IBM mejora la tecnología de previsión de energía solar

El estigma de la previsiones de energía solar ha terminado. Esa vieja discusión acerca de que la energía solar es poco fiable es cada vez más débil, y ahora llega IBM para rematar el tema. La compañía enfoca la predicción del clima mediante el Big Data, y el resultado es un sistema de previsiones de energía solar que es hasta un 30% más preciso que el mejor sistema convencional. Esto representa una gran noticia para los servicios públicos y otros operadores del sistema eléctrico, ya que les ayuda a asegurar el suministro de energía, a la vez que colabora con la integración de más energía solar.

La previsión de energía solar mediante una máquina muy reflexiva

Según IBM Research las previsiones de energía solar y eólica que se efectúan mediante mecanismos de aprendizaje automático y otras tecnologías de computación cognitiva están demostrando ser un 30% más precisas que las creadas usando metidos convencionales. Parte de un programa de investigación financiado por el Departamento de Energía Iniciativa SunShot de EE.UU., el avance de resultados sugiere nuevas formas de optimizar los recursos solares a medida que se integran cada vez más en los sistemas de energía de la nación.

Investigadores de IBM trabajaron con colaboradores académicos, gubernamentales e industriales para desarrollar una tecnología reanudable de previsión conocida como SMT. El sistema SMT utiliza una metodología de aprendizaje automático, Big Data y análisis para analizar de forma continua, aprender y mejorar las predicciones solares derivadas de un gran número de modelos meteorológicos. Al contrario, la mayoría de las técnicas de predicción actuales se basan en modelos climáticos individuales que ofrecen una visión más estrecha de las variables que afectan la disponibilidad de energía renovable.

El enfoque de IBM proporciona una plataforma general para la predicción de energía renovable, incluyendo eólica y la hidráulica. Se hace avanzar el estado de la técnica mediante el uso de técnicas de aprendizaje automático profundas para mezclar datos de dominio, información de las redes de sensores y estaciones meteorológicas locales, la física de movimiento de las nubes derivadas de cámaras enfocadas al cielo y las observaciones por satélite, y múltiples modelos de predicción meteorológica. El sistema SMT representa la primera vez que una amplia gama de métodos de predicción se han integrado en una plataforma única y escalable.

«Mediante la capacitación de sí misma utilizando registros históricos de miles de estaciones meteorológicas y mediciones en tiempo real, el sistema de IBM combina las predicciones de varios modelos meteorológicos con información geográfica y otros datos para producir los pronósticos más precisos – desde minutos hasta semanas por delante», explicó El Dr. Siyuan Lu, investigador en Física Analítica en IBM.

«Al mejorar la precisión de las predicciones, los servicios públicos pueden operar de manera más eficiente y rentable. Eso puede aumentar el uso de fuentes de energía renovables como una opción de generación de energía más aceptada «, dijo el Dr. Mathias Bri-Hodge, que supervisa la Transmisión y el Grupo de Integración de Red en el Laboratorio Nacional de Energía Renovable (NREL), colaborador en el proyecto.

En 2013, la energía solar fue la segunda mayor fuente de generación de nueva potencia de electricidad en los EE.UU., sólo superado por el gas natural. Un estudio de SunShot Visión EE.UU. sugiere que la energía solar podría proporcionar hasta un 14% de la demanda eléctrica EE.UU. en 2030 y 27% para el año 2050.

Actualmente, hay dos clientes principales de tecnologías de previsión de energía renovables: empresas de servicios y operadores de sistemas independientes (ISO). Sin embargo, la dificultad inherente en la producción de pronósticos exactos de energía solar y eólica ha requerido que las empresas eléctricas contengan una mayor cantidad de reservas de energía en comparación con las fuentes de energía convencionales. Con las instalaciones de energía solar en rápido crecimiento, los futuros niveles de penetración solar pronto requerirán una predicción solar más precisa.

«Los recursos solares fotovoltaicos se han expandido dramáticamente en Nueva Inglaterra en los últimos cinco años, pasando de apenas 44 megavatios a 1.000 megavatios», dijo Jonathan Negro, ingeniero principal en los esfuerzos de previsión PV solares de ISO Nueva Inglaterra y un colaborador en el proyecto. «En la actualidad, la mayoría de las instalaciones solares en Nueva Inglaterra son» detrás de los indicadores «en el sistema de distribución, por lo que su salida no es» visible «en tiempo real a los operadores del sistema ISO, pero reducen la cantidad de la demanda de electricidad que observan . La creciente producción agregada de todos estos recursos a través de nuestra región va a cambiar cada vez la curva de demanda diaria, por lo que la ISO necesitará pronósticos solares precisos para ayudar a los operadores de red siguen equilibrar la generación de energía y la demanda de los consumidores”.

Resumiendo, SMT es un enfoque ultrarrealista que reúne – por primera vez – los diferentes tipos de sistemas de predicción:

Se hace avanzar el estado de la técnica mediante el uso de técnicas de aprendizaje automático profundas para mezclar datos de dominio, información de las redes de sensores y estaciones meteorológicas locales, la física de movimiento de las nubes derivadas de cámaras enfocadas al cielo y las observaciones por satélite, y múltiples modelos de predicción meteorológica.

El «pensamiento profundo» viene en ciclos como el sistema de forma continua a través de una combinación de mediciones en tiempo real y los registros históricos, a partir de miles de estaciones meteorológicas.

No salga corriendo a  comprar su propio SMT todavía, todavía. El sistema, que es un esfuerzo de colaboración entre IBM y el Laboratorio Nacional de Energía Renovable (NREL), entre otros socios, se encuentra todavía en una fase preliminar.

Por lo demás, si usted echa un vistazo a este vídeo de IBM, verá que la colaboración apunta a un aumento de 50% en la precisión, además de proporcionar una plataforma para todas las predicciones:

¿Y qué sucede con la previsión de la energía solar en loa EE.UU.?

Los sistemas de predicción de energía solares convencionales pueden ser adecuados para ahora, pero eso va a cambiar. De acuerdo con IBM, en torno al 27% de la demanda eléctrica del país podría provenir de la energía solar para el año 2050.

Para aquellos que son nuevos en el tema, la energía solar distribuida se refiere a relativamente pequeñas matrices ubicadas en los techos y otras propiedades más pequeñas. Hasta que la red inteligente se vuelva verdaderamente brillante, es difícil para los servicios públicos y otros operadores del sistema calibrar con precisión la actividad y la demanda relacionada con estos «detrás del medidor» de conjuntos.

Cuando los sistemas solares distribuidos son pocos y distantes entre sí, hay poco efecto sobre la demanda global, pero la energía solar distribuida está penetrando rápidamente en el mercado. Los operadores de red, en efecto, volarán a ciegas a menos que los modelos de predicción más precisos estén disponibles.

En el contexto de los impactos de gas natural (incluyendo el transporte y los problemas de almacenamiento, así como la fractura hidráulica), el beneficio general de la predicción más precisa solar es clara. Usted obtiene un suministro más confiable de energía, un uso más eficiente de los recursos de energía solar, y una menor dependencia de las plantas de energía fósiles.

Para Nueva Inglaterra, por ejemplo, el efecto dominó también incluye una reducción, si no la eliminación, de la necesidad de construir perjudicial gasoductos e instalaciones de almacenamiento nueva.

En cuanto a la participación del Departamento de Energía, el proyecto SMT viene bajo el programa SunShot de la agencia, que tiene como objetivo reducir el coste de la energía solar a la paridad con los combustibles fósiles.

SunShot está presionando para un aumento de la energía solar distribuida, y SMT es parte de un paquete de iniciativas que den solución a los problemas planteados por estos sistemas «detrás» del medidor». Soluciones energéticas de almacenamiento, redes inteligentes, y microrredes también están en la mesa.