Fins fa poc, el mix energètic ha estat dominat desproporcionadament per combustibles fòssils que requereixen ser cremats i, per tant, contaminar el nostre entorn per produir l’energia elèctrica que tots necessitem per a la nostra vida quotidiana. En fer-ho, hem seleccionat inadvertidament sacrificar el nostre hàbitat per a la prosperitat industrial i econòmica. Per intentar mitigar aquests efectes negatius i intentar aturar una major contaminació del medi ambient, cal fer esforços significatius per part nostra. Per exemple, introduir i continuar augmentant la penetració de fonts d’energia renovables en el costat de la producció d’energia elèctrica. D’aquesta manera, la demanda elèctrica es podria satisfer en base a energies netes ja accessibles, com la solar o l’eòlica, sense perjudicar el medi ambient. Això també s’aplica a les petites comunitats insulars, com les que participen en el projecte REACT, que acostumen a dependre del continent per al subministrament d’energia. Aquesta dependència sovint es tradueix en una alta dependència energètica i econòmica de factors externs, de manera que per aconseguir l’autosuficiència és un objectiu crucial per al qual és necessari l’augment de la generació d’energia renovable.
No obstant això, la producció de fonts d’energia renovables depèn en gran mesura de les condicions meteorològiques de naturalesa estocàstica, de manera que la producció d’energia renovable no es pot controlar, augmentant o disminuint d’acord amb la demanda actual. Per exemple, els pics de demanda són comuns entre les 18:00 i les 20:00 quan moltes persones tornen a casa de la feina. Malauradament, aquest temps no coincideix amb la radiació solar més alta durant el dia i, per tant, la producció màxima d’energia a partir de cèl·lules solars. D’altra banda, el desajust entre la producció i la demanda pot provocar inestabilitat de la xarxa elèctrica i, en conseqüència, la prioritat per trobar una solució a aquest problema és molt elevada. Tenint en compte tot això, es pot concloure que és necessari una planificació acurada i assegurar un despatx d’energia òptim per tenir un sistema de subministrament d’energia estable mentre s’utilitza una alta penetració de fonts d’energia renovables. Per tant, es requereixen estimacions de la producció prevista d’energia renovable així com de la demanda dels usuaris, de manera que es pugui dur a terme la planificació de l’equilibri energètic. Exactament això és quan la intel·ligència artificial, o més precisament, les tècniques d’aprenentatge automàtic, poden tenir un paper important en plataformes que busquen implementar diferents programes de resposta a la demanda com REACT.
Els models d’aprenentatge automàtic tenen molts paràmetres numèrics que s’ajusten d’acord amb la quantitat de dades històriques disponibles, de manera que les seves prediccions són el més similars possibles al comportament anterior del món real. En altres paraules, els models d’aprenentatge automàtic obtenen paràmetres d’entrada rellevants, n’extreuen informació rellevant i proporcionen una producció estimada. Per exemple, si volem estimar la producció solar fotovoltaica (PV), el primer pas seria detectar quins factors influeixen en la seva producció. El més important és definitivament la radiació solar, ja que com més alta és la radiació solar, s’espera que sigui la major producció fotovoltaica. A més, una major cobertura de núvols donaria lloc a una menor producció, i per tant també s’hauria de tenir en compte. A més, la temperatura exterior afecta l’eficiència dels panells fotovoltaics, ja que són més eficients quan la temperatura és més baixa. Un cop seleccionats tots els paràmetres d’entrada rellevants, la producció esperada es pot estimar en funció dels seus valors.
També es podria dur a terme un enfocament similar per als pronòstics de la demanda. Un dels factors més comuns per a la predicció de la càrrega elèctrica són els paràmetres relacionats amb el temps. Com ja s’ha esmentat, és habitual que els pics de demanda estiguin presents a primera hora del matí i a la tarda durant els dies laborables, mentre que la demanda és notablement menor durant l’horari laboral o a la nit. D’altra banda, la forma de la corba de càrrega durant els caps de setmana o festius canvia significativament ja que hi ha més usuaris presents a casa. De la mateixa manera, l’estacionalitat també pot afectar el consum total d’energia. Per exemple, en climes més freds, l’energia elèctrica s’utilitza de vegades durant l’hivern amb finalitats de calefacció, mentre que no és el cas durant l’estiu. Per tant, totes aquestes conclusions s’utilitzen durant la fase de disseny del model ML, de manera que pugui aconseguir la màxima precisió possible.
En resum, com s’il·lustra a la figura següent, els models d’aprenentatge automàtic detecten quins són els factors més importants per a les seves prediccions i requereixen una gran quantitat de dades històriques corresponents. Aquestes dades són utilitzades per algoritmes especialitzats que proporcionen models optimitzats capaços de calcular prediccions precises.
En aquest article, hem presentat algunes aplicacions de l’aprenentatge automàtic en projectes relacionats amb l’energia i hem intentat apropar l’aprenentatge automàtic als usuaris finals. No obstant això, el seu potencial va molt més enllà del que es va presentar aquí, així que, es podria pensar en algunes altres aplicacions de la intel·ligència artificial que podrien ser útils en el futur?
Dea Pujić de l’Institut Mihajlo Pupin, Universitat de Belgrad.
Per crear aquesta publicació s’han utilitzat les icones següents:
https://www.flaticon.com/free-icons/bucket created by justicon – Flaticon
https://www.flaticon.com/free-icons/machine-learning created by Freepik – Flaticon
https://www.flaticon.com/free-icons/arrow created by Creatype – Flaticon
https://www.flaticon.com/free-icons/machine-learning created by Eucalyp – Flaticon
https://www.flaticon.com/free-icons/prediction created by Parzival’ 1997 – Flaticon
