Los controladores de carga son implementados en varios sistemas electrónicos con el objetivo de proteger y controlar la carga y descarga de una batería; en el caso de los controladores utilizados en sistemas fotovoltaicos autónomos se implementan dos tipos de tecnologías, Pulse Width Modulation (PWM) y Maximum Power Point Tracking (MPPT). En este artículo se compararon dos controladores de carga con diseños originales en sistemas fotovoltaicos con las mismas especificaciones técnicas para determinar el comportamiento de cada uno bajo condiciones ambientales similares. La implementación de ambos controladores de carga se basó en software y hardware con diseños originales, utilizando tecnología PWM y MPPT. Ambos sistemas están compuestos por el controlador de carga, un panel solar de 30 W y una batería de 12 V a 18 Ah; se realizaron las pruebas experimentales de ambos controladores midiendo voltaje y corriente en el panel y en la batería en procesos de carga y descarga, observando que el controlador MPPT tiene una eficiencia promedio mayor que el controlador PWM debido a que el tipo de tecnología implementada influye directamente en la eficiencia, incluso ante valores menos favorables de radiación solar y temperatura ambiente. El controlador PWM es una opción de eficiencia aceptable y además de bajo costo respecto al controlador MPPT. En la implementación de ambos controladores se calcularon tiempos de autonomía similares.

The document shows the application of the empirical Angström-Prescott model in different places in Norte de Santander, Colombia. The model estimates solar radiation from hours of sunlight, at a site where brightness and solar radiation are measured. The data were obtained from the Institute of Hydrology, Meteorology and Environmental Studies, IDEAM; algorithms were developed in RStudio to process and analyze the information. The model establishes a linear relationship between solar radiation and the hours of sunlight, in a specific geographic location. Therefore, regression analyzes were performed for three different sites, using historical records of brightness and solar radiation, obtaining the R-squared coefficients of: 0.73, 0.78, and 0.42. The models were then extrapolated to nearby regions with solar brightness records, but without solar radiation data, to obtain an estimate of radiation at these locations. Finally, a database was created with monthly average information on solar radiation for various subregions of Norte de Santander, which can be used for the design and implementation of photovoltaic systems.

Contexto: Los sistemas fotovoltaicos desconectados de la red son una de las principales alternativas para suplir la necesidad de electricidad en zonas rurales donde la conexión a los sistemas tradicionales de electrificación no es posible. Entre los componentes del sistema fotovoltaico, el controlador de carga debe adaptar los niveles de corriente y voltaje para almacenar en baterías la energía entregada por los paneles. Método: En este trabajo se implementó y evaluó un controlador de carga de seguimiento del punto de máxima potencia (MPPT) basado en la técnica de perturbación y observación (P&O). Adicionalmente, se estimó el estado de carga de la batería combinando los métodos de conteo de amperios-hora y voltaje de circuito abierto. El controlador implementa un algoritmo de carga de dos fases para baterías de ácido-plomo. Resultados: El controlador de carga desarrollado obtuvo una eficiencia promedio de 84,7 % y alcanzó un valor máximo de 96,3 %. Adicionalmente, el algoritmo de carga de dos fases y el método de estimación del estado de caga implementados en el controlador permitieron un control adecuado y monitoreo de los procesos de carga y descarga de la batería. Conclusiones: El controlador de carga propuesto sigue el punto de máxima potencia del panel solar y permite almacenar energía en baterías de ácido-plomo a la vez que monitorea el estado de carga de estas.

Este estudio examina los factores académicos y socioeconómicos asociados al desempeño estudiantil en las Pruebas Saber Pro, mediante un caso aplicado al Programa de Ingeniería Electrónica de la Universidad Francisco de Paula Santander, Colombia. Se analizaron registros estudiantiles de 2018 a 2022 utilizando técnicas de analítica de datos y aprendizaje automático. Inicialmente, se desarrollaron modelos de regresión, incluyendo Regresión Lineal Múltiple, Random Forest y XGBoost, para estimar el puntaje global; sin embargo, su capacidad predictiva fue limitada. Por ello, el enfoque se reformuló como una tarea de clasificación binaria orientada a identificar perfiles de alto desempeño. Se aplicaron modelos interpretables, como regresión logística y árboles de decisión, para evaluar la influencia de variables académicas y socioeconómicas. Los resultados destacan la relevancia del acceso a recursos tecnológicos, el nivel educativo de los padres y la financiación mediante becas.

Accurate plant-level photovoltaic (PV) power estimation is important for performance monitoring, model benchmarking, and grid-integration studies. In bifacial horizontal single-axis tracking (HSAT) systems, this task is complicated by the coupled effects of front-side irradiance, rear-side irradiance, tracker position, and module temperature. This study proposes an algorithmic framework for same-time-step AC power estimation in a bifacial HSAT PV plant using field measurements of irradiance, tracker angle, module temperature, and inverter active power. The framework is not intended as an operational forecasting model because future irradiance and weather conditions are not predicted; instead, it evaluates how compact physics-based structure, interpretable nonlinear learning, and ensemble learning estimate measured AC power under nominal operating conditions. An empirical rear-to-front irradiance relationship was derived using solar-elevation bins and incorporated into a compact physics-based benchmark. This benchmark was compared with an additive Explainable Boosting Machine (EBM) and a Random Forest (RF) on a common test subset of 3916 observations. The physics-based model achieved an RMSE of 19.6 kW, an R² of 0.72, and an NRMSE of 0.38. The EBM improved these values to 17.09 kW, 0.786, and 0.334, respectively, while the RF achieved 15.96 kW, 0.814, and 0.312. Chronological validation showed weaker and more variable performance than randomized validation, indicating that temporal generalization remains challenging. Overall, the results support the use of interpretable PV-domain-guided learning as a transparent intermediate approach between compact physics-based modeling and more flexible ensemble regression.