La inteligencia industrial ha acaparado los titulares recientemente por su demandas de energía en rápido crecimientoy en particular el creciente uso de electricidad de los centros de datos que permiten el entrenamiento y despliegue de los últimos modelos de IA generativa. Pero no todo son malas noticiario: algunas herramientas de inteligencia industrial tienen el potencial de disminuir 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, Telediario del MIT habló con Priya Dontiprofesor de avance profesional de la clan Silverman en el Sección de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT e investigador principal del Laboratorio de Sistemas de Información y Atrevimiento (LIDS), cuyo trabajo se centra en la aplicación del enseñanza espontáneo para optimizar la red eléctrica.
P: ¿Por qué es necesario optimizar la red eléctrica en primer ocupación?
A: Necesitamos amparar un nivelación exacto entre la cantidad de energía que se pone en la red y la cantidad que sale en cada momento. Pero por el costado 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 costado de la proposición, suele poseer alguna variación en los costos y la disponibilidad de combustible a la que los administradores de la red deben objetar. Esto se ha convertido en un problema aún veterano correcto 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 arreglado. Luego, al mismo tiempo, dependiendo de cómo fluye la energía en la red, se pierde poco de energía correcto al calor resistivo en las líneas eléctricas. Entonces, como cirujano de red, ¿cómo se asegura de que todo esté funcionando todo el tiempo? Ahí es donde entra en placer la optimización.
P: ¿Cómo puede la IA ser más útil en la optimización de la red eléctrica?
A: Una forma en que la IA puede resultar útil es utilizar una combinación de datos históricos y en tiempo positivo para hacer predicciones más precisas sobre cuánta energía renovable estará arreglado en un momento determinado. Esto podría conducir a una red eléctrica más limpia al permitirnos manejar y utilizar mejor estos posibles.
La IA incluso podría ayudar a afrontar los complejos problemas de optimización que los operadores de redes eléctricas deben resolver para equilibrar la proposición y la demanda de una forma que incluso 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 beneficiarse 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 forma más rápida, que pueden implementarse en tiempo positivo para ayudar a los operadores de la red a diligenciar la red de forma receptiva y proactiva.
La IA incluso podría resultar útil en la planificación de redes eléctricas de próxima coexistentes. 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 forma más valioso. La tecnología incluso puede ayudar con el mantenimiento predictivo al detectar dónde es probable que ocurra un comportamiento irregular en la red, reduciendo las ineficiencias que surgen de las interrupciones. En términos más generales, la IA incluso 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?
A: Una cosa importante a recapacitar 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 maniquí que está entrenado con una cantidad beocio de datos con una cantidad beocio de parámetros, consumirá mucha menos energía que un maniquí sobresaliente de propósito común.
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 auxilio. 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 común, es importante pensar si los tipos de inversiones que estamos haciendo en IA efectivamente 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 avance 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 posibles y, al mismo tiempo, no son responsables de la veterano 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 forma plausible. Este es un problema difícil de resolver. Si un LLM dice poco que es levemente 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 corte a gran escalera. Necesitamos construir modelos de forma diferente, pero esto incluso 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 avance e implementación de IA, y que se haga de una forma que esté alineada con las deyección de las aplicaciones en el dominio.