El sector de la energía está experimentando una gran transformación, y es que la sociedad avanza hacia la búsqueda de fuentes de energía renovable y sostenible. Esta transición energética sostenible es uno de los objetivos clave del sector energético, aunque también trae consigo grandes desafíos.
La masiva penetración en el mercado de energías como la eólica o fotovoltaica ha aumentado la complejidad operativa. Es aquí donde la predicción precisa de la generación de energía renovable se vuelve un servicio esencial, no solo por la creciente complejidad operativa, sino también por su impacto directo en la estabilidad de la red y en la optimización de los mercados eléctricos.
IA para predicciones precisas de la generación de energía renovable
Frente a este panorama de creciente volatilidad y cambio, la inteligencia artificial emerge como una herramienta fundamental para ofrecer predicciones precisas de generación de energía renovable y mitigar los riesgos asociados a la intermitencia.
Una de las metodologías empleadas para realizar una predicción de generación de energía renovable consiste en entrenar modelos avanzados de machine learning o deep learning utilizando grandes volúmenes de datos históricos de producción y diversas variables externas, como la meteorología. De hecho, en el Instituto de Ingeniería del Conocimiento (IIC) llevamos dos décadas prestando servicios de predicción de generación de energía renovable. Nuestra experiencia nos ha llevado a desarrollar y mejorar continuamente EA3, un sistema propio basado en inteligencia artificial diseñado para satisfacer las exigencias del sector energético.
¿Por qué es difícil predecir la energía renovable?
La dificultad de obtener una predicción precisa de la generación renovable no reside únicamente en la tecnología utilizada, sino en diversos factores que complican la tarea, tales como:
- Precisión meteorológica
- El problema cambiante y la operativa de la red eléctrica
- Limitación de los datos históricos
- Fiabilidad del tiempo real
- La barrera de acceso SCADA
Precisión meteorológica
La base de cualquier predicción de generación de energía es la predicción numérica de las distintas variables meteorológicas relacionadas, y esta es más que difícil de realizar con total acierto. Los fenómenos atmosféricos son complejos, y la precisión se ve comprometida no solo por la dificultad intrínseca del pronóstico, sino también por la alta resolución espacial y temporal que necesita el sector energético.
Si bien la capacidad predictiva de los modelos meteorológicos ha mejorado gracias a la evolución tecnológica, la mayor cantidad de datos observacionales y la continua mejora en la representación de procesos físicos, persisten desafíos significativos.
Uno de ellos es la doble penalización: la meteorología puede fallar no solo en la precisión de sus valores predichos, sino también al equivocarse con desfases temporales y espaciales, lo cual amplifica el error en la predicción de generación. Además, muchos modelos físicos tienen problemas para predecir eventos meteorológicos extremos.
Estos fenómenos meteorológicos son críticos, ya que pueden afectar gravemente a la producción o comprometer la integridad de las instalaciones. Por ejemplo, rachas de viento muy fuertes pueden obligar a detener parques eólicos por seguridad.
El Problema cambiante y la operativa de la red
Los parques de generación renovable están sujetos a cambios constantes, lo que provoca que los patrones de predicción se desactualicen con facilidad.
- Cambios físicos en el parque: Los aumentos de potencia instalada, las repotenciaciones o las modificaciones físicas en un parque obligan a que el modelo de predicción de IA se recalibre y se adapte a una nueva realidad operativa.
- Expansión geográfica y repotenciaciones: El problema de predicción de energía también se transforma por la integración de nuevas zonas de generación. Por ejemplo, para predecir toda la energía eólica generada en una región como la Península Ibérica, la creación de nuevos parques eólicos implica que el modelo debe aprender la existencia de estos activos, a menudo con un histórico de datos muy limitado o inexistente, redefiniendo el alcance total del problema a predecir.
- Operativa de red (curtailment y mantenimiento): La predicción de la generación real de energía debe considerar las decisiones operativas de la red. Los curtailments son reducciones forzadas de la generación renovable que ocurren principalmente por congestión en la red eléctrica (falta de capacidad para transportar toda la energía generada) o por instrucciones de estabilidad (para equilibrar la oferta y la demanda del sistema). Estos curtailments, junto a las indisponibilidades por mantenimiento, son decisiones operativas que pueden «contaminar» los datos históricos (la producción real observada es menor a la generación potencial), obligando a los modelos a distinguir entre la generación física potencial y la generación realmente despachable.
Referencia: Elia https://www.elia.be/grid-data/generation-data/wind-power-generation
Todos estos factores hacen que el problema a resolver no sea el mismo durante todo el tiempo, obligando a los sistemas de inteligencia artificial a una adaptación continua a la realidad del sector.
Limitación de datos históricos
Para que los modelos de analítica predictiva, machine learning o deep learning funcionen correctamente, necesitan grandes cantidades de datos históricos. Sin embargo, los parques de nueva construcción o las ampliaciones significativas a menudo cuentan con muy poco histórico de producción. Esto es un reto para la IA, que debe trabajar con datos limitados para generar predicciones de calidad.
Fiabilidad del tiempo real
Para el entrenamiento y la monitorización de los modelos de predicción de energía, la calidad y fiabilidad de los datos de producción es crucial.
Sin embargo, existe un desfase entre la observación de la producción y la certificación de su fiabilidad. Las empresas generadoras de energía, en ocasiones no pueden asegurar que un dato de producción sea completamente fiable en el momento de su registro hasta que pasa un tiempo considerable.
Esta demora de tiempo se debe a la necesidad de incluir y depurar todas las circunstancias de la operativa, como las posibles indisponibilidades técnicas, los eventos de mantenimiento o los curtailments aplicados. Como resultado, el dato real de generación de energía, ya corregido y validado, muchas veces solo está disponible tiempo después de que el modelo haya realizado su predicción, lo que impide utilizar los últimos datos recibidos para mejorar las predicciones.
La barrera de acceso al sistema SCADA
Un desafío significativo para obtener datos de gran calidad es la dificultad por parte de los proveedores de predicciones para acceder a la fuente de datos más granular y fiable: el sistema SCADA (Supervisory Control And Data Acquisition). El SCADA es el sistema central que supervisa y controla la operativa de la planta, registrando datos detallados de cada activo (turbinas, inversores, etc.) en tiempo real, lo que lo convierte en el repositorio de la información más valiosa para la IA.
La restricción de acceso directo a esta red de control industrial se debe a dos motivos fundamentales. En primer lugar, se trata de una infraestructura crítica, lo que obliga a las empresas a aplicar políticas de ciberseguridad estrictas para mitigar riesgos.
En segundo lugar, muchos de los protocolos de comunicación utilizados históricamente en SCADA, fueron diseñados en una época donde las redes estaban aisladas y carecen de mecanismos de seguridad nativos robustos como el cifrado o la autenticación fuerte. Esta antigüedad y vulnerabilidad intrínseca del protocolo incrementan el riesgo de una intrusión en caso de conceder un acceso externo.
Esta limitación es un gran obstáculo para la IA, ya que impide el uso de datos detallados que podrían maximizar la precisión de los modelos. Algunos ejemplos de datos clave inaccesibles son el estado operativo granular de los equipos (velocidad de rotor, ángulo de pala) y la información precisa sobre fallos y curtailments aplicados a nivel individual, obligando a los modelos a trabajar con información agregada y menos específica.
Conclusiones sobre IA y la predicción de generación de energía renovable
La predicción de generación de energía renovable es un problema inherentemente dinámico que se transforma constantemente. Los retos van más allá de la tecnología, abarcando la dificultad meteorológica (con fenómenos como la doble penalización y los extremos), los cambios operativos y estructurales del parque (expansión y curtailments), y las limitaciones de datos (históricos insuficientes y la inaccesibilidad al detalle del SCADA).
En el IIC afrontamos la volatilidad y la complejidad de este sector combinando diversas técnicas avanzadas de inteligencia artificial y Big Data con un profundo conocimiento experto en el área energética.
El objetivo es solventar estos retos cambiantes, gestionar la incertidumbre y ofrecer predicciones de producción energética que permitan a las empresas tomar la mejor decisión operativa y seguir abriendo camino a la digitalización del sector energético.
Samuel Reyes
Científico de datos en el Instituto de Ingeniería del Conocimiento