Cómo la IA está cambiando el futuro de la energía en los edificios

‍

En el último año, el mundo ha sido testigo de un cambio transformador provocado por la inteligencia artificial generativa. Esta tecnología revolucionaria ha dado lugar a avances sin precedentes en múltiples sectores y muchos expertos la han calificado como uno de los avances tecnológicos más significativos de la historia reciente.

En este artículo veremos cómo otras formas de IA están revolucionando actualmente uno de los elementos infraestructurales clave de la sociedad moderna: el sector energético.

Durante los dos últimos siglos, la energía en sus distintas formas ha sido uno de los principales motores del desarrollo económico y de la mejora del nivel de vida en todo el planeta. Sin embargo, esta intensa demanda de energía se satisfizo principalmente mediante el consumo de combustibles fósiles, lo que condujo a la extracción de grandes cantidades de carbono almacenado bajo la corteza terrestre y a su liberación a la atmósfera. Este proceso ha sido el catalizador de una de las mayores amenazas existenciales a las que se ha enfrentado la humanidad: el cambio ^climático1.

En los últimos años, a medida que aumentaban las pruebas científicas que ponían de manifiesto la urgencia y la gravedad del calentamiento del clima, el ahorro de energía se ha convertido en un objetivo primordial y figura ahora en la agenda de la mayoría de las organizaciones públicas y privadas de todo el mundo. Impulsadas por enormes cantidades de potencia informática y con cada vez más datos disponibles, han empezado a aparecer varias soluciones basadas en la IA en el campo de la energía.

Este es el primero de una serie de artículos en los que proporcionaré una visión general, así como algunas inmersiones en profundidad, sobre diferentes temas y tecnologías en la intersección entre la IA y la energía. En este primer artículo, nos centraremos en la optimización del consumo energético de los edificios mediante el despliegue de modelos de aprendizaje automático.

‍

Diferencia entre inteligencia artificial y aprendizaje automático

Para evitar confusiones, aclaremos rápidamente los términos Inteligencia Artificial (IA) y Aprendizaje Automático (AM), que a menudo se utilizan indistintamente.

La IA es un concepto más amplio de la informática que se refiere a la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana.

El ML es un subconjunto de la IA que implica el uso de algoritmos para permitir a las máquinas aprender de los datos y tomar decisiones basadas en ellos. El aprendizaje automático es una de las técnicas clave utilizadas actualmente para realizar inteligencia artificial, pero no todos los sistemas de IA utilizan el ML como tecnología ^subyacente2. Las técnicas que analizaremos en este post pertenecen a la categoría de aprendizaje automático.

Ahora que hemos aclarado los dos conceptos, estamos listos para embarcarnos en nuestro viaje. Pero antes de sumergirnos en los detalles técnicos, demos un paso atrás e intentemos comprender mejor el contexto de los edificios y su importancia en nuestro esfuerzo global por reducir las emisiones de carbono.

‍

¿Por qué los edificios son importantes para el cambio climático?

Según la Agencia Internacional de la Energía (AIE), el funcionamiento de los edificios (es decir, excluida la construcción) representa el 30% del consumo final de energía y el 26% de las emisiones mundiales de carbono relacionadas con la energía en todo el ^mundo3. Esto comprende un 8% de emisiones directas en los edificios y un 18% de emisiones indirectas procedentes de la producción de electricidad y calor utilizados en los edificios.

‍

‍

‍

Por lo tanto, conseguir que los edificios sean más eficientes energéticamente se considera esencial para alcanzar a tiempo los objetivos climáticos mundiales. Según las previsiones de la AIE, la aplicación de la eficiencia energética podría suponer una reducción de las emisiones anuales relacionadas con la energía de 3,5 Gt de CO2-eq, lo que contribuiría a más del 40 % de la reducción necesaria para cumplir el Acuerdo de ^París4.

Sin embargo, los últimos informes han demostrado que los esfuerzos mundiales para reducir el consumo de energía en los edificios no están alcanzando el progreso necesario. Se requiere un cambio significativo de tendencia y un esfuerzo considerable si queremos alcanzar nuestros objetivos para 2030 en el escenario "Cero neto para 2050".

‍

‍

‍

Este necesario cambio de ritmo podría verse facilitado por soluciones basadas en la IA. Esto es cada vez más factible gracias a la rápida digitalización de los edificios y a la instalación generalizada de sensores y contadores, que están haciendo posible la implantación de este tipo de soluciones en la actualidad y seguirán haciéndolo en los próximos años. Así que pasemos a intentar responder a la siguiente pregunta: ¿de qué manera puede ayudarnos la IA en la ambiciosa tarea de descarbonizar el sector de los edificios?

‍

Casos prácticos de predicción del consumo de energía

Reducir las emisiones de carbono de los edificios no es fácil. Es un rompecabezas complejo con muchas piezas móviles. Una pieza fundamental del rompecabezas es la creación de modelos fiables de consumo de los edificios que luego puedan utilizarse para optimizar el uso de la energía de distintas maneras. Una modelización precisa del consumo energético permite tomar decisiones oportunas e informadas sobre el uso de la energía, reducir los residuos y, en última instancia, contribuir a nuestros esfuerzos por conseguir edificios de energía neta cero. Este ámbito concreto es una oportunidad clave para que la IA tenga un impacto significativo.

Todo esto puede sonar todavía un poco abstracto, así que veamos seis casos de uso común en los que la modelización del consumo energético puede ayudar a reducir las emisiones de carbono en los edificios.
‍

1. Detección de anomalías en el derroche y el consumo de energía: La mayoría de los grandes edificios funcionan de forma ineficiente, lo que provoca el despilfarro de grandes cantidades de energía. Los modelos de predicción energética pueden utilizarse para determinar el consumo básico de un edificio. A partir de ahí, se pueden utilizar algoritmos de detección de anomalías para evaluar continuamente el rendimiento del edificio en comparación con la línea de base. Cualquier desviación significativa en el consumo puede indicar problemas o ineficiencias, como el mal funcionamiento de los equipos, que pueden abordarse con prontitud. Esto es especialmente importante en las grandes instalaciones, donde controlar todos los sistemas puede ser un reto, y los pequeños fallos pueden dar lugar a un importante derroche de energía si no se detectan a tiempo.
   ‍
2. Evaluación de medidas de eficiencia energética en edificios mediante medición y verificación avanzadas: La estimación del impacto de los proyectos de eficiencia energética, comúnmente denominada Medición y Verificación (M&V), es un proceso complejo. El ahorro de eficiencia energética representa una ausencia de consumo y, por tanto, no puede medirse con un instrumento. Una forma de superar este problema es calcular un modelo energético contrafactual. Los modelos contrafactuales son modelos que se utilizan para considerar cuál habría sido el resultado en una situación si se hubiera tomado una decisión diferente o se hubiera producido un acontecimiento distinto. Cuando se trabaja con la eficiencia energética, se puede utilizar un modelo energético contrafactual para estimar el consumo de un edificio en un escenario alternativo en el que no se hubiera aplicado una medida de eficiencia energética. Comparando el consumo real del contador y el consumo del modelo contrafactual podemos estimar la magnitud del ahorro. Estos modelos ayudan a los gestores energéticos a evaluar cuantitativamente el impacto de las intervenciones aplicadas y a orientar futuras estrategias.
   ‍
3. Optimización del control de la calefacción, la ventilación y el aire acondicionado (HVAC) mediante controladores predictivos de modelos (MPC): Los sistemas de aire acondicionado pueden suponer una gran parte del consumo total de energía de un edificio. Esto significa que el consumo del edificio puede reducirse significativamente con sólo controlar estos sistemas de forma óptima. Sin embargo, dependiendo del tamaño del edificio, estos sistemas pueden estar formados por cientos de componentes y controlarlos puede ser una tarea ardua. Los controladores predictivos de modelos (MPC) son modelos predictivos que ayudan a tomar decisiones de control óptimas para equilibrar la delicada interacción entre el mantenimiento de los niveles de confort interior y la respuesta a la información procedente de los sensores del edificio, la meteorología exterior y el estado de la red eléctrica. Esto no sólo permite ahorrar energía y carbono, sino que también contribuye a objetivos más amplios, como apoyar la integración de fuentes de energía renovables y estabilizar la red eléctrica.
   ‍
4. Estimación del impacto del despliegue de la flexibilidad de la demanda: La flexibilidad de la demanda (DSF) se refiere a la práctica de modular la demanda de energía en un edificio o instalación para adaptarla a la disponibilidad de suministro, principalmente durante las horas de máxima demanda. Los modelos energéticos contrafactuales pueden utilizarse para estimar el impacto del despliegue de la flexibilidad, proporcionando un análisis "qué pasaría si" que contrasta el escenario real con uno alternativo en el que no se redujera la demanda de energía. Esto tiene especial relevancia a la hora de calcular las compensaciones de flexibilidad para las entidades, permitiendo una representación precisa del valor aportado a la eficiencia y estabilidad de la red energética global.
   ‍
5. Apoyo a los servicios públicos de energía en la planificación del mercado diario: Los mercados de energía diarios se basan en la predicción de la demanda horaria de energía del día siguiente, un proceso crucial para las compañías eléctricas. Los algoritmos de previsión desempeñan un papel muy importante en la predicción de esta demanda, dotando a las empresas de los conocimientos que necesitan para participar en las subastas del mercado energético. De este modo, pueden determinar la cantidad de energía que suministrarán y el precio correspondiente. Gracias a la precisión de las estimaciones de estos algoritmos, se garantiza una asignación óptima de los recursos, lo que significa que las fuentes de energía más intensivas en CO2, como el gas natural, pueden mantenerse en modo de espera cuando no son necesarias, reduciendo significativamente las emisiones indirectas de carbono de los edificios.
   ‍
6. Caracterización de la envolvente de un edificio mediante modelos de inferencia: La envolvente de un edificio consiste en los elementos físicos que separan su interior del exterior, como paredes, tejados y ventanas. Conocer la calidad de la envolvente de un edificio puede poner de manifiesto áreas ineficientes, como la pérdida de calor a través de paredes mal aisladas, y orientar las mejoras. Los modelos de consumo energético pueden analizar los datos históricos de consumo de energía para detectar automáticamente los edificios mal aislados, lo que reduce la necesidad de realizar auditorías energéticas ad hoc y acorta considerablemente el tiempo dedicado a estos análisis.
   ‍

‍

Cada una de las aplicaciones descritas sirve a un propósito específico, contribuyendo a la optimización energética y a la reducción de emisiones en el entorno construido. Subrayan el valor general y el potencial de los algoritmos de aprendizaje automático en el sector energético, y estos ejemplos son sólo la punta del iceberg. A medida que el campo de la IA siga evolucionando y perfeccionándose, podemos esperar usos aún más innovadores y eficaces de estas tecnologías.

‍

Si quiere profundizar en el tema de cómo aprovechar la IA para mejorar la eficiencia energética y la sostenibilidad, diríjase al Substack de Benedetto.

Notas y fuentes:

1. Si está interesado en un relato detallado y bien escrito de las amenazas existenciales a las que se enfrenta la humanidad, puede consultar El precipicio de Toby Ord

2. Para un análisis más detallado, consulte el resumen de Google sobre IA frente a ML

3. Fuente: https://www.iea.org/energy-system/buildings

4. Fuente: https://www.iea.org/reports/multiple-benefits-of-energy-efficiency/emissions-savings

‍

‍