Hasta hace poco, la combinación energética ha estado dominada de manera desproporcionada por los combustibles fósiles que requieren ser quemados y, por lo tanto, contaminan nuestro medio ambiente para producir la energía eléctrica que todos necesitamos para nuestra vida diaria. Al hacerlo, hemos seleccionado inadvertidamente sacrificar nuestro hábitat por la prosperidad industrial y económica. Para tratar de mitigar estos efectos negativos e intentar detener una mayor contaminación del medio ambiente, es necesario realizar esfuerzos significativos por nuestra parte. Por ejemplo, introducir y continuar aumentando la penetración de las fuentes de energía renovables en el lado de la producción de energía eléctrica. De esta manera, la demanda eléctrica podría satisfacerse en base a energía limpia ya accesible, como la solar o la eólica, sin dañar el medio ambiente. Esto también se aplica a las pequeñas comunidades insulares, como las que participan en el proyecto REACT, que generalmente dependen del continente para el suministro de energía. Esta dependencia a menudo resulta en una alta dependencia energética y económica de factores externos, por lo que para lograr la autosuficiencia es un objetivo crucial para el cual es necesario el aumento de la generación de energía renovable.
Sin embargo, la producción de fuentes de energía renovables depende en gran medida de las condiciones meteorológicas que son de naturaleza estocástica, por lo que la producción de energía renovable no puede controlarse, aumentando o disminuyendo de acuerdo con la demanda actual. Por ejemplo, los picos de demanda son comunes entre las 6 p.m. y las 8 p.m. cuando muchas personas regresan a casa del trabajo Desafortunadamente, este momento no coincide con la mayor radiación solar durante el día y, por lo tanto, la producción máxima de energía a partir de células solares. Por otro lado, el desajuste entre la producción y el lado de la demanda puede causar inestabilidad de la red eléctrica y, en consecuencia, la prioridad para encontrar una solución a este problema es muy alta. Teniendo todo esto en cuenta, se puede concluir que es necesaria una planificación cuidadosa y garantizar un envío de energía óptimo para tener un sistema de suministro de energía estable y al mismo tiempo utilizar una alta inclusión de fuentes de energía renovables. Por lo tanto, se requieren estimaciones de la producción esperada de energía renovable, así como de la demanda de los usuarios, para que se pueda llevar a cabo una planificación del balance energético. Exactamente aquí es cuando la inteligencia artificial, o más precisamente, las técnicas de aprendizaje automático, pueden desempeñar un papel importante en las plataformas que buscan implementar diferentes programas de respuesta a la demanda como REACT.
Los modelos de aprendizaje automático tienen muchos parámetros numéricos que se ajustan de acuerdo con la cantidad de datos históricos disponibles, de modo que sus predicciones sean lo más similares posible al comportamiento anterior del mundo real. En otras palabras, los modelos de aprendizaje automático obtienen parámetros de entrada relevantes, extraen información relevante de ellos y proporcionan resultados estimados. Por ejemplo, si quisiéramos estimar la producción solar fotovoltaica (PV), el primer paso sería detectar qué factores influyen en su producción. La más importante es definitivamente la radiación solar, ya que cuanto mayor sea la radiación solar, mayor será la producción fotovoltaica. Además, una mayor cobertura de nubes resultaría en una menor producción y, por lo tanto, también debería considerarse. Además, la temperatura exterior afecta a la eficiencia de los paneles fotovoltaicos, ya que son más eficientes cuando la temperatura es más baja. Una vez que se seleccionan todos los parámetros de entrada relevantes, la producción esperada se puede estimar en función de sus valores.
También se podría llevar a cabo un enfoque similar para los previsores de la demanda. Uno de los factores más comunes para la predicción de la carga eléctrica son los parámetros relacionados con el tiempo. Como ya se ha mencionado, es común que los picos de demanda estén presentes a primera hora de la mañana y por la tarde durante los días laborables, mientras que la demanda es notablemente menor durante las horas de trabajo o por la noche. Por otro lado, la forma de la curva de carga durante los fines de semana o festivos cambia significativamente ya que hay más usuarios presentes en casa.. Del mismo modo, la estacionalidad también puede afectar el consumo total de energía. Por ejemplo, en climas más fríos, la energía eléctrica a veces se utiliza durante el invierno para fines de calefacción, mientras que ese no es el caso durante el verano. Por lo tanto, todas estas conclusiones se utilizan durante la fase de diseño del modelo de ML, para que pueda lograr la mayor precisión posible.
En resumen, como se ilustra en la siguiente figura, los modelos de aprendizaje automático detectan cuáles son los factores más importantes para sus predicciones y requieren una gran cantidad de datos históricos correspondientes. Esos datos son utilizados por algoritmos especializados que proporcionan modelos optimizados capaces de calcular predicciones precisas.
En este artículo, hemos presentado algunas aplicaciones del aprendizaje automático en proyectos relacionados con la energía y hemos tratado de acercar el aprendizaje automático a los usuarios finales. Sin embargo, su potencial está mucho más allá de lo que se presentó aquí, por lo que, ¿podría pensar en algunas otras aplicaciones de la inteligencia artificial que podrían ser útiles en el futuro?
Dea Pujić del Instituto Mihajlo Pupin, Universidad de Belgrado.
Para crear este post se utilizaron los siguientes iconos:
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
