Aplicaciones de la Ciencia de Datos en la Industria Eléctrica.

21/08/2021

Boletines

Boletín Ammper Agosto 2021

¿Qué es la ciencia de datos?

La ciencia de datos engloba varias disciplinas como la estadística, la programación, la inteligencia artificial y la información. Fundamentalmente, la ciencia de datos usa técnicas multidisciplinarias para aplicar el método científico: cualquier problema en ciencia de datos empieza con una hipótesis que se busca probar.

La ciencia de datos es una disciplina que cambia constantemente. En el área de inteligencia artificial, los modelos de aprendizaje profundo se han vuelto muy populares recientemente por su precisión; sin embargo, no hay duda de que seguirán cambiando las técnicas de ciencia de datos para enfrentar los problemas sumamente complicados de diversas industrias. Debido a que las técnicas de la ciencia de datos son diversas y es un campo dinámico, su potencial de cambiar industrias, incluyendo la eléctrica, es inmenso.

Otra área de la ciencia de datos que ha crecido mucho recientemente es el manejo y modelaje de “Big Data” o bases de datos tan grandes, generalmente un terabyte, que ellas requieren herramientas especiales. Con “Big Data” es necesario usar lenguajes de programación y bases de datos especiales que permiten su uso, como Hadoop, Spark y Kafka.

¿Cómo se usa la ciencia de datos en la industria eléctrica?

1. Predicción del consumo eléctrico

Usar modelos estadísticos y de inteligencia artificial ha ganado popularidad para predecir el consumo a través del tiempo. Estos tipos de modelos ya sean estadísticos o de inteligencia artificial, son conocidos como series de tiempo porque se usa el tiempo como una variable importante. Durante muchos años solamente se usaron modelos estadísticos, pero recientemente los modelos de inteligencia artificial han demostrado ser más precisos en algunos casos. La habilidad de predecir el consumo de energía a través del tiempo ayuda a los suministradores a planificar y suministrar la cantidad de energía adecuada. Eso tiene muchos beneficios como la habilidad de prevenir fallas, maximizar la rentabilidad y mejorar la eficiencia de los sistemas.

2. Modelaje de fallas del sistema eléctrico

El modelaje de fallas en el sistema de energía ha ganado popularidad porque ayuda a prevenir cortes. Asimismo, ha permitido optimizar los costos de mantenimiento. Existen varios métodos populares que se usan para modelar fallas y generalmente se dividen entre modelos estadísticos y de inteligencia artificial. La diferencia clave entre los dos métodos es que la inteligencia artificial busca precisión mientras que los modelos estadísticos generalmente son diseñados para la inferencia o el entendimiento.

3. Ciencia de datos en energías renovables

Las técnicas de ciencia de datos tienen muchas aplicaciones en el campo de energía renovable; particularmente modelos de aprendizaje profundo se usan predecir condiciones ambientales o climatológicas que son importantes para la generación de energía. Además, estas técnicas han mostrado potencial para predecir las condiciones ambientales con las nuevas dificultades de cambio climático.

Adicionalmente, a través de los años se ha modelado exitosamente la generación hidroeléctrica usando modelos estocásticos. Sin embargo, la cantidad de lluvia y los niveles de agua en las reservas han cambiado mucho recientemente debido al cambio climático, por lo tanto, modelos tradicionales han disminuido su precisión. Los modelos de aprendizaje profundo han demostrado su eficiencia en enfrentar el cambio climático.

4. Ciencia de datos en Ammper

En Ammper estamos desarrollando una serie de modelos de inteligencia artificial para proyectar generación renovable, consumo de nuestros clientes y el sistema, el precio de la electricidad, entre otros. Esto nos permite conocer las interacciones de nuestros clientes y el mercado. A diferencia de modelos estadísticos tradicionales, los desarrollados en Ammper pueden aprender de su entorno y adaptarse en tiempo real. No siempre un modelo de inteligencia artificial será mejor que uno tradicional pues el primero requiere de una enorme cantidad de datos, la cual es difícil obtener en un mercado tan joven como el mexicano. Sin embargo, hay ciertas ventajas del modelo avanzado: por ejemplo, su habilidad de predecir para cualquier intervalo de tiempo y tener un modelo generalizado para cualquier carga.