Predicciones de consumos eléctricos ante las smart grids y la transición energética

Descripción de la actividad de la organización

Investigación de excelencia a nivel mundial sobre matemática aplicada interdisciplinar; además de actividades de colaboración y transferencia de conocimiento en varias áreas (industria, energía, materiales, salud, ecología, social, finanzas, etc.)

Sector

Investigación y desarrollo experimental en ciencias naturales y técnicas

Nº de personas empleadas

150

Localización

Antecedentes

La coordinación entre demanda de energía y producción de energía verde es crucial en la búsqueda de alternativas a los combustibles fósiles. Las predicciones precisas de energía son fundamentales para la economía y el medio ambiente, porque pueden reducir la energía que se desecha. Realizar predicciones con precisión permite optimizar la planificación de la producción de energía y su distribución, resultando en una generación eficiente y minimizando el riesgo de interrupciones en el suministro. Estas predicciones se enfrentan a la dificultad de los cambios continuos en patrones de consumo.

Reto

La predicción precisa de los consumos de energía es difícil debido a la variabilidad intrínseca en la demanda de energía y los cambios continuos en los patrones de consumo. Estos problemas se han vuelto más relevantes en los últimos años debido a la integración de energías renovables, coches eléctricos y microgrids (o redes eléctricas distribuidas compuestas por diversas fuentes de energía). El reto es desarrollar algoritmos de machine learning que obtengan predicciones precisas que se adapten de forma efectiva a los cambios temporales.

Razones para ser considerado un Caso Práctico de Innovación

Porque se ha desarrollado un algoritmo de aprendizaje continuo innovador en el campo de la matemática aplicado en el ámbito de la energía, que da respuesta a la necesidad que tienen los algoritmos de adaptarse a los cambios dinámicos de los patrones de consumo energéticos y mejorar la precisión de las predicciones. El nuevo modelo desarrollado efectúa su entrenamiento de manera continua e incorpora nueva información conforme avanza el tiempo, lo que le permite añadir los cambios de los patrones de consumo y evaluar de forma fiable la incertidumbre de las previsiones.

El BCAM es un centro de investigación en el ámbito de la matemática aplicada. El grupo de Machine Learning del BCAM comenzó a trabajar problemas relacionados con la energía en 2019, a partir de un proyecto Elkartek (financiado por el Gobierno Vasco) que buscaba desarrollar técnicas de inteligencia artificial aplicadas a la energía y las smart grids (redes eléctricas inteligentes).
En este contexto, se detectó la necesidad de obtener predicciones precisas de patrones de consumo energéticos, con la capacidad de cuantificar posibles errores de predicción, a fin de mejorar la planificación de la producción y la gestión de los consumos de energía.
A finales de 2019 se inició el trabajo para el desarrollo de un nuevo modelo. Para empezar, con la revisión de literatura se identificaron algunas carencias que mostraban la necesidad de que las predicciones se hicieran de manera continuada, utilizando modelos que están continuamente aprendiendo (continual learning). Se vio también que existían predicciones de un solo valor, pero no predicciones basadas en una probabilidad, que determinen el nivel de incertidumbre de dichas predicciones. A continuación, se seleccionaron las tres bases de datos donde poner a prueba la innovación, de múltiples tamaños y ámbitos geográficos: Bélgica (11,5 millones de habitantes), la ciudad de Dayton en Ohio (unos 137.000 residentes), y cerca de 100 apartamentos en una ciudad de Australia. Así, el método se probó en distintas áreas, donde los patrones de consumo cambian de manera diferente. Tras el desarrollo del modelo, se redactó un paper (artículo científico), publicado en enero de 2021 en una prestigiosa revista de alto impacto.
En el desarrollo de esta innovación han participado un investigador principal de Ikerbasque (cuyo trabajo ha estado financiado por una beca Ramón y Cajal del Ministerio de Ciencia e Innovación), una doctoranda con una beca PIF Industrial de la UPV/EHU, y un técnico de investigación del BCAM. Se ha recibido también financiación de Elkartek y del programa BERC (Gobierno Vasco), así como una beca de la Fundación Iberdrola. Se destaca además la colaboración con TECNALIA en el marco de un proyecto Elkartek anterior, que abrió las puertas a esta innovación
En definitiva, se han desarrollado técnicas de inteligencia artificial para obtener predicciones probabilísticas del consumo de energía, basadas en el aprendizaje adaptativo continuado, que obtienen predicciones precisas, y evalúan de forma fiable las incertidumbres de las previsiones. En concreto, se ha generado un algoritmo de aprendizaje continuo (Adaptative Probabilistic Load Forecasting). Dicho algoritmo es capaz de predecir utilizando cientos de modelos que son aprendidos de forma continua, incorporando la información real más reciente.

1. A finales de 2019, BCAM se plantea el reto de desarrollar un algoritmo innovador en el ámbito de la energía, y se inician las acciones propias de un proceso de investigación.
2. El proceso se inicia con la revisión de la literatura, con la idea de detectar posibles carencias y huecos de mejora que orienten la innovación a desarrollar. Se plantea el objetivo de generar algoritmos capaces de adaptarse a los cambios dinámicos de los patrones de consumo, y que estén continuamente aprendiendo (continual learning).
3. A continuación, se procede a la obtención de datos, desde tres bases de datos públicas y de distintos tamaños, concretamente: Bélgica (todo el país), Dayton (una ciudad en Ohio), y un conjunto de unos 100 apartamentos de una ciudad australiana, que permiten validar los desarrollos en distintos contextos.
4. Se procede al desarrollo matemático del modelo, con el apoyo de esas bases de datos, y paralelamente se desarrolla el código. Se testean los resultados. El nuevo algoritmo se desarrolla primero en lenguaje de programación Matlab, y posteriormente se traduce a Python (lenguaje multiplataforma de código abierto).
5. Finalmente, se redacta el paper, que es publicado en enero de 2021 en una prestigiosa revista de este ámbito (D1 IEEE Transactions on Power Systems).

- Se ha desarrollado un algoritmo de aprendizaje continuo, el Adaptative Probabilistic Load Forecasting, capaz de adaptarse a los cambios de los patrones de consumo.
- Este modelo permite obtener predicciones precisas de la demanda de energía, lo que ayuda a optimizar la gestión de recursos, mejorar la eficiencia operativa y maximizar los beneficios económicos.
- El método propuesto mejora la precisión de las técnicas existentes hasta la fecha en diferentes ámbitos geográficos.
- Este trabajo ha recibido el reconocimiento de la Spanish Society of Statistics y la Operations Research-BBVA Foundation, con el premio a la mejor contribución aplicada en el campo de la estadística en 2022.
- El modelo está publicado en el artículo “Probabilistic load forecasting based on adaptive online learning”, en la revista D1 IEEE Transactions on Power Systems, que cuenta con 30 citas en Google Scholar.
- El código del algoritmo está disponible en un repositorio de GitHub y ya ha tenido numerosas descargas (https://github.com/MachineLearningBCAM/Load-forecasting-IEEE-TPWRS-2020).
- Este algoritmo tiene un potencial importante para el desarrollo de las smart grids, y se está aplicando en el proyecto IA4TES de Iberdrola (2022-2024) sobre soluciones de Inteligencia Artificial para el desarrollo del nuevo paradigma del sistema eléctrico.

Programa BERC (Gobierno Vasco)