{"id":30490,"date":"2022-07-05T10:00:00","date_gmt":"2022-07-05T10:00:00","guid":{"rendered":"https:\/\/comet.technology\/?p=30490"},"modified":"2022-07-21T10:38:00","modified_gmt":"2022-07-21T10:38:00","slug":"com-la-ia-pot-donar-suport-als-programes-de-resposta-a-la-demanda","status":"publish","type":"post","link":"https:\/\/comet.technology\/ca\/2022\/07\/05\/com-la-ia-pot-donar-suport-als-programes-de-resposta-a-la-demanda\/","title":{"rendered":"Com la IA pot donar suport als programes de resposta a la demanda"},"content":{"rendered":"\n

Fins fa poc, el mix energ\u00e8tic ha estat dominat desproporcionadament per combustibles f\u00f2ssils que requereixen ser cremats i, per tant, contaminar el nostre entorn per produir l’energia el\u00e8ctrica que tots necessitem per a la nostra vida quotidiana. En fer-ho, hem seleccionat inadvertidament sacrificar el nostre h\u00e0bitat per a la prosperitat industrial i econ\u00f2mica. Per intentar mitigar aquests efectes negatius i intentar aturar una major contaminaci\u00f3 del medi ambient, cal fer esfor\u00e7os significatius per part nostra. Per exemple, introduir i continuar augmentant la penetraci\u00f3 de fonts d’energia renovables en el costat de la producci\u00f3 d’energia el\u00e8ctrica. D’aquesta manera, la demanda el\u00e8ctrica es podria satisfer en base a energies netes ja accessibles, com la solar o l’e\u00f2lica, sense perjudicar el medi ambient. Aix\u00f2 tamb\u00e9 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 depend\u00e8ncia sovint es tradueix en una alta depend\u00e8ncia energ\u00e8tica i econ\u00f2mica de factors externs, de manera que per aconseguir l’autosufici\u00e8ncia \u00e9s un objectiu crucial per al qual \u00e9s necessari l’augment de la generaci\u00f3 d’energia renovable.<\/p>\n\n

No obstant aix\u00f2, la producci\u00f3 de fonts d’energia renovables dep\u00e8n en gran mesura de les condicions meteorol\u00f2giques de naturalesa estoc\u00e0stica, de manera que la producci\u00f3 d’energia renovable no es pot controlar, augmentant o disminuint d’acord amb la demanda actual. Per exemple, els pics de demanda s\u00f3n 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 radiaci\u00f3 solar m\u00e9s alta durant el dia i, per tant, la producci\u00f3 m\u00e0xima d’energia a partir de c\u00e8l\u00b7lules solars. D’altra banda, el desajust entre la producci\u00f3 i la demanda pot provocar inestabilitat de la xarxa el\u00e8ctrica i, en conseq\u00fc\u00e8ncia, la prioritat per trobar una soluci\u00f3 a aquest problema \u00e9s molt elevada. Tenint en compte tot aix\u00f2, es pot concloure que \u00e9s necessari una planificaci\u00f3 acurada i assegurar un despatx d’energia \u00f2ptim per tenir un sistema de subministrament d’energia estable mentre s’utilitza una alta penetraci\u00f3 de fonts d’energia renovables. Per tant, es requereixen estimacions de la producci\u00f3 prevista d’energia renovable aix\u00ed com de la demanda dels usuaris, de manera que es pugui dur a terme la planificaci\u00f3 de l’equilibri energ\u00e8tic. Exactament aix\u00f2 \u00e9s quan la intel\u00b7lig\u00e8ncia artificial, o m\u00e9s precisament, les t\u00e8cniques d’aprenentatge autom\u00e0tic, poden tenir un paper important en plataformes que busquen implementar diferents programes de resposta a la demanda com REACT. <\/p>\n\n

\"\"<\/figure>\n

Els models d’aprenentatge autom\u00e0tic tenen molts par\u00e0metres num\u00e8rics que s’ajusten d’acord amb la quantitat de dades hist\u00f2riques disponibles, de manera que les seves prediccions s\u00f3n el m\u00e9s similars possibles al comportament anterior del m\u00f3n real. En altres paraules, els models d’aprenentatge autom\u00e0tic obtenen par\u00e0metres d’entrada rellevants, n’extreuen informaci\u00f3 rellevant i proporcionen una producci\u00f3 estimada. Per exemple, si volem estimar la producci\u00f3 solar fotovoltaica (PV), el primer pas seria detectar quins factors influeixen en la seva producci\u00f3. El m\u00e9s important \u00e9s definitivament la radiaci\u00f3 solar, ja que com m\u00e9s alta \u00e9s la radiaci\u00f3 solar, s’espera que sigui la major producci\u00f3 fotovoltaica. A m\u00e9s, una major cobertura de n\u00favols donaria lloc a una menor producci\u00f3, i per tant tamb\u00e9 s’hauria de tenir en compte. A m\u00e9s, la temperatura exterior afecta l’efici\u00e8ncia dels panells fotovoltaics, ja que s\u00f3n m\u00e9s eficients quan la temperatura \u00e9s m\u00e9s baixa. Un cop seleccionats tots els par\u00e0metres d’entrada rellevants, la producci\u00f3 esperada es pot estimar en funci\u00f3 dels seus valors. <\/p>\n\n

Tamb\u00e9 es podria dur a terme un enfocament similar per als pron\u00f2stics de la demanda. Un dels factors m\u00e9s comuns per a la predicci\u00f3 de la c\u00e0rrega el\u00e8ctrica s\u00f3n els par\u00e0metres relacionats amb el temps. Com ja s’ha esmentat, \u00e9s habitual que els pics de demanda estiguin presents a primera hora del mat\u00ed i a la tarda durant els dies laborables, mentre que la demanda \u00e9s notablement menor durant l’horari laboral o a la nit. D’altra banda, la forma de la corba de c\u00e0rrega durant els caps de setmana o festius canvia significativament ja que hi ha m\u00e9s usuaris presents a casa. De la mateixa manera, l’estacionalitat tamb\u00e9 pot afectar el consum total d’energia. Per exemple, en climes m\u00e9s freds, l’energia el\u00e8ctrica s’utilitza de vegades durant l’hivern amb finalitats de calefacci\u00f3, mentre que no \u00e9s 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 m\u00e0xima precisi\u00f3 possible.<\/p>\n\n

En resum, com s’il\u00b7lustra a la figura seg\u00fcent, els models d’aprenentatge autom\u00e0tic detecten quins s\u00f3n els factors m\u00e9s importants per a les seves prediccions i requereixen una gran quantitat de dades hist\u00f2riques corresponents. Aquestes dades s\u00f3n utilitzades per algoritmes especialitzats que proporcionen models optimitzats capa\u00e7os de calcular prediccions precises.<\/p>\n\n

<\/p>\n\n

En aquest article, hem presentat algunes aplicacions de l’aprenentatge autom\u00e0tic en projectes relacionats amb l’energia i hem intentat apropar l’aprenentatge autom\u00e0tic als usuaris finals. No obstant aix\u00f2, el seu potencial va molt m\u00e9s enll\u00e0 del que es va presentar aqu\u00ed, aix\u00ed que, es podria pensar en algunes altres aplicacions de la intel\u00b7lig\u00e8ncia artificial que podrien ser \u00fatils en el futur?<\/p>\n\n

Dea Puji\u0107<\/strong> de l’Institut Mihajlo Pupin, Universitat de Belgrad.<\/p>\n\n

Per crear aquesta publicaci\u00f3 s’han utilitzat les icones seg\u00fcents: <\/p>\n\n

https:\/\/www.flaticon.com\/free-icons\/bucket created by justicon – Flaticon<\/p>\n\n

https:\/\/www.flaticon.com\/free-icons\/machine-learning created by Freepik – Flaticon<\/p>\n\n

https:\/\/www.flaticon.com\/free-icons\/arrow created by Creatype – Flaticon<\/p>\n\n

https:\/\/www.flaticon.com\/free-icons\/machine-learning created by Eucalyp – Flaticon<\/p>\n\n

https:\/\/www.flaticon.com\/free-icons\/prediction created by Parzival\u2019 1997 – Flaticon<\/p>\n","protected":false},"excerpt":{"rendered":"

Fins fa poc, el mix energ\u00e8tic ha estat dominat desproporcionadament per combustibles f\u00f2ssils que requereixen ser cremats i, per tant, contaminar el nostre entorn per produir l’energia el\u00e8ctrica que tots necessitem per a la nostra vida quotidiana. En fer-ho, hem seleccionat inadvertidament sacrificar el nostre h\u00e0bitat per a la prosperitat industrial i econ\u00f2mica. Per intentar […]<\/p>\n","protected":false},"author":1,"featured_media":30484,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[713],"tags":[],"class_list":["post-30490","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-react-ca"],"acf":[],"_links":{"self":[{"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/posts\/30490","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/comments?post=30490"}],"version-history":[{"count":0,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/posts\/30490\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/media\/30484"}],"wp:attachment":[{"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/media?parent=30490"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/categories?post=30490"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/comet.technology\/ca\/wp-json\/wp\/v2\/tags?post=30490"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}