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, sin darnos cuenta, hemos optado por sacrificar nuestro hábitat por la prosperidad industrial y económica. Para tratar de mitigar estos efectos negativos y tratar de detener una mayor contaminación del medio ambiente, se deben realizar esfuerzos significativos por nuestra parte. Por ejemplo; introducir y seguir aumentando la penetración de fuentes de energía renovables en el lado de la producción de energía eléctrica. De esta forma, se podría satisfacer la demanda eléctrica basándonos en energías limpias ya accesibles, 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 situación a menudo da como resultado una alta dependencia energética y económica de factores externos, por lo que 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 renovable depende en gran medida de las condiciones meteorológicas que son de naturaleza estocástica, por lo que la producción de energía renovable no se puede controlar, aumentar o disminuir 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, con la producción máxima de energía de las células solares. Por otro lado, el desajuste entre el lado de la producción y el de la demanda puede causar inestabilidad en 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 despacho de energía óptimo para tener un sistema de suministro de energía estable mientras se utiliza una alta penetración de fuentes de energía renovable. Por lo tanto, se requieren estimaciones de la producción de energía renovable esperada, así como de la demanda de los usuarios, para poder llevar a cabo la planificación del balance energético. Justo aquí es cuando la inteligencia artificial, o más precisamente, las técnicas de aprendizaje automático, pueden jugar 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 (FV), el primer paso sería detectar qué factores influyen en su producción. La más importante es, definitivamente, la radiación solar ya que a mayor radiación solar se espera mayor producción fotovoltaica. Además, una mayor cobertura de nubes daría como resultado una menor producción y, por lo tanto, también debería considerarse. Además, la temperatura exterior afecta 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 pronosticadores 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 comentado, es habitual que los picos de demanda se presenten en las primeras horas de la mañana y la tarde durante los días laborables, mientras que la demanda es notablemente menor en horario laboral o nocturno. Por otro lado, la forma de la curva de carga durante los fines de semana o días festivos cambia significativamente ya que hay más usuarios presentes en casa. De manera similar, la estacionalidad también puede afectar el consumo total de energía. Por ejemplo, en climas más fríos, la energía eléctrica se usa a veces durante el invierno para 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 ML, para que pueda lograr la mayor precisión posible.
En resumen, como se ilustra en la figura a continuación, 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 además por algoritmos especializados que proporcionan modelos optimizados capaces de calcular predicciones precisas.
En este artículo, presentamos algunas aplicaciones del aprendizaje automático en proyectos relacionados con la energía y tratamos de acercar el aprendizaje automático a los usuarios finales. Sin embargo, su potencial va mucho más allá de lo presentado aquí, entonces, ¿podría usted pensar en otras aplicaciones de la inteligencia artificial que podrían ser útiles en el futuro?
Dea Pujić del Instituto Mihajlo Pupin, Universidad de Belgrado.
Para crear esta publicación se usaron los siguientes íconos:
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
