La incorporación masiva de energías renovables amplía el horizonte verde y garantiza la sostenibilidad en la transición energética. Pero añade una complejidad que no tenían los sistemas eléctricos tradicionales dotados de un pequeño grupo de centrales térmicas o hídricas que abastecían a la mayoría de los hogares con un flujo constante. El entretejido de ambas fuentes generadoras en las redes eléctricas deriva un caos que está siendo gestionado con inteligencia artificial (IA).
La capacidad de la IA para aprender de grandes cantidades de datos y responder a escenarios complejos la hace especialmente adecuada para la tarea de mantener estable la red. Y un número creciente de empresas de software están llevando productos de IA a la industria energética, notoriamente de lento movimiento.
El Departamento de Energía de Estados Unidos ha reconocido esta tendencia. Y recientemente otorgó 3 mil millones de dólares en subvenciones a varios proyectos de “redes inteligentes” que incluyen iniciativas relacionadas con la IA. El entusiasmo por la IA en el sector energético es palpable. Algunos ya están especulando sobre la posibilidad de una red totalmente automatizada donde, en teoría, no se necesitarían seres humanos para tomar decisiones cotidianas.
Pero esa perspectiva sigue estando lejana. Por ahora, la promesa radica en el potencial de la IA para ayudar a los humanos, proporcionando información en tiempo real para una mejor gestión de la red. Según MIT Technology Review, son cuatro las formas en que la IA ya está cambiando la forma en que los operadores de red hacen su trabajo.
La IA en las redes eléctricas
La revista perteneciente al Instituto de Tecnología de Massachusetts, pero editada independientemente de la universidad, observa la óptima incursión de la IA en las redes eléctricas, de la forma siguiente:
1. Toma de decisiones mejor y más rápida.
El sistema de red eléctrica a menudo se describe como la máquina más compleja jamás construida. Debido a que la red es tan vasta, es imposible para cualquier persona comprender completamente todo lo que sucede dentro de ella en un momento dado. Y mucho menos predecir lo que sucederá más adelante.
Feng Qiu, científico del Laboratorio Nacional Argonne, explica que la IA ayuda a las redes eléctricas de tres maneras clave: ayudando a los operadores a comprender las condiciones actuales, tomar mejores decisiones y predecir problemas potenciales.
Qiu sabe cómo el aprendizaje automático puede mejorar las operaciones de la red. En 2019, su equipo se asoció con Midcontinent Independent System Operador (MISO). Un operador de red que presta servicios en 15 estados de EE UU y partes de Canadá para probar un modelo de aprendizaje automático. Destinado a optimizar la planificación diaria de una red comparable en escala a la red expansiva de MISO.
Todos los días, los operadores de sistemas de red como MISO realizan complejos cálculos matemáticos que predicen cuánta electricidad se necesitará al día siguiente. Y tratan de encontrar la forma más rentable de enviar esa energía. El modelo de aprendizaje automático del equipo de Qiu demostró que este cálculo se puede realizar 12 veces más rápido de lo que es posible sin IA. Reduciendo el tiempo requerido de casi 10 minutos a 60 segundos. Teniendo en cuenta que los operadores realizan estos cálculos varias veces al día, el ahorro de tiempo podría ser significativo.
Predecir cambios del clima y otros
El equipo de Qiu está desarrollando un modelo de IA para pronosticar cortes de energía en las redes eléctricas, incorporando factores como el clima, la geografía e incluso los niveles de ingresos de diferentes vecindarios. Con estos datos, el modelo puede resaltar patrones como la probabilidad de cortes de energía más prolongados y frecuentes en áreas de bajos ingresos con infraestructura deficiente. Mejores predicciones pueden ayudar a prevenir cortes, acelerar la respuesta a desastres y minimizar el sufrimiento cuando tales problemas ocurren.
2. Enfoque a medida para cada hogar.
Los esfuerzos de integración de la IA no se limitan a los laboratorios de investigación. Lunar Energy, una startup de tecnología de redes y baterías, utiliza software de IA para ayudar a sus clientes a optimizar su uso de energía y ahorrar dinero.
«Existe esta red de millones de dispositivos y hay que crear un sistema que pueda absorber todos los datos. Y tomar la decisión correcta no sólo para cada cliente individual sino también para la red», dice Sam Wevers, director de Lunar Energy. «Ahí es donde entra en juego el poder de la IA y el aprendizaje automático».
El software Gridshare de Lunar Energy recopila datos de decenas de miles de hogares. Recopilando información sobre la energía utilizada para cargar vehículos eléctricos, hacer funcionar lavavajillas y aires acondicionados, y más. Combinada con datos meteorológicos, esta información alimenta un modelo que crea predicciones personalizadas de las necesidades energéticas de los hogares individuales.
Desafíos de los vehículos eléctricos
Wevers describe un escenario en el que dos casas en una calle tienen paneles solares de idéntico tamaño, pero una casa tiene un árbol alto en el patio trasero que crea sombra por la tarde, por lo que sus paneles generan un poco menos de energía. Sería imposible para cualquier empresa de servicios públicos realizar un seguimiento manual de este tipo de detalles a nivel doméstico. Pero la IA permite que este tipo de cálculos en las redes eléctricas se realicen automáticamente a gran escala.
3. Hacer que los vehículos eléctricos funcionen con la red.
Si bien son fundamentales para la transición a la energía limpia, los vehículos eléctricos plantean un verdadero desafío para la red.
John Taggart, cofundador y director de tecnología de WeaveGrid, dice que la adopción de vehículos eléctricos añade una importante demanda de energía. “La última vez que (las empresas de servicios públicos) tuvieron que manejar este tipo de crecimiento fue cuando despegaron los aires acondicionados”, comentó.
La adopción de vehículos eléctricos también tiende a concentrarse en determinadas ciudades y barrios, lo que puede saturar la red local. Para aliviar esta carga, WeaveGrid, con sede en San Francisco, colabora con empresas de servicios públicos, fabricantes de automóviles y empresas de carga para recopilar y analizar datos de carga de vehículos eléctricos.
Al estudiar los patrones de carga y la duración, WeaveGrid identifica tiempos de carga óptimos y hace recomendaciones a los clientes a través de mensajes de texto. O notificaciones de aplicaciones sobre cuándo cargar sus vehículos. En algunos casos, los clientes otorgan a las empresas control total para cargar o descargar baterías automáticamente según las necesidades de la red, a cambio de incentivos financieros como vales. Esto convierte a los propios coches en una valiosa fuente de almacenamiento de energía para la red.
IA en la inspección y gestión de infraestructura física
Importantes empresas de servicios públicos como PG&E, DTE y Xcel Energy se han asociado en el programa.
4. Detectar desastres antes de que ocurran.
Varias empresas de servicios públicos ya han comenzado a integrar la IA en operaciones críticas. En particular en la inspección y gestión de infraestructura física como líneas de transmisión y transformadores.
Por ejemplo, los árboles demasiado grandes son una de las principales causas de apagones, porque las ramas pueden caer sobre los cables eléctricos o provocar incendios. Tradicionalmente, la inspección manual ha sido la norma, pero dada la gran extensión de las líneas de transmisión, esto puede llevar varios meses.
PG&E, que cubre el norte y centro de California, ha estado utilizando el aprendizaje automático de IA para acelerar esas inspecciones en las redes eléctricas. Al analizar fotografías capturadas por drones y helicópteros, los modelos de aprendizaje automático identifican áreas que requieren poda de árboles o señalan equipos defectuosos que necesitan reparación.
También en Cambio16.com:
Conforme a los criterios de 
Saber más
