angle-left Algoritmos para no desperdiciar energía
INNOVACIÓN TUNGSTENO

Algoritmos para no desperdiciar energía

La eficiencia energética tiene en tecnologías como el Big Data o la Inteligencia artificial sus mayores aliados. Crédito: Israel Palacio.

 

FRANCESCO RODELLA | Tungsteno

Lograr la eficiencia energética es uno de los grandes retos a los que se enfrentan la sociedad, las ciudades del futuro y, por supuesto, los sectores económicos. El auge de tecnologías como el aprendizaje automático, el Big Data o la Inteligencia Artificial, representa la oportunidad de encontrar nuevos aliados para evitar desperdicios y emplear esta energía mejor.

El concepto de eficiencia energética “es un paraguas que puede abarcar muchísimos frentes”, señala Luis Hernández, profesor de la Universidad de Valladolid. Uno se refiere a la eficiencia “dentro de la propia infraestructura de red”. Pero también se puede hablar de eficiencia energética en edificación o movilidad, añade.

En el primer caso, un ejemplo de intervención tecnológica es el despliegue de sensores para que casas e infraestructuras “funcionen de una manera más eficiente”, explica. La misma idea, agrega, es aplicable para conseguir “rutas urbanas de transporte mucho más eficientes que hasta ahora”. También el hecho de que un vehículo eléctrico pueda ser “altamente eficiente” en comparación con los de combustión interna, como los de motores basados en ciclo otto o diesel, asegura el investigador. Aquí descubrimos algunas aplicaciones novedosas en el ámbito de la energía.

El modelo de las redes inteligentes

Actualmente, las principales eléctricas españolas trabajan para dotar las redes de elementos “inteligentes”, una transformación que busca optimizar la producción y el consumo energético, así como hacerlos más sostenibles. Uno de los primeros pasos ha sido cambiar los contadores de la luz tradicionales por medidores digitales, capaces de detectar el consumo en tiempo real. No obstante, la actualización del parque de contadores en España debió de cumplirse antes del 31 de diciembre de 2018.

Hernández asegura que normalmente la prioridad de las empresas es la instalación de sensores, tanto actuadores como de medición, para automatizar los procesos de distribución y consumo. Luego, surge la necesidad de manejar todos los datos que se generan “a partir de ese nuevo hardware implementado en los clientes finales, sean productores, consumidores o ambas cosas [en referencia al modelo del autoconsumo]”.

Es en esta segunda fase, continúa el profesor, cuando los algoritmos pueden resultar especialmente útiles. “El disponer de elementos de inteligencia artificial da la posibilidad de realizar procesos de manera más automática y quizás más rápida”, afirma. “Las herramientas de análisis de datos van a permitir a estas compañías hacer un uso más eficiente de la información y, por qué no, operar en la propia red”.

Las eléctricas están implantando modelos de “redes inteligentes” con contadores digitales y sensores para automatizar la distribución y consumo de energía. Crédito: SSE.

Soluciones para el pequeño comercio

Las soluciones basadas en el empleo de algoritmos se están extendiendo cada vez a más sectores. El Instituto de Ingeniería del Conocimiento de Madrid (IIC), por ejemplo, ha desarrollado para la compañía Satel Iberia un sistema que ofrece a las pequeñas y medianas empresas de servicios una forma de saber “específicamente en qué gastan más o menos energía”, según explica en un comunicado.

La fórmula está diseñada para permitir a tiendas, oficinas, restaurantes o supermercados conocer los subconsumos de cada actividad sin casi instalar medidores físicos. Para hacerlo, el algoritmo se basa en la monitorización de una muestra del gasto energético y utiliza para sus cálculos parámetros como “superficie, coordenadas y horarios de los establecimientos”, agrega la nota del IIC.

Big data para mejorar la eficiencia energética de barrios desfavorecidos

El uso del Big Data permite también detectar formas de ineficiencia energética como las debidas a las características arquitectónicas de un determinado sitio. El año pasado, investigadores de la Universidad Politécnica de Madrid y del CSIC publicaron un nuevo modelo que muestra cómo la aplicación de esta tecnología puede ayudar a identificar los puntos que más demandan energía en barrios vulnerables, y así entender qué infraestructuras necesitan intervenciones para mejorar la situación.

El sistema analiza la información procedente de las bases de datos catastrales abiertas y calcula las pérdidas energéticas en base a distintos parámetros urbanísticos (como dimensiones, orientación, forma de los edificios y disposición) y constructivos (como la calidad de cubiertas, fachadas, paredes y suelos). Fernando Martín-Consuegra, investigador principal del estudio, explica que su grupo se centra en viviendas sociales sin “ningún tipo de medida de eficiencia energética” y con “una muy alta necesidad de rehabilitación”, pero es un modelo que “se puede aplicar en cualquier barrio”.

Google usa algoritmos de aprendizaje automático para reducir el consumo de energía necesario para enfriar sus centros de datos. Crédito: Connie Zhou/ Google.

La respuesta a la ineficiencia de los gigantes de la tecnología

La transmisión diaria de millones de bytes en Internet requiere el empleo de cada vez más energía. Y las principales compañías tecnológicas, que necesitan ingentes cantidades para lanzar y mantener sus servicios, están entre los operadores más preocupados por cómo lograr mayor eficiencia y sostenibilidad, según explica Bloomberg.

Google es una de las más comprometidas en encontrar soluciones. Este gigante asegura que, por ejemplo, a la hora de construir sus centros de datos utilizó técnicas de enfriamiento eficientes y sistemas inteligentes de control de la temperatura y la luminosidad para limitar las pérdidas de energía. Y que de esta manera, desde la primavera de 2014, los centros han empleado un 50% menos de energía que la media de la industria.

La compañía explica además que la integración de algoritmos de aprendizaje automático permitió reducir el consumo de energía para enfriar sus centros de datos entre un 15% y un 40%. En 2018, Google dio un paso aún más al usar un modelo de machine learning que consiguió mejorar “hasta un 20%” la eficiencia de unas plantas eólicas en EE. UU. que, “colectivamente, generan la energía eléctrica necesaria para alimentar una ciudad de tamaño medio”. La eficacia del sistema, señala la empresa, se basa en que sus redes neuronales predicen la producción de energía eólica “36 horas antes de la generación real”.

· — —
Tungsteno es un laboratorio periodístico que explora la esencia de la innovación. Ideado por Materia Publicaciones Científicas para el blog de Sacyr.

También podría gustarte

SÍGUENOS EN FACEBOOK

VIDEOS INNOVACIÓN

VIDEOS IFRIDAYS

CONTACTO SACYR

Paseo de la Castellana, 83-85.
28046 - Madrid (España)
Teléfono: +34 91 545 50 00

www.sacyr.com