La Inteligencia Artificial (IA) y el Machine Learning (ML) son los grandes topics del 2023. Son muchas las empresas que han decidido aumentar su inversión en estas herramientas, e incluso se prevé que la IA alcance los 1400 millones de euros de inversión en el mercado español para el año 2025, según el estudio realizado por IDC Research.
Si algo podemos asegurar es que estas tecnologías no dejarán de evolucionar y con ello surgen preguntas esenciales para los órganos de decisión: ¿de qué manera puedo aprovechar estas herramientas? ¿cómo pueden mejorar mis procesos y estrategias? ¿cómo puedo adaptarlo a mi sector?
En el caso del Machine Learning, son muchas las posibilidades y casos de uso que nos ofrece: desde ser un apoyo en la toma de decisiones, encontrar soluciones óptimas y dimensionar sistemas nuevos o existentes, hasta generalizar y realizar tareas complejas.
Por eso, en el artículo de hoy te contamos cómo, mediante el uso de sistemas predictivos es posible optimizar sistemas energéticos logrando ahorros en el consumo de energía, mejora en la eficiencia de los generadores implicados y reducción en los costes de mantenimiento.
¡Sigue leyendo!
Definiendo el problema
Nuestro cliente gestiona cientos de torres de telefonía móvil en todo el mundo, muchas de las cuales se encuentran en zonas rurales sin acceso a la red eléctrica, por lo que su suministro energético se obtiene a partir de matrices fotovoltaicas y un generador diésel.
Estos sistemas híbridos cuentan con el apoyo de baterías para cubrir los periodos en los que el generador está apagado y la producción solar es insuficiente para satisfacer el consumo de la torre. Nuestro reto fue optimizar el uso del generador diésel ajustando de forma automática los horarios de las 24 horas siguientes.
Predicción a través de modelos de aprendizaje automático
Para abordar esta problemática, desarrollamos un conjunto de modelos de aprendizaje automático que se formaron gracias a múltiples fuentes de datos, como: datos históricos de consumo, datos históricos de producción de energía y datos de previsión meteorológica.
Estos modelos eran capaces de predecir el consumo de energía esperado de las torres de telefonía móvil, la generación de energía solar y la pérdida de energía por el uso de la batería durante las próximas 24 horas.
Producción solar prevista VS histórica
Demanda energética prevista VS histórica
A partir de los datos previstos, desarrollamos dos algoritmos de optimización:
El primer modelo calculaba los niveles óptimos de batería para encender y apagar el generador al día siguiente, con el fin de programar automáticamente el programa.
Optimización prevista
El segundo modelo ofrecía una potente herramienta de apoyo en la toma de decisiones que permitió a nuestro cliente encontrar las velocidades de carga óptimas de la batería, lo que le daba la opción de elegir entre configuraciones más orientadas al ahorro de combustible o configuraciones de menor requerimiento de mantenimiento.
Optimización para minimizar el tiempo de funcionamiento del generador (ahorro de combustible)
Optimización para minimizar el número de veces que se pone en marcha el generador (ahorro en mantenimiento)
Además, desarrollamos un sistema que actuaba como un “gemelo digital” para ayudar a nuestro cliente a dimensionar sistemas nuevos o existentes. Este sistema preveía el consumo de energía del sistema, la producción de energía, el uso del generador y el consumo de combustible en función de configuraciones hipotéticas de hardware y configuración:
- ¿Qué pasa si… añadimos 2 paneles solares adicionales?
- ¿Qué pasa si… perdemos una batería del conjunto?
- ¿Y si… el consumo de la torre aumenta un 50%?
Estos “gemelos digitales” se pueden utilizar comparándolos con los sistemas reales, detectando comportamientos inesperados y alertando al cliente de problemas o anomalías en el sistema.
Control de la producción y la demanda de energía
Optimización, ahorro y reducción de los costes de mantenimiento
El sistema le permitió a nuestro cliente adaptar la optimización para cada torre en función de priorizar el ahorro de combustible o el ahorro en costes de mantenimiento. Esta flexibilidad generó una variedad de resultados posibles:
- Más de un 20% de ahorro en el consumo de combustible con menos de un 4,5% de aumento en los arranques del generador, utilizando configuraciones orientadas a minimizar el tiempo en el que el generador está ENCENDIDO.
- Una disminución superior al 20% de los arranques del generador y cargas más lentas de la batería con un aumento inferior al 8,2% del consumo de combustible, para configuraciones orientadas agresivamente a reducir los costes de mantenimiento.
Utilizando el algoritmo de apoyo en la toma de decisiones, nuestro cliente puede seleccionar configuraciones equilibradas que proporcionan más de un 15% de ahorro medio de combustible, sin aumentar los arranques del generador. Esto se traduce en un ahorro de cientos de miles de litros de gasóleo al año, sin comprometer la vida útil del generador, ni de la batería.
¿El resultado?
Utilizando este algoritmo, nuestro cliente puede seleccionar configuraciones equilibradas que proporcionan un ahorro medio de combustible de más del 15%, sin aumentar los ciclos de arranque del generador. Esto se traduce en un ahorro de cientos de miles de litros de gasóleo al año, sin comprometer la vida útil del generador, ni de la batería.
Además, nuestro cliente se benefició de un sistema de apoyo en la toma de decisiones potente y novedoso, que le ayuda en las tareas de planificación y supervisión a través del sistema de “gemelos digitales”.
¿Te gustaría aplicar técnicas similares en tu organización?
En Open3s, empresa de Innovery Group, llevamos más de 15 años aportando valor y ayudando a nuestros clientes, entendiendo sus necesidades y apostando por soluciones innovadoras que les ayuden a mejorar su proceso de toma de decisiones, transformando sus datos en información de valor. Si quieres más información ¡contacta con nosotros!
Autor: David Marcos, Data Analytics Business Manager de Innovery Group.
