Inteligencia Artificial en Gestión Energética

La inteligencia artificial (IA) ha estado acaparando titulares en todas partes: desde personas 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 (Machine Learning) llevan existiendo bastante tiempo, con muchas aplicaciones prácticas disponibles en el mercado previas al lanzamiento de ChatGPT.

Cuando no es a través de un chat, a veces cuesta identificar si lo que vemos se calcula mediante procesos impulsados por IA, ya que estos sistemas dependen fundamentalmente de modelos estadísticos y matemáticos.

En este artículo verás algunos ejemplos reales de cómo se puede aplicar la IA en la gestión energética, incluyendo nuestro nuevo módulo de predicciones. Además tendrás la oportunidad de inscribirte en nuestro próximo webinar sobre esta temática.

Inteligencia artificial y Machine learning en la gestión energética

Una de las formas más simples de Machine Learning es el famoso modelo de regresión lineal —y = Ax + B— familiar para la mayoría de los ingenieros. Aunque como puedes imaginar, no todo son regresiones lineales, sino que Machine Learning se extiende a una amplia variedad de modelos más sofisticados, incluyendo las redes neuronales.

Teniendo esto en cuenta, ¿cómo se vincula la inteligencia artificial con la gestión energética y qué tipo de modelos se utilizan?

El sector de la gestión energética se beneficia enormemente de las soluciones impulsadas por IA. Entre las áreas clave donde los modelos de IA resultan esenciales están:

Creación de líneas base para cumplir con protocolos como el Protocolo Internacional de Medición y Verificación del Rendimiento (IPMVP) para demostrar ahorros energéticos.
Predicción del consumo o producción de energía.
Detección de anomalías e ineficiencias en edificios.
Aprendizaje del comportamiento del edificio bajo condiciones específicas.

Los casos de uso descritos han existido durante muchos años y hasta ahora se han abordado mediante modelos simples, lo cual genera la siguiente pregunta: ¿cuándo deberíamos optar por esos modelos simples como las regresiones lineales y cuándo deberíamos emplear modelos más avanzados?

Ciertas regulaciones a menudo dictan el uso de modelos específicos. Según las directrices del IPMVP, por ejemplo, aún no se permite emplear modelos de Machine Learning avanzados. Es decir, aunque modelos complejos puedan producir mejores resultados, las líneas base deben representarse mediante una ecuación comprensible. Para facilitar este proceso, Spacewell Energy desarrolló la aplicación ABC (Calculadora Automática de Línea Base), que ayuda a agilizar la creación de dichas ecuaciones.

Sin embargo, cuando no hay restricción legislativa, es esencial equilibrar la precisión del modelo y los recursos invertidos. Por ejemplo, sería ineficiente utilizar un modelo altamente complejo para explicar una correlación entre dos variables, como comprobar si existe una correlación entre los grados día de calefacción (DD) y el consumo de electricidad. Los modelos más avanzados se vuelven valiosos cuando la relación entre datos de entrada (inputs) y de salida (outputs) no es directa, por ejemplo, en la predicción de consumos energéticos.

No obstante, algunos clientes han expresado preocupaciones sobre no poder controlar el modelo que está calculando los resultados. Con una línea base simple, pueden elegir las variables a tener en cuenta, pueden calibrar los modelos ellos mismos y pueden ver fácilmente el efecto que un cambio en las variables de entrada causa en la variable a describir. En cambio, con modelos de Machine Learning complejos esto no es posible, ya que a veces funciona como una caja negra. Como los modelos en sí mismos pueden tener múltiples dimensiones, no pueden ser representados gráficamente o mediante una ecuación. A veces es difícil conocer el efecto que una variable del modelo puede causar en el resultado.

Por lo tanto, en Spacewell Energy aplicamos modelos de Machine Learning avanzados solo en aquellos casos de uso donde son necesarios para resolver un problema específico o proporcionan resultados significativamente mejores.

Un ejemplo práctico: Nueva herramienta de predicción en Spacewell Energy

Spacewell Energy ha lanzado recientemente una herramienta de predicciones capaz de predecir el consumo y la producción de electricidad, gas y agua para los próximos 10 días, incorporando datos meteorológicos y de calendario.

Teniendo en cuenta toda la información compartida en la sección anterior, queríamos ver la diferencia causada en los resultados al emplear modelos simples o complejos. Para ello, comparamos cuatro métodos de predicción a lo largo de 12 meses:

1. El más simple: Regresión Lineal (Ax + By + Cz + (…) + D)

2. Regresión Polinómica (Ax + Bxy + Cz² + (…) + D)

3. Los más complejos: Dos modelos de IA más complejos que se ofrecen dentro de nuestra herramienta de predicciones:

– El modelo de IA con mejor resultado en la herramienta (el que muestra el menor error para este caso particular).

– El modelo de IA con peor resultado en la herramienta (el que muestra el mayor error para este caso particular).

Se demostró que el mejor modelo de IA proporcionó una reducción del 28% del error de predicción en comparación con los otros modelos. Además, fue el modelo que proporcionó la mejor predicción en los 12 meses en los que se evaluaron los cuatro modelos (100% de los casos.

Ya que el porcentaje de error podría no ayudar a entender cuánto mejor es un modelo frente a los demás, para ser más claros, también mostramos la diferencia gráfica entre los modelos. A continuación, puedes observar la diferencia entre el mejor modelo de IA y los demás, siendo el primero el único capaz de seguir la curva de consumo real.

Tal y como se ha ejemplificado evaluando la calidad de modelos simples y complejos, para el caso de la funcionalidad de predicciones decidimos emplear los modelos de IA complejos, ya que los resultados que proporcionan son significativamente mejores.

Otras aplicaciones de la Inteligencia Artificial en la Gestión Energética

En Spacewell Energy no solo tenemos la funcionalidad de predicciones, sino que también disponemos de más productos basados en IA:

Optimise: nuestro motor de detección de anomalías
Detect: nuestra herramienta de benchmarking que ayuda a identificar oportunidades de mejora dentro del portfolio de una empresa
ABC (Creación Automática de Líneas Base): Nuestra herramienta que ayuda a crear líneas base compatibles con el protocolo IPMVP.

Puedes conocer más sobre nuestra herramienta de predicciones, Optimise, Detect y ABC durante nuestro próximo webinar el 20 de marzo.

Para concluir, la IA ha sido parte del panorama de la gestión energética durante mucho tiempo, desde la creación de líneas base hasta la detección de anomalías. Aunque regulaciones como el IPMVP requieren métodos más simples como la regresión lineal múltiple, hay abundante evidencia de que los modelos más complejos pueden superar estos enfoques tradicionales cuando no hay restricción legislativa. Equilibrar la complejidad de estas soluciones con la necesidad de transparencia sigue siendo un desafío clave, ya que los modelos de Machine Learning avanzados pueden ser difíciles de visualizar e interpretar.

No obstante, los resultados del mundo real ilustran los claros beneficios de adoptar la innovación impulsada por IA. La herramienta de predicciones 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 simples. Aunque algunos usuarios pueden dudar inicialmente en adoptar soluciones que no se pueden deconstruir completamente, las marcadas ganancias en eficiencia y fiabilidad confirman que, en muchos casos, estas técnicas de IA ofrecen el camino más efectivo hacia la innovación en gestión energética.

Para seguir hablando sobre IA en la gestión energética y la nueva función de predicciones, estamos organizando un nuevo webinar el 20 de marzo. Inscríbete hoy para mantenerte al día con las últimas tendencias e innovaciones.