Las Empresas de Servicios Públicos se Adentran en la IA ante el Estrés del Cambio Climático y el Crecimiento de los Centros de Datos
Las utilidades están adoptando cautelosamente la inteligencia artificial (IA) para el mantenimiento predictivo y el apoyo en el trabajo de campo, ya que los centros de datos y el cambio climático están ejerciendo presión sobre la red eléctrica.
La red eléctrica estadounidense enfrenta una creciente presión
Después de décadas de desgaste, la red eléctrica de EE.UU. está comenzando a alcanzar su punto de ruptura. El sistema de red tradicional fue diseñado para un tiempo en el que la demanda de electricidad era constante y menos intensa. Hoy, la red enfrenta una montaña de estresores sin precedentes. La aceleración de la electrificación, un aumento en la infraestructura de consumo masivo de energía, como los centros de datos de IA, y los impactos crecientes del clima extremo alimentado por el cambio climático están llevando la infraestructura de la red al límite, desestabilizando el ya vulnerable sistema energético.
Estas interrupciones podrían resultar en apagones que costarían a las empresas estadounidenses hasta 150 mil millones de dólares cada año, según el Departamento de Energía de EE.UU., dejando potencialmente a millones de consumidores sin electricidad confiable.
Las utilidades están adoptando inteligencia artificial con precaución
En respuesta, las utilidades están comenzando a adoptar con cautela la inteligencia artificial como herramienta para ayudar a estabilizar las operaciones de la red. Una vez vista como una tecnología incipiente, la IA está surgiendo como una parte fundamental de las estrategias de las utilidades para anticipar interrupciones, proteger el equipo de la red y servir mejor a un paisaje energético en rápida evolución.
AI está refinando las herramientas probadas que las utilidades han estado utilizando para prevenir fallos a través de la red de energía. Una de estas herramientas es el mantenimiento predictivo, donde los sensores y software se utilizan para monitorear la condición del equipo de la red, como transformadores y líneas de energía, y detectar problemas antes de que causen apagones.
El mantenimiento predictivo está mejorando con IA
El mantenimiento predictivo no es nuevo. Pero integrar el aprendizaje automático en el proceso ha hecho que la detección de equipos defectuosos sea más rápida y precisa, según Somjyoti Mukherjee, socio consultor en Cognizant, una firma de consultoría de TI. Los sensores incrustados en los interruptores de circuito, pantallas y líneas de transmisión envían datos en tiempo real a sistemas de IA, que luego analizan patrones para predecir cuándo es probable que fallen los componentes.
“El mantenimiento predictivo ofrece los retornos más rápidos”, dijo Mukherjee a Business Insider. Mukherjee señaló un cliente de utilidad con sistemas desactualizados que dejaba a los equipos de técnicos de campo desperdiciando horas al día porque no podían detectar problemas a tiempo. Después de pasar a un sistema de mantenimiento impulsado por IA, el software recomendó herramientas, sugirió reemplazos de equipos y localizó defectos en tiempo real, permitiendo a los equipos trabajar “de manera más inteligente y rápida”, agregó Mukherjee.
Innovaciones en inteligencia artificial para la identificación de vulnerabilidades
Duke Energy, un proveedor de energía estadounidense, también está utilizando IA para identificar vulnerabilidades en la red. La compañía Fortune 500 desarrolló un sistema híbrido de IA que combina el aprendizaje automático con diagnósticos expertos para resaltar el equipo de alto riesgo. La herramienta está diseñada para monitorear la salud de la flota de transformadores de Duke, una red conectada de circuitos que transmiten electricidad de una placa a otra.
El enfoque híbrido de Duke que combina la experiencia humana con conocimientos impulsados por IA ha llevado a una "identificación más consistente del equipo problemático" y "mejores decisiones de planificación", dijo Matt Carrara, presidente de Doble Engineering.
Alguna startups están llevando las capacidades de IA aún más lejos. Rhizome está trabajando con Seattle City Light, Vermont Electric Power Company y otros operadores de red de EE.UU. para mapear riesgos impulsados por el clima antes de que ocurran. Co-fundada por el CEO Mishal Thadani, la plataforma utiliza IA para analizar datos históricos de la red, causas de interrupciones y amenazas ambientales, como incendios forestales, tormentas y crecimiento de vegetación, hasta el nivel de postes y cables individuales.
El resultado es un mapa de riesgo digital que guía dónde invertir en actualizaciones y mantenimiento para obtener el mayor impacto por dólar. Una utilidad en Texas, por ejemplo, utilizó el modelo predictivo de Rhizome para identificar qué circuitos en su sistema de energía estaban en alto riesgo de verse afectados por la actividad de tormentas, de modo que la utilidad pudiera invertir capital en mejorar equipos vulnerables. Al hacerlo, la utilidad texana redujo los apagones inducidos por tormentas en un 72%, según Rhizome.
Obstáculos para la adopción de IA en el sector energético
A medida que las utilidades enfrentan presupuestos más ajustados, costos de seguro en aumento y presión creciente por parte del cambio climático y centros de datos que consumen energía, Thadani dice que plataformas como Rhizome pueden ayudarlos a realizar inversiones más estratégicas en mejoras de la red. "Más utilidades deben ser muy conscientes de las inversiones que están haciendo", dijo Thadani a BI, añadiendo que las grandes decisiones de capital deben ser "justificadas con datos y evidencia para mostrar el valor para los usuarios de la red".
A pesar del creciente optimismo, los expertos energéticos que hablaron con BI dijeron que las empresas de utilidades aún enfrentan dificultades para adoptar la IA. Muchas todavía están trabajando con sistemas heredados de TI y operativos que no se integran fácilmente, lo que dificulta reunir datos limpios y utilizables para que la IA extraiga conclusiones. "La calidad y disponibilidad de datos siguen siendo obstáculos significativos", dijo Lee.
Las escasez de talento agrega más fricción. La falta de alfabetización en IA en toda la fuerza laboral podría hacer que una organización sea más resistente a adoptar nuevas tecnologías, según Nearing. Los cuellos de botella regulatorios hacen que esa transición sea aún más difícil. La ausencia de directrices claras sobre el despliegue de IA en el sector energético genera vacilación entre las utilidades, y las utilidades deben navegar por los marcos legales para garantizar que las aplicaciones de IA cumplan con las leyes de protección de datos.
No obstante, muchos de estos obstáculos ya no son razones para desechar los proyectos. Mukherjee dice que las utilidades están avanzando migrando a la nube, capacitando a sus empleados en el uso de IA y colaborando con los reguladores para fomentar un cambio tecnológico. "Los reguladores están respondiendo", dijo Mukherjee, señalando agencias como la Comisión Federal de Regulación de Energía de EE.UU. que están contratando expertos técnicos y "apoyando la innovación".
Construir confianza también es clave. Mukherjee, Nearing y Lee enfatizaron comenzar de manera gradual, enfocándose en casos de uso de bajo riesgo y explicables para generar impulso interno e involucrar a los trabajadores desde el primer día. Mirando hacia el futuro, los expertos en utilidades dicen que los proveedores de energía están ansiosos por continuar explorando el potencial de la IA para modernizar la red y reducir la presión. Pero aún tienen un largo camino por recorrer antes de poder adoptar la IA con entusiasmo. "La IA no sustituirá las funciones centrales de la red", dijo Lee. "Pero cada vez actuará más como un acelerador".
Para más contenido especializado, suscríbete a nuestro newsletter.
Comments ()