Herramientas de IA en renovables y sustentabilidad

Share

J. Antonio del Río Portilla, Investigador del Instituto de Energías Renovables de la UNAM y Premio Universidad Nacional 2023. Imagen del IER de la UNAM

Estamos en un momento álgido para la población en México, justo hace ocho días los mexicanos participamos en las elecciones de nuestras autoridades nacionales, estatales y municipales en la mayoría de las poblaciones.

Para quien lee y no esté familiarizado con México, no todos los estados y municipio eligen a sus autoridades en sincronía con las autoridades federales. En estas elecciones la población mexicana está de acuerdo en combatir la inseguridad que estamos sufriendo y en disminuir la desigualdad lacerante, ya que casi la mitad de la población está por debajo de la línea de pobreza.

Como un tercer tema pudiera mencionarse el cambio climático, pero este punto parece lejano y sin posibilidades de actuación en el corto plazo desde nuestros entornos locales.

Aunque en estas opiniones hemos mencionado muchas veces acciones que van encaminadas a mitigar y combatir el cambio climático.

Selva Lacandona, Chiapas, México. La fuerza de los huracanes. Imagen de Jorge Zarco

Por otro lado, el año pasado sorpresivamente el concepto de inteligencia artificial percoló rápidamente la población con acceso a la digitalización y uso cotidiano de la Internet. Hasta parecía que el arribo de esta inteligencia artificial fuera una cosa de magia que de repente emergía de la nada; pero podemos afirmar que surge de una amplia tradición científica que basa sus predicciones en datos y actualmente de muchos datos.

En particular el uso de herramientas de inteligencia artificial ha sido utilizadas desde hace muchos años para optimizar, hacer eficiente, adecuar metodologías o procesos relacionados con fuentes renovables de energías. En el Instituto de Energías Renovables, parte del personal académico, hemos realizado estudios y aplicaciones con estos fines.

Con la idea de encontrar en qué se están usando las herramientas de inteligencia artificial en tópicos de energías renovables y sustentabilidad, busqué en los arxiv.org y rápidamente encontré cinco artículos publicados este mes.

Considero importante describirlos brevemente para que conozcamos algunas formas en las que la comunidad científica está preocupada por ofrecer alternativas a la problemática que el cambio climático nos presenta.

Parte de las estrategias para sobrepasar la variabilidad de las fuentes renovables de energía consiste en poderlas predecir con modelos en las diferentes regiones del mundo. Es decir, usar los modelos climáticos globales y regionales para medir patrones futuros de variables climáticas, incluida la radiación solar.

Las emisiones de CO2 son las que más preocupan por sus enormes efectos en el cambio climático. Foto: NASA

En este contexto la predicción de la radiación solar anticipa la producción fotovoltaica (PV), especialmente a medida que la industria fotovoltaica visualiza que la vida útil de las plantas a 50 años.

Con estas intenciones podemos encontrar artículos que utilizan modelos de aprendizaje profundo. Sin embargo, estas metodologías tienen la desventaja que requieren una gran cantidad de datos de alta calidad. En mi búsqueda encontré a SolNet, un novedoso pronosticador de energía solar que considera múltiples variables, de uso general, que aborda estos desafíos mediante el uso de un proceso de pronóstico de dos pasos que incorpora el aprendizaje por transferencia a partir de abundantes datos sintéticos generados a partir del Sistema de Información Geográfica Fotovoltaica (PVGIS) de la Unión Europea en conjunto con datos de producción energética reales de cientos de sitios en los Países Bajos, Australia y Bélgica.

Este trabajo muestra que SolNet mejora el rendimiento de la previsión en entornos con escasez de datos, así como en modelos de referencia. Con una finalidad similar, fue propuesto un método que se centra en el uso de funciones matemáticas que se adaptan para construir superficies finas (thin plate splines, TPS) e interpolar los datos con granularidad de 20 km2 en una dimensión de 8 Km2 y así reducir la escala espacial de los datos. Esta técnica utiliza una función suave que pasa exactamente por un conjunto de puntos dados en el espacio y es construida a pedazos.

El nombre proviene de la analogía con una placa metálica delgada que se dobla para ajustarse a los puntos dados, minimizando la energía de flexión. Esta metodología es suficiente para inferir la variabilidad diaria en momentos en que el sol está en el cenit mostrando que métodos más complicados no son necesarios.

Imagen de Solcast

Por otro lado, las compañías de electricidad y más las que están encargadas de la transmisión y distribución requieren de un mapeo preciso de las instalaciones fotovoltaicas y con ello hacer las adecuaciones necesarias en sus equipos para un eficiente transporte de la energía. Para satisfacer esta necesidad, se ha desarrollado una metodología llamada S3Former para segmentar paneles solares a partir de imágenes aéreas y proporcionar información de tamaño y ubicación.

La identificación de paneles solares es un desafío debido a factores como las diferentes condiciones climáticas, las características del techo, las variaciones en la distancia de muestreo del suelo y la falta de pesos de inicialización adecuados para un entrenamiento optimizado. Para abordar estas complejidades, S3Former presenta un transformador de máscara que incorpora una columna vertebral de aprendizaje auto supervisado previamente entrenado. Específicamente, el modelo aprovecha características de bajo y alto nivel extraídas de la red troncal e incorpora un mecanismo de consulta de instancia incorporado en la arquitectura Transformer para mejorar la localización de instalaciones solares fotovoltaicas.

Como hemos observado, la creciente demanda de energía eléctrica sigue los aumentos de temperatura, pero también en el futuro cercano seguirá al aumento en el uso de vehículos eléctricos (EV).

Sin embargo, esta gran cantidad de energía necesaria, que se almacena en las baterías de los vehículos eléctricos, no siempre se utiliza. Existen diferentes propuestas para que los vehículos eléctricos estén equipados con sistemas bidireccionales que pueden cargar o descargar energía según las necesidades de la población usuaria o de la red.

Tanto los vehículos eléctricos como las propias baterías pueden considerarse como dispositivos de almacenamiento móvil pueden agregar resiliencia y beneficios de equilibrio entre oferta y demanda a cargas específicas, en muchos casos como parte de una microrred. Es decir, los vehículos y las baterías son elementos de lo que llamamos recursos energéticos distribuidos que requieren de una adecuada gestión.

Simposio Internacional de la Energía 2023, CANAME. Electromovilidad y cargadores para autos eléctricos. Ciudad de México. Imagen de Jorge Zarco

La implementación de estas ideas requiere del uso de las nuevas técnicas de inteligencia artificial que potencialmente serán el núcleo de gestión de dichos sistemas. Las técnicas de aprendizaje automático pueden modelar el entorno de la red energética de una manera tan flexible que es posible una optimización constante.

Con la misma idea de los sistemas distribuidos y su relación con la red eléctrica podemos contar con los retos que imponen las comunidades energéticas o sistemas distribuidos y descentralizados.

El concepto de prosumidor, una persona que consume y genera energía en un mismo lugar, implica el desarrollo de estrategias de gestión energética donde las herramientas de inteligencia artificial son de utilidad.

Las comunidades energéticas requieren de plataformas avanzadas que permitan participar activamente en los mercados eléctricos locales tanto fijando y ajustando sus propios precios de energía como actuando para estabilizar la red. Con estas intenciones encontramos otro artículo que aborda los servicios de estacionamiento compartido para vehículos eléctricos y los mecanismos de programación de energía, que facilita la transferencia y comunicación de energía entre diferentes comunidades energéticas. Se centra en optimizar tanto los retornos económicos como los beneficios sociales para quien participa en el consumo y generación. Este tipo de sistemas requiere garantizar que todas las transacciones de energía sean transparentes y beneficiosas para la comunidad prosumidora.

Con estos sencillos ejemplos de artículos que usan las herramientas de inteligencia artificial en el uso, aprovechamiento de sistemas energéticos distribuidos y en la determinación de los lugares adecuados o de las entregas de energía en el futuro con granularidad pequeña se potencia la posibilidad de contar con energía renovable y asequible para toda la población.

Por acelerar la transición de la matriz energética mexicana hacia fuentes de energía renovables y verdes. Imagen de Hackatón por Nuestro Futuro

Nuevamente, las desigualdades pueden ser incrementadas, dada las diferentes oportunidades para la población. El uso de software abierto disminuye este conflicto, por ello debemos dar mayor difusión tanto a las posibilidades de los sistemas de energía distribuida y descentralizada como a las herramientas de inteligencia artificial disponible.

Enfatizo, estos ejemplos se publicaron solo en el mes de mayo del 2024 en una búsqueda sencilla, en un solo sitio, el conocimiento en el tema es mucho más amplio, pero no es conocido y mucho menos apropiado por la población. Las personas con acceso y posible entendimiento tenemos el compromiso de divulgarlo.

Una versión resumida de este artículo fue publicada el día 29 de mayo en el periódico La Unión de Morelos.

Hablemos en el desierto

Blog de J. Antonio del Río Portilla

The views and opinions expressed in this article are the author’s own, and do not necessarily reflect those held by pv magazine.

Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.