Resumen:
Palabras clave: Red eléctrica inteligente, inteligencia artificial, blockchain, ciencia de datos.
Declaración de importancia:
La red eléctrica se ha modernizado en años recientes, particularmente a través del uso de tecnologías de información y comunicaciones como lo es la inteligencia artificial. Por lo tanto, es importante que la sociedad conozca algunas pautas sobre esta área y lo que se desarrolla en nuestro país.
Disciplina principal: Computación
Áreas de aplicación: Inteligencia Artificial, Red Eléctrica
Industria mayormente relacionada: Red eléctrica, computación.
La red eléctrica es uno de los pilares para los sistemas productivos y económicos para el desarrollo de la humanidad. Creado a finales del siglo XIX, hasta hace poco no se habían modernizado los sistemas eléctricos de potencia. A través del uso de tecnologías de información y comunicaciones, a finales de la década del 2000 se le pasó a denominar red eléctrica inteligente [1].
Sin embargo, hasta hace poco la “inteligencia” solo se había centrado en mecanismos básicos de comunicación y procesamiento de datos, por lo que la red eléctrica no ha sido totalmente inteligente debido a que no se ha adaptado a las nuevas necesidades de los usuarios finales [2].
Los sistemas eléctricos de potencia se componen de diversas partes, iniciando desde la generación, transmisión, distribución y comercialización de la energía eléctrica.
La “inteligencia” en cualquier sistema no solo implica el uso de TICs, se ocupa de que dichas tecnologías trabajen en conjunto para brindar mejor experiencias al usuario final.
Una de las partes más visibles de la red eléctrica inteligente ha sido el sistema de medición inteligente [3]. Los sistemas de medición inteligente se caracterizan por tener toda una infraestructura para la transmisión de datos, principalmente de consumo, desde los medidores de energía hacia la empresa eléctrica. La implementación más conocida es la infraestructura de medición avanzada (AMI, por sus siglas en inglés) [4].
El elemento fundamental de los sistemas de medición inteligente es el medidor inteligente. Un medidor inteligente es un sistema embebido especializado en la medición de consumo de energía eléctrica, pero que ahora tiene capacidades de comunicación y procesamiento de datos básicos que le permiten brindar una serie de servicios a los usuarios finales [5].
En la Figura 1 se muestran los elementos principales de un sistema de medición inteligente en redes eléctricas. Se puede notar que existe un dispositivo intermediario que recolecta los datos de varios medidores, llamado concentrador de datos. La interconexión de los elementos se hace a través de redes de telecomunicaciones, principalmente inalámbricas.
Figura 1. Arquitectura básica de un sistema de medición inteligente.
Además del servicio básico de facturación, en donde la empresa eléctrica no necesita de un lecturista humano para que vaya físicamente a los medidores de las casas y oficinas, también se cuenta con un portal web y/o aplicación móvil que permite a los usuarios ver su consumo de energía en todo momento.
Por otra parte, también se han automatizado otros procesos, como lo son los cortes y reconexiones, que ahora se pueden realizar de forma automática sin necesidad de que el operador eléctrico lo haga de forma manual.
En este trabajo se presentan nuevas tendencias en la red eléctrica, los nuevos retos a enfrentar y cómo el uso de la Inteligencia Artificial (IA) está mejorando el sector eléctrico. Finalmente, se presenta un trabajo desarrollado para sistemas de medición transactiva que combina el uso de blockchain y de IA para mejorar el uso de la energía.
Nuevas tendencias en la red eléctrica
Ahora, con el uso de las TICs, el medidor inteligente puede hacer más cosas al tener más capacidades de comunicación y procesamiento de datos. La tendencia actual de abaratamiento de los sistemas electrónicos ha hecho que hardware de procesamiento de datos como microcontroladores y en especial, tarjetas de computadoras simples (SBC, por sus siglas en inglés) sean cada vez más baratos y por tanto, sean capaces de tener nuevas aplicaciones [6].
Algunas nuevas aplicaciones ya han sido consideradas y aplicadas. Por ejemplo, los medidores pueden aplicar tarifas diversas como horas pico y recientemente, dada la alta penetración de energías renovables como la solar y eólica, los medidores son bidireccionales, permitiendo medir también la producción de energía eléctrica.
Los usuarios finales que, además de consumir, ahora pueden producir energía eléctrica son denominados prosumidores [7]. ¿Es este quizás uno de los principales disruptores en el sistema eléctrico de potencia, junto con las tres D de Descarbonización, Descentralización y Digitalización?
Nuevos retos en la red eléctrica
Para lograr la descarbonización, además de utilizar sistemas de energía distribuida (DER, por sus siglas en inglés), se han empezado a integrar directamente los medidores inteligentes con los sistemas de gestión de energía de tal forma que se puedan conectar y desconectar aparatos eléctricos que consumen mucha energía, tales como calefactores y aires acondicionados, así como conectar otros electrodomésticos cuando los precios de energía sean más baratos; es decir, ahora los precios de energía empiezan a manejarse en tiempo real conforme a la oferta y la demanda de la energía eléctrica.
Algunas empresas eléctricas, a través de programas de incentivos con la participación de los prosumidores, pueden apagar sus dispositivos cuando por cuestiones de producción de energía salga muy caro producirla, por lo que el usuario final deja de utilizar sus aparatos eléctricos a cambio de una retribución económica. A esto se le ha denominado respuesta a la demanda [8] y esto se ha empezado a integrar directamente a los medidores inteligentes.
Respecto a la descentralización, se ha empezado a trabajar en tecnologías que permitan abrir el mercado eléctrico ante todos los participantes y más con la inclusión de los prosumidores; por lo que los mercados eléctricos se empiezan a regir más por los sistemas transactivos de energía (TES, por sus siglas en inglés). La mayoría de los TES utilizan tecnologías como las cadenas de bloques (blockchain), que además de permitir descentralización, manejan técnicas criptográficas que permiten la seguridad de la información [9]. En este sentido, la seguridad y privacidad de los datos de medición es fundamental para conservar la confidencialidad, integridad y disponibilidad del suministro eléctrico [4].
Por otra parte, la digitalización ha sido crucial en el desarrollo de la sostenibilidad de la nueva red eléctrica. Particularmente, las TICs se han utilizado en otras partes del proceso de generación, transmisión, distribución, consumo y comercialización de la energía eléctrica. La digitalización ha traído consigo la creciente generación de datos [10].
Uso de la IA en la red eléctrica
La creciente explosión de datos, junto con el abaratamiento del hardware, ha hecho posible que se puedan aplicar técnicas de inteligencia artificial no solo en la nube (servidores con grandes capacidades de cómputo), sino que también se puedan desarrollar en dispositivos intermedios (cómputo en la niebla) y principalmente en los dispositivos finales (cómputo en el borde), como los medidores inteligentes.
Por ejemplo, se han utilizado los datos que generan los medidores inteligentes para determinar patrones de consumo que permitan, por una parte, reducir el consumo de energía, pero también, por otra parte, determinar componentes anómalos [5].
También los datos generados por medidores de energía eléctrica permiten tener modelos de pronóstico más eficientes para predecir la demanda y por ende abaratar costos en la generación.
Otra de las aplicaciones de la IA con el uso de medidores de energía eléctrica es que se pueden utilizar para medir eventos de calidad de la energía (por ejemplo, bajo o sobre voltajes, armónicos, entre otros) y lograr con ello tener un mejor estado de la red.
Otros autores se han enfocado más hacia el procesamiento de señales con la idea de poder identificar de forma rápida y sencilla los dispositivos eléctricos que consumen y cómo consumen la energía. Todo esto a través del procesamiento de señales, aplicando desde técnicas tradicionales como filtros y transformadas hasta técnicas de clasificación de datos utilizando marcos de trabajo como NILTK [2].
Hacia un nuevo sistema de medición de energía eléctrica inteligente.
Dadas las nuevas tendencias en mercados de energía eléctrica, así como las oportunidades tecnológicas que brinda la IA, en nuestro país [2] se empezó a desarrollar un sistema de cadena de bloques multinivel que, además de garantizar la ciberseguridad de los datos de los medidores inteligentes, permite la comercialización de la energía en sistemas transactivos a través del uso de un algoritmo de consenso que premia el buen uso de energía eléctrica, la generación de energía de forma limpia y la calidad de la energía utilizada.
Figura 2. Sistema de Medición Inteligente en el contexto de computación distribuida en la nube-niebla-borde.
En la Figura 2 se puede observar cómo un sistema de medición inteligente puede adaptarse a entornos de computación distribuida, tanto en la nube, niebla como en el borde. Observe que, aunque el medidor inteligente está en el borde, existen otros dispositivos de Internet de las Cosas que pueden interactuar y procesar información, como cafeteras, lámparas, etc. El nivel de niebla está compuesto por los concentradores de datos, que son sistemas embebidos con mayores capacidades de almacenamiento y procesamiento que los medidores.
El blockchain implementado fue desarrollado desde cero en Python, permitiendo un fácil despliegue en medidores inteligentes, concentradores de datos y servidores. El medidor inteligente se realizó a través de una placa Rasberry Pi Model 3 con una tarjeta de medición de energía SmartPi.
En la Figura 3 se puede observar que la implementación de la cadena de bloques se hace en al menos 4 niveles. La primera (BC1), que corresponde a la red detrás del medidor, denominada red de área hogareña (HAN, por sus siglas en inglés), y que es la interconexión de dispositivos de consumo y producción de energía. La BC2 corresponde a la red entre medidores expresada como red de área vecinal (NAN por sus siglas en inglés). El tercer nivel (BC3) corresponde a la red entre concentradores de datos denominada red de área de campo (FAN, por sus siglas en inglés). Finalmente, la última parte (BCn) contiene toda la información proveniente de todos los concentradores de datos.
Figura 3. Arquitectura de blockchain multi nivel implementado
Nótese que en todos los niveles se cuenta con bases de datos que reflejan todas las transacciones realizadas en el sistema. Para nuestra implementación se tienen transacciones de compra (consumo de energía) y venta (producción), representando flujos negativos y positivos de dinero. La idea de segmentar la cadena de bloques es para mejorar el desempeño, ya que las capacidades de cómputo en los medidores (borde) no permitirían guardar y procesar toda la información. El algoritmo de consenso es la parte más importante de una cadena de bloques y es en donde se refleja su grado de inteligencia. El algoritmo implementado, denominado Prueba de Eficiencia (PoEf), es de votación simple, pero con tres aplicaciones de datos: robo de energía, calidad de la energía y pronóstico de consumo y producción de energía.
Para el pronóstico de consumo de energía se utilizó un esquema ARIMA, mientras que para el pronóstico de calidad de la energía se utilizaron técnicas de árbol de decisión y agrupamiento k-means para medir los diferentes eventos de calidad. Finalmente, para la detección de robo de energía se utilizó una variante de clasificador bayesiano. Todos los modelos son retroalimentados por computación en el borde-niebla-nube utilizando AMI en medidores inteligentes, concentradores de datos y servidores, tal y como se ilustra en la Figura 4.
Se puede observar en la Figura 4 que, en primera instancia (bloque 1), se ejecutan los modelos de forma local, para después enviarlos al siguiente nivel (bloque 2), en donde se concentran más datos provenientes de los niveles inferiores. Después se vuelven a ejecutar los modelos en el siguiente nivel (bloque 3), mandando los resultados a los niveles inferiores y procesándolos nuevamente (bloque 4), obteniendo un mejor desempeño a través de ajustes a prueba y error en base a las funciones de optimización planteadas.
Figura 4. Utilización de aprendizaje por refuerzo en la arquitectura implementada.
El desarrollo implementado logró, además de poder mejorar la calidad de la energía, evitar robos y fraudes de energía, así como mejorar los pronósticos de consumo y producción de energía; una disminución considerable en las diversas tarifas eléctricas a nivel hogar (ver Tabla I).
Para ello, se utilizaron datos de consumo de cuatro años de 2016-2020. Considerando que, en lugar de premiar a bajos costos, teniendo una tarifa escalonada por cantidad de consumo y clima como la tiene la Comisión Federal de Electricidad, se manejará una tarifa única para el consumo de producción de energía eléctrica que premie el uso más racional y eficiente de energía, así como el consumo y producción de energía de alta calidad.
De manera general, se puede observar que en las tarifas más bajas no hay una disminución real de precios; sin embargo, en las tarifas altas, el ahorro es considerable, teniendo una disminución promedio del 15.92%.
Una de las limitantes es que aun en nuestro país la penetración de energía eléctrica en el consumidor final es baja (generalmente vista en empresas medianas a grandes y no tanto en los hogares). Sin embargo, al aumentar el uso de energías renovables, se podrán conseguir mejores tarifas.
Conclusiones
La IA está mejorando la red eléctrica inteligente en lo siguiente. Optimización del consumo: La IA analiza patrones de consumo energético para prever la demanda y optimizar la distribución de energía, reduciendo pérdidas y costos. Mantenimiento predictivo: Los algoritmos de IA pueden predecir fallos en los equipos, lo que permite realizar mantenimiento antes de que ocurran problemas, mejorando la fiabilidad de la red. Integración de energías renovables: La IA facilita la integración de fuentes de energía renovable al predecir la producción y ajustando la gestión de la red para equilibrar la oferta y la demanda.
Gestión de la carga: Mediante el análisis de datos en tiempo real, la IA ayuda a gestionar la carga de manera más eficiente, distribuyendo la energía según las necesidades y evitando sobrecargas.
Resiliencia ante fallos: La IA mejora la resiliencia de la red al identificar y mitigar rápidamente situaciones de riesgo, como apagones o problemas en la infraestructura.
Interacción con usuarios: Las plataformas de IA permiten a los consumidores monitorear y gestionar su consumo energético, fomentando el uso eficiente de la energía. Estas mejoras contribuyen a una red eléctrica más eficiente, sostenible y resiliente.
Referencias
[1] E. Y. Song, G. J. FitzPatrick, K. B. Lee and E. Griffor, “A Methodology for Modeling Interoperability of Smart Sensors in Smart Grids,” in IEEE Transactions on Smart Grid, vol. 13, no. 1, pp. 555-563, Jan. 2022, doi: 10.1109/TSG.2021.3124490.
[2] J. C. Olivares-Rojas, “Ciberseguridad de Transacciones en Sistemas de Medición Inteligente Usando Cadenas de Bloque”, Tesis de Doctorado.
[3] M. Orlando et al., “A Smart Meter Infrastructure for Smart Grid IoT Applications,” in IEEE Internet of Things Journal, vol. 9, no. 14, pp. 12529-12541, 15 July15, 2022, doi: 10.1109/JIOT.2021.3137596.
[4] S. Zhang, Y. Zhang and B. Wang, “Antiquantum Privacy Protection Scheme in Advanced Metering Infrastructure of Smart Grid Based on Consortium Blockchain and RLWE,” in IEEE Systems Journal, doi: 10.1109/JSYST.2023.3244630
[5] F. Liu, C. Liang and Q. He, “Remote Malfunctional Smart Meter Detection in Edge Computing Environment,” in IEEE Access, vol. 8, pp. 67436-67443, 2020, doi: 10.1109/ACCESS.2020.2985725.
[6] M. Fayazi, Z. Colter, Z. B. -E. Youbi, J. Bagherzadeh, T. Ajayi and R. Dres inski, “FASCINET: A Fully Automated Single-Board Computer Generator Using Neural Networks,” in IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 41, no. 12, pp. 5435-5448, Dec. 2022, doi: 10.1109/TCAD.2022.3158073.
[7] G. C. Okwuibe, T. Brenner, P. Tzscheutschler and T. Hamacher, “Survey and Analysis of Local Energy Markets Based on Distributed Ledger Technologies,” in IEEE Access, doi: 10.1109/ACCESS.2023.3254508.
[8] H. R. Bokkisam, S. Singh, R. M. Acharya and M. P. Selvan, “Blockchain-based peer-to-peer transactive energy system for community microgrid with demand response management,” in CSEE Journal of Power and Energy Systems, vol. 8, no. 1, pp. 198-211, Jan. 2022, doi: 10.17775/CSEEJPES.2020.06660.
[9] Z. Zeng, M. Dong, W. Miao, M. Zhang and H. Tang, “A Data-Driven Approach for Blockchain-Based Smart Grid System,” in IEEE Access, vol. 9, pp. 70061-70070, 2021, doi: 10.1109/ACCESS.2021.3076746.
[10] D. Said, “A Survey on Information Communication Technologies in Modern Demand Side Management for Smart Grids: “Challenges, Solutions, and Opportunities,” in IEEE Engineering Management Review, 2022, doi: 10.1109/EMR.2022.3186154.
Resumen:
Autores:
Juan Carlos Olivares Rojas
Enrique Reyes Archundia
José Antonio Gutiérrez Gnecchi
Adriana del Carmen Téllez Anguiano
Tecnológico Nacional de México / Instituto Tecnológico de Morelia
Avenida Tecnológico 1500, Colonia Lomas de Santiaguito
Morelia, Michoacán, C.P. 58120
