Cómo la Inteligencia Artificial está redefiniendo el sector de la energía en tiempos de transición energética

La digitalización ya no es solo un reclamo en la comunicación corporativa, sino que es fundamental para reducir el TOTEX en toda la cadena de valor- desde la selección de las inversiones, la ingeniería y la construcción, hasta la cadena logística y las actividades de operación y mantenimiento-. Actualmente, la digitalización se ve como el factor que puede agilizar las inversiones que se están haciendo, así como optimizar la operación durante la larga vida útil de estos activos.

La digitalización se apoya principalmente en la Inteligencia Artificial y en las iniciativas de data para obtener ese valor, uniendo silos de información, proporcionando una visión integrada del activo, y usando inteligencia sobre estos datos para automatizar y transformar muchos procesos de negocio.

No obstante, el grado de madurez varía entre empresas, y entre los diferentes ámbitos de una misma compañía.

Ya hace tiempo que el uso de modelos predictivos está consolidado en varios procesos clave de las empresas energéticas, por ejemplo, en la predicción de producción de energía renovable, previsión de la demanda, o en la previsión de precios de mercado, etc.

Sin embargo, la aplicación de modelos predictivos e IA en general en la gestión de activos es todavía incipiente. Hay infinidad de oportunidades de capturar valor en este ámbito, desde las más accesibles como mantenimiento predictivo, o las técnicas de DLR para aumentar la potencia efectiva de una línea, y hasta la automatización del procesamiento de imágenes para el mantenimiento de la red o equipamiento renovable (roturas, vegetación, certificación de obra…).

Pensamos que hay varios desafíos que dificultan el despliegue de IA en la gestión de activos:

• Carencia significativa de Datos: Aún es frecuente que una empresa no tenga una plataforma de datos de su parque de activos, gobernados, con histórico, y preparados para analítica. Sobre todo, los datos de telemetría y sensórica.
• Dispersión en los modelos de los Activos: Las diferencias entre fabricantes, o por la natural modernización de los equipamientos, tiene un impacto relevante:
  • Dificultad para homogeneizar los datos, en la captura y en el modelado
  • No siempre son accesibles los datos de sensórica fuera de la plataforma propietaria del fabricante
  • Hay menor número de activos del mismo tipo para entrenar un modelo. Es decir, los problemas y modelos son menos generalizables.
• Calidad y Frecuencia de Datos de sensórica: La calidad y frecuencia temporal de los datos de los activos de operación a menudo no son adecuadas.
• Definición del Problema: En muchos casos, no se sabe con certeza qué se busca. Dado el elevado número de tipologías y proveedores de activos en un portafolio, es muy difícil plantear problemas analíticos de manera adecuada utilizando un enfoque top-down. Por ello, en muchos casos, es más efectivo buscar señales y patrones en los datos utilizando un enfoque bottom-up para llegar a conclusiones, aunque esto requiere mucho esfuerzo y dedicación.

La estrategia más eficiente para superar estos desafíos es más que conocida: Es necesario desplegar una plataforma de datos en la nube, donde se pone a disposición toda la información del activo 360º (Estructural, telemetría y sensórica, mantenimiento, e incluso económica).  Esta información debe utilizar un modelo de datos propio de la empresa, independientemente del fabricante del equipo.  Hacerlo así acelera radicalmente las iniciativas para analizar los datos y desplegar IA que capture las eficiencias potenciales.

Estimamos que una estrategia de este tipo puede ayudar a reducir hasta un 5% el OPEX, aumentar hasta un 5% la vida útil de los activos y aumentar hasta un 3% su disponibilidad.

Por último, cabe destacar que el papel de la Inteligencia Artificial Generativa (GenAI) va a marcar una disrupción en la manera de operar y trabajar, incluso en el ámbito industrial de ingeniería, construcción, operación y mantenimiento.

Hay una percepción general de que GenAI aplica únicamente a trabajos de oficina, especialmente en el área de clientes.  Y es verdad, en la medida en la que estos ámbitos están más digitalizados.  Sin embargo, las empresas que han invertido en la digitalización de los activos, con una estrategia de datos sólida, ya están aplicando GenAI en toda la cadena de valor. Y siendo las inversiones y el OPEX mucho mayores que en el área comercial, las eficiencias potenciales en términos absolutos son también bastante más relevantes.

Por ejemplo, se pueden hacer más eficientes las intervenciones de mantenimiento en campo con un aumento de productividad de hasta un 25%, facilitando al trabajador la información de intervenciones previas, estado de los stocks de materiales, sugiriendo la acción más recomendable, o generando el reporte de intervención.

De hecho, el estudio de Accenture “A new era of generative AI for everyone” estima que la aplicación de IA Generativa en la industria de Utilities tiene el potencial de automatizar y optimizar hasta un 33% el trabajo humano. La GenAI puede habilitar, por lo tanto, la hiperautomatización de la industria en toda la cadena de valor.