A medida que se conectan más fuentes de energía renovables, la red eléctrica cada vez es más compleja. Si antes un pequeño número de grandes centrales abastecía a la mayoría de los hogares con un flujo constante, ahora millones de paneles solares generan electricidad de manera cambiante. La meteorología, cada vez más imprevisible, se suma al reto de equilibrar la demanda con la oferta. Así, los operadores de la red recurren cada vez más a la IA para gestionar el caos.

La capacidad de la IA para aprender de grandes cantidades de datos y responder a situaciones complejas la hace especialmente adecuada para la tarea de mantener la estabilidad de la red. Y cada vez son más las empresas de software que están introducen productos de IA en el sector de la energía, más lento.

El Departamento de Energía de EE UU ha reconocido esta tendencia, y recientemente ha concedido 3.000 millones de dólares (2.740 millones de euros) en subvenciones a diversos proyectos de "red inteligente", que incluyen iniciativas relacionadas con la IA.

El entusiasmo por la IA en el sector energético es palpable. Algunos ya especulan con la posibilidad de una red automatizada donde, en teoría, no se necesitarían humanos para tomar las decisiones cotidianas.

Por ahora, la promesa reside en el potencial de la IA para ayudar a los humanos, y proporcionar información en tiempo real para una mejor gestión de la red. A continuación, cuatro formas en que la IA ya está cambiando la forma de trabajar de los operadores de redes.

1. Una toma de decisiones más rápida y mejor

A menudo, se describe la red eléctrica como la máquina más compleja jamás construida. Al ser tan extensa, es imposible que una sola persona pueda comprender todo lo que ocurre en ella en un momento dado, y mucho menos predecir lo que ocurrirá en el futuro.

Feng Qiu, científico del Laboratorio Nacional Argonne (Illinois, EE UU), un instituto de investigación financiado con fondos federales, explica que la IA apoya a la red de tres formas fundamentales: ayuda a los operadores a comprender las condiciones actuales, tomar mejores decisiones y predecir posibles problemas.

Qiu lleva años investigando cómo el aprendizaje automático puede mejorar el funcionamiento de la red. En 2019, su equipo se asoció con Midcontinent Independent System Operator (MISO, por sus siglas), un operador de red que presta servicio a 15 estados de EE UU y algunas zonas de Canadá, para probar un modelo de aprendizaje automático destinado a optimizar la planificación diaria de una red cuya escala es comparable a la extensa red de MISO.

Cada día, los operadores de redes como MISO realizan complejos cálculos matemáticos que predicen cuánta electricidad se necesitará al día siguiente. Además, tratan de encontrar la forma más rentable de distribuir esa energía.

El modelo de aprendizaje automático del equipo de Qiu demostró que este cálculo puede hacerse 12 veces más rápido con IA, y redujo el tiempo necesario de casi 10 minutos a 60 segundos. Teniendo en cuenta que los operadores del sistema realizan estos cálculos varias veces al día, el ahorro de tiempo podría ser significativo.

En la actualidad, el equipo de Qiu está desarrollando un modelo para prever los cortes de electricidad al incorporar factores como el clima, la geografía e incluso los niveles de renta de los distintos barrios. Con estos datos, el modelo puede poner de relieve patrones como la probabilidad de que los cortes de electricidad sean más largos y frecuentes en zonas de bajos ingresos con infraestructuras deficientes. Unas predicciones mejores ayudarían a prevenir los cortes, acelerar la respuesta a las catástrofes y minimizar el sufrimiento cuando estas se producen.

2. Un enfoque adaptado a cada hogar

Los esfuerzos de integración de la IA no se limitan a los laboratorios de investigación. Lunar Energy, una start-up de baterías y tecnología de red, utiliza software de IA para ayudar a sus clientes a optimizar su consumo de energía y ahorrar dinero.

"Tienes esta red de millones de dispositivos, y debes crear un sistema que pueda procesar todos los datos y tomar la decisión correcta no solo para cada cliente individual, sino también para la red", explica Sam Wevers, jefe de Software de Lunar Energy. "En ese momento entra el poder de la IA y el aprendizaje automático".

Gridshare, el software de Lunar Energy, recopila datos de decenas de miles de hogares y recoge información sobre la energía utilizada para cargar vehículos eléctricos, poner en funcionamiento el lavavajillas y los aparatos de aire acondicionado, etc. Al combinarse con datos meteorológicos, esta información alimenta un modelo que crea predicciones personalizadas de las necesidades energéticas de cada hogar.

Como ejemplo, Wevers describe una situación en la que dos casas de una misma calle tienen paneles solares del mismo tamaño. Una de ellas tiene un árbol alto en el patio trasero que le da sombra por la tarde, por tanto, sus paneles generan algo menos de energía. Este tipo de detalles serían imposible de controlar de manera manual por una empresa de servicios públicos a nivel doméstico, pero la IA permite hacer este tipo de cálculos de manera automática y a gran escala.

Servicios como Gridshare están diseñados para ayudar a los clientes individuales a ahorrar dinero y energía. Pero en conjunto también proporcionan a las empresas de servicios públicos unas pautas de comportamiento más claras que les ayudan a mejorar su planificación energética. Captar estos matices es vital para la capacidad de respuesta de la red.

3. Conseguir que los vehículos eléctricos funcionen gracias a la red

Aunque son fundamentales para la transición hacia energías limpias, los vehículos eléctricos (VE) plantean un verdadero reto para la red.

John Taggart, cofundador y CTO de WeaveGrid, afirma que la adopción de VE añade una significativa demanda de energía. "La última vez que [las empresas de servicios públicos] tuvieron que gestionar este tipo de crecimiento fue con el auge de los aires acondicionados", recuerda Taggart.

Además, la adopción de VE 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 (California, EE UU), colabora con empresas de servicios públicos, fabricantes de automóviles y empresas de carga para recopilar y analizar los datos de recarga de los VE.

Gracias al estudio de los patrones y la duración de la carga, WeaveGrid identifica las horas óptimas de carga y hace recomendaciones a los clientes sobre el mejor momento para cargar sus vehículos a través de mensajes de texto o notificaciones de apps. En algunos casos, los usuarios conceden a las empresas el control total para cargar o descargar las baterías en función de las necesidades de la red, a cambio de incentivos económicos como, por ejemplo, vales. Esto convierte a los propios coches en una valiosa fuente de almacenamiento de energía para la red. Empresas importantes de servicios públicos, como PG&E, DTE y Xcel Energy, ya se han asociado al programa.

DTE Energy, una empresa de servicios públicos con sede en Detroit (EE UU) que presta servicio al sur de Michigan, ha trabajado con WeaveGrid para ayudar a mejorar la planificación de la red. La empresa afirma que ha podido identificar 20.000 hogares con VE en la región a la que da servicio, y está utilizando estos datos para calcular previsiones de carga a largo plazo.

4. Detectar las catástrofes antes de que se produzcan

Varias empresas de servicios públicos ya han empezado a integrar la IA en operaciones críticas, sobre todo en la inspección y gestión de infraestructuras físicas, como líneas de transmisión y transformadores.

Por ejemplo, los árboles más altos son una de las principales causas de apagones, ya que las ramas pueden caer sobre los tendidos eléctricos o provocar incendios. Por lo general, la inspección manual ha sido la norma, pero dada la gran extensión de las líneas de transmisión, esta tarea puede llevar varios meses.

PG&E, que cubre el norte y el centro de California, ha estado utilizando el aprendizaje automático para acelerar esas inspecciones. Mediante el análisis de fotografías captadas por drones y helicópteros, los modelos de aprendizaje automático identifican zonas que requieren poda de árboles o equipos defectuosos que necesitan reparaciones.

Algunas empresas van aún más lejos y utilizan la IA para evaluar los riesgos climáticos generales.

En octubre, Rhizome, una start-up con sede en Washington D.C. (EE UU), lanzó un sistema de IA que toma los datos históricos de las empresas de servicios públicos sobre el rendimiento de los equipos energéticos y los combina con modelos climáticos globales. El objetivo es predecir la probabilidad de fallos en la red derivados de fenómenos meteorológicos extremos, como tormentas de nieve o incendios forestales.

Hay docenas de mejoras que una empresa de servicios públicos puede introducir para aumentar su resiliencia, pero no tiene tiempo ni financiación para abordarlas todas a la vez, afirma Mish Thadani, cofundador y CEO de Rhizome. Con un software como este, estas empresas podrían tomar decisiones más inteligentes sobre qué proyectos priorizar.

¿Qué les espera a los operadores de red?

Si la IA es capaz de tomar todas estas decisiones de manera rápida, ¿es posible dejar que gestione la red y enviar a los operadores humanos a casa? Los expertos aseguran que no.

Aún quedan varios obstáculos importantes antes de que podamos automatizar la red de manera íntegra, y la mayor preocupación es la seguridad.

Qiu explica que ahora mismo hay protocolos y controles estrictos para evitar errores en decisiones críticas sobre diversos temas, como la forma de responder a posibles cortes o fallos de los equipos.

"La red eléctrica tiene que seguir una ley física muy rigurosa", afirma Qiu. Aunque es muy buena para mejorar cálculos matemáticos controlados, la IA aún no es infalible a la hora de incorporar las limitaciones operativas y los casos más extremos que suceden en el mundo real. Esto supone un riesgo demasiado grande para los operadores de la red, cuyo principal objetivo es la fiabilidad. Una decisión equivocada en el momento equivocado podría provocar apagones masivos.

La privacidad de los datos es otro problema. Jeremy Renshaw, alto ejecutivo técnico del Electric Power Research Institute, afirma lo crucial que resulta que los datos de los clientes sean anónimos para proteger así la información sensible, como las horas del día que la gente pasa en casa.

Los modelos de IA también corren el riesgo de perpetuar prejuicios que podrían perjudicar a las comunidades más vulnerables. A menudo, los barrios pobres han sido los últimos en recuperar la electricidad tras los apagones, recuerda Renshaw. Los modelos entrenados a partir de estos datos podrían seguir asignando una prioridad inferior cuando las empresas de servicios públicos trabajan para restablecer el suministro.

Para hacer frente a estos posibles sesgos, Renshaw subraya la importancia de la formación de los trabajadores a medida que las empresas adoptan la IA, para que el personal entienda qué tareas son apropiadas y cuáles no para que las gestione la tecnología.

"Podría clavarse un tornillo con un martillo, pero si se utiliza el destornillador puede que funcione mucho mejor", concluye Renshaw.