Dos referentes científicos en la ciencia de datos, la Dra. Débora Chan y el Dr. Andrés Farall, fueron entrevistados por www.chubutdigital.com.ar
En cuanto al objetivo de aplicación en energías renovables de las técnicas de machine learning, indicaron que “existen múltiples aplicaciones en el campo de las energías renovables de las estrategias del aprendizaje automático (machine learning), por ejemplo, podría ser muy provechosa su aplicación para mejorar los pronósticos de oferta y demanda energética. Estos pronósticos se realizan in situ basados en datos de redes de estaciones meteorológicas”.
PREDICCIONES MÁS PRECISAS
“Los pronósticos meteorológicos globales y regionales disponibles no pueden predecir con precisión las condiciones meteorológicas específicas de una variable (por ej. intensidad del viento o radiación solar) y locación en particular” señalaron los científicos a la vez que destacaron que “estos pronósticos generales están diseñados para predecir las condiciones medias de grandes áreas geográficas, y de las principales variables atmosféricas. En tanto que la producción de energías renovables depende, para su gestión eficiente, de la predicción de variables específicas en puntos geográficos determinados. Ejemplo de esto es la predicción de fuertes ráfagas de viento que afectan la producción de energía eólica forzando a los parques eólicos a limitar su producción. Otro evento notable en la producción de energía solar es la disminución de radiación incidente producto de altos niveles de nubosidad. Estos dos últimos ejemplos se vinculan con la oferta energética. También es importante predecir eventos que se asocian con la demanda energética, como por ejemplo una ola de calor en el periodo estival que produce un incremento notable de la demanda eléctrica como consecuencia de la refrigeración de los ambientes”.
VENTAJAS
Con relación a las ventajas que tendría la mejora en la predicción para la producción de energía, los especialistas expusieron que “con base en una cierta estación meteorológica (generalmente de tipo automática), a la que llamaremos la estación de interés, se puede construir un modelo predictivo usando técnicas de machine learning, aprovechando los datos de variables meteorológicas definidas específicamente para la localización y el fenómeno de interés. Estas técnicas deben aprender las relaciones existentes entre las salidas de los pronósticos generales (i.e. GFS), la evolución de las variables atmosféricas medidas en otras estaciones vecinas, y los valores observados en la estación meteorológica de interés. Una vez aprendidas estas relaciones, el usuario (el productor de energía) dispondrá de predicciones más precisas sobre las variables y eventos meteorológicos definidos como relevantes” remarcando que “este enfoque ofrece dos potenciales beneficios para los productores energéticos y la gestión de la energía renovable en general; el primer beneficio concierne a la mejora en el pronóstico del generador que posee la estación de interés mientras que el segundo beneficio concierne a la provisión de pronósticos alternativos mejorados para todos los generadores de energía cuyas actividades se hallen en el área de influencia de la red de estaciones meteorológicas.
De esta forma existe un incentivo para el crecimiento y mantenimiento de la red. La mejora en la precisión de los pronósticos meteorológicos localizados redundaría en una mejora en la toma de decisión de los generadores de energía, pudiendo anticiparse mediante diferentes estrategias a la ocurrencia de ciertos eventos relevantes”.
SOLUCIONES PARA LAS DIFICULTADES
En cuanto a las dificultades que podría solucionar una aplicación como esta, Chan y Farall mencionaron que “una característica esencial inherente a las energías renovables es su alta variabilidad en términos de su generación en el corto plazo, así como la fluidez de la misma. En el caso de la generación de la energía eólica, específicamente en las regiones de fuertes vientos, es habitual que la intensidad (y en algunos casos la dirección) de los mismos posea de una alta variabilidad. Esta alta variabilidad resulta perjudicial para los sistemas integrados energéticos como es el caso de nuestro país, puesto que dificulta la previsión de una oferta energética estable a lo largo del tiempo.
De todo esto surge la necesidad de contar con sistemas de predicción de alta precisión para asegurar la estabilidad del sistema” e informaron que “la energía eólica representó un tercio del crecimiento total de la generación de energías renovables en los últimos años. En un sistema como el argentino en el cual se combinan los sistemas de energía eólica con los de energía hidroeléctrica, estas previsiones se convierten en fundamentales pues una caída en la oferta de energía eólica puede muy bien ser compensada por la fuente hidroeléctrica pero con un rezago de horas. Este es el tiempo que les toma la puesta en marcha a las turbinas de la fuente hidroeléctrica.
ESTRATEGIAS
Con relación a las estrategias que serían adecuadas para esta implementación, destacaron que “las metodologías avanzadas de machine learning permiten hoy realizar pronósticos precisos en tiempo real, aprovechando la información disponible tanto histórica local como meteorológica integrada.
Entre las técnicas más desarrolladas recientemente podemos mencionar las redes neuronales artificiales, los métodos de boosting y bagging.
El desarrollo reciente de tecnologías asociadas a las redes neuronales ha impactado en múltiples campos del conocimiento en general y especialmente en aquellos que se nutren de datos provenientes de distintas fuentes, como imágenes, señales, lenguaje, audio, etc. Entre las técnicas de mayor difusión en la actualidad cabe destacar las redes neuronales generativas, como las que están detrás del ChatGPT, Bard, Claude y otros LLM (Large Language Models). La potencia de estas redes también puede ser utilizada para generar pronósticos con alto nivel de precisión”.
APORTES PARA ENERGÍAS COMO EL PETRÓLEO
“La prospección sísmica es una técnica crucial para encontrar yacimientos de petróleo” señalaron los científicos destacando que “la ciencia de datos ayuda a procesar y analizar grandes volúmenes de datos sísmicos para identificar estructuras geológicas y predecir la ubicación de reservas de petróleo. También puede ser de interés construir modelos para estimar reservas de cantidad de petróleo recuperable por yacimiento; estos modelos pueden considerar simultáneamente las características estructurales del yacimiento y la incertidumbre geológica.
Otro campo interesante de aplicación es la optimización de la producción y el mantenimiento preventivo de las maquinarias, con un análisis en tiempo real y mediante la aplicación de metodologías de detección de anomalías.
En el área de petróleo también es posible gestionar datos de sensores y equipos de monitoreo para prevenir fallas inesperadas y reducir los tiempos de inactividad, logrando de esta manera optimizar la eficiencia operativa”.
CUIDADO AMBIENTAL
En cuanto al cuidado ambiental, destacaron los especialistas que “la ciencia de datos también se utiliza para monitorear y gestionar el impacto ambiental de la industria petrolera, así como para mejorar la seguridad en el lugar de trabajo. Esto incluye el análisis de datos de calidad del aire, aguas residuales, emisiones de gases de efecto invernadero así como de accidentes laborales”.
Y remarcaron que “también es importante el aporte en la predicción de tendencias y precios de mercado, pues esto ayuda a las compañías petroleras en la toma de decisiones informadas sobre la inversión en producción y comercialización de sus productos”.
DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA
“En este campo la ciencia de datos contribuye también con la predicción de la demanda, lo que ayuda a una gestión eficiente de la distribución” señalaron los especialistas agregando que “la ciencia de datos ayuda a optimizar la operación de las centrales eléctricas, incluidas las plantas de energía renovable, térmica y nuclear. Utilizando técnicas de análisis de datos y modelado predictivo, se pueden identificar oportunidades para mejorar la eficiencia operativa, reducir los costos de combustible y minimizar las emisiones de gases de efecto invernadero”.
Los científicos finalizaron la entrevista recalcando que “la ciencia de datos permite un análisis inteligente de la información proveniente de medidores inteligentes, sensores de red y otros dispositivos conectados a la red eléctrica. Esto proporciona información valiosa sobre los patrones de consumo de energía, la calidad del servicio, la detección de fraudes y la optimización de la infraestructura de red.
DRA. DEBORA CHAN: Licenciada en Matemática, Master en Estadística Matemática y en Docencia universitaria. Doctorado en Ingeniería con mención imágenes y señales. Directora de la Licenciatura en Ciencia de Datos de la Universidad Austral, asesora de organismos y empresas en Ciencia de Datos y en Estadística desde hace 20 años.
DR.ANDRES FARALL: Actuario con un Master en Estadística Matemática y Doctor de la UBA, cuenta con más de 25 años de experiencia en Ciencia de Datos, asesorando empresas, organismos y brindando cursos de grado y posgrado. Actualmente es profesor en Ciencia de Datos de la Facultad de Ciencias Exactas y Naturales (UBA). Redaccion www.chubutdigital.com.ar
Contacto