Estamos en un momento álgido para la población en México, estamos a menos de una semana de participar en las elecciones de nuestras autoridades nacionales, estatales y municipales en la mayoría de las poblaciones. En estas elecciones la población mexicana está de acuerdo en combatir la inseguridad que estamos sufriendo y en disminuir la desigualdad lacerante, ya que casi la mitad de la población está por debajo de la línea de pobreza.
Como un tercer tema pudiera mencionarse el cambio climático, pero este punto parece lejano y sin posibilidades de actuación a corto plazo desde nuestros entornos locales. Aunque en estas opiniones hemos mencionado muchas veces acciones que van encaminadas a mitigar y combatir el cambio climático.
Por otro lado, el año pasado sorpresivamente el concepto de inteligencia artificial percoló rápidamente la población con acceso a la digitalización y uso cotidiano de la Internet. Hasta parecía que el arribo de esta inteligencia artificial fuera una cosa de magia que de repente emergía de la nada; pero podemos afirmar que surge de una amplia tradición científica que basa sus predicciones en datos y actualmente de muchos datos [1].
En particular el uso de herramientas de inteligencia artificial ha sido utilizada desde hace muchos años para optimizar, hacer eficiente, adecuar metodologías o procesos relacionados con fuentes renovables de energías. En el IER, parte del personal académico, hemos realizado estudios y aplicaciones con estos fines [2].
Con la idea de encontrar en qué se están usando las herramientas de inteligencia artificial en tópicos y energías renovables y sustentabilidad, busqué en los arxiv.org y rápidamente encontré cinco artículos publicados este mes de mayo.
Parte de las estrategias para sobrepasar la variabilidad de las fuentes renovables de energía consiste en poderlas pronosticar con modelos en las diferentes regiones del mundo. En este contexto la predicción de la radiación solar anticipa la producción fotovoltaica (PV), especialmente a medida que la industria fotovoltaica visualiza que la vida útil de las plantas a 50 años. Con estas intenciones podemos encontrar artículos que utilizan modelos de aprendizaje profundo. En mi búsqueda encontré a SolNet, un novedoso pronosticador de energía solar multivariante, de uso general, que aborda estos desafíos mediante el uso de un proceso de pronóstico de dos pasos que incorpora el aprendizaje por transferencia a partir de abundantes datos sintéticos generados a partir del Sistema de Información Geográfica Fotovotlaica (PVGIS [3]) de la Unión Europea en conjunto con datos de producción reales de cientos de sitios europeos [4]. Con una finalidad similar, fue propuesto un método que se centra en el uso funciones matemáticas que se adaptan para construir superficies finas (thin plate splines, TPS) e interpolar los datos con granularidad de 20 km2 en una dimensión de 8 Km2 y así reducir la escala espacial de los datos [5].
Por otro lado, las compañías de electricidad y más las que están encargadas de la transmisión y distribución requieren de un mapeo preciso de las instalaciones fotovoltaicas y con ello hacer las adecuaciones necesarias en sus equipos para un eficiente transporte de la energía. Para satisfacer esta necesidad, se ha desarrollado una metodología llamada S3Former [6] para segmentar paneles solares a partir de imágenes aéreas y proporcionar información de tamaño y ubicación.
Como hemos observado la creciente demanda de energía eléctrica sigue los aumentos de temperatura, pero también en el futuro cercano seguirá al aumento en el uso de vehículos eléctricos (EV). Existen diferentes propuestas para que los vehículos eléctricos estén equipados con sistemas bidireccionales que pueden cargar o descargar energía según las necesidades de la población usuaria o de la red. Es decir, los vehículos y las baterías son elementos de lo que llamamos recursos energéticos distribuidos que requieren de una adecuada gestión. La implementación de estas ideas requiere del uso de las nuevas técnicas de inteligencia artificial que potencialmente serán el núcleo de gestión de dichos sistemas. Las técnicas de aprendizaje automático pueden modelar el entorno de la red energética de una manera tan flexible que es posible una optimización constante [7].
Con la misma idea de los sistemas distribuidos y su relación con la red eléctrica podemos contar con los retos que imponen las comunidades energéticas o sistemas distribuidos y descentralizados. Las comunidades energéticas requieren de plataformas avanzadas que permitan participar activamente en los mercados eléctricos locales tanto fijando y ajustando sus propios precios de energía como actuando para estabilizar la red. Con estas intenciones encontramos otro artículo [8] que aborda los servicios de estacionamiento compartido para vehículos eléctricos y los mecanismos de programación de energía, que facilita la transferencia y comunicación de energía entre diferentes comunidades energéticas. Este tipo de sistemas requiere garantizar que todas las transacciones de energía sean transparentes y beneficiosas para la comunidad prosumidora.
Con estos sencillos ejemplos de artículos que usan las herramientas de inteligencia artificial en el uso, aprovechamiento de sistemas energéticos distribuidos y en la determinación de los lugares adecuados o de las entregas de energía en el futuro con granularidad pequeña se potencia la posibilidad de contar con energía renovable y asequible para toda la población.
Enfatizo, estos ejemplos se publicaron en solo el mes de mayo del 2024 en una búsqueda sencilla, en un solo sitio, el conocimiento en el tema es mucho más amplio, pero no es conocido y mucho menos apropiado por la población. Las personas con acceso y posible entendimiento tenemos el compromiso de divulgarlo.
[1] https://delrioantonio.blogspot.com/2023/02/los-babilonios-y-la-inteligencia.html
[2] https://www.ier.unam.mx
[3] https://joint-research-centre.ec.europa.eu/photovoltaic-geographical-information-system-pvgis_en
[4] https://arxiv.org/abs/2405.14472
[5] https://arxiv.org/abs/2405.11046
[6] https://arxiv.org/abs/2405.04489
[7] https://arxiv.org/abs/2405.01889
[8] https://arxiv.org/abs/2405.01754
