Córdoba, 12 dic (EFE).- Investigadores de la Universidad de Córdoba (UCO) y de la de Alcalá de Henares desarrollan el proyecto ORCA-DEEP que, basado en la inteligencia artificial, busca realizar predicciones más exactas respecto a la producción de energía en los parques renovables.
Según recuerda la UCO en una nota, la Agencia Internacional de la Energía (IEA) estima que la generación de electricidad a partir de fuentes renovables aumentará un 30 % para 2050, si bien estas energías limpias aún tienen que hacer frente a varios desafíos para desplazar a los combustibles fósiles.
Gestionar la intermitencia de estos recursos es uno de los principales retos, lo que exige un cierto nivel de previsión que evite el riesgo de apagones, cuando no se dispone de este tipo de energía o, por el contrario, sobrecarga en la red en aquellos momentos en los que estos recursos generan más potencia de la que se puede manejar.
Según explica Pedro Antonio Gutiérrez, uno de los integrantes del proyecto, las corporaciones responsables de la red eléctrica solicitan una "estimación de la energía que se va a producir" y, si la predicción es demasiado baja, "puede saturarse el sistema", aunque, si es alta, las empresas dueñas del parque "terminan pagando más dinero del realmente necesario".
Por otro lado, el proyecto también buscará aplicar estas mismas técnicas de inteligencia artificial a diferentes problemas relacionados con el clima, como, por ejemplo, la estimación de olas de calor o de periodos de sequías.
La idea es mejorar la caracterización de eventos que ayuden a interpretar y predecir mejor diferentes fenómenos atmosféricos y ,para ello, a los clásicos modelos tradicionales de clima se les incorporarán datos del pasado, así como un conjunto de valores numéricos relacionados con parámetros como la radiación, presión atmosférica, precipitación o temperatura.
Para realizar todas estas predicciones el proyecto se servirá de dos de las principales técnicas actuales en el campo de la inteligencia artificial, como el "aprendizaje profundo" y los denominados "sistemas de clasificación ordinal".
En contraposición a los modelos tradicionales, en los que la máquina necesita ser supervisada por un humano que le ayuda manualmente a corregir sus errores, el aprendizaje profundo simula el comportamiento neuronal del cerebro y, en este caso, es el propio modelo el que "aprende" de sus propios fallos para mejorar automáticamente sus resultados, lo que se traduce en un menor consumo de tiempo y en una mayor exactitud de las estimaciones.
Por otro lado, los sistemas de clasificación ordinal buscan reducir complejos problemas de predicción a una escala de etiquetas "ordenadas" que siguen un orden natural.
El proyecto, liderado también por el catedrático emérito César Hervás-Martínez, y que continuará durante los próximos dos años, buscará así dar un paso más en la aplicación de modelos avanzados para objetivos específicos relacionados con la gestión de la energía y el medioambiente.