Plataforma enerTIC
Tecnología e Innovación para la mejora de la Eficiencia Energética y la Sostenibilidad.

enerTIC: "Machine Learning & Digital Twin"

< Volver al listado
  • Carlos Pequerul Herrero

    "Machine Learning & Digital Twin"

    Autor:Carlos Pequerul HerreroCargo:Smart Energy ConsultorPublicado: CIC Consulting Informático

    La Eficiencia Energética es una transversal de negocio aplicable prácticamente a todos los ámbitos de aplicación de negocio. Tras estos años donde la implantación de sistemas de monitorización y gestión energética en Tiempo Real a través de la tecnología BigData ha sido el referente, unido a la aplicación de técnicas de calidad del dato…la pregunta es: ¿Cúal será entonces, el siguiente paso?

    Sin duda todo apunta a que el siguiente paso, incluso ya demandado por este sector, es la aplicación de técnicas de predicción y modelaje o simulación de comportamientos de consumo energético en los diferentes procesos, a través de lo que se denomina Digital Twin.

    Y para conseguir esto, sin duda la palabra mágica es el Machine Learning, “máquinas que analizan y estudian comportamientos, aprenden de ellos y ofrecen modelos de comportamiento capaces de predecir valores futuros de las señales”.
    ¿Cómo aplicar técnicas de Machine Learning en el sector de la Eficiencia Energética?

     

    MODELAR CONSUMOS ENERGÉTICOS

    Lo primero es conocer en profundidad y con el máximo nivel de detalle, el comportamiento energético del proceso que se quiere optimizar. No importa si hablamos de un elemento concreto (consumo de una Bomba), de una instalación completa (consumo de estación de bombeo) o a nivel global (consumo de una factoría).

    Para conocer ese comportamiento energético es necesario generar un modelo matemático con las posibles variables de entrada (señales independientes) que influyen en la variable dependiente (consumo energético).

    La idea es alimentar el modelo con datos históricos de dichas variables y comenzar con la fase de “entrenamiento” del modelo, para posteriormente pasar a la fase de validación.

    ¿Qué se consigue con este modelo?

    • Poder obtener sistemas Base de Referencia Energética Multivariable, a partir de los cuales se estimará si las MAE´S implantadas (Medidas de Ahorro Energético) están resultado efectivas o no.
    • Replicar procesos consumidores de energía de forma virtual, lo que se conoce como Digital Twin. Una vez obtenido el modelo de comportamiento energético, se pueden hacer simulaciones de este comportamiento variando los valores de las variables independientes. Esta parte, permitirá establecer prioridades en la implantación de MAE´S y descubrir nuevas posibilidades de ahorro energético.

     

    PREDECIR CONSUMO ENERGÉTICO

    Ya se ha analizado en detalle el comportamiento energético de un determinado proceso, a través de la simulación (Digital Twin). Se han aplicado las MAE´S correspondientes según indicaciones del modelo machine learning y ya se tiene el modelo base de referencia energética.

    Ahora se utiliza ese modelo para hacer una predicción futura del consumo energético de dicho proceso. Es decir, se obtiene información relevante de forma anticipada sabiendo cual será el consumo de dicho proceso.

    Esto permite ajustar al máximo las tarifas energéticas contra la demanda energética de un proceso o del consumo energético total de una factoría.

    Yo creo que estas serán las tendencias para este próximo año 2019 y que el siguiente paso, probablemente venga por la implantación de técnicas de “Inteligencia Artificial”, que permitirá operar procesos y tomar decisiones de forma totalmente automatizada y referenciada a las predicciones y modelos de comportamiento obtenidos a través de machine learning y algoritmos de predicción.

    Para terminar, si me gustaría destacar algo muy importante. La base sobre la que se sustenta todo esto, el pilar de estas técnicas, es la adquisición de los datos y fundamentalmente la calidad de los mismos, es decir, si no se dispone de indicadores de calidad que identifiquen la veracidad y validez de los datos brutos de nada sirve tener los mejores algoritmos de predicción y machine learning, porque los errores en el tratamiento de señales y predicciones pueden ser enormes.


    Solicitar más información:




    Puntuación media.


< Volver al listado

Noticias Destacadas

Naturgy lidera el sector Utilities del Índice de Sostenibilidad FTSE4Good

Naturgy lidera el sector Utilities del Índice de Sostenibilidad...

La puntuación global de la compañía ha pasado de 4,3 en la última evaluación de 2017 a 4,8 en Junio de 2018, siendo 5 la máxima puntuación posible. Las áreas va...Ver más

Las emisiones de CO2 crecen en España un 4,4% en 2017 con respecto al año anterior

Las emisiones de CO2 crecen en España un 4,4% en 2017 con respe...

El Ministerio para la Transición Ecológica remitirá a la Comisión Europea el Avance del Inventario de Emisiones de Gases de Efecto Invernadero (GEI) correspondi...Ver más

La inteligencia del dato, principal reto de la gestión de los Edificios Inteligentes

La inteligencia del dato, principal reto de la gestión de los E...

El pasado jueves 12 de julio, los Smart Buildings fueron los protagonistas en el XII “Desayuno Smart Energy” que organizó la Plataforma enerTIC en el Hotel Pala...Ver más

 

 

 

Síguenos | Newsletters

Con este mensaje serán enviados sus datos personales de contacto (Nombre, Apellido, Empresa, email y teléfono).

Para utilizar este servicio debe autentificarse primero, despues podrá continuar.

Si no recuerdas tu contraseña introduce tu e-mail y haz click aquí para recibirla por e-mail.

Si no estas registrado introduce tu e-mail y haz click aquí para darte de alta como usuario (gratuito. Recibirás de inmediato tus claves por e-mail).

Disculpa, finalmente para poder continuar debes tener actualizada esta información básica de contacto.