Mediante la aplicación de técnicas de inteligencia artificial explicable, los ingenieros pueden mejorar la confianza de los usuarios en las previsiones generadas por los modelos de inteligencia artificial. Este enfoque fue probado recientemente en la generación de energía eólica por un equipo que incluye expertos de la EPFL.
La inteligencia artificial explicable (XAI, por sus siglas en inglés) es una rama de la IA que ayuda a los usuarios a echar un vistazo dentro de la caja negra de los modelos de IA para comprender cómo se genera su resultado y si se puede confiar en sus pronósticos. Recientemente, la XAI ha ganado prominencia en tareas de visión artificial, como el reconocimiento de imágenes, donde la comprensión de las decisiones del modelo es fundamental. Basándose en su éxito en este campo, ahora se está extendiendo gradualmente a varios campos donde la confianza y la transparencia son particularmente importantes, incluidos la atención médica, el transporte y las finanzas.
Los investigadores del Laboratorio de Ingeniería Eólica y Energías Renovables (WiRE) de la EPFL han adaptado la XAI a los modelos de IA de caja negra que se utilizan en su campo. En un estudio publicado en Applied Energy , descubrieron que la XAI puede mejorar la interpretabilidad de las previsiones de energía eólica al proporcionar información sobre la cadena de decisiones que toma un modelo de caja negra y puede ayudar a identificar qué variables se deben utilizar en la entrada de un modelo.
“Para que los operadores de la red puedan integrar eficazmente la energía eólica en sus redes inteligentes, necesitan previsiones diarias fiables de la generación de energía eólica con un margen de error bajo”, afirma el profesor Fernando Porté-Agel, director de WiRE. “Las previsiones inexactas obligan a los operadores de la red a compensar en el último momento, a menudo utilizando energía basada en combustibles fósiles más cara”.
Predicciones más creíbles y fiables
Los modelos que se utilizan actualmente para pronosticar la producción de energía eólica se basan en dinámica de fluidos, modelado meteorológico y métodos estadísticos, pero aún tienen un margen de error nada despreciable. La IA ha permitido a los ingenieros mejorar las predicciones de energía eólica mediante el uso de datos extensos para identificar patrones entre las variables del modelo meteorológico y la producción de energía de las turbinas eólicas. Sin embargo, la mayoría de los modelos de IA funcionan como «cajas negras», lo que dificulta comprender cómo llegan a predicciones específicas. La XAI aborda este problema al brindar transparencia sobre los procesos de modelado que conducen a las predicciones, lo que da como resultado predicciones más creíbles y confiables.
Variables más importantes
Para llevar a cabo su estudio, el equipo de investigación entrenó una red neuronal seleccionando variables de entrada de un modelo meteorológico con una influencia significativa en la generación de energía eólica (como la dirección y la velocidad del viento, la presión atmosférica y la temperatura) junto con datos recopilados de parques eólicos en Suiza y en todo el mundo. «Adaptamos cuatro técnicas XAI y desarrollamos métricas para determinar si la interpretación de los datos por parte de una técnica es confiable», dice Wenlong Liao, autor principal del estudio y posdoctorado en WiRE.
En el aprendizaje automático, las métricas son lo que los ingenieros utilizan para evaluar el rendimiento del modelo. Por ejemplo, las métricas pueden mostrar si la relación entre dos variables es causal o correlacional. Se desarrollan para aplicaciones específicas: diagnosticar una afección médica, medir la cantidad de horas perdidas por congestión de tráfico o calcular la valoración de una empresa en el mercado de valores. “En nuestro estudio, definimos varias métricas para evaluar la fiabilidad de las técnicas XAI. Además, las técnicas XAI fiables pueden señalar qué variables debemos tener en cuenta en nuestros modelos para generar pronósticos fiables”, afirma Liao. “Incluso vimos que podíamos dejar ciertas variables fuera de nuestros modelos sin que fueran menos precisos”.
Más competitivo
Según Jiannong Fang, científico de la EPFL y coautor del estudio, estos hallazgos podrían ayudar a que la energía eólica sea más competitiva. “Los operadores de sistemas eléctricos no se sentirán muy cómodos confiando en la energía eólica si no comprenden los mecanismos internos en los que se basan sus modelos de pronóstico”, afirma. “Pero con un enfoque basado en XAI, los modelos pueden diagnosticarse y actualizarse, generando así pronósticos más confiables de las fluctuaciones diarias de la energía eólica”.
Fondos
Oficina Federal Suiza de Energía
“Un gemelo digital urbano para la acción climática: evaluación de políticas y soluciones para la energía, el agua y la infraestructura (UrbanTwin)”, iniciativa conjunta del Dominio ETH en el área estratégica de Energía, Clima y Medio Ambiente Sostenible.
Referencias
Wenlong Liao, Jiannong Fang, Lin Ye, Birgitte Bak-Jensen, Zhe Yang y Fernando Porté-Agel, “¿Podemos confiar en la inteligencia artificial explicable en la previsión de energía eólica?”, Applied Energy, 15 de diciembre de 2024. https://doi.org/10.1016/j.apenergy.2024.124273
EPFL News. S. P. Traducido al español
Contacto