La Agencia Internacional de Energía (IEA), junto con investigadores del Instituto Tecnológico de Massachusetts, la Universidad de Massachusetts Amherst y Electricity Growth and Use In Developing Economies, desarrollaron un modelo que puede abordar la brecha energética en África.
Desafíos
Alrededor de 600 millones de personas en África todavía carecen de acceso a la electricidad. A pesar de los avances recientes, los esfuerzos de electrificación enfrentan nuevos obstáculos desde la pandemia de Covid-19. Con una creciente crisis de deuda, mala salud financiera de los servicios públicos y mayores desafíos de asequibilidad.
Sin embargo, los avances en las soluciones fuera de la red, en particular las tecnologías basadas en energía solar y en baterías, junto con nuevos modelos de negocio, están llenando una brecha cada vez mayor en la provisión de acceso mediante extensiones de la red.
Según nuevos datos y análisis de la AIE, en el África subsahariana, los sistemas fuera de la red representaron más de la mitad de las nuevas conexiones en 2022 . Aún así, cerrar la brecha de acceso requiere una mayor escala, lo que hoy se ve obstaculizado por los enfoques tradicionales de planificación y adquisición de clientes, que a menudo dependen de que los trabajadores vayan aldea por aldea para evaluar las necesidades actuales de electrificación y energía a nivel comunitario.
Recursos de la cartografía geoespacial
Este modelo contra la brecha energética en África mapea qué edificios probablemente ya tengan acceso a electricidad hoy y cuáles no. La herramienta también estima las necesidades de electricidad actuales o previstas para cada edificio de un país.
Este modelo de código abierto utiliza imágenes satelitales y huellas disponibles de todos los edificios en África. Luego las combina con los datos del medidor de servicios públicos sobre el consumo de electricidad que coinciden con la ubicación geográfica de ese edificio o comunidad.
Después, el modelo utiliza algoritmos de Inteligencia Artificial (IA) para aprender de imágenes de alta resolución de edificios. Así identifica los patrones que mejor correlacionan su imagen y ubicación con un cierto nivel de demanda de energía. Si bien es imposible determinarlo con exactitud, es probable que los algoritmos detecten detalles que indiquen si el edificio es urbano o rural, residencial o comercial, y si la comunidad está conectada por carreteras principales a los mercados. Lo que podría significar ingresos y capacidad de pago relativamente altos.
Cuando se probó, el modelo pudo identificar qué edificios tienen electricidad hoy con más del 80% de precisión. También proporciona una reducción de error del 40% al estimar la demanda de electricidad de los edificios en comparación con las herramientas de última generación que se usan comúnmente en la actualidad.
Reduce costos
Esta herramienta se puede aplicar a imágenes satelitales de países enteros. Además de producir una estimación significativamente mejorada para que los planificadores, los servicios públicos y las empresas de energía solar fuera de la red identifiquen a los clientes y comunidades objetivo. Esto reduce significativamente la necesidad de realizar extensas encuestas sobre el terreno; así como los costos de adquisición de clientes. Si se capacita en una muestra representativa de comunidades, puede adaptar sus estimaciones al contexto local, las culturas, el clima y otros factores a mayor escala.
LEER MÁS → La empresa Vultr lanza solución para escalabilidad en IA
