A lo largo de la historia, los seres humanos han dependido de diversas fuentes de iluminación, desde la luz natural del día hasta métodos artificiales como antorchas y lámparas de gas, para extender las horas de actividad. La invención de la bombilla eléctrica, liderada por Thomas Edison en 1882, marcó una transformación significativa. Este invento prometía redefinir las jornadas laborales, aunque su implementación requería el desarrollo simultáneo de infraestructura para la generación y distribución de electricidad. Dado que la generación eléctrica in situ resultaba poco práctica, surgieron empresas de servicios públicos que facilitaron el transporte de energía desde las fuentes hasta los consumidores. Estas empresas desempeñaron un papel fundamental, reflejado incluso en sus denominaciones. Sin embargo, a pesar del impacto transformador del alumbrado eléctrico, su adopción no estuvo exenta de obstáculos. Las preocupaciones relacionadas con la seguridad del filamento, la confiabilidad del tiempo de iluminación y los cambios económicos que afectaban a la industria del gas generaron escepticismo. La bombilla eléctrica, por tanto, constituye un ejemplo de la compleja interacción entre innovación tecnológica y aceptación social.
De manera similar, la inteligencia artificial (IA) generativa ha irrumpido en el escenario principal, mostrando capacidades anteriormente exclusivas de la cognición humana. Desde vencer a campeones mundiales en juegos como el ajedrez hasta generar textos e imágenes de calidad comparable a la humana, la IA generativa ha demostrado un potencial revolucionario en múltiples sectores, incluida la red eléctrica. La capacidad de la IA generativa para procesar grandes volúmenes de datos, asistir en la toma de decisiones e identificar patrones complejos tiene el potencial de optimizar significativamente el funcionamiento de la red eléctrica. Por ejemplo, puede mejorar la estimación del estado en ausencia de mediciones completas e integrar de manera más eficiente las fuentes de energía renovable mediante previsiones probabilísticas. No obstante, la incorporación de esta tecnología en infraestructuras críticas requiere precaución.
Al igual que las inquietudes iniciales que generó la bombilla eléctrica en el siglo XIX, la IA generativa plantea interrogantes sobre credibilidad, seguridad y consecuencias imprevistas. Aspectos como la privacidad de los datos, la ciberseguridad y las «alucinaciones» en los resultados deben ser abordados de manera rigurosa. Para aprovechar el potencial de esta tecnología mientras se mitigan los riesgos, resulta indispensable realizar pruebas exhaustivas, validaciones rigurosas y mantener una supervisión humana constante. El sector eléctrico atraviesa una transformación profunda, impulsada por avances tecnológicos, la electrificación de sectores industriales, cambios en las demandas de los consumidores y la necesidad urgente de soluciones energéticas sostenibles. Durante esta transición, los objetivos de confiabilidad, estabilidad y asequibilidad se mantienen como prioridades esenciales. La operación de la red eléctrica, que debe garantizar un suministro continuo (confiabilidad), en condiciones controladas de frecuencia y tensión (estabilidad) y al menor costo posible (asequibilidad), involucra una coordinación compleja. Desde las centrales de generación hasta la gestión de líneas de transmisión y distribución, las actividades requieren un coordinador central. En Estados Unidos, los coordinadores de confiabilidad y los operadores de sistemas independientes desempeñan roles clave en la supervisión de la red y la operación de mercados energéticos. Los centros de control de transmisión, considerados el «sistema nervioso central» de la red eléctrica, recopilan datos, realizan análisis y toman decisiones críticas. La integración de la IA en estas operaciones presenta una oportunidad única para optimizar la gestión de los datos y mejorar la eficiencia de las redes eléctricas.
La inteligencia artificial generativa (Generative AI) se refiere, en términos generales, a modelos generativos. Los modelos generativos son un tipo de modelo de IA que puede ser activado por un usuario para crear datos sintéticos. Uno de los modelos más populares y utilizados es el transformador generativo preentrenado (GPT), un tipo específico de modelo de inteligencia artificial generativa basado en la arquitectura de transformadores. Este modelo está «preentrenado» con un conjunto de datos masivo de texto y código mediante auto-supervisión, lo que le permite aprender patrones, dependencias y relaciones dentro de los datos. Este preentrenamiento permite a GPT generar texto de calidad humana, traducir idiomas, escribir diferentes tipos de contenido creativo y responder preguntas de manera informativa. Los modelos GPT se caracterizan por su capacidad para comprender y generar texto similar al humano, lo que los hace ideales para aplicaciones como el procesamiento del lenguaje natural (NLP), el desarrollo de chatbots y la generación de código de software. A diferencia de la IA/ML convencional, que se centra principalmente en el reconocimiento de patrones, clasificación y predicción, la inteligencia artificial generativa puede crear nuevos datos sintéticos y simular una amplia gama de escenarios. Los modelos de inteligencia artificial generativa predicen respuestas con probabilidades variables, lo que les permite generar contenido diverso. También representan una nueva frontera en la optimización de los sistemas de energía, ofreciendo capacidades que van más allá de los enfoques tradicionales de IA/ML. Al aprovechar la inteligencia artificial generativa, las empresas de servicios públicos pueden mejorar sus procesos de toma de decisiones, incrementar la resiliencia de la red, detectar anomalías y lograr una gestión de energía más eficiente y sostenible.
A medida que el sector energético continúa adoptando la transformación digital, la inteligencia artificial generativa está destinada a desempeñar un papel fundamental en la transición hacia la energía limpia. Este informe se centra en la aplicación de un estilo particular de preentrenamiento auto-supervisado para la inteligencia artificial generativa en las operaciones de redes eléctricas. Este enfoque se denomina preentrenamiento con enmascaramiento de entrada (input masking pretraining). En la inteligencia artificial generativa, el enmascaramiento de entrada implica ocultar deliberadamente o bloquear partes de los datos de entrada y entrenar al modelo para que prediga las piezas faltantes. Por ejemplo, en NLP, este método es crucial para entrenar modelos como las representaciones de codificadores bidireccionales a partir de transformadores (BERT), en los que ciertas palabras de una oración se enmascaran y el modelo se entrena para predecir las palabras enmascaradas basándose en el contexto proporcionado por las palabras visibles. Otro ejemplo en la visión por computadora son los autoencoders enmascarados, que aprenden a generar toda la entrada a partir de datos parciales o faltantes. Estos ejemplos de enmascaramiento de texto, datos o imágenes se asemejan a uno de los conceptos más importantes en los sistemas de energía, denominado estimación de estado.
Los recientes avances en aprendizaje profundo, como las arquitecturas de transformadores, han revolucionado campos como el procesamiento del lenguaje natural y la visión por computadora. Estas herramientas, capaces de identificar relaciones complejas en los datos, son prometedoras para tareas críticas en la operación de redes eléctricas, como la previsión de demanda y generación renovable, así como el análisis de estabilidad. La creciente adopción de fuentes de energía renovables y la electrificación de sectores tradicionalmente no eléctricos destacan la importancia de la IA generativa en la gestión de la variabilidad y complejidad del sistema eléctrico. La colaboración entre empresas de servicios públicos, reguladores e instituciones de investigación, junto con el uso de tecnologías como gemelos digitales, será esencial para validar y optimizar las predicciones generadas por esta tecnología. Finalmente, la incorporación estratégica de la IA generativa en la infraestructura eléctrica promete mejorar la seguridad, confiabilidad, sostenibilidad y rentabilidad de las redes. El futuro energético de Estados Unidos, y su transición hacia un modelo más sostenible y equitativo, dependerá en gran medida del éxito con el que se integre esta tecnología en el sector eléctrico.
Para leer más ingrese a: