Predice, Ahorra y Domina tu Energía: La IA en Acción
La Inteligencia artificial (IA) y el aprendizaje automático existe mucho antes de la aparición de ChatGPT. A pesar de que cada vez es más sencillo acceder a estas herramientas públicas que nos ayudan a resolver nuestras actividades diarias, también existen empresas que se encuentran desarrollando sus propios “cerebros artificiales”.
Si no es a través de un chatbot, muchas veces ni siquiera nos damos cuenta de que lo que vemos ha sido generado por procesos basados en IA. Pero no es cosa del otro mundo, esta tecnología se fundamenta en modelos matemáticos y estadísticos que se mejoran continuamente. Conoce más al respecto en nuestro blog “Predicción y análisis del Consumo de Energía mediante el Machine Learning y la Inteligencia Artificial”.
A continuación, te vamos a mostrar ejemplos reales del impacto de la IA en la Gestión Energética y la manera en que la utilizamos en BlacktoGreen con nuestro software de Gestión Spacewell Energy Dexma.
IA y Aprendizaje Automático en la Gestión Energética
Uno de los modelos más básicos de Machine Learning (ML) es la regresión lineal
(y = Ax + B). Seguramente te recordará a tus clases de matemáticas. Pero esto es solo la punta del iceberg: la disciplina abarca desde lo más simple hasta redes neuronales avanzadas.
¿Pero qué tiene que ver esto con la gestión energética?
El sector energético se beneficia enormemente de las soluciones basadas en IA. Algunos de los usos clave incluyen:
- Creación de líneas base para cumplir con protocolos como el IPMVP (Protocolo Internacional de Medición y Verificación del Desempeño Energético) y demostrar ahorros energéticos.
- Pronósticos de consumo o producción de energía.
- Detección de anomalías e ineficiencias en edificios.
- Aprendizaje del comportamiento de edificios bajo ciertas condiciones ambientales.
Estos modelos han existido por años y, en muchos casos, han sido abordados con enfoques simples. Entonces, ¿Cuándo deberíamos elegir modelos básicos y cuándo optar por soluciones avanzadas?
Las regulaciones muchas veces aconsejan el uso de modelos específicos. Por ejemplo, el IPMVP desarrolla profusamente los modelos de regresión lineal múltiple (Ax+By+Cz+…+D) para cuantificar ahorros energéticos, aunque existan métodos más avanzados. Para agilizar este proceso, Spacewell Energy desarrolló la ABC App, que facilita la creación de ecuaciones compatibles con el protocolo.
Pero cuando no hay restricciones legales, hay que encontrar un equilibrio entre precisión y esfuerzo. No tiene sentido usar un modelo súper complejo para demostrar que «a más frío, más calefacción». En cambio, cuando la relación entre variables no es tan obvia, los modelos avanzados valen la pena, por ejemplo, en pronósticos energéticos.
Eso sí, algunos clientes se preocupan por no poder «controlar» el modelo que hace los cálculos. Con una línea base simple, ellos pueden elegir los datos de entrada, calibrar los modelos y ver claramente cómo un cambio afecta los resultados. Con modelos de ML más complejos, esto no siempre es posible, ya que a veces funcionan como cajas negras imposibles de descifrar.
Por eso, en BlacktoGreen utilizamos la plataforma de Gestión Spacewell Energy la cual aplica aprendizaje automático avanzado solo cuando realmente aporta una solución específica o mejora significativamente los resultados.
Un Caso Real: Nuestra Nueva Herramienta de Pronóstico
Recientemente, Spacewell Energy lanzó una herramienta de pronósticos capaz de predecir el consumo y la producción de recursos (electricidad, gas, agua) con 10 días de anticipación, incorporando datos meteorológicos.
Para probar su efectividad, comparamos cuatro métodos de predicción durante 12 meses:
- El más simple: Regresión lineal (Ax + By + Cz + (…) + D)
- Un poco más avanzado: Regresión polinómica (Ax + Bxy + Cz^2 + (…) + D)
- Los más complejos: Dos modelos avanzados de IA integrados en nuestra herramienta
- El modelo con mejor desempeño (el de menor error).
- El modelo con peor desempeño (el de mayor error).
Los resultados fueron contundentes: el modelo de IA con mejor desempeño redujo el error de predicción en un 28% en comparación con los demás. De hecho, en los 12 meses analizados, fue el único que siguió con precisión la curva real de consumo.
Dicho de otra forma: sí, los modelos avanzados pueden parecer misteriosos, pero cuando ofrecen mejoras reales y palpables, son la mejor opción.
Otras Aplicaciones de la IA en la Gestión Energética
El uso de la IA con Spacewell Energy, no solo nos ayuda a predecir el futuro. También la utilizamos con las siguientes herramientas:
- Optimise: Motor de detección de anomalías.
- Detect: Herramienta de benchmarking que identifica oportunidades de mejora dentro del portafolio de una empresa.
- Optimización de potencia (solo en España, por ahora): Ayuda a encontrar la mejor potencia contratada para minimizar costos. ¡Nos entusiasma que pronto llegue esta actualización a México!
- ABC (Creación Automática de Líneas Base): Facilita la creación de líneas base compatibles con el protocolo IPMVP.
Conclusión: ¿Es la IA el futuro de la energía?
La IA ha estado en la gestión energética mucho antes de lo que muchos creen. Desde la creación de líneas base hasta la detección de anomalías, su papel es clave. Aunque las regulaciones como el IPMVP recomiendan usar modelos más simples, la evidencia demuestra que, cuando no hay restricciones legales, los modelos avanzados pueden superar con creces estos enfoques tradicionales.
Eso sí, encontrar el balance entre precisión y transparencia sigue siendo un reto, ya que los modelos de aprendizaje automático avanzados no siempre son fáciles de interpretar. Pero los resultados hablan por sí solos: nuestra herramienta de pronósticos mejoró la precisión en un 28%. ¿Vale la pena usarla? Si quieres mejores resultados y eficiencia, la respuesta es un rotundo sí.
Artículo originalmente publicado en el blog de spacewell energy.