Lo que no aparece en el recibo de luz
Lo que aprendí al estudiar la relación entre eficiencia energética, calidad del aire y salud pública
Hector Gonzalez
Cuando encendemos el aire acondicionado, buscamos refrescar una habitación. El beneficio es inmediato y el costo más evidente llega después, en el recibo de luz.
Pero el recibo no muestra todo lo que hace falta para suministrar esa electricidad. Detrás del enchufe hay centrales, líneas de transmisión y decisiones sobre cómo operar el sistema eléctrico. Según cómo se genere la electricidad, las emisiones pueden afectar a personas que no usan ese aparato ni disfrutan de la habitación fresca.
Durante mi investigación de posgrado en Lawrence Berkeley National Laboratory (LBNL), trabajé con un equipo que buscaba estudiar esa relación. Nos interesaba cómo un cambio en las normas de eficiencia energética de los electrodomésticos podía relacionarse con cambios en la calidad del aire y posibles efectos en la salud pública.
Tomamos como caso de prueba los equipos de aire acondicionado para habitaciones. La intención era desarrollar un procedimiento de análisis que después pudiera aplicarse a otros aparatos.
Mi trabajo consistió en preparar y analizar los datos de uso de los equipos y convertir los escenarios de eficiencia en estimaciones de demanda eléctrica para los modelos que utilizaban otros investigadores. También escribí el trabajo final del Master of Development Practice en el que documenté el proyecto.
Buena parte del reto estuvo en hacer compatibles las distintas fuentes de información y reconocer qué podíamos concluir con ellas. Cada paso debía conservar el sentido de los datos, además de darles el formato necesario para continuar el análisis.
El ahorro anual no cuenta toda la historia
Una estimación del ahorro anual permite responder cuánto podría disminuir el consumo de electricidad con una norma de eficiencia distinta. En este proyecto también necesitábamos saber en qué momentos ocurriría esa diferencia.
Conocer el consumo de todo un año se parece a contar cuántos vehículos circularon por una ciudad durante ese periodo. El total nos dice algo sobre la actividad, pero no describe la hora pico. Importa cuántos vehículos hay y también cuándo coinciden en las calles.
Con la electricidad sucede algo parecido. El uso del aire acondicionado varía con las condiciones del lugar y los hábitos de cada hogar. La generación eléctrica también cambia a lo largo del día. Si queríamos relacionar el consumo con las emisiones, necesitábamos saber a qué horas se utilizaba la energía.
Para eso servían los perfiles horarios de consumo: permitían distribuir el consumo de electricidad entre las distintas horas del año.
También había que definir con cuidado la comparación. Calculábamos la diferencia entre un escenario sin nuevas normas y otros con distintos niveles de eficiencia. Esa diferencia era el ahorro que nos interesaba estimar.
En la práctica, esto exigía combinar fuentes que describían aspectos distintos del problema: los patrones de uso de los aparatos, sus niveles de eficiencia, los envíos de equipos al mercado y el número estimado de aparatos en uso en cada región.
Completar los datos no era suficiente
Trabajamos con mediciones del consumo de aire acondicionado en hogares de Massachusetts y Pensilvania. También utilizamos perfiles de consumo simulados del proyecto ResStock, del National Renewable Energy Laboratory (NREL).
Al revisar las mediciones, encontré datos faltantes. Presenté el problema a mis colegas, discutimos distintas formas de abordarlo y después apliqué una regresión lineal múltiple para estimar los valores que faltaban.
Esa secuencia es importante para explicar mi participación. Identifiqué el problema, lo discutí con el equipo y llevé el método acordado a la preparación de los datos.
La regresión permitía estimar valores donde faltaban lecturas. Esos valores, sin embargo, tenían un origen distinto de las mediciones registradas. Al utilizarlos, había que tener presentes los supuestos con los que se habían calculado.
Había otra pregunta que completar los registros no resolvía. Las mediciones provenían de ciertos hogares y lugares, mientras que se contemplaba usarlas para describir el consumo de aire acondicionado a escala nacional. ¿Qué nos permitían decir sobre hogares con otras condiciones y hábitos?
La diferencia se parece a la de una fotografía: mejorar la nitidez permite ver mejor lo que está dentro del encuadre, pero no muestra lo que quedó fuera.
Los datos faltantes y la representatividad son problemas distintos. Uno se refiere a la información que falta dentro de los registros; el otro, a cuánto nos dicen esos registros sobre una población más amplia. Resolver el primero no resuelve por sí solo el segundo.
Mi trabajo también consistió en señalar esas limitaciones y acotar la interpretación de las mediciones. Los comportamientos observados correspondían a condiciones locales. Hicimos esas precisiones durante la preparación de los datos, antes de obtener los resultados de las simulaciones.
Esas limitaciones influyeron también en la decisión de utilizar datos del NREL como referencia de comparación. Era otra forma de examinar los patrones de consumo, teniendo en cuenta que los perfiles de ResStock eran simulados. La comparación aportaba información, sin volver representativas las mediciones originales.
Preparar los datos para el siguiente modelo
El siguiente reto fue conectar el análisis del consumo de los aparatos con los modelos que utilizaban otros investigadores.
Para el caso de Pensilvania, combinábamos información sobre los envíos de equipos al mercado, el número estimado de aparatos en uso y sus niveles de eficiencia. Con esa información calculábamos cambios en el consumo de electricidad. Los perfiles horarios permitían distribuir esos cambios a lo largo del año.
Me encargué de preparar los datos de uso de los equipos y organizar las estimaciones de demanda para que pudieran utilizarse en las siguientes etapas del análisis.
Es un trabajo que puede quedar oculto detrás del resultado final. Una tabla de emisiones o de efectos estimados en la salud suele llamar más la atención que la preparación de sus datos de entrada. Pero cada modelo necesita información que corresponda a la pregunta que puede responder y a la forma en que la procesa.
Al pasar de un modelo a otro, hay que conservar algo más que las cifras. Importan las unidades, el periodo y el lugar al que corresponden, además de los supuestos con los que se obtuvieron. Dos valores pueden parecer comparables y describir cosas distintas. Preparar bien los datos exige revisar esas diferencias.
Entregamos los datos preparados a colegas del Laboratorio que operaban los modelos del sistema eléctrico y de calidad del aire. Con ellos se relacionaban los cambios de demanda con la generación de electricidad y las emisiones, y después se estimaban los posibles efectos en la salud.
El proyecto se desarrolló en equipo bajo la dirección de Anna Spurlock. La integración de los modelos fue parte de ese trabajo colectivo. Yo escribí el trabajo final bajo la supervisión de Sydny Fujita. Mi aportación se concentró en el análisis y la preparación de los datos, las estimaciones de demanda y la documentación del proyecto. La operación de los modelos posteriores correspondió a mis colegas.
Qué permitían concluir las primeras simulaciones
En la primavera de 2024, mientras terminaba el trabajo final, mis colegas utilizaron los datos preparados para ejecutar las siguientes etapas del análisis. El informe recoge resultados iniciales sobre las emisiones de las centrales, estimaciones de mortalidad prematura bajo distintos escenarios del sistema eléctrico y una valoración económica de los efectos en la salud.
Esas primeras simulaciones mostraron que era posible enlazar las etapas del análisis y obtener el tipo de resultados que buscábamos: relacionar un escenario de eficiencia de los aparatos con estimaciones de consecuencias que iban más allá del consumo dentro del hogar.
Era un avance importante. También había que precisar qué demostraba. Obtener resultados no bastaba para validar el sistema completo ni para establecer la precisión de cada estimación. Su interpretación dependía de los datos, los escenarios y los supuestos utilizados en las distintas etapas.
En el caso de la salud, esa diferencia exige especial cuidado. El proyecto estimaba posibles cambios en la mortalidad prematura bajo ciertos supuestos. No seguía a una población después de un cambio regulatorio para medir cuántas muertes se habían evitado.
El informe también planteó la posibilidad de estudiar cómo variaban los efectos entre comunidades y grupos de población. Para hacerlo se necesitaban nuevas simulaciones. Las primeras estimaciones daban una base para continuar ese trabajo, sin que el análisis por poblaciones estuviera ya realizado.
Volver al recibo de luz
Lo que más rescato de este proyecto es el cuidado que exigió al interpretar la información. Encontrar datos faltantes, elegir cómo estimarlos y reconocer los límites de las mediciones eran decisiones que influían en lo que después podíamos concluir.
Cada etapa exigía un juicio distinto. Una regresión podía ayudar a completar los registros sin resolver la representatividad geográfica. Un perfil horario ofrecía más detalle sin eliminar la incertidumbre. Una simulación permitía examinar posibles consecuencias, siempre dentro de los supuestos del análisis.
Para mí, hacer investigación aplicada también consiste en eso: producir un análisis útil y explicar con claridad qué permite afirmar y qué queda por resolver.
Y ahí vuelvo al recibo de luz. Registra lo que paga un hogar, pero no muestra a todas las personas cuya vida puede verse afectada por la generación de esa electricidad. Estudiar esas consecuencias amplía las preguntas que podemos hacer sobre una norma: cuánto podría ahorrar, cuándo y dónde se produciría ese ahorro, y cómo podría cambiar la exposición a la contaminación.
Esa relación entre la investigación y las decisiones públicas sigue siendo parte de lo que me interesa. Cuando una consecuencia ocurre lejos de la decisión que la origina, es más fácil que quede fuera del cálculo.
Un buen análisis puede ayudarnos a tomarla en cuenta. Para que ayude a tomar decisiones, también tenemos que poder seguir el razonamiento: de dónde salen las cifras, qué supuestos las sostienen y qué preguntas siguen abiertas.
Seguir leyendo
Conocer el proyecto de LBNL · Leer el trabajo completo · Ver más investigación