Al utilizar la analítica predictiva y prescriptiva, junto con los algoritmos de optimización, puedes hacer lo siguiente: Optimizar la mezcla de energía
Richard Drake
La demanda del consumidor, la demanda política y la ingeniería mejorada están moviendo al mundo hacia un mayor uso de energía renovable. Sin embargo, la confiabilidad, una parte crítica de cualquier fuente de energía, sigue siendo un factor limitante.
¿Cuánta energía solar puede generar en un día nublado, o cuándo la nieve va a cubrir los paneles solares? ¿Cuántas turbinas eólicas pueden operar cuando no hay viento? Estos parecen problemas simples, pero hacen que la energía renovable sea menos confiable que los combustibles fósiles.
No puedes controlar el sol, el viento o la nieve. Pero al utilizar la analítica predictiva y prescriptiva, junto con los algoritmos de optimización, puedes hacer lo siguiente: Optimizar la mezcla de energía.
Se pueden construir modelos que muestren, por ejemplo, qué flujo de electricidad tiene en energías renovables frente a otras fuentes y aumentarlo con flujos de datos que proyectan el clima. ¿Exactamente cuánto sol obtendremos? ¿Cuánto viento? ¿Qué producirán generalmente nuestras granjas solares? Esto mejora la confiabilidad de la energía renovable y le indica exactamente cuándo va a necesitar aumentarla con combustibles fósiles.
Las nuevas tecnologías en energías renovables también crean prácticas de mantenimiento desconocidas o diferentes. ¿Cómo decidir un programa de mantenimiento para un nuevo sistema si no tienes datos históricos? Hay formas en que la optimización energética puede ayudar también aquí. Mediante el despliegue de drones para inspeccionar aerogeneradores con cámaras de alta resolución e imágenes térmicas, se puede obtener una mejor idea del estado de salud de cada activo, digitalizarse y prepararse para alimentar los algoritmos de optimización de mantenimiento. Esto es particularmente valioso para turbinas eólicas y paneles solares en lugares remotos, o lugares que son difíciles y costosos para que los humanos los controlen. Esto permite a las personas tomar decisiones sobre el mantenimiento, en lugar de simplemente hacer inspecciones.
Dos ejemplos de optimización energética
A continuación, mostramos un par de ejemplos:
Optimización de la energía eólica. WindFarm Designs ha utilizado FICO® Xpress Optimization para resolver un problema de optimización del diseño de un parque eólico que se ha estudiado durante décadas, lo que le permitió crear parques eólicos más eficientes y aumentar la rentabilidad para sus clientes. El problema de optimización del diseño es cómo colocar mejor las turbinas para maximizar el rendimiento energético, respetando al mismo tiempo las limitaciones de carga de potencia de la turbina. WindFarm Designs logró integrar las limitaciones de carga en el problema de optimización, mejorando el diseño y dando como resultado una mejora de entre el 2 y el 5 por ciento en el rendimiento energético y la rentabilidad para los propietarios del proyecto. De hecho, WindFarm fue ganador del Premio de FICO Decisions 2016 en Excelencia analítica por este trabajo.
Previsión de la demanda: Statnett, el operador noruego de sistemas de transmisión (TSO) para la energía, utiliza Xpress Optimization para pronosticar las necesidades futuras de electricidad en Noruega y optimizar la infraestructura actual. Statnett pronostica las necesidades futuras de electricidad del país y los cambios en el mercado hasta 2040 y más allá mediante una combinación de analítica predictiva y algoritmos de optimización. Este es un trabajo crítico, ya que la infraestructura energética no es algo rápido ni económico de construir; cada proveedor de energía debe determinar en qué tipo de energía invertir para satisfacer las demandas.
