En un mercado eléctrico de precio único, una empresa eléctrica puede – y debería– trabajar para optimizar sus ventas de energía.
Decidir cómo y cuándo vender electricidad requiere tomar en cuenta las características del mercado, junto con previsiones de la producción y de la demanda, pero también disponer de un buen conocimiento del comportamiento de este sistema, para lo cual conocer cómo se ha comportado en el pasado puede ser de gran ayuda. No es un problema sencillo, especialmente con lo volátil que es el mercado eléctrico hoy en día. Sin embargo, la inteligencia artificial puede simplificar este proceso de decisión a los decisores.
A continuación, veremos cómo se puede usar el aprendizaje supervisado para implementar sistemas de ayuda a la toma de decisión en un mercado eléctrico.
La dificultad de operar en el mercado eléctrico de precio único
La cuestión del almacenamiento de electricidad a gran escala es un problema omnipresente y aún sin resolver. Para sobreponerse, los mercados eléctricos se han adaptado, y se han creado mecanismos para asegurar que la producción sea en todo momento tan próxima a la demanda como sea posible.
En un mercado eléctrico de precio único, uno de esos mecanismos es precisamente el sistema de precios, que permite que las empresas eléctricas se adapten a las necesidades del sistema, haciendo variar el precio de venta de la electricidad dependiendo de si hay exceso o déficit de energía en cada momento.
Este mecanismo, combinado con la dificultad de predecir la demanda futura, y, a veces, la producción global, hace que los precios de la electricidad puedan (y suelan) ser muy volátiles. En este contexto, es imprescindible para una empresa eléctrica disponer de una forma de tener en cuenta esos mecanismos y esta variabilidad de precios en el momento de ofertar electricidad para optimizar sus ventas y minimizar sus pérdidas.
Nuestro enfoque: Inteligencia Artificial
Para remediar este problema, en baobab proponemos metodologías para asisitir toma de decisiones de este tipo y que, a partir de datos de entrada para un día y hora, propone al decisor la cantidad de electricidad que debería ofrecer para esa franja horaria en el mercado del día siguiente. Este enfoque se basa en el aprendizaje supervisado para adquirir un conocimiento adecuado del comportamiento pasado reciente del sistema.
Las redes neuronales artificiales constituyen el núcleo de nuestra propuesta. A grandes rasgos, las redes neuronales son modelos computacionales inspirados del funcionamiento del cerebro. Para que estas redes estén en condiciones de hacer propuestas, deben ser previamente entrenadas para que sean capaces de aprender el comportamiento del sistema. Usando técnicas de entrenamiento adecuadas, su uso se puede adaptar a tipos de problemas muy variados. Además, cuando se les proporcionan grandes volúmenes de datos, las redes neuronales tienen la ventaja de ser capaces de aprender y reproducir comportamientos muy complejos.
Las redes neuronales están compuestas por varias capas de neuronas artificiales conectadas entre sí.
La primera capa, llamada capa de entrada, recibe la información de partida. En nuestro caso, usamos como entrada varios tipos de datos que puedan tener un impacto sobre los precios del mercado o sobre el impacto de la decisión tomada, como, por ejemplo:
- Previsiones de producción de la empresa.
- Previsiones de producción a escala del mercado.
- Previsiones de la demanda a escala del mercado.
- Previsiones meteorológicas.
- Capacidades de importación y de exportación de electricidad del país.
A cada conexión entre neuronas está asociado un valor numérico, llamado peso. Los valores de salida de las neuronas de las capas internas y de la capa de salida se calculan capa a capa, basándose, para cada neurona, en los valores de las neuronas de las capas anteriores y en los pesos de las conexiones.
La última capa, o capa de salida, es la que ofrece los datos de salida de la red. Por ejemplo, en este caso, los datos entregados por la capa de salida permiten, convenientemente interpretados, identificar la decisión más adecuada para la empresa.
Como las redes neuronales cerebrales, las redes artificiales se tienen que entrenar antes de ser capaces de tomar decisiones adecuadas. En el cerebro, cuando uno aprende un conocimiento o una competencia, es la estructura de la red la que evoluciona para permitir el aprendizaje. En el caso de las redes artificiales, esta fase de entrenamiento consiste en ajustar los pesos de las conexiones hasta que la red sea capaz de reproducir el comportamiento esperado de manera correcta en la gran mayoría de los casos.
En estos casos, como en muchos otros incluso en sectores muy diferentes de este, entrenar las redes usando algoritmos genéticos, representando cada red por un vector conteniendo los pesos de sus conexiones. Este método de entrenamiento, inspirado por la evolución biológica y por los procesos de selección natural, permite tener más control sobre el proceso de aprendizaje.
Una vez entrenada, la red neuronal generada es capaz de indicar, a partir de su conocimiento del mercado eléctrico y de los datos de entrada proporcionados por el usuario para un día y una franja horaria, cual es la decisión que el decisor debería tomar en esa franja horaria para optimizar sus ventas.
Los resultados son incontestables
Nuestra experiencia es que, haciendo uso de la inteligencia artificial, se reduce drásticamente, y en algunos pocos meses, las pérdidas debidas a la volatilidad del mercado y a la incertidumbre resultante.
La gráfica que figura a continuación resume de forma ejecutiva cuál es el resultado de los beneficios acumulados con respecto a la situación base cuando se usan estos enfoques, en la que las decisiones están tomadas por personas. El gráfico ofrece una cifra estimada de mejora a lo largo de un periodo de tiempo no muy largo (que se miede en algunos meses) en las aplicaciones de este tipo.
Las alternativas: la IA o quedarse atrás
En un contexto crecientemente incierto acerca de la disponibilidad de energía, es cada vez más importante para las empresas eléctricas disponer de herramientas que les permitan operar en sus mercados de la manera más eficiente posible.
En este contexto de fuerte volatilidad del mercado eléctrico, cada vez más agentes se están haciendo conscientes de que integrar la inteligencia artificial en sus procesos de decisión es imprescindible para minimizar sus pérdidas, optimizar sus operaciones, y no quedarse atrás.
