Fuente: https://www.pv-magazine.com
La inteligencia artificial (IA) está de moda en este momento y está encontrando aplicaciones centrales en hogares y empresas a medida que pasan de simples conexiones a la red a la autogeneración, el almacenamiento de energía, la carga de vehículos eléctricos (EV) y los flujos de ingresos por transferencia de carga. Con la IA en todas partes, ¿cuál es la diferencia entre el control avanzado, mediante algoritmos simples, y la verdadera inteligencia?
La IA puede ser una palabra de moda, pero cuando se trata de gestión de energía es actualmente la única herramienta que puede tomar enormes cantidades de datos y hacer pronósticos significativos para optimizar el uso de energía renovable y almacenamiento, especialmente a medida que proliferan los vehículos eléctricos.
La startup de energía Lade, con sede en Mainz, Alemania, se centra en optimizar el consumo de energía renovable en la carga de vehículos eléctricos y la gestión de la energía. La IA ya está demostrando ser una herramienta útil implementada para beneficiar a los clientes.
El fundador y director ejecutivo (CEO) de Lade, Dennis Schulmeyer, dijo a pv magazine que un equipo interno de siete empleados dedicados está trabajando en IA en combinación con el producto LADEgenius de la compañía, que puede manejar 200 cargadores de vehículos eléctricos, para interactuar con las entradas de datos locales de los módulos fotovoltaicos. , sistemas de almacenamiento de energía y cargadores de vehículos eléctricos, junto con entradas y salidas para cumplir con las regulaciones de la red. LADEgenius es básicamente un conector y administrador de carga en el sitio que puede tomar decisiones con la ayuda de la inteligencia de la nube. Esa inteligencia en la nube utiliza inteligencia artificial y aprendizaje automático, a través de un sistema que la empresa llama Lana.
«Lana es IA porque puede pronosticar la disponibilidad de energía», dijo Schulmeyer. “Lana puede recopilar datos de los servicios meteorológicos de Alemania y pronosticar hasta cinco días para determinar cuánta energía renovable estará disponible.
“También pronosticamos la disponibilidad de energía renovable local para el edificio, para la generación, leemos los datos del inversor y los valores climáticos para la instalación, y también pronosticamos el consumo. Nuestro principal [punto de venta único] también es poder pronosticar los tiempos de llegada y salida de los automóviles y cuánta energía necesitarán realmente los automóviles dentro de cinco días en el futuro, y [nosotros] calculamos el plan de carga óptimo para ese momento”.
Todo eso tiene un “alto costo”, dijo Schulmeyer, ya que la IA se entrena con datos y se ejecuta en modelos alojados en servidores en la nube, y Lade agrega algunos costos adicionales al pagar por el uso de energía estrictamente renovable, con compensaciones por los servidores.
«Nuestro equipo interno desarrolló la IA durante los últimos tres años», dijo el director ejecutivo. «Inicialmente lo entrenamos para que utilizara datos de fuente abierta mientras añadíamos datos reales de nuestros cargadores y, por ejemplo, datos de los clientes sobre su generación fotovoltaica, e incluso nuestra propia configuración del mundo real aquí en Mainz». Schulmeyer confirmó que agregar datos adicionales de clientes a los datos de entrenamiento de Lana ha mejorado aún más las predicciones.
Optimización con IA
El vicepresidente de productos de SolarEdge, Ido Ginodi, explicó cómo se utiliza la IA para optimizar los sistemas de gestión de energía y cómo maneja problemas de optimización y pronósticos fundamentalmente difíciles de una manera que los algoritmos de control tradicionales no pueden, ni siquiera en el hogar. SolarEdge, con sede en Israel, es bien conocida en la industria fotovoltaica y, a medida que surge la complejidad entre la generación y el almacenamiento de energía, la carga de vehículos eléctricos, los datos y la previsión, Ginodi mostró un entusiasmo considerable por cómo su empresa está utilizando las ventajas de la IA. «Las líneas entre los buenos enfoques algorítmicos sólidos y la IA son borrosas», dijo Ginodi. «Pero después de pasar algunos años investigando la IA en entornos académicos, mucho de lo que la gente está haciendo, incluyéndonos a nosotros, en este campo está verdaderamente impulsado por la IA y promueve nuestra capacidad de ofrecer optimización energética de última generación». Ginodi explicó que la IA no solo es necesaria cuando una aplicación crece en tamaño desde una sola vivienda, con un solo cargador de vehículos eléctricos, hasta edificios de viviendas múltiples y sitios comerciales e industriales con múltiples, posiblemente cientos, de cargadores. «En realidad, quiero argumentar algo un poco diferente: en el caso de uso residencial, la IA es extremadamente importante», dijo Ginodi. “El problema de la gestión energética es fundamentalmente un difícil problema de optimización. Comenzamos nuestro viaje con el concepto de optimización de la energía, optimizando la cantidad de jugo que se puede extraer de los paneles solares. Ahora estamos avanzando unos pasos y optimizando el rendimiento de todo el sitio, que es un orden de magnitud más complejo”. El ejecutivo de SolarEdge explicó que un sistema de gestión de energía puede optimizar métricas para beneficio del cliente final. Lo hace mientras orquesta elementos como la generación fotovoltaica, el despacho de baterías, la carga de vehículos eléctricos y la orquestación de carga. Los sistemas también pueden optimizar la integración de calefacción, ventilación y aire acondicionado para precalentamiento y enfriamiento, al tiempo que se adaptan a tarifas dinámicas y participación en el mercado, e incluso preparativos para apagones, mediante el uso de datos para tomar decisiones. «Termina teniendo múltiples grados de flexibilidad», dijo Ginodi. “Es mucho y fascinante, y en algunos lugares las soluciones impulsadas por IA pueden generar resultados significativamente mejores que los que podría haber logrado un enfoque algorítmico ingenuo. Pero vamos más allá. Desarrollamos modelos predictivos basados en técnicas de regresión de aprendizaje automático para consumo, producción, aranceles de importación y exportación, y uno para eventos de red. Una vez que tenga esos cuatro modelos, puede hacer que los algoritmos clásicos tomen la decisión sobre cómo desea distribuir los diferentes recursos que tiene en un sistema”. Para el usuario final, esto se traduce en que el sistema de gestión se optimice para obtener ganancias, como es común, o se optimice por conveniencia o para la descarbonización, según las preferencias del usuario. Ginodi añadió que las empresas de la cartera de SolarEdge también trabajan estrechamente para incorporar capacidades de IA en su oferta. En particular, Wevo, la empresa de gestión de carga de vehículos eléctricos, trabaja para escalar de forma rentable la carga de vehículos eléctricos con gestión de carga predictiva y gestión de capacidad. Si bien la tecnología de gestión de carga estática y dinámica es cada vez más abundante en la industria, la IA en forma de modelado predictivo ofrece mejoras significativas en el factor de concurrencia, es decir, la capacidad de colocar más cargadores en un punto de conexión a la red determinado. “Supongamos que una empresa quiere ofrecer plazas de aparcamiento electrificadas en su aparcamiento”, afirma Ginodi. “Es extremadamente costoso ofrecer 100 nuevos focos de 11/22 kW cada uno. Esto supone 1 MW o 2 MW de potencia adicional necesaria. Un enfoque de fuerza bruta sería requerir toda la potencia suministrada para el sistema, pero no es necesario cargar los vehículos juntos y ni siquiera es necesario conectar estáticamente capacidad a cada cargador. Esa es la gestión de carga dinámica. Un paso más allá, puede incorporar las predicciones que genera Wevo y crear un cronograma óptimo de carga. El modelo supone que los automóviles aparecerán en un estacionamiento a cierta velocidad y cuáles serán los niveles de producción local y consumo total en cada momento. “Con estas predicciones a la mano, se puede atender a más vehículos y conductores. Hasta 20 veces más, en comparación con una implementación ingenua”.
Schulmeyer dijo que los controles avanzados basados en software pueden resolver algunos problemas para una situación de una sola vivienda, pero los administradores de carga equipados estándar y los sistemas de carga excedentes fotovoltaicos pronto tendrán dificultades para ofrecer ventajas reales al considerar múltiples cargadores de vehículos eléctricos. «Esto es lo más espectacular», añadió.
En situaciones comerciales e industriales más grandes, la gestión de la energía debe realizarse a través de numerosos cargadores de vehículos eléctricos para evitar una demanda innecesariamente grande sin coordinación, lo que hace que la tarea sea cada vez más compleja. Esto se vuelve aún más complejo al agregar generación de pronósticos y consumo a través de datos meteorológicos y al mismo tiempo ofrecer funciones como reducción de picos. Esto sería imposible de operar sin la tecnología de inteligencia artificial, afirmó el fundador de Lade.
Mejorando
«Hacemos todo esto y estamos mejorando», dijo. “Si se conecta a nuestros cargadores de vehículos eléctricos por primera vez, decimos que nuestras estimaciones de la energía que necesitará el automóvil con el tiempo tendrán una precisión de alrededor del 67%, frente a un punto de partida más bajo. Pero, por supuesto, cuantos más datos tengamos, mejor será, y la ventaja de una startup es que ejecutamos muchos modelos y tecnologías de inteligencia artificial, y nos adaptamos”.
Schulmeyer tuvo cuidado de señalar ventajas para todo el ecosistema que van más allá de la IA. «No es sólo el algoritmo de IA… es cómo piensas como empresa», dijo. “No estamos solos y encontraremos formas de incluir a otros. De hecho, agregaremos cargadores de terceros en nuestra nube, con LADEgenius. Pero esto es importante porque no somos independientes en el sentido de ser los únicos que existimos en esta área. Y nuestro objetivo, sobre todo, es la transición energética, con la ayuda de la movilidad eléctrica”.