El sector energético tiene un enorme potencial para beneficiarse de los métodos de análisis de datos, amparados en la transformación digital, debido a que han reducido el uso de grandes centrales eléctricas a base de carbón y han comenzado a utilizar micro generadores y granjas de energía renovable para la generación de la misma. Estos últimos desarrollos en la industria energética han creado la necesidad de acceder a grandes cantidades de datos de forma remota.
En los últimos años, los problemas ambientales, particularmente el cambio climático, ha suscitado preocupación y ha sido ampliamente discutido. ¿Se puede utilizar el monitoreo, modelado, análisis y predicción de energía para lograr objetivos energéticos sostenibles y reducir el volumen de emisiones de dióxido de carbono que están causando el calentamiento global?
Las fuentes de energía renovables deben ampliarse para reemplazar las tradicionales, las cuales son responsables de las emisiones de gases de efecto invernadero, antes de que sea demasiado tarde para revertir los impactos en nuestro clima cada vez más cálido.
Para escalar, deben ser lo más eficientes posible, y la transformación digital con una sinergia de Big Data e inteligencia artificial puede ayudar. La combinación de energía renovable en redes de servicios públicos existentes, requiere una estimación de la que provendrá de las fuentes de energía solar, eólica e hidroeléctrica para que la infraestructura funcione con una estimación, planificación, fijación de precios y operaciones en tiempo real adecuadas.
Veamos a continuación, cómo puede ayudar esta tecnología al sector energético, exponiendo casos de uso que han sido exitosos:
1.- La tecnología para generar energía a partir de paneles fotovoltaicos
Big data se utiliza para la predicción precisa de variables meteorológicas, incorporando fuentes y modelos de datos de observación dispares, y luego utilizando técnicas de inteligencia computacional para el análisis en tiempo real.
Como caso de uso, podemos citar a SUNCAST, el cual es un sistema del Centro Nacional de Investigación Atmosférica (NCAR), y se utiliza para proporcionar pronósticos de energía solar. Se basa en mediciones en tiempo real en el campo, y datos satelitales para patrones de nubes, utilizando el aprendizaje estadístico y una serie de algoritmos de inteligencia artificial. Orienta para saber el lugar idóneo donde colocar los paneles.
Dado que los paneles solares pueden instalarse en áreas inaccesibles, sus propietarios deben conocer los factores ambientales que pueden tener efectos negativos en su eficiencia y causar una pérdida de generación de energía, como sombras, hojas caídas, polvo, nieve y daños a las aves, entre otros.
Afortunadamente, con el aprendizaje automático es posible monitorear la salida de paneles individuales como un conjunto de datos de series de tiempo, con el modelo capacitado para detectar salidas anómalas y clasificarlas. Una vez detectadas, la IA puede indicar un problema en la superficie de un panel en particular, que luego se logra programar para inspección y reparación.
2.- Reducción del consumo de electricidad
Hoy en día, muchas personas buscan abaratar los gastos de electricidad, por tal motivo tratan de obtener un monitor de energía, el cual consiste en un sensor, un transmisor y una pantalla portátil. El transmisor toma datos del sensor y los envía a la unidad de visualización portátil, que calcula el uso de energía, los costos y las emisiones de gases de efecto invernadero, suponiendo que la electricidad proviene de una fuente no renovable.
Al recopilar y analizar los datos de un número suficientemente grande de hogares, es posible determinar dónde se puede ahorrar energía o dónde hay flexibilidad en el uso fuera de las horas pico. Luego, se puede asesorar a los consumidores sobre cómo reducir su consumo, sus facturas, integrar las energías renovables y reducir las emisiones.
Como ejemplo se tiene que en algunos estados de los EE. UU., donde los mercados de energía están desregulados, los clientes pueden elegir entre diferentes proveedores de energía, pero cada uno ofrece una tarifa diferente y promocional, lo que complica la selección.
En este caso, el aprendizaje automático se puede utilizar dentro de una plataforma web para ayudar a los consumidores a minimizar sus facturas. Cuando se registran, los clientes declaran sus preferencias energéticas, limitándose a fuentes sostenibles, por ejemplo, y el modelo de aprendizaje automático utiliza un medidor inteligente para inspeccionar su patrón de uso y compararlo con el mejor, cambiándolos automáticamente a diferentes proveedores y planes de energía, a medida que surgen mejores ofertas.
Como se puede observar, Big data está ayudando en una gran cantidad de formas para aumentar la generación de energía sostenible y reducir el dispendio, pero en sí mismo, es responsable de consumir una cantidad creciente de energía. Veamos en la siguiente imagen el motivo y las causas de esto:
Actualmente, los centros de datos representan aproximadamente el 1 por ciento de la demanda mundial de electricidad, pero se pronostica que el uso aumentará rápidamente en los próximos años, particularmente si la minería de criptomonedas continúa creciendo. El uso del centro de datos hará una contribución significativa a las emisiones globales de carbono, debido a que solo aproximadamente el 20 por ciento de la electricidad utilizada en ellas proviene de fuentes renovables, según Greenpeace.
La causa principal del consumo de energía en un centro de datos es el enfriamiento, que generalmente se realiza mediante bombas y enfriadores. Tradicionalmente, ha sido difícil optimizar este proceso manualmente, debido a la complejidad de las interacciones entre las combinaciones de equipos necesarios.
Un caso muy notorio fue la investigación que hizo Google para verificar si la IA podría mejorar. Google recurrió a DeepMind y, en 2016, el equipo escribió en un blog sobre un modelo de aprendizaje profundo entrenado con datos de sensores que fue capaz de predecir el impacto de los factores ambientales en el rendimiento y el consumo de energía.
El modelo hace recomendaciones a los operadores humanos para sugerir configuraciones de optimización y así mejorar la eficiencia de enfriamiento, reduciendo el consumo de energía. En un centro de datos de Google en particular, el modelo afectó una caída del 40 por ciento en el uso de energía para enfriamiento.
Definitivamente, Big data e IA están cambiando los modelos de generación de energía, precios y consumo, causando una interrupción significativa en el sector energético. Nuevas formas más inteligentes de monitorear, modelar, analizar y predecir la generación y el uso de energía nos están ayudando a alcanzar objetivos sostenibles, a medida que la población mundial se enfrenta a un desafío ambiental sin precedentes.
Te puede interesar: Energía de las mareas y la importancia que le da Europa al poder del mar
