El despliegue de contadores inteligentes, la aplicación del IoT (Internet of Things) y la creciente sensorización de los activos energéticos son las tres tecnologías responsables del aumento exponencial de los datos disponibles en el sector de la energía, según un análisis realizado por NovaQuality, consultora especializada en analítica y gobierno de datos.

Sin embargo, esta compañía recuerda que la correcta gestión de la futura red eléctrica no solo va a depender de los datos provenientes de la monitorización de los activos energéticos, sino de que estos puedan enriquecerse con variables socioeconómicas y demográficas. Un objetivo que solo es posible a través de la aplicación de la Inteligencia Artificial y, más en concreto, de herramientas de machine learning o aprendizaje automático.

“El mercado eléctrico debe prepararse para integrar todas las fuentes de datos y explotar la información contenida en ellos en el camino hacia una economía descarbonizada pero, por ahora, queda mucho camino por recorrer”, asegura Pedro Herrera Nachón, socio fundador y director general de Novaquality.

¿En qué ámbitos del mercado energético está siendo ya determinante el machine learning y en cuáles tiene mayor proyección? Los expertos de esta compañía señalan los siguientes:

1. Calidad del suministro eléctrico y estabilidad de la red. Los modelos predictivos en los que se basa esta tecnología ya están alertando sobre potenciales disfuncionalidades provocadas por alteraciones en la tensión, armónicos y eventos relacionados con energía reactiva, y con ello se pueden preparar escenarios de contingencia.

2. Detección de fraude en la red de distribución. Gracias al machine learning es posible analizar la intensidad o energía que se deriva a una rama de la red y hacer balance de los consumos del área para determinar posibles puntos de pérdida o conexiones ilegales.

3. Gestión de Clientes. El análisis de datos y las posibilidades de predicción son claves tanto para aumentar la fidelización de clientes, como a la hora de evaluar el riesgo o calcular su potencial de valor futuro, gracias a la combinación de la información sobre consumo y hábitos energéticos con otros parámetros socioeconómicos.

4. Predicción de curva de demanda.  La monitorización de los hábitos de los usuarios y el aprendizaje que proporciona esa información permiten conocer con más precisión cómo es la curva de consumo por días y franjas horarias, tanto a nivel individual como de forma agregada, y adaptar de esta forma recursos e infraestructuras.

5. Inyección a red de sistemas de autoconsumo. En el caso de instalaciones de autoconsumo, esa misma previsión contribuye a identificar los momentos en los que al usuario le beneficia inyectar el excedente de su producción solar en la red y compensar así su factura eléctrica. Aquí, el machine learning también será de gran utilidad en un futuro en el que exista una mayor penetración del autoconsumo y se produzcan picos de inyección en red.

6. Modelos de gestión de redes: Smart grid, gestión agregada de la demanda y redes con alta penetración de la generación distribuida.  Uno de los mayores potenciales del machine learning es su aplicación a las nuevas realidades que se están incorporando a la arquitectura clásica de la red eléctrica. Estos nuevos elementos todavía tienen que avanzar mucho en materia tecnológica y normativa, pero su adecuada gestión, en la que la que los modelos predictivos y el análisis del dato van a tener un papel destacado, será definitiva en la incorporación definitiva del usuario como agente activo del mercado eléctrico.