La capacidad de predecir el consumo energético es clave para mejorar la planificación de la oferta y la demanda, reducir costes y minimizar el impacto ambiental. Con el auge de las redes inteligentes y de las energías renovables, poder anticiparnos a la demanda energética nos permite garantizar un suministro estable y sostenible. La inteligencia artificial y las matemáticas aplicadas permiten obtener predicciones precisas del consumo de energía. Pero, ¿cómo funcionan estos modelos y qué beneficios nos ofrece el uso de inteligencia artificial en este ámbito?
En nuestro día a día, cada vez que encendemos la luz, cargamos el teléfono o utilizamos electrodomésticos, generamos datos que reflejan nuestros patrones de consumo energético (Figura 1). El Machine Learning (ML) es una rama de la inteligencia artificial que permite a los ordenadores aprender de estos datos sin necesidad de ser programados explícitamente. A diferencia de los métodos tradicionales que utilizan reglas predefinidas para predecir el consumo, los algoritmos de ML analizan datos históricos para identificar patrones complejos de consumo que no se reflejan de manera explícita en los datos. Por ejemplo, la Figura 2 muestra el consumo energético en una ciudad a lo largo de una semana, donde se puede observar que los patrones de consumo entre semana y el fin de semana son diferentes. Sin embargo, factores como el comportamiento impredecible de los usuarios, la adopción de nuevas tecnologías (como vehículos eléctricos o electrodomésticos inteligentes), o la integración de diferentes fuentes de energía renovables (como la solar y eólica) generan patrones de consumo difíciles de predecir de manera precisa. En este caso, un modelo de ML puede analizar grandes cantidades de datos históricos, condiciones climáticas en tiempo real y patrones de consumo para predecir con mayor precisión la demanda energética sin intervención humana.
Algoritmos de machine learning para predecir en tiempo real
Los métodos de predicción de machine learning explotan patrones de consumo relacionados con diversos factores, como el consumo histórico, la hora del día, el día de la semana, los festivos y la temperatura. Sin embargo, anticipar con exactitud la demanda de energía no es sencillo, ya que los hábitos de consumo pueden cambiar por múltiples razones, desde eventos inesperados hasta variaciones en el clima. Un ejemplo reciente que ilustra la importancia crítica de las predicciones de energía es el apagón que afectó a España durante varias horas en el mes de abril. Aunque el origen del fallo pueden ser múltiples causas, las predicciones precisas pueden contribuir a una mejor respuesta del sistema. Además, con la creciente integración de energías renovables, coches eléctricos y microrredes, es importante que los modelos puedan adaptarse a un panorama energético en constante cambio y con una alta incertidumbre.
Investigadores del Basque Center for Applied Mathematics (BCAM) han desarrollado un método de machine learning para la predicción horaria del consumo de energía. El método está basado en técnicas matemáticas rigurosas que garantizan de forma teórica el comportamiento del algoritmo de predicción. Estos algoritmos predictivos aprenden miles de modelos que se actualizan continuamente con la llegada de nuevos datos. De esta manera, el método permite a los modelos ajustarse en tiempo real a los cambios en los hábitos de consumo y las variaciones en la demanda. Por ejemplo, si el objetivo es predecir el consumo energético para las próximas 24 horas, los modelos se actualizaría diariamente con la información más reciente y generarían una nueva predicción para el próximo día. Este enfoque permite adaptarse a patrones dinámicos, como el impacto de eventos inesperados o fluctuaciones climáticas.
Por otro lado, las predicciones que genera el método desarrollado son probabilísticas, es decir, no solo estiman cuánta energía se necesitará, sino que también indican la fiabilidad de esas estimaciones. En la Figura 2 la fiabilidad está representada en la franja azul, donde en las horas centrales la incertidumbre es mayor, y por tanto, la fiabilidad de las predicciones es menor. Esto permite a los operadores de la red anticiparse a posibles variaciones y gestionar mejor los recursos. Por ejemplo, ante una predicción con alta incertidumbre, pueden reforzar el suministro con generadores de respaldo o ajustar el almacenamiento en baterías para garantizar la estabilidad del sistema. Conocer la fiabilidad de una predicción puede marcar la diferencia entre optimizar el suministro o enfrentar problemas de estabilidad en la red.
Redes inteligentes y energías renovables: un enfoque global de la predicción energética
La transición hacia redes inteligentes y energías renovables requiere una gestión más precisa y global del consumo energético. Compartir información sobre los patrones de demanda de diferentes lugares facilita la optimización de la distribución eléctrica y contribuye a mejorar la estabilidad del sistema. Hoy en día, contamos con datos detallados de demanda provenientes de hogares, edificios, industrias y ciudades, lo que permite desarrollar nuevas estrategias de predicción que tienen en cuenta esta interdependencia de los consumos. En el vecindario representado en la Figura 1, por ejemplo, compartir la información sobre los patrones de consumo entre las distintas viviendas permitiría obtener predicciones más precisas para cada una de ellas.
Investigadores de BCAM también han desarrollado algoritmos de machine learning para predecir el consumo de energía de manera simultánea en múltiples lugares. En vez de aprender los patrones de consumo de forma independiente, estos modelos identifican patrones compartidos y dependencias dinámicas entre los diferentes puntos de consumo. Por ejemplo, el consumo de energía en una zona residencial puede estar correlacionado con el de los edificios de oficinas cercanos, reflejando los horarios de actividad laboral. Las técnicas matemáticas desarrolladas garantizan de forma teórica la identificación de estas relaciones entre los patrones de consumo. Estos algoritmos no solo se adaptan a los cambios en los patrones de consumo en tiempo real, sino que también a la interdependencia de la demanda en los diferentes lugares. Este enfoque más global permite obtener estimaciones más precisas y robustas en comparación con las que se logran utilizando datos de un solo sitio.
En resumen, la inteligencia artificial y las matemáticas nos permiten predecir el consumo energético con gran precisión, lo que no solo optimiza la gestión del suministro de energía, sino que también contribuye a reducir los costes del consumidor y minimizar el impacto ambiental. Con estos avances en inteligencia artificial, damos un paso importante hacia un futuro energético más eficiente y sostenible, capaz de abordar los próximos retos energéticos. En las redes eléctricas, el suministro debe igualar la demanda con una precisión milimétrica. Basta una desviación mínima para provocar inestabilidad o incluso un apagón. El sistema eléctrico necesita precisión y certidumbre. Los algoritmos diseñados en BCAM son capaces de adaptarse a escenarios variables y de evaluar las incertidumbres presentes.
Referencias
- V. Alvarez, S. Mazuelas, and J. A. Lozano, Probabilistic load forecasting based on adaptive online learning, IEEE Transactions on Power Systems, vol. 36, no. 4, pp. 3668–3680, 2021. doi: 10.48550/arXiv.2011.14721
- O. Zaballa, V. Alvarez, and S. Mazuelas, Multi-task Online Learning for Probabilistic Load Forecasting, in Proceedings of the IEEE Sustainable Power and Energy Conference (iSPEC), 2024. doi: 10.48550/arXiv.2502.04163
Verónica Álvarez Castro
Grado en matemáticas y doctorado en Ingeniería informática
Onintze Zaballa Larumbe
Grado en matemáticas y doctorado en Ingeniería informática.
Santiago Mazuelas Franco
Licenciado Matemáticas, Ingeniero Técnico Telecomunicaciones, Doctor Matemáticas, Doctor Ingeniería Telecomunicaciones
José Antonio Lozano Alonso
Licenciado en Matemáticas, Licenciado en Informática, Doctor en Informática
