Los análisis de datos y la inteligencia artificial (IA) en la red eléctrica no solo pueden convertirse en un recurso de gran valor para los operadores de la red y de todo el sistema, sino que también permiten la transformación hacia la neutralidad climática. Así se confirma en el informe final del proyecto Data4Grid, que muestra cómo ambas tecnologías hacen que las redes de distribución de energía se ajusten al sistema de energía climáticamente neutral. Con el análisis de datos y la inteligencia artificial, la creciente complejidad de la planificación, operación y mantenimiento de la red eléctrica puede hacerse más manejable y los procesos pueden hacerse más eficientes.
En el proyecto Data4Grid, del Future Energy Lab de la agencia de energía alemana dena, 14 operadores de sistemas de distribución han trabajado junto con start-ups para avanzar en casos de uso específicos para análisis de datos e IA en la red eléctrica en la práctica.
Las experiencias y conocimientos de esta colaboración se han publicado recientemente en el informe final ‘Análisis de datos e inteligencia artificial en la red de distribución de energía’, que resume los principales hallazgos del proyecto. Este documento se complementa con un informe elaborado por umlaut energy GmbH, que proporciona amplia información sobre los resultados prácticos del proyecto; un informe científico de Fraunhofer IEE y una guía que resume los hallazgos importantes para ayudar en la integración del análisis de datos y la IA en los procesos de los operadores de redes de distribución.
Más información y nuevos métodos de procesamiento de datos
La descentralización del sistema energético está favoreciendo el protagonismo de las redes de distribución de energía. Para dominar la creciente complejidad, los operadores de la red necesitarán más información y nuevos métodos de procesamiento de datos en el futuro. En este escenario es donde radica la importancia de la inteligencia artificial y las tecnologías digitales, que reducen significativamente el esfuerzo que implica el desempeño de estas nuevas tareas, ya que se pueden evaluar grandes cantidades de datos de forma rápida y se puede contribuir a la toma de decisiones de manera inmediata.
El proyecto Data4Grid tenía dos objetivos. Por un lado, identificar casos de uso para la IA o los análisis de datos inteligentes en las redes de distribución, y por otro lado avanzar con la IA en la práctica. La parte práctica identificó casos de uso en los que los operadores de sistemas de distribución eléctrica podrían utilizar el análisis de datos y la IA. Los científicos de datos, los desarrolladores de software y los programadores han desarrollado prototipos para casos de uso seleccionados.
Desafíos del proyecto Data4Grid
El proyecto está coordinado por dena y un comité integrado por operadores de redes de distribución forma el núcleo práctico del proyecto. En un primer paso, se identificaron los requisitos existentes y futuros para las redes de distribución y sus operadores, y se debatieron las experiencias en la industria con la inteligencia artificial y el análisis inteligente de datos, así como la innovación y el potencial de desarrollo adicional.
En base a esto, junto con los operadores de sistemas de distribución involucrados, se definieron tres desafíos, para los cuales se encontraron soluciones digitales concretas y se desarrollaron prototipos en el marco de un concurso. Los equipos presentaron sus soluciones y mostraron cómo se puede lograr un gran progreso en poco tiempo utilizando métodos basados en datos.
El primer reto se basó en el análisis de escenarios para el uso de la electromovilidad. Para seguir avanzando en garantizar la estabilidad de la red a largo plazo, es necesario realizar previsiones sobre la integración temporal y espacial de las conexiones de carga en el entorno privado para vehículos eléctricos en las redes de distribución. En un análisis de datos, se identificaron las características de los propietarios de wallbox y las diferencias regionales. De esta forma, las nuevas instalaciones de wallbox podrían predecirse en términos de tiempo y espacio utilizando el aprendizaje automático. Se seleccionaron las soluciones de las start-ups OmegaLambdaTech, Localiser y Aliunid.
Este reto mostró a los operadores de la red cómo se puede utilizar el análisis de datos en el área de la movilidad eléctrica, y enfatiza la relevancia de la recopilación de datos como base para modelos de pronóstico precisos en el mercado en crecimiento de la infraestructura de carga de propiedad privada.
El segundo desafío consistió en la evaluación de puntos de medición relevantes para aumentar la transparencia de la red en las redes de baja tensión. Se desarrolló un concepto de medición que se puede generalizar y transferir a otras secciones. Se hizo especial hincapié en los datos necesarios y los modelos de aprendizaje automático que pueden ayudar a los operadores de redes a ahorrar en tecnología de sensores. Las soluciones de las start-ups reto4KI, Enersis y OmegaLambdaTech fueron las seleccionadas.
A la vista de los resultados obtenidos por los equipos, los operadores deben hacer esfuerzos para implementar los conceptos en sus propias áreas de la red. Se pueden desarrollar modelos para ayudar en el proceso de toma de decisiones, a pesar de la escasez de datos disponibles, de manera que una acción temprana prometería una planificación de la red más eficiente, además de una mayor transparencia de la red eléctrica.
Por último, el desafío número tres abordó los pronósticos de consumo respaldados por IA basados en datos de contadores inteligentes. En concreto, se desarrolló un modelo con capacidad de cálculo sobre la base de datos de medidores inteligentes, que calcula pronósticos de carga y puede transferirse a otras regiones y escenarios. Se eligieron las soluciones de Fraunhofer EEI, ifesca y NAECO Blue.
Este desafío demostró que el uso de contadores inteligentes presenta un potencial considerable para los operadores de la red y que los casos de uso asociados deben implementarse en una etapa temprana. Aparte de los aspectos de protección de datos, los requisitos vinculados a los objetivos claramente definidos deben tenerse en cuenta antes de la implementación.
Progreso en el uso de soluciones basadas en bases de datos
De esta forma, los equipos tardaron solo unos meses en desarrollar conceptos prácticos para los tres desafíos centrales: aumentar la transparencia de la red, pronosticar el desarrollo de la electromovilidad y mejorar las previsiones de los consumidores.
El concurso realizado dentro del proyecto, y la colaboración entre operadores de sistemas de distribución y equipos de científicos de datos y desarrolladores de software, han demostrado que se puede lograr un progreso significativo en el uso de soluciones basadas en bases de datos y que se pueden sentar las bases para un despliegue más generalizado dentro de un corto periodo de tiempo.
El concurso de empresas emergentes organizado en el marco del proyecto demostró que el trabajo colaborativo de las start-ups y los operadores del sistema de distribución generó conceptos rentables en muy poco tiempo. Sin embargo, también planteó que la disponibilidad y la calidad de los datos todavía plantean los mayores desafíos. El potencial de los métodos basados en bases de datos se puede aprovechar para lograr un mejor efecto en el futuro mediante el establecimiento de una mayor competencia de datos.
Según el informe, los conceptos aplicables a los tres desafíos principales para los operadores de sistemas de distribución podrían desarrollarse en unos pocos meses.