{"id":30486,"date":"2022-07-05T10:00:00","date_gmt":"2022-07-05T10:00:00","guid":{"rendered":"https:\/\/comet.technology\/?p=30486"},"modified":"2022-07-21T10:38:14","modified_gmt":"2022-07-21T10:38:14","slug":"como-la-ia-puede-apoyar-los-programas-de-respuesta-a-la-demanda","status":"publish","type":"post","link":"https:\/\/comet.technology\/es\/2022\/07\/05\/como-la-ia-puede-apoyar-los-programas-de-respuesta-a-la-demanda\/","title":{"rendered":"C\u00f3mo la IA puede apoyar los programas de respuesta a la demanda"},"content":{"rendered":"\n

Hasta hace poco, la combinaci\u00f3n energ\u00e9tica ha estado dominada de manera desproporcionada por los combustibles f\u00f3siles que requieren ser quemados y, por lo tanto, contaminan nuestro medio ambiente para producir la energ\u00eda el\u00e9ctrica que todos necesitamos para nuestra vida diaria. Al hacerlo, hemos seleccionado inadvertidamente sacrificar nuestro h\u00e1bitat por la prosperidad industrial y econ\u00f3mica. Para tratar de mitigar estos efectos negativos e intentar detener una mayor contaminaci\u00f3n del medio ambiente, es necesario realizar esfuerzos significativos por nuestra parte. Por ejemplo, introducir y continuar aumentando la penetraci\u00f3n de las fuentes de energ\u00eda renovables en el lado de la producci\u00f3n de energ\u00eda el\u00e9ctrica. De esta manera, la demanda el\u00e9ctrica podr\u00eda satisfacerse en base a energ\u00eda limpia ya accesible, como la solar o la e\u00f3lica, sin da\u00f1ar el medio ambiente. Esto tambi\u00e9n se aplica a las peque\u00f1as comunidades insulares, como las que participan en el proyecto REACT, que generalmente dependen del continente para el suministro de energ\u00eda. Esta dependencia a menudo resulta en una alta dependencia energ\u00e9tica y econ\u00f3mica de factores externos, por lo que para lograr la autosuficiencia es un objetivo crucial para el cual es necesario el aumento de la generaci\u00f3n de energ\u00eda renovable.<\/p>\n\n

Sin embargo, la producci\u00f3n de fuentes de energ\u00eda renovables depende en gran medida de las condiciones meteorol\u00f3gicas que son de naturaleza estoc\u00e1stica, por lo que la producci\u00f3n de energ\u00eda 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 radiaci\u00f3n solar durante el d\u00eda y, por lo tanto, la producci\u00f3n m\u00e1xima de energ\u00eda a partir de c\u00e9lulas solares. Por otro lado, el desajuste entre la producci\u00f3n y el lado de la demanda puede causar inestabilidad de la red el\u00e9ctrica y, en consecuencia, la prioridad para encontrar una soluci\u00f3n a este problema es muy alta. Teniendo todo esto en cuenta, se puede concluir que es necesaria una planificaci\u00f3n cuidadosa y garantizar un env\u00edo de energ\u00eda \u00f3ptimo para tener un sistema de suministro de energ\u00eda estable y al mismo tiempo utilizar una alta inclusi\u00f3n de fuentes de energ\u00eda renovables. Por lo tanto, se requieren estimaciones de la producci\u00f3n esperada de energ\u00eda renovable, as\u00ed como de la demanda de los usuarios, para que se pueda llevar a cabo una planificaci\u00f3n del balance energ\u00e9tico. Exactamente aqu\u00ed es cuando la inteligencia artificial, o m\u00e1s precisamente, las t\u00e9cnicas de aprendizaje autom\u00e1tico, pueden desempe\u00f1ar un papel importante en las plataformas que buscan implementar diferentes programas de respuesta a la demanda como REACT. <\/p>\n\n

\"\"<\/figure>\n

Los modelos de aprendizaje autom\u00e1tico tienen muchos par\u00e1metros num\u00e9ricos que se ajustan de acuerdo con la cantidad de datos hist\u00f3ricos disponibles, de modo que sus predicciones sean lo m\u00e1s similares posible al comportamiento anterior del mundo real. En otras palabras, los modelos de aprendizaje autom\u00e1tico obtienen par\u00e1metros de entrada relevantes, extraen informaci\u00f3n relevante de ellos y proporcionan resultados estimados. Por ejemplo, si quisi\u00e9ramos estimar la producci\u00f3n solar fotovoltaica (PV), el primer paso ser\u00eda detectar qu\u00e9 factores influyen en su producci\u00f3n. La m\u00e1s importante es definitivamente la radiaci\u00f3n solar, ya que cuanto mayor sea la radiaci\u00f3n solar, mayor ser\u00e1 la producci\u00f3n fotovoltaica. Adem\u00e1s, una mayor cobertura de nubes resultar\u00eda en una menor producci\u00f3n y, por lo tanto, tambi\u00e9n deber\u00eda considerarse. Adem\u00e1s, la temperatura exterior afecta a la eficiencia de los paneles fotovoltaicos, ya que son m\u00e1s eficientes cuando la temperatura es m\u00e1s baja. Una vez que se seleccionan todos los par\u00e1metros de entrada relevantes, la producci\u00f3n esperada se puede estimar en funci\u00f3n de sus valores. <\/p>\n\n

Tambi\u00e9n se podr\u00eda llevar a cabo un enfoque similar para los previsores de la demanda. Uno de los factores m\u00e1s comunes para la predicci\u00f3n de la carga el\u00e9ctrica son los par\u00e1metros relacionados con el tiempo. Como ya se ha mencionado, es com\u00fan que los picos de demanda est\u00e9n presentes a primera hora de la ma\u00f1ana y por la tarde durante los d\u00edas 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 m\u00e1s usuarios presentes en casa.. Del mismo modo, la estacionalidad tambi\u00e9n puede afectar el consumo total de energ\u00eda. Por ejemplo, en climas m\u00e1s fr\u00edos, la energ\u00eda el\u00e9ctrica a veces se utiliza durante el invierno para fines de calefacci\u00f3n, mientras que ese no es el caso durante el verano. Por lo tanto, todas estas conclusiones se utilizan durante la fase de dise\u00f1o del modelo de ML, para que pueda lograr la mayor precisi\u00f3n posible.<\/p>\n\n

En resumen, como se ilustra en la siguiente figura, los modelos de aprendizaje autom\u00e1tico detectan cu\u00e1les son los factores m\u00e1s importantes para sus predicciones y requieren una gran cantidad de datos hist\u00f3ricos correspondientes. Esos datos son utilizados por algoritmos especializados que proporcionan modelos optimizados capaces de calcular predicciones precisas.<\/p>\n\n

<\/p>\n\n

En este art\u00edculo, hemos presentado algunas aplicaciones del aprendizaje autom\u00e1tico en proyectos relacionados con la energ\u00eda y hemos tratado de acercar el aprendizaje autom\u00e1tico a los usuarios finales. Sin embargo, su potencial est\u00e1 mucho m\u00e1s all\u00e1 de lo que se present\u00f3 aqu\u00ed, por lo que, \u00bfpodr\u00eda pensar en algunas otras aplicaciones de la inteligencia artificial que podr\u00edan ser \u00fatiles en el futuro?<\/p>\n\n

Dea Puji\u0107<\/strong> del Instituto Mihajlo Pupin, Universidad de Belgrado.<\/p>\n\n

Para crear este post se utilizaron los siguientes iconos: <\/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":"

Hasta hace poco, la combinaci\u00f3n energ\u00e9tica ha estado dominada de manera desproporcionada por los combustibles f\u00f3siles que requieren ser quemados y, por lo tanto, contaminan nuestro medio ambiente para producir la energ\u00eda el\u00e9ctrica que todos necesitamos para nuestra vida diaria. Al hacerlo, hemos seleccionado inadvertidamente sacrificar nuestro h\u00e1bitat por la prosperidad industrial y econ\u00f3mica. Para […]<\/p>\n","protected":false},"author":1,"featured_media":30485,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[25],"tags":[],"class_list":["post-30486","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-react"],"acf":[],"_links":{"self":[{"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/posts\/30486","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/comments?post=30486"}],"version-history":[{"count":0,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/posts\/30486\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/media\/30485"}],"wp:attachment":[{"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/media?parent=30486"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/categories?post=30486"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/comet.technology\/es\/wp-json\/wp\/v2\/tags?post=30486"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}