La inteligencia artificial (IA) ha sido noticia en todas partes: desde particulares que utilizan ChatGPT para tareas cotidianas, hasta empresas que desarrollan sus propios motores de IA. Sin embargo, a menudo se pasa por alto que la IA y el aprendizaje automático (AM) existen desde hace bastante tiempo, con muchas aplicaciones en el mundo real anteriores al lanzamiento de ChatGPT.
Cuando no es a través de un chat, a veces podemos ser incapaces de identificar si lo que vemos está calculado mediante procesos impulsados por IA, ya que estos sistemas dependen fundamentalmente de modelos estadísticos y matemáticos.
En este artículo vas a ver algunos ejemplos reales de lo que significa la IA para la gestión de la energía, incluido nuestro nuevo módulo de previsión, y tienes la oportunidad de apuntarte a nuestro próximo seminario web.
Aprendizaje automático e IA en la gestión de la energía
Una de las formas más sencillas de ML es un modelo de regresión lineal-y = Ax + B-familiar para la mayoría de los ingenieros. Como puedes imaginar, la disciplina se extiende a una amplia variedad de enfoques más sofisticados, incluidas las redes neuronales.
Teniendo esto en cuenta, ¿cómo se vincula la inteligencia artificial a la gestión de la energía?
El sector de la gestión energética puede beneficiarse enormemente de las soluciones basadas en la IA. Entre las áreas clave en las que los modelos de IA resultan esenciales están:
- Creación de líneas de base para cumplir protocolos como el Protocolo Internacional de Medición y Verificación del Rendimiento (IPMVP) para demostrar el ahorro de energía.
- Previsión del consumo o producción de energía.
- Detectar anomalías e ineficiencias en los edificios.
- Aprendizaje del comportamiento de los edificios en condiciones ambientales específicas.
Dado que estos diversos casos de uso existen desde hace muchos años y a menudo se han abordado mediante modelos sencillos , surge una pregunta pertinente: ¿cuándo debemos optar por esos modelos sencillos como las regresiones lineales y cuándo debemos adoptar enfoques más avanzados?
Ciertas normativas dictan a menudo el uso de modelos específicos. Según las directrices del IPMVP, por ejemplo, deben emplearse modelos lineales múltiples (Ax+By+Cz+…+D) para cuantificar el ahorro, aunque otros métodos puedan arrojar resultados superiores, es decir, aún no se permite el aprendizaje automático avanzado. Para facilitar este proceso, Spacewell Energy ha desarrollado la App ABC, que ayuda a agilizar la creación de tales ecuaciones.
Sin embargo, cuando no existe ninguna restricción legislativa, es esencial equilibrar la precisión y los recursos invertidos. Por ejemplo, sería ineficaz utilizar un modelo muy complejo para explicar una correlación entre dos variables, como comprobar si existe una correlación entre los días-grado de calefacción (DD) y el consumo de electricidad. En cambio, los modelos más avanzados merecen la pena cuando la relación entre entradas y salidas no es directa, por ejemplo en la previsión energética.
No obstante, algunos clientes han expresado su preocupación por no poder controlar el modelo que calcula los resultados. Con una línea de base simple, pueden elegir las entradas, pueden calibrar los modelos ellos mismos y pueden ver fácilmente el efecto que un cambio en las entradas causará en las salidas. En cambio, con los modelos ML complejos esto no es posible, ya que a veces funcionan como una caja negra. Como los propios modelos pueden tener múltiples dimensiones, no pueden representarse gráficamente o mediante una ecuación y a veces es difícil conocer el efecto de cada entrada sobre la salida.
Por ello, en Spacewell Energy aplicamos el aprendizaje automático avanzado en aquellos casos de uso en los que es necesario para resolver un problema específico o proporciona resultados significativamente mejores.
Un ejemplo práctico: Nueva herramienta de previsión en Spacewell Energy
Spacewell Energy ha lanzado recientemente una herramienta de previsión capaz de predecir el consumo y la producción de recursos (electricidad, gas, agua) para los próximos 10 días, incorporando datos meteorológicos.
Teniendo en cuenta toda la información que se ha compartido en la sección anterior, queríamos ver la diferencia de resultados entre los modelos simples y los complejos. Para ello, comparamos cuatro métodos de predicción a lo largo de 12 meses:
- La más sencilla: Regresión lineal (Ax + By + Cz + (…) + D)
- Regresión polinómica (Ax + Bxy + Cz2 + (…) + D)
- Más complejos: Dos modelos de IA más complejos que se ofrecen dentro de nuestra herramienta de previsión:
- Modelo de IA con mejor rendimiento en la herramienta (el que muestra el error más bajo).
- Modelo de IA con peor rendimiento en la herramienta (el que muestra el error más alto).
Los resultados mostraron que el modelo de IA con mejores resultados proporcionaba una reducción del 28% en los errores de predicción en comparación con otros métodos. Además, fue el modelo que proporcionó la mejor predicción en los 12 meses en los que se evaluaron los cuatro modelos:
Puede que el porcentaje de error no te ayude a comprender cuánto mejor es un modelo frente al otro. Para ser más claros, también mostramos la diferencia gráfica entre los modelos. A continuación puedes observar la diferencia entre el modelo de IA de mejor rendimiento y los demás, siendo el primero el único capaz de seguir la curva de consumo real:
En este caso, decidimos utilizar los modelos complejos de IA, ya que los resultados que proporcionaban eran significativamente mejores que los de los modelos más sencillos.
Otras aplicaciones de la Inteligencia Artificial en la Gestión de la Energía
En Spacewell Energy no sólo tenemos la función de previsión, sino también más productos basados en IA:
- Optimizar: nuestro motor de detección de anomalías
- Detect: nuestra herramienta de evaluación comparativa que ayuda a identificar los frutos maduros en la cartera de una empresa.
- Optimización de la potencia (de momento sólo en España): Nuestra herramienta que ayuda a los usuarios a identificar la mejor potencia contratada para sus edificios con el fin de minimizar los costes de energía.
- ABC (Creación automática de líneas de base): Nuestra herramienta que ayuda a crear líneas de base compatibles con el protocolo IPMVP.
Puedes obtener más información sobre nuestra herramienta de previsión, Optimizar, Detectar y ABC durante nuestro próximo seminario web, el 20 de marzo.
La IA forma parte del panorama de la gestión energética desde hace mucho más tiempo de lo que mucha gente cree, y es la base de todo, desde la creación de líneas de base hasta la detección de anomalías. Aunque normativas como la IPMVP exigen métodos más sencillos, como la regresión lineal múltiple, hay abundantes pruebas de que modelos más complejos pueden superar a estos enfoques tradicionales cuando no hay restricciones legislativas. Equilibrar la complejidad de estas soluciones con la necesidad de transparencia sigue siendo un reto clave, ya que los modelos avanzados de aprendizaje automático suelen ser difíciles de visualizar e interpretar.
No obstante, los resultados del mundo real ilustran los claros beneficios de adoptar la innovación impulsada por la IA. La herramienta de previsión de Spacewell Energy, por ejemplo, demostró una notable mejora del 28% en la precisión de la predicción al utilizar un modelo más avanzado en lugar de métodos más sencillos. Aunque algunos usuarios pueden dudar inicialmente en adoptar soluciones que no pueden deconstruir completamente, las notables ganancias de eficacia y fiabilidad confirman que, en muchos casos, estas técnicas de IA de última generación ofrecen el camino más eficaz.
Para seguir hablando de la IA en la gestión de la energía y de la nueva función Previsión, vamos a organizar un nuevo seminario web el 20 de marzo. Inscríbete hoy para estar al día de las últimas tendencias e innovaciones.
Nota del Editor: Este artículo ha sido escrito por Júlia Bayascas, Product Manager de Spacewell Energy.
