Inteligencia Artificial para la Transición Energética Sostenible con la Infraestructura de Borde Ciberseguro de Barbara

Ambición del Proyecto IA4TES

‍

En el panorama energético actual, en rápida evolución, los métodos predictivos precisos son esenciales para gestionar las incertidumbres de la demanda y reducir los costes. La iniciativa IA4TES se definió para responder a los retos de un nuevo paradigma energético caracterizado por:

• Generación de energía renovable a partir de sistemas centralizados y distribuidos.
• Una red digitalizada y automatizada, que preste servicios bidireccionales a todos los usuarios.
• Servicios innovadores para permitir la participación de los usuarios en nuevos modelos de consumo eléctrico.
• Tecnologías Facilitadoras de la IA: La exploración de algoritmos de inteligencia avanzada y nuevos paradigmas para la gobernanza de datos y la inteligencia distribuida.

‍

El avance de la computación de borde en la red eléctrica. El papel de Barbara en la inteligencia distribuida

La infraestructura Edge permite el procesamiento de datos en tiempo real en la fuente, lo que permite un análisis y una toma de decisiones inmediatos. Esto reduce la latencia y garantiza respuestas rápidas a las condiciones dinámicas de la red, como los picos de demanda o los problemas de los equipos, mejorando la eficiencia general. Al descentralizar las operaciones, el Edge Computing mejora la fiabilidad y la resistencia. La siguiente imagen ilustra la infraestructura Edge propuesta para el proyecto IA4TES.

‍

‍

‍

Principales retos de la implantación de la IA en entornos distribuidos

Desplegar modelos de IA en el Edge es un viaje ambicioso, que comienza con la captura de datos, donde la diversidad de equipos y la desorganización de los datos de entrada crean retos significativos. Si a esto añadimos las limitaciones de latencia y ancho de banda de la conectividad en la nube, la necesidad de gestionar eficazmente los Big Data en la fuente se vuelve crítica.

A continuación viene el procesamiento de datos, una etapa que aborda la complejidad de los variados modelos de datos y la necesidad de minimizarlos. Establecer ontologías comunes específicas del sector es vital para unificar la información fragmentada, creando una base sólida para el análisis significativo de la IA.

Una vez procesados los datos, la atención pasa a centrarse en su utilización en modelos de IA. Hay que garantizar que los datos estén limpios y estructurados, que se pueda acceder sin problemas a las bases de datos históricas y que se cumplan los requisitos en tiempo real, todo ello garantizando la continuidad operativa incluso durante una interrupción de la conectividad.

Por último, el viaje llega a su fase crítica: el reentrenamiento del modelo. Este paso garantiza que los sistemas de IA sigan siendo eficaces y se adapten a las condiciones cambiantes del mundo real, como la evolución de los patrones de datos o los cambios en las demandas operativas.

Para conseguirlo, marcos avanzados como AIOps (Inteligencia Artificial para Operaciones de TI) y MLOps (Operaciones de Aprendizaje Automático) desempeñan un papel fundamental. Estos marcos agilizan el proceso de actualización, gestión y despliegue de modelos de IA reentrenados de forma eficiente, reduciendo el tiempo de inactividad y mejorando el rendimiento.

Lo que diferencia a este enfoque es la capacidad de realizar el reentrenamiento directamente en el Borde. Al acercar esta capacidad al lugar donde se generan los datos, los modelos pueden adaptarse casi en tiempo real a las condiciones locales y ofrecer mejoras inmediatas y específicas del contexto. Este reentrenamiento localizado minimiza la latencia, reduce la dependencia de la conectividad en la nube y garantiza que la IA siga teniendo capacidad de respuesta e impacto en los entornos que más la necesitan.

‍

Barbara ha desarrollado un software de vanguardia que facilita el despliegue remoto de modelos de IA en el Edge, permitiendo la implementación de diversos casos de uso, como la optimización de las redes de distribución y la mejora de la flexibilidad del lado de la demanda.

‍

Orquestación de IA en múltiples nodos periféricos

‍

"He desarrollado un algoritmo que funciona excepcionalmente bien en el laboratorio, pero ahora necesito ampliarlo a 150 ubicaciones. ¿Cómo puedo abordarlo eficazmente?"

Ampliar la IA es complejo, sobre todo cuando se trabaja con entornos diversos como subestaciones, centros de transformación o recursos energéticos distribuidos (DER). Para que la IA funcione a la perfección, los modelos deben adaptarse y entrenarse específicamente para cada tipo de activo, garantizando un rendimiento óptimo en toda la red.

Una vez que los modelos están listos, empieza el verdadero reto: escalar y orquestar la IA a distancia. Ahí es donde entra Barbara. Nuestra solución tecnológica de pila completa agiliza el despliegue y la gestión de los modelos de IA, eliminando las complejidades de los obstáculos operativos. Es un verdadero sistema "plug-and-play", diseñado para simplificar el proceso de despliegue y supervisión de modelos sin fisuras en el borde.

‍

¿Tienes curiosidad por saber más sobre el flujo de trabajo de MLOps at the Edge y cómo Barbara puede ayudarte? Obtén más información aquí

‍

‍

Dar vida a la IA: Aplicaciones reales en el Proyecto IA4TES

‍

Caso práctico 1: Aumentar la flexibilidad para gestionar la congestión de la red en los centros de transformación

El creciente número de recursos distribuidos en la red de baja tensión (la parte menos digitalizada de la red) está provocando un aumento de los casos de sobretensión y congestión. El objetivo de este caso práctico es ofrecer una visión de cómo se comportará la red en el futuro, los problemas identificados.

La infraestructura estudiada se diseñó para responder a:

- Proporcionar un flujo continuo de datos, incluso cuando éstos varían en granularidad o tiempos de acceso.

- Crea un gemelo digital de la red para comprender y controlar su estado en tiempo real.

- Conecta diferentes subestaciones transformadoras a través de una Red de Malla de Nodos de Borde, permitiendo la visibilidad del estado de congestión y de sus nodos vecinos.

-Habilitar técnicas MLOps para la ejecución y el reentrenamiento de algoritmos.

Combinando la supervisión en tiempo real, el modelado avanzado y la optimización impulsada por la IA, este caso de uso demuestra cómo superar los retos de la congestión e impulsar operaciones de red más inteligentes y resistentes.

‍

‍

Caso práctico 2: Aplicación de Edge Computing para una agregación flexible

Este caso de uso pone de relieve cómo Edge Computing permite alos Prosumidores maximizar la eficiencia de sus instalaciones solares al posibilitar la toma de decisiones autónomas en tiempo real. Estas decisiones se basan en factores como la disponibilidad de almacenamiento, los precios de la energía y las previsiones de producción o consumo, entre otros.

Los prosumidores pueden tomar decisiones energéticas más inteligentes basándose en factores clave como la disponibilidad de almacenamiento, los precios de la energía y las previsiones de producción o consumo.

‍

‍

Desde la perspectiva del minorista, la atención se centra en optimizar la agregación de diversos Recursos Energéticos Distribuidos (DER). Con este planteamiento, los minoristas pueden implantar soluciones innovadoras como las Centrales Eléctricas Virtuales y las Comunidades Energéticas , entre otras.

‍

‍

‍

Conclusión

En IA4TES ha establecido un punto de referencia para la aplicación de la IA en el sector energético. En una era de rápida evolución del sistema energético y de redes inteligentes, los métodos predictivos precisos se han vuelto cruciales para gestionar las incertidumbres de la demanda y las variables financieras. Estos avances repercuten directamente en la sostenibilidad al minimizar el despilfarro de energía y los costes asociados. Las soluciones innovadoras desarrolladas por todos los miembros del consorcio han contribuido enormemente tanto al progreso tecnológico como a la sostenibilidad medioambiental.

Partners

El consorcio IA4TES está formado por Iberdrola, Minsait y 9 PYMEs, entre ellas Barbara, 4 Centros de Investigación y 2 Universidades. El proyecto ha recibido una financiación de 12,5 millones de euros con cargo a los fondos de la UE de Nueva Generación para Misiones de I+D e Innovación en IA.

‍

‍

‍