
el desarrollo 
de las 
actividades. 
Autorización 
del desarrollo 
de las 
actividades, y 
generación de 
la solicitud de 
los recursos. 
Las solicitudes 
deben ser claras 
y contar con 
todos los 
argumentos 
necesarios. 
Deben venir 
todas las 
solicitudes 
con los 
soportes, 
validaciones, 
evidencias 
requeridas 
para su 
aceptación 
 
 
Inversioni
stas 
 
 
SPO 
 
 
Partidario 
Costos 
elevados 
asociados a 
los pagos 
por una red 
ineficiente 
de 
suministro 
eléctrico. 
Aprobación 
de recursos. 
Desarrollo de las 
etapas 
pertinentes 
acorde al 
cronograma 
establecido. 
Cumplimient
o de las 
actividades 
establecidas y 
resultados 
acorde al 
plan. 
Nota. Esta tabla contiene información acerca del análisis de los interesados del proyecto, con los 
requisitos, problemas vistos desde la organización, los recursos que estos pueden aportar y sus 
criterios de aceptación. 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 35 
 
3.3.Planteamiento del problema 
 
Figura 11. Planteamiento del problema desde la perspectiva lógica 
 
 
 
La falta de inversión en infraestructura es un problema que agobia a México desde hace 
décadas, y ha permeado a los diferentes estados, entre estos, Tabasco, que desde años sufre 
apagones y variaciones en la red eléctrica, que para la CFE (comisión federal de electricidad), 
representa millones de pesos que debe inyectar para una reforma. Ahora bien, sumado a esto, se 
debe mencionar, uno de los problemas de mayor complejidad en todo México y en el caso de 
Tabasco (Centro, Comalcalco y Macuspana),son los constantes robos de energía que se presentan; 
que a pesar de las multas y penas que van desde 3-10 años de prisión y 1000 salarios mínimos que 
ascienden a los 66,000 Mxn equivalente a unos 11’220.000 COP (artículo 368 del código penal 
federal), no dejan de ser uno de los motivos por los cuales el estado no cuenta con una red eléctrica 
constante y que por supuesto a nivel domiciliario y empresarial genera problemas bastante serios; 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 36 
 
aunque en los planes del gobierno nacional, se encuentra la modernización de la infraestructura, 
se le suman otros problemas como lo son los deudores morosos, que a consecuencia elevan la 
deuda a la CFE de 543’000.000 Mxn. 
Para Servicios Petroleros Olimpia SA de CV, ubicado entre los municipios más afectados 
tanto por los robos de energía como la fluctuación del servicio por una red precaria a nivel de 
infraestructura, se han derivado problemas bastante serios como lo son : costos altos por el 
consumo de energía, donde por ejemplo solo en el 2020 se pagaron casi 417,000 Mxn de energía 
casi unos 70’000.000 Cop, que reflejan las alzas de tarifas para mitigar por parte de CFE los 
inconvenientes por robo a su infraestructura, así como el alto tiempo fuera de servicio o no acceso 
al servicio de energía, que provoca retrasos en las operaciones, daños a los equipos por las 
fluctuaciones. Esto para la compañía se convierte en un problema que urge resolver y por esto se 
planeta la siguiente pregunta: ¿Qué tan viable puede llegar a ser el desarrollo de un sistema solar 
fotovoltaico en el marco de los modelos de predicción? 
4. Grupos de procesos de planificación- Gestión del alcance del proyecto 
 
4.1.Planificación de la gestión del alcance 
 
El alcance de este proyecto está orientado al proceso de desarrollo de un modelo de 
predicción. Para esto, se basa en una primera etapa para identificar la eficiencia máxima de un 
sistema de energía solar, a su vez bajo la metodología de dirección y gestión de proyectos, poder 
llevar a cabo el proyecto, teniendo como base metodología que ayuden a tener un desarrollo 
estructurado, donde se conozcan las variables, costos, parámetros, recursosy todo lo necesario en 
el planteamiento del proyecto. Por lo tanto, se pretende al finalizar el proyecto, entregando 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 37 
 
resultados acerca de la viabilidad tanto en costo como de implementación del sistema propuesto; 
que garantice de manera eficiente los requerimientos que puedan subsanar el problema propuesto, 
entendiendo que fue desarrollado teniendo en cuenta todas las variables, recursos, y 
consideraciones necesarias para ser esta la solución requerida. 
 
4.2. Recopilación de requisitos 
 
Tabla 3. Recopilación de requisitos 
 
 
4.3.Definición del alcance 
 Desarrollo de un modelo basado inteligencia artificial para la implementación de un proyecto 
de energía Solar que supla los requerimientos energéticos de la compañía Servicios Petroleros 
Olimpia SA de CV. 
 
 
Entregable Descripción Requisitos 
 
 
Modelo de predicción 
Presentar el modelo de 
predicción desarrollado 
Establecer de manera 
detallada la 
parametrización y 
características del 
modelo. 
 
 
Resultados del modelo de 
predicción 
Detallar los resultados 
obtenidos bajo la 
parametrización 
establecida. 
Deberán establecerse de 
manera explícita los 
resultados y 
conclusiones obtenidas 
a través del modelo. 
 
Documento del Proyecto 
Documento detallado, 
donde se establezca el 
desarrollo del proyecto con 
base a las condiciones y 
metodología propuesta 
Acta de entrega y 
confirmación de 
recibido y aceptación 
por parte del director. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 38 
 
4.4. Creación de la EDT 
 
Tabla 4. Estructura de desglose de trabajo (EDT) 
 
EDT 
Nombre de la tarea 
0 Desarrollo de un modelo basado en inteligencia artificial 
para la implementación de un proyecto de energía Solar que 
supla los requerimientos energéticos de la compañía 
Servicios Petroleros Olimpia SA de CV. 
1 Inicio previo 
1.1 Selección del enfoque 
1.2 Revisión del árbol del problema 
1.3 Construir árbol de objetivos 
1.4 Validar el objetivo 
1.5 Establecer el objetivo 
1.6 Planear una alternativa 
1.7 Análisis de Pestel 
1.8 Revisar Marcos 
1.9 Plantear un marco 
1.10 Generalidades del proyecto 
1.11 Descripción institucional 
1.12 Conceptos generales de la dirección de proyectos 
1.13 Estado del arte 
1.14 Cierre del inicio previo 
2 Grupos de procesos de inicio 
2.1 Análisis de los interesados del proyecto 
2.2 Planteamiento del problema 
2.3 Acta de constitución 
2.4 Listado de interesados. 
2.5 Cierre grupo de inicio 
2.6 Planear una alternativa 
3 Grupo de procesos de panificación-Alcance del 
proyecto 
3.1 Planificación de la gestión del alcance 
3.2 Recopilación de requisitos 
3.3 Definición del alcance 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 39 
 
3.4 Creación de la EDT (estructura de desglose de trabajo) 
3.5 WBS o EDT 
3.6 Estado del arte 
3.7 Cierre del alcance 
4 Grupo de procesos de panificación-Gestión del cronograma 
4.1 Planificación de la gestión del cronograma. 
5 Grupo de procesos- Gestión de los costos del proyecto 
5.1 Planificación de la gestión de los costos. 
5.2 Estimación de costos 
5.3 Determinación del presupuesto 
6 Grupo de procesos- Planificación de la gestión de calidad 
6.1 Planificación de la gestión de la calidad. 
7 Grupo de procesos- Gestión de los recursos del proyecto 
7.1 Planificación de la gestión de los recursos 
7.2 Estimación de los recursos de las actividades 
8 Grupo de procesos- Gestión de las comunicaciones 
8.1 Planificación de la gestión de las comunicaciones 
9 Grupo de procesos de panificación-Gestión de los riesgos 
9.1 Planificación de la gestión de los riesgos 
9.2 Identificación de los riesgos 
9.3 Realización del análisis cualitativo de los riesgos 
9.4 Realización del análisis cuantitativo de los riesgos 
9.5 Planificación de la respuesta a los riesgos 
10 Grupo de procesos- Gestión de las adquisiciones 
10.1 Planificación de la gestión de las adquisiciones 
11 Grupo de procesos- Gestión de los interesados 
11.1 Planificación del involucramiento de los interesados. 
12 Ejecución 
12.1 Fase de modelado 
12.1.1 Identificación del modelo de predicción 
12.1.2 Recopilación de datos y variables 
12.1.3 Proceso de entrenamiento de la red neuronal 
12.1.4 Validación del modelo. 
12.1.5 Entrega de resultados. 
12.2 Fase de análisis de resultados 
12.2.1 Verificación del análisis del modelo 
12.2.2 Selección del tipo de panel y dispositivos 
12.3 Fase de estimación 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 40 
 
12.3.1 Cotización de equipos 
12.3.2 Desarrollo de modelo de negocio 
12.3.3 Informe de viabilidad 
12.4 Fase de informe de resultados 
12.3.1 Desarrollo de resumen del proyecto 
12.3.2 Validación de objetivos. 
12.3.3 Conclusiones del proyecto 
Nota. Se incluye el diccionario 
 
4.5. Grupos de proceso de planificación – Gestión de los costos del proyecto 
 
En la gestión de los costos se realiza la estimación de los costos y posterior poder 
determinar el presupuesto. En la siguiente figura se establece el proceso de la gestión de los costos: 
 
Figura 12. Plan de gestión de los costos 
 
 
 
En el proceso de gestión de los costos es importante entender de manera clara las 
necesidades de los interesados el fin mismo del proyecto; de esta manera se deberán establecer 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 41 
 
todos los procesos necesarios para ejecutar y controlar los costos. De esa forma se establece el 
siguiente plan: 
1. Se realiza el desglose de las actividades del proyecto. 
2. Se hace una estimación de cada uno de los recursos para el desarrollo de las actividades. 
3. Se hace una sumatoria de los recursos establecidos. 
En la ilustración 6, utilizando el software WBS PRO-SCHEDULE se observa la 
estimación de los costos, en funciónde las actividades y recursos asignados en la planeación. 
 
Figura 13. Presupuesto del proyecto 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 42 
 
5. Grupos de procesos de planificación – Gestión del cronograma del proceso 
 
Para el desarrollo del proceso de gestión del cronograma del proceso se utilizará el software 
Microsoft Project y WBS Schedule Pro, donde se definen las actividades, la secuencia y la 
duración de las actividades. Para revisar de forma más detallada ver el anexo correspondiente a 
cronograma del proyecto. 
Figura 14. Estructura EDT 
 
 
 
 
6. Grupos de proceso de planificación – Gestión de la calidad del proyecto 
 
La gestión de la calidad de este proyecto se fundamenta en el análisis de los datos 
obtenidos, donde se toma en cuenta: validación cruzada del modelo, esto permite garantizar la 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 43 
 
independencia de los resultados entre los datos entrenados y los datos validado, así como la 
simulación en el software HelioScope que garantiza la eficiencia del modelo bajo variables reales. 
 
Tabla 5. Parámetros de calidad del modelo 
 
Precisión Sensibilidad Puntuación Exactitud 
>98% >98% >98% >98% 
 
 
7. Grupos de proceso de planificación – Gestión de los recursos del proyecto 
 
7.1.Planificación de los recursos 
 
El proceso de planificación de los recursos se establece como un área importante en el 
desarrollo de la gestión del proyecto, en este punto se definen los roles y responsabilidades y por 
supuesto las competencias técnicas requeridas para el desarrollo de las actividades dentro del 
desarrollo del proyecto, posterior a esto es importante definir el nivel jerárquico que cada miembro 
del equipo cumplirá. 
 
Tabla 6. Roles y responsabilidades 
Roles Responsabilidades Competencias 
 
 
 
Gerente de proyectos 
Gestionar el desarrollo del proyecto, 
donde se incluye la secuencia, 
duración, y asignación de recursos a 
las actividades; así como los 
informes de seguimiento, 
Ingeniero, administrador 
o áreas afines y con 
experiencia en gerencia 
de proyectos durante 3 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 44 
 
actualizaciones y generación del 
informe final y presentación de 
resultados. 
años o más en el sector 
energético. 
 
 
Comprador 
Responsable de la gestión de 
cotizaciones, cuadros comparativos 
y búsqueda de los recursos 
requeridos. 
Administrador o carreras 
afines con experiencia de 
2 años o más en cadena de 
suministros para 
compañías del sector 
energético. 
 
Ingeniero de Diseño 
Recolectar los datos 
correspondientes a los consumos 
eléctricos, así como el desarrollo del 
modelo de predicción, simulación y 
validación de datos. 
Ingeniero electrónico, 
eléctrico o carreras afines 
con 2 años o más de 
experiencia en el 
desarrollo y diseño de 
proyectos para el sector. 
 
Analista de calidad y 
riesgos 
Realizar el análisis de la gestión de 
la calidad, así como identificación y 
valoración de los riesgos asociados 
al proceso. 
Ingeniero(a) industrial, de 
producción o carreras 
afines con experiencia de 
2 años o más en la gestión 
de la calidad. 
 
 
7.2.Asignación de responsabilidades 
Para la definición de las responsabilidades, en la tabla 6, se muestra la asignación de estas. 
 
Tabla 7. Asignación de responsabilidades 
 Project 
Manager 
Ingeniero de 
diseño 
Comprador Gerente de 
Operaciones 
Analista de 
calidad y 
riesgos 
1. Inicio previo R C I 
2. Grupo de procesos 
de inicio 
R C I 
3. Gestión del alcance R C I 
4. Gestión del 
cronograma 
R I I 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 45 
 
5. Gestión de los costos R I I 
6. Gestión de la calidad R A A 
7. Gestión de los 
recursos 
R A I 
8. Gestión de las 
comunicaciones 
R I I 
9. Gestión de los 
riesgos 
R A A 
10. Gestión de las 
adquisiciones 
R A I I 
11. Gestión de los 
interesados 
R A I 
12. Ejecución R A I I 
Nota. La asignación es la se describe así: 
 R – Responsable de completar la tarea (s). 
 A - Apoyo para asegurar la finalización de la tarea (s). 
C – Consultarlo antes de tomar decisión. 
I - Informarlo antes de cualquier acción o decisión. 
 
 
7.3.Manejo del recurso 
A continuación, se establece para los recursos, su fase o etapa de liberación, entrenamientos 
y aprobador del recurso. 
 
Tabla 8. Manejo de los recursos 
 Liberación 
del recurso 
Entrenamiento Revisiones 
de trabajo 
Tipo de 
Adquisición 
Aprobador del recurso 
Project 
manager 
Previo al 
desarrollo del 
proyecto 
Inducción 
empresa 
Acorde a 
cronograma 
Interna Gerente General 
Ingeniero 
de Diseño 
Previo a fase 
de ejecución 
Inducción 
empresa 
Acorde a 
cronograma 
Interna Gerente de 
Operaciones/Project 
manager 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 46 
 
Comprador Previo a fase 
de 
adquisiciones 
Inducción 
empresa 
Acorde a 
cronograma 
Interna Gerente de 
operaciones/Coordinador 
de compras 
Analista de 
calidad y 
riesgos al 
proceso 
Previo a fase 
de gestión 
del riesgo 
Inducción 
empresa 
Acorde a 
cronograma 
Interna Director general/Project 
manager 
 
 
7.4.Utilización de los recursos 
A continuación de observa el gráfico que ilustra la utilización de los recursos con un 
promedio de trabajo de 40 horas por semana y de acuerdo con la duración del proyecto. 
 
Figura 15. Histograma de utilización de recursos 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 47 
 
8. Grupos de proceso de planificación – Gestión de las comunicaciones 
 
8.1. Planificación de la gestión de las comunicaciones 
A continuación, se establece el plan de comunicaciones acorde con los diferentes 
involucrados y/o partes interesadas del proyecto. 
 
Tabla 9. Plana de comunicación del proyecto 
 
 
En la siguiente tabla se establecen los tipos de comunicaciones: 
 
 
 
 
Rol frecuencia Canal de 
comunicación 
Tipo de comunicación Disponibilidad 
Director 
General 
Hitos Reuniones de 
hitos/Correo 
corporativo 
Presupuestos, 
actualización del 
progreso, entregables. 
Inmediata. 
Gerente de 
Operaciones 
Semanal Reuniones 
Semanales/Correo 
corporativo 
Tareas finalizadas, en 
progreso y por ejecutar. 
Solicitudes de liberación 
de aprobaciones. 
Inmediata. 
Gerente de 
Proyectos 
Semanal Reuniones 
Semanales/correo 
corporativo 
Necesidades, preguntas, 
entregables y 
actualizaciones 
Inmediata. 
Inversionistas Hitos Reunión de 
hitos/Correo 
corporativo 
Conclusiones, informe 
final 
Al finalizar 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 48 
 
Tabla 10. Tipos de comunicaciones 
 
Frecuencia Tipo de comunicación 
 
 
Checklist semanal 
• Duración actividades. 
• Actividades completadas. 
• Actividades en progreso. 
• Requerimientos por aprobación. 
 
Correos de reporte semanal 
• Avance del presupuesto. 
• Especificaciones de las actividades. 
• Actividades futuras. 
• Actividades en espera. 
 
Reuniones de hitos 
• Atención de necesidades. 
• Preguntas y discusiones 
• Discusión de pasos a seguir. 
 
Correos Diarios 
• Necesidades de activos o recursos. 
• Revisión de entregables y decisiones 
prioritarias por parte de los accionistas. 
 
 
9. Grupos de proceso de planificación – Gestión de los riesgos del proyecto 
 
9.1.Planificación de los riesgos 
 
El desarrollar de manera detallada una planificación de los riesgos de proyecto, permitirá 
un porcentaje de éxito de este mucho mayor, minimizando los riesgos identificados enel plan y 
las tareas que permitirán abordarlos. De acá surgirán los planes, recursos y gestión para la 
evaluación de los riesgos. Para este proceso se tendrá en cuenta: 
• El alcance del proyecto. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 49 
 
• La gestión de los costos. 
• La gestión del cronograma. 
• La gestión de las comunicaciones. 
• Los factores ambientales de la compañía. 
• Los activos de la organización. 
 
9.2.Identificación de los riesgos 
 
Parte del proceso de inicio será la identificación de los riesgos, entendiendo esto, como 
todas las situaciones que puedan afectar al proyecto, se deberán detallar las características, 
involucrados, responsables y la categorización de estos. 
 
Tabla 11. Identificación de riesgos 
 
Id Riesgo Tipo de riesgo Cat. Riesgo Objetivo de proyecto afectado Tipo de impacto 
 Amenaza Oportunidad Alcance Tiempo Costo Calidad Directo Indirecto 
RGP-001 Falta de 
cumplimiento de 
los tiempos de 
desarrollo de las 
actividades del 
proyecto. 
x Gestión x x 
RGP-002 Limitación al 
acceso de los 
recursos de la 
compañía. 
x Gestión x x 
RGP-003 Modelo 
ineficiente, cuyos 
resultados no 
cumplan el 
alcance deseado. 
x TÉCNICO x x x 
RGP-004 Retraso en la 
obtención de los 
costos de los 
x Gestión x x 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 50 
 
materiales y/o 
equipos 
RGP-005 Resistencia al 
cambio por parte 
de los 
inversionistas. 
 
x ALCANCE x x 
 
 
9.3.Análisis cualitativo de los riesgos 
 
En esta sección se priorizarán los riesgos para poder establecer la ocurrencia y el impacto 
dentro del proyecto; de esta forma se realiza la valoración cualitativa con la probabilidad relativa 
de ocurrencia, el impacto que se puede generar hacia los objetivos. 
 
Tabla 12. Análisis cuantitativo de riesgos 
 
Id Tipo de riesgo Consecuencia Impacto Probabilidad 
RGP-001 Falta de cumplimiento 
de los tiempos de 
desarrollo de las 
actividades del 
proyecto. 
Esto puede generar 
retrasos en el 
cronograma. 
A A 
RGP-002 Limitación al acceso de 
los recursos de la 
compañía. 
Esto puede generar 
retrasos en el 
desarrollo de las 
actividades 
M M 
RGP-003 Modelo ineficiente, 
cuyos resultados no 
cumplan el alcance 
deseado. 
Esto puede generar 
alto riesgo de llevar 
al fracaso el 
proyecto 
M M 
RGP-004 Retraso en la obtención 
de los costos de los 
materiales y/o equipos 
Retraso en el avance 
de las actividades 
dependientes. 
M M 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 51 
 
RGP-005 Resistencia al cambio 
en el desarrollo de 
tecnologías alternativas 
por parte de los 
inversionistas. 
No aprobación del 
desarrollo del 
proyecto. 
A A 
 Nota. A – Alto 
 M- Medio 
 
 
9.4.Análisis cuantitativo de los riesgos 
En esta etapa se realiza un enfoque de análisis numérico, producto de los efectos de los 
riesgos sobre los objetivos y alcances del proyecto. 
 
Tabla 13. Análisis cuantitativo de riesgos 
 
Nota. A- Alcance- Tiempo; C- Costo; C- Calidad 
 
9.5.Planificación de la respuesta a los riesgos 
 
La planificación de la respuesta a los riesgos es el proceso por el cual se establecen todas 
aquellas acciones que permitan mitigar las amenazas hacia el proyecto; se toman en cuenta los 
procesos cuantitativos y cualitativos. 
Id Tipo de riesgo Probabilidad Valoración del 
impacto 
Probabilidad del 
impacto 
Valoración 
global del 
riesgo 
Prioridad 
 Amenaza Oportunidad A T C C A T C C 
RGP-001 X 0.5 0.8 0.8 0.5 0.3 0.4 0.4 0.25 0.15 0.375 Baja 
RGP-002 X 0.2 0.8 0.8 0.3 0.2 0.16 0.16 0.06 0.04 0.148 Baja 
RGP-003 X 0.3 1 1 0.3 1 0.3 0.3 0.009 0.3 0.3 Baja 
RGP-004 X 0.5 0.3 0.8 0.6 0.3 0.15 0.4 0.3 0.15 0.35 Baja 
RGP-005 X 0.5 1 1 0.6 0.3 0.5 0.5 0.3 0.15 0.465 Media 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 52 
 
Tabla 14. Planificación de la respuesta al riesgo 
Id Descripción del 
problema 
Prio
rida
d 
Plan de 
respuesta 
predetermin
ado 
Estrate
gia de 
respues
ta 
adapta
da 
Plan de respuesta 
adaptado 
Riesgo 
Residual 
RGP-
001 
Falta de 
cumplimiento de 
los tiempos de 
desarrollo de las 
actividades del 
proyecto. 
Baja Reuniones 
periódicas 
para revisar el 
avance de las 
actividades y 
en caso de 
requerirse 
ajuste a los 
mismo 
Mitiga
r 
El gerente de 
proyecto tendrá 
que revisar de 
manera periódica 
el desarrollo de las 
actividades y su 
porcentaje de 
cumplimiento 
Podrían 
generarse 
actividades 
adicionales para 
poder mitigar el 
incumplimiento 
de las 
actividades 
RGP-
002 
Limitación al 
acceso de los 
recursos de la 
compañía. 
Baja Solicitud 
anticipada de 
la utilización 
compartida de 
los recursos y 
el plan de 
utilización por 
horas 
semanales a 
las áreas de 
interés. 
Mitiga
r 
Enviar plan de 
utilización de 
recursos internos a 
los gerentes de 
área, así como la 
aprobación del 
director general 
Podrían 
prolongarse los 
tiempos de 
entregas y 
actividades en 
función de la 
disponibilidad 
de los recursos. 
RGP-
003 
Modelo 
ineficiente, cuyos 
resultados no 
cumplan el alcance 
deseado. 
 
 
Baja Comparación 
de por lo 
menos 3 
métodos de 
entrenamiento 
de las redes 
neuronales. 
Mitiga
r 
Establecer los 
modelos para 
realizar el 
entrenamiento de 
la red y generar 
comparación 
Podría generarse 
la necesidad de 
replantear el 
modelo de 
predicción si los 
resultados no 
son 
concluyentes. 
RGP-
004 
Retraso en la 
obtención de los 
costos de los 
materiales y/o 
equipos. 
 
Baja Estudio de 
mercado de 
los 
proveedores 
críticos de la 
zona y que 
puedan 
brindar el 
Mitigar Solicitar base de 
datos de los 
proveedores, así 
como las 
especificaciones 
exactas y alcances 
predeterminados 
para evitar retrasos. 
Falta de 
proveedores 
estratégicos en la 
zona. 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 53 
 
alcance 
solicitado. 
 
10. Grupos de proceso de planificación – Gestión de las adquisiciones del proyecto 
 
10.1. Planificación de la gestión de las adquisiciones 
En este proceso se tienen en cuenta todas las tareas requeridas para la adquisición de los 
bienes y servicios que así demande el proyecto. Por lo que, el marco del proceso de desarrollo de 
este estudio, el personal que es el recurso de ocupación de este, es interno y no se requieren 
contrataciones adicionales, es la compañía que asume el proceso de utilización de estos y solo se 
hace requerido contar con las autorizaciones tanto de la gerencia de operaciones como dirección 
general. 
 
11. Grupos de proceso de planificación – Gestión de los interesados del proyecto 
 
11.1. Identificar los interesados del proyecto 
En esta sección se identifican todos aquellos interesados y que se ven impactados por el 
desarrollo del proyecto. 
 
Tabla 15. Identificación de los interesados 
Id Organización Posición Poder (1-5) Interés (1-5) 
A SPO Inversionistas 5 5 
B SPO Director General 5 5 
C SPO Gerente de Operaciones 4 5 
D SPO Gerente de proyecto 3 5 
E SPO Gerente financiero 4 5 
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 54 
 
F SPO Operaciones 1 2 
G SPO Compras 1 1 
H SPO Ingeniero de diseño 1 3 
 
Figura 16. Matriz de poder-interés 
 
 
 
Acorde a la matriz de poder-interés, mostrada en la figura 6, se puede observar que los 
interesados (A, B, C, D y E), que se encuentran en el cuadrante superior derecho, deben ser 
involucrados en todos los niveles de planeación y gerencia. Para el caso de los interesados (F y G), 
requieren del mínimo esfuerzo y gerencia,