La inteligencia artificial ha acaparado los titulares recientemente por su rápido crecimiento en la demanda de energía y, en particular, por el creciente uso de electricidad de los centros de datos que permiten el entrenamiento y el despliegue de los últimos modelos de IA generativa. Pero no todo son malas noticias: algunas herramientas de inteligencia artificial tienen el potencial de reducir algunas formas de consumo de energía y permitir redes más limpias.
Una de las aplicaciones más prometedoras es el uso de IA para optimizar la red eléctrica, lo que mejoraría la eficiencia, aumentaría la resiliencia a las condiciones climáticas extremas y permitiría la integración de más energía renovable. Para obtener más información, MIT News habló con Priya Donti, profesora de desarrollo profesional de la familia Silverman en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT e investigadora principal del Laboratorio de Sistemas de Información y Decisión (LIDS), cuyo trabajo se centra en aplicar el aprendizaje automático para optimizar la red eléctrica.
P: ¿Por qué es necesario optimizar la red eléctrica en primer lugar?
R: Necesitamos mantener un equilibrio exacto entre la cantidad de energía que se pone en la red y la cantidad que sale en cada momento. Pero por el lado de la demanda, tenemos cierta incertidumbre. Las compañías eléctricas no piden a los clientes que registren previamente la cantidad de energía que van a utilizar, por lo que se deben realizar algunas estimaciones y predicciones.
Luego, por el lado de la oferta, suele haber alguna variación en los costos y la disponibilidad de combustible a la que los administradores de la red deben responder. Esto se ha convertido en un problema aún mayor debido a la integración de energía procedente de fuentes renovables que varían en el tiempo, como la solar y la eólica, donde la incertidumbre climática puede tener un impacto importante en la cantidad de energía disponible. Luego, al mismo tiempo, dependiendo de cómo fluye la energía en la red, se pierde algo de energía debido al calor resistivo en las líneas eléctricas. Entonces, como operador de red, ¿cómo puede asegurarse de que todo esté funcionando todo el tiempo? Ahí es donde entra en juego la optimización.
P: ¿Cómo puede la IA ser más útil en la optimización de la red eléctrica?
R: Una forma en que la IA puede resultar útil es utilizar una combinación de datos históricos y en tiempo real para hacer predicciones más precisas sobre cuánta energía renovable estará disponible en un momento determinado. Esto podría conducir a una red eléctrica más limpia al permitirnos manejar y utilizar mejor estos recursos.
La IA también podría ayudar a abordar los complejos problemas de optimización que los operadores de redes eléctricas deben resolver para equilibrar la oferta y la demanda de una manera que también reduzca los costos. Estos problemas de optimización se utilizan para determinar qué generadores de energía deberían producir energía, cuánta deberían producir y cuándo deberían producirla, así como cuándo deberían cargarse y descargarse las baterías, y si podemos aprovechar la flexibilidad en las cargas de energía. Estos problemas de optimización son tan costosos computacionalmente que los operadores utilizan aproximaciones para poder resolverlos en un período de tiempo factible. Pero estas aproximaciones suelen ser erróneas, y cuando integramos más energía renovable en la red, se desvían aún más. La IA puede ayudar proporcionando aproximaciones más precisas de una manera más rápida, que pueden implementarse en tiempo real para ayudar a los operadores de la red a gestionar la red de manera receptiva y proactiva.
La IA también podría resultar útil en la planificación de redes eléctricas de próxima generación. La planificación de redes eléctricas requiere el uso de enormes modelos de simulación, por lo que la IA puede desempeñar un papel importante en la ejecución de esos modelos de manera más eficiente. La tecnología también puede ayudar con el mantenimiento predictivo al detectar dónde es probable que ocurra un comportamiento anómalo en la red, reduciendo las ineficiencias que surgen de las interrupciones. En términos más generales, la IA también podría aplicarse para acelerar la experimentación destinada a crear mejores baterías, lo que permitiría la integración de más energía procedente de fuentes renovables en la red.
P: ¿Cómo deberíamos pensar en los pros y los contras de la IA, desde la perspectiva del sector energético?
R: Una cosa importante que debemos recordar es que la IA se refiere a un conjunto heterogéneo de tecnologías. Se utilizan diferentes tipos y tamaños de modelos, y diferentes formas de utilizarlos. Si está utilizando un modelo que está entrenado con una cantidad menor de datos con una cantidad menor de parámetros, consumirá mucha menos energía que un modelo grande de propósito general.
En el contexto del sector energético, hay muchos lugares donde, si se utilizan estos modelos de IA específicos para las aplicaciones a las que están destinados, la relación costo-beneficio funciona a su favor. En estos casos, las aplicaciones están permitiendo beneficios desde una perspectiva de sostenibilidad, como incorporar más energías renovables a la red y apoyar estrategias de descarbonización.
En general, es importante pensar si los tipos de inversiones que estamos haciendo en IA realmente coinciden con los beneficios que queremos de la IA. A nivel social, creo que la respuesta a esa pregunta en este momento es “no”. Hay mucho desarrollo y expansión de un subconjunto particular de tecnologías de IA, y estas no son las tecnologías que tendrán los mayores beneficios en las aplicaciones energéticas y climáticas. No digo que estas tecnologías sean inútiles, pero requieren un uso increíblemente intensivo de recursos y, al mismo tiempo, no son responsables de la mayor parte de los beneficios que podrían sentirse en el sector energético.
Estoy emocionado de desarrollar algoritmos de IA que respeten las limitaciones físicas de la red eléctrica para que podamos implementarlos de manera creíble. Este es un problema difícil de resolver. Si un LLM dice algo que es ligeramente incorrecto, como humanos, generalmente podemos corregirlo mentalmente. Pero si se comete un error de la misma magnitud al optimizar una red eléctrica, eso puede provocar un apagón a gran escala. Necesitamos construir modelos de manera diferente, pero esto también brinda la oportunidad de beneficiarnos de nuestro conocimiento sobre cómo funciona la física de la red eléctrica.
Y en términos más generales, creo que es fundamental que aquellos de nosotros en la comunidad técnica pongamos nuestros esfuerzos en fomentar un sistema más democratizado de desarrollo e implementación de IA, y que se haga de una manera que esté alineada con las necesidades de las aplicaciones en el terreno.