IEEE Power & Energy Magazine - Spanish - May/June 2022 - 40

vemos un conjunto limitado de enfoques que ha encontrado
aplicaciones en la práctica. La mayoría de estos se relaciona
con la previsión de la carga, como la Red Neuronal Artificial
para la Previsión de Carga a Corto Plazo, una herramienta
desarrollada por el Instituto de Investigación de Energía
Eléctrica de los Estados Unidos; y algunos abordajes se han
relacionado árboles de decisiones para evaluaciones de seguridad.
El principal motivo de la lenta incorporación de AA
en la industria de la energía es que la mayoría de los abordajes
de AA, como las redes neuronales y demás, se consideran
una caja negra.
¿Quién le confiaría en una caja negra el trabajo de evitar
un apagón o encontrar un punto operativo óptimo que no
infrinja ningún límite de las líneas? ¿Quién le confiaría a
una caja negra una aplicación fundamental de seguridad, p.
ej., en la energía, la atención médica o los automóviles? El
riesgo es demasiado alto.
¿Qué se necesita para que se adopte el AA? Para entender
más sobre la adopción de modelos novedosos, no solo relacionados
con el AA, considere los siguientes aspectos:
1) ¿Hasta qué punto la industria tiene ya soluciones a un
problema?
2) ¿Cuál es el riesgo asociado a usar un modelo novedoso
frente a uno convencional?
Un modelo novedoso solo se considerará seriamente si se
encuentra por debajo de un umbral de riesgo. Si satisface los
requerimientos de riesgo, su mejor rendimiento, como una
mayor precisión o velocidad computacional, puede hacer que
se adopte. La figura 1 presenta una ilustración de estas consideraciones.
El
AA y la inteligencia artificial (IA) en general, ha
tenido particular éxito en áreas en las que hay pocos o ningún
método de solución establecido. AlphaGo es un programa
de IA desarrollado por DeepMind Technologies que
aprovechaba la complejidad del juego Go y repetidamente le
ganaba al campeón mundial humano y a otros programas de
software.Por sí mismo, es un logro impresionante si consideramos
que Go es un antiguo juego chino que tiene una cantidad
astronómica de posibles combinaciones de movimientos
Nivel de riesgo
Inaceptable
Conducción
autónoma
Umbral
Aceptable
AlphaGo
AlphaFold
Sin métodos
Previsión de la carga Agente de
carga inteligente Mantenimiento
predictivo de los activos de la red
Métodos establecidos
figura 1. La implementación de modelos novedosos (área azul) en vista de la existencia
o inexistencia de técnicas de soluciones alternativas y los riesgos que acarrean
los procesos novedosos.
40
ieee power & energy magazine
que puede hacer el jugador (2.1 × 10170), mucho mayor a la
cantidad de átomos conocidos en el universo observable
(1 × 1080). AlphaFold es un programa de IA que predijo,
mejor que ningún otro programa, estructuras proteicas que
eran imposibles de predecir durante los últimos 50 años.
Tanto AlphaGo como AlphaFold han obtenido resultados
que nunca antes habían sido posibles. Debido a que el riesgo
de catástrofe asociado con sus tareas era inexistente, se adoptaron
extremadamente rápido. Por otro lado, los automóviles
autónomos, que utilizan mucho los algoritmos de AA para
detectar sus alrededores, también intentan resolver un problema
sin solución, pero en muchos casos, y a pesar de los
importantes avances, todavía nos encontramos por encima
del umbral de riesgo en lo que respecta a su implementación
masiva sin la participación de un conductor humano.
Los sistemas eléctricos son diferentes. Hemos pasado los
últimos 100 años intentando entender cómo fluye la electricidad
en las líneas eléctricas y qué ocurre en la tensión
y la corriente luego de una perturbación. Y nos las hemos
arreglado bastante bien. Los modelos, a pesar de hacer un
uso intensivo de los sistemas informáticos, pueden predecir
con exactitud cómo se comportan la tensión y la corriente en
varias condiciones operativas. Pero en comparación con la
realidad de hace algunas décadas, los sistemas eléctricos se
han vuelto significativamente más complejos. La conexión de
millones de dispositivos electrónicos de potencia conlleva un
fenómeno que evoluciona rápidamente y requiere la inclusión
de modelos más complejos y procesos más rápidos de toma
de decisiones. La generación de energía renovable distribuida
y los vehículos eléctricos suman mucha incertidumbre y
crean miles de nuevos puntos de inyección que cambian continuamente
el balance entre la oferta y la demanda de la energía.
Todo esto implica una cosa: si el operador de un sistema
quiere asegurarse de que no ocurran apagones (un procedimiento
llamado evaluación de seguridad), debe ejecutar no
solo modelos más complejos, sino también para muchos más
escenarios a ritmos más acelerados que antes. Una evaluación
de seguridad que antes tomaba algunas horas necesitaría
ahora algunos días, lo que resulta inaceptable para cumplir
los requerimientos operativos de
la red en tiempo real.
Los métodos de AA, por otro
AA en evaluaciones
de seguridad
Vencimiento
lado, pueden aprender continuamente
a adaptarse a su entorno
y son extremadamente rápidos
al calcular datos de salida. Estas
prácticas han demostrado superar
el rendimiento de las técnicas
convencionales, como el mantenimiento
predictivo de las líneas de
transmisión y los transformadores,
o la carga inteligente de vehículos
eléctricos. Los abordajes de AA
se están adoptando gradualmente
para estas aplicaciones debido al
mayo/junio de 2022
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
