Esa es la conclusión principal de una ‘máquina del tiempo’ informática desarrollada por investigadores de la Universidad Tecnológica de Chalmers (Suecia), cuyos resultados están publicados en la revista ‘Nature Energy’ y son recogidos por Servimedia. La energía eólica y solar han crecido más rápido de lo que casi nadie predijo, pero proyectar su expansión futura sigue siendo sorprendentemente difícil. La ‘máquina del tiempo’ de los investigadores de Chalmers es un modelo que supera los métodos de proyección existentes con el uso de técnicas de inteligencia artificial (IA) que analizan los patrones de crecimiento históricos en distintos países.
«Los modelos existentes son muy buenos para identificar lo que se necesita hacer para alcanzar los objetivos climáticos, pero no pueden decirnos qué escenarios son los más probables. Esa es la laguna que queríamos llenar», afirma Jessica Jewell, profesora de la Universidad Tecnológica de Chalmers.
En más de 200 países, los investigadores identificaron un patrón recurrente en el crecimiento de la energía eólica y solar: largos periodos de expansión relativamente constante, interrumpidos por repentinos repuntes de crecimiento a menudo provocados por cambios en las políticas. «La mayoría de los modelos asumen una curva de crecimiento suave en forma de S, pero la realidad es diferente. El crecimiento suele producirse en ráfagas, y si se ignora esto, se puede subestimar la velocidad de expansión de las tecnologías», apunta Avi Jakhmola, doctorando en la Universidad Tecnológica de Chalmers y primer autor del estudio.
Con el objetivo de mejorar las predicciones, Jakhmola creó un modelo basado en 13.000 mundos virtuales. En cada uno de ellos, la energía solar y eólica se desarrollan de maneras diferentes, desde la expansión más rápida posible hasta la más lenta, incluyendo todos los niveles intermedios.
Posteriormente, se entrenó un algoritmo de aprendizaje automático con todos estos mundos para aprender a predecir los resultados globales a partir de las primeras tendencias nacionales. «Cuando aplicamos el modelo a datos del mundo real, puede indicarnos cuál es el resultado más probable para el futuro, teniendo en cuenta lo que hemos visto hasta ahora y todos los mundos virtuales que ha analizado», recalca Jakhmola.
