Las energías renovables cuentan con la simpatía del público y el apoyo de muchos gobiernos que luchan contra el cambio climático. Sin embargo, cuentan con el impedimento de no ser aún todo lo eficientes que podrían.
En el caso de la eólica, durante la última década se ha convertido en muchos países en la fuente de energía eléctrica libre de emisiones de carbono por excelencia, gracias a su mayor implantación (consecuencia, a su vez, del desplome del costo de las turbinas).
Sin embargo, esta energía sigue siendo una fuente poco fiable a causa del comportamiento voluble del recurso que explota: el viento.
Para intentar solucionar este inconveniente, DeepMind y Google iniciaron el año pasado un proyecto para aplicar el machine learning a un conjunto de parques eólicos situados en el centro de EE.UU y que generan tanta electricidad como para dar servicio a una ciudad de tamaño medio.
DeepMind recurrió a una red neuronal entrenada en pronósticos meteorológicos y datos históricos de turbinas, con el objetivo de predecir la producción de energía eólica 36 horas antes de que se generase.
Y, sobre la base de dichos pronósticos, el algoritmo va generando con un día de antelación un cronograma diario de los horarios más adecuados para suministrar electricidad a la red eléctrica.
¿Por qué es importante contar con esta capacidad de planificación? Precisamente porque, al no producirse un caudal constante de energía, éste debe ser almacenada y dosificada de forma óptima.
Es decir, que los parques eólicos recurran a la inteligencia artificial no significa que vayan a lograr producir más energía, pero sí que ésta pasará de ser una fuente de energía impredecible a una programable, aumentando, por tanto, su utilidad y valor.
DeepMind aún trabaja en mejorar el algoritmo de aprendizaje automático, pero según los datos de la compañía ya se han visto los primeros beneficios: hasta la fecha, el aprendizaje automático ha aumentado el valor de su energía eólica en un 20% (aprox.), en comparación con el escenario anterior.
Según expone la compañía en su blog corporativo,
"este enfoque también ayuda a brindar mayor rigor en los datos a las operaciones de los parques eólicos, ya que el aprendizaje automático puede ayudar a los operadores de los parques eólicos a realizar evaluaciones más inteligentes, rápidas y basadas en datos sobre cómo satisfacer la demanda de electricidad".
"Nuestra esperanza es que este tipo de enfoque de aprendizaje automático sirva para fortalecer el empuje comercial de la energía eólica y para impulsar una mayor adopción de energías libre de carbono en las redes eléctricas de todo el mundo".
Vía | DeepMind
Imagen | Paulo Brandao
Ver 0 comentarios