En el sector energético hablar de modelos predictivos implica datos meteorológicos, porque esta información supone una de las variables clave para la planificación de cualquier sistema energético. Un ejemplo de ello es cómo se utilizan las previsiones meteorológicas en la gestión de las instalaciones de electricidad renovable para ofrecer consejos sobre eficiencia energética en el hogar o para prever incidencias en las rutas marítimas..

"Somos usuarios de los datos meteorológicos que nos proporcionan las agencias especializadas que, a su vez, combinamos con los datos de nuestra propia actividad" y de otras fuentes externas, como información geolocalizada o estudios sociodemográficos del Instituto Nacional de Estadística (INE), explica Julia Díaz, responsable de Data Science del Hub de Data & Analytics & Artificial Intelligence de Repsol. El reto está en incorporar esas fuentes tan diversas a los modelos matemáticos para "que 'hablen' en los términos más comunes posibles y sirvan como apoyo en la toma de decisiones".

Para que estas técnicas de analítica avanzada den buenos resultados "es fundamental que los datos que se introducen en los cálculos sean de calidad", explica la responsable de este área de la multinacional española en la que trabajan 52 especialistas en analítica de datos con diferentes perfiles (translator analytics, ingenieros especializados en datos, data scientists y data managers) y que colaboran con 400 profesionales de las diferentes unidades de negocio para extraer valor de los más tres millones de gigas de datos que Repsol maneja diariamente.

Efectos sobre los patrones de consumo

Desde el sector de la moda a la banca, el uso de la meteorología se está generalizando en toda la operativa centrada en el cliente, que tiene unos patrones de consumo distintos según la estacionalidad y las condiciones meteorológicas. "Utilizar el automóvil, comprar carburantes de calefacción o agua mineral en una estación de servicio son decisiones afectadas por la temperatura, el viento o la pluviosidad, variables que se aplican continuamente en la práctica comercial para dimensionar cuál va a ser la demanda o los precios".

Repsol emplea el concepto 'Grados día', elaborado a partir del pronóstico de temperatura de la AEMET y de los análisis de sus negocios, para "aproximar tendencias que respondan a las necesidades de nuestros clientes", una herramienta que ayuda a anticipar, por ejemplo, el consumo de GLP (butano y propano) para calentar los hogares y preparar la cadena logística. También se utilizan las previsiones meteorológicas para ofrecer productos a medida ante fenómenos adversos como sistemas anti-heladas para la agricultura.

En concreto, el Hub de Data & Analytics & AI trabaja en un proyecto para emitir recomendaciones técnicas de eficiencia energética dirigidas a sus clientes de electricidad y gas. Serán consignas inteligentes, "para ajustar el consumo del frigorífico en función de la temperatura o encender más o menos luces según la nubosidad", asegura Díaz, basadas en los resultados de algoritmos que incorporan la meteorología.

Así, Díaz subraya que para optimizar la integración de las energías renovables en el mercado eléctrico es fundamental disponer de un pronóstico de la producción "lo más preciso posible, que cruzamos con otras estrategias de precios y previsión de la demanda para decidir cuál es el mix energético de nuestra generación con el que acudimos a la subasta".

A la dificultad que supone la intermitencia de las fuentes de energía renovables, se suman las demandas de un mercado "en el que la nueva regulación para España prevé una actualización de la oferta cada 15 minutos, lo que va a requerir que la meteorología ofrezca un refresco de la información más inmediato", indica la responsable de este hub de Repsol.

Las agencias especializadas ya han afinado variables como los componentes de viento en superficie para adaptarlos a las necesidades de la producción eólica y ahora ofrecen pronósticos hasta los 100 metros de altitud que cubren la altura de los aerogeneradores. Se avanza también en los indicadores relacionados con la energía fotovoltaica, como la predicción del polvo en suspensión que al posarse resta rendimiento de las placas solares.

Machine Learning y necesidades de cómputo

Una vía de trabajo en curso que hará evolucionar la meteorología es la aplicación de técnicas de machine learning e inteligencia artificial. Se trata de tecnologías cognitivas que entrenan a los ordenadores con predicciones y comportamientos pasados para que aprendan de manera automática y aporten mayor precisión en los cálculos.

En la actualidad, los servicios de meteorología facilitan un pronóstico para las siguientes 48 horas con alto grado de detalle y una predicción a siete días fiable, con más incertidumbre cuanto más alejada está en el tiempo. Los meteorólogos estiman que cada día de mejora implica unos 10 años de investigación y también advierten de que una predicción 100% precisa no será posible porque la atmósfera es, por naturaleza, un sistema caótico, señalan desde la multinacional.

Existe asimismo un desafío con el hardware por la exigencia en capacidad y costes de computación de modelizar estos fenómenos físicos. En los próximos años podrían llegar los primeros ordenadores cuánticos con una velocidad de cálculo 100 veces superior a la de los actuales súper-ordenadores, "una tecnología incipiente, pero que responde a unos requerimientos de cómputo y un volumen de datos cada vez mayores que nos van a exigir más precisión, pero también más rapidez", concluye Díaz.