IEEE Power & Energy Magazine - Spanish - May/June 2022 - 41

bajo riesgo que implican para las operaciones del sistema
eléctrico. No obstante, manejar la notable complejidad de
los procedimientos operativos de los sistemas eléctricos
para evitar apagones (evaluación de seguridad) o determinar
un punto operativo óptimo sin infringir ninguna restricción
operativa sigue siendo demasiado " fundamental en tanto la
seguridad " como para aceptar soluciones basadas en AA.
Así es, a pesar de los últimos resultados prometedores registrados
en los trabajos de investigación que indican que el AA
puede ser útil. A los operadores de sistemas eléctricos les
cuesta confiar en métodos que no comprenden y que hasta el
momento no han brindado garantías de rendimiento.
Los investigadores recientemente han estado trabajando
para abordar este escepticismo y eliminar barreras con el
fin de permitir que el AA ingrese a las aplicaciones de los
sistemas eléctricos y explotar sus beneficios. Durante el primer
periodo de transición hacia el uso de herramientas de
AA para operaciones fundamentales en cuanto a la seguridad
de sistemas eléctricos, los autores consideran que los
algoritmos de AA son " asistentes " de procedimientos establecidos
que funcionan como herramientas que respaldan las
decisiones. La responsabilidad final de la decisión definitiva
sigue siendo del operador. Los algoritmos de AA pueden
estimar con extremada rapidez, por ejemplo, si los puntos
operativos son seguros, ya que los métodos de AA pueden
evaluar miles de escenarios al mismo tiempo, mientras que
las herramientas convencionales solo pueden evaluar unos
pocos. Esto le permite al operador del sistema examinar una
importante cantidad de escenarios y determinar los que son
fundamentales en un periodo muy corto. Luego de este paso,
el operador puede usar técnicas convencionales para estudiar
en mayor detalle esos pocos escenarios y determinar
qué ocasiona su inestabilidad y cuándo.
Este abordaje es similar a aplicar AA, e IA en general,
para optimizar. Las redes neuronales pueden determinar
un buen estimativo de un punto operativo óptimo. Entonces
podemos evaluar, con herramientas convencionales, si el
punto infringe alguna restricción. Esta manera de utilizar la
IA puede llevar a una mayor implementación de herramientas
de IA para la operación del sistema, al menos durante el
primer periodo de transición. Pero incluso antes de ese paso,
las herramientas de IA deben generar confianza. Si los operadores
y demás usuarios no confían en ellas, ni siquiera se
las utilizará para exámenes de detección.
Los métodos rigurosos que describe este artículo buscan
proporcionar las garantías (mediante certificados de rendimiento)
que les permitirán a los usuarios confiar en las
herramientas de IA para operaciones fundamentales para
la seguridad. Además de los beneficios que nos dan estos
certificados en cuanto a la confianza en las herramientas
de IA y la determinación del peor desempeño, pueden ayudar
a proporcionar más información sobre cómo se pueden
mejorar los modelos de IA resultantes. Las técnicas que se
tratan en este artículo caen en el espectro más amplio de
IA transparente (los resultados explicables del proceso de
mayo/junio de 2022
IA) e IA interpretable (la exactitud de un modelo para asociar
una causa con un efecto), estas iniciativas se lanzaron
recientemente en la comunidad de IA para profundizar el
conocimiento sobre el funcionamiento interno de los algoritmos
de AA.
Varios algoritmos bajo esta categoría presentan abordajes
rigurosos para comprender la manera en la que distintas
características del problema en cuestión afectan el rendimiento
de la red neuronal aplicada. Los algoritmos que tratamos
van un paso más allá y proporcionan garantías de rendimiento.
Para mejorar el rendimiento de las herramientas
de IA, este artículo también presenta maneras de aprovechar
los modelos disponibles del sistema eléctrico desarrollados
durante décadas y basados en los primeros principios. A partir
de esto, las aplicaciones de la red neuronal pueden evitar
pasar por alto casos cruciales y generar predicciones que
estén en conflicto con las leyes de la física. En suma, estas
posibilidades se generan debido a los siguientes abordajes:
1) Verificación: este abordaje brinda certificados sobre
la manera en la que se comportará la red neuronal, es
decir, cuáles serán los datos de salida para todos los
posibles datos de entrada. Hasta ahora, los investigadores
han estado evaluando el rendimiento de la red
neuronal solo en términos estadísticos, esperando con
ingenuidad que evaluar la aplicación sobre un amplio
conjunto de muestras aleatorias pueda capturar con
exactitud el comportamiento del modelo de la red neuronal
sobre todos los datos de entrada posibles.
2) Redes neuronales informadas por la física: estas redes
incluyen las ecuaciones físicas aplicables dentro
del procedimiento de entrenamiento de una red neuronal.
En lugar de generar conjuntos de datos pertinentes
en el proceso de entrenamiento del modelo,
lo que puede ser intensivo en términos informáticos,
integran un modelo basado en la física al proceso de
entrenamiento y permiten que la red neuronal aprenda
de este.
Antes de hablar en profundidad sobre estos abordajes en
las siguientes secciones, presentaremos primero el tipo de
herramientas de AA en las que se centra este artículo: las
redes neuronales y su procedimiento de entrenamiento. En
lo que resta de este artículo, utilizamos los términos IA y AA
indistintamente; en realidad, IA es un término más general
que incluye todos los métodos y herramientas del AA.
¿Cómo funcionan las redes neuronales?
Las redes neuronales pertenecen al grupo más prometedor
de las herramientas de IA, lo que demuestra su capacidad
de aproximarse a cualquier función (aproximador universal).
Han recibido una considerable atención durante los últimos
años. Las dos principales categorías son las redes neuronales
para tareas de clasificación y regresión.
Las redes neuronales de clasificación tienen varias aplicaciones.
En los automóviles autónomos, por ejemplo, las
redes neuronales reciben imágenes de sus alrededores de
ieee power & energy magazine
41
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
