Nedgia está revisando el proceso de Investigación de fugas, que supervisa la red de distribución para garantizar su seguridad y reducir emisiones. El proyecto desarrollado por Nedgia con NTT DATA evoluciona de un modelo de frecuencias fijas a uno basado en condición, con algoritmos de ML que clasifican los tramos según su riesgo de fuga. El modelo optimiza los recursos operativos, reduce las emisiones en un 20% y mejora la seguridad al incrementar la frecuencia sobre los tramos con más riesgo
Gestión dinámica de la investigación sistemática de fugas en el sistema de distribución de gas
Indicadores y procesos de mejora
Se ha llevado a cabo un análisis de la madurez del modelo operativo actual desde la perspectiva de Procesos, Tecnología y Cultura. El análisis ha permitido definir la estrategia óptima en el proceso de mantenimiento de la red y establecer un roadmap de iniciativas alineados con los objetivos de la compañía, consiguiendo así:
– Maximizar la eficiencia operativa de los procesos mediante la nueva norma UNE que permite introducir nuevas variables en las frecuencias de mantenimiento.
– Acelerar la adopción de la Cultura Digital en la organización.
– Identificar cambios en la operativa al cambiar el modelo de actividad.
La Transformación Digital de las áreas de Distribución y Operaciones de Nedgia se aborda desde el punto de vista de la digitalización de operaciones, con el objetivo de eficientar los procesos, minimizar los riesgos operativos y dotar a Nedgia de herramientas para la toma de decisiones basados en datos.
Cuantificación/Estimación reducción consumo
Se ha estimado la captura de eficiencia bruta en KMs, en las áreas de Distribución y Operaciones:
– Red: estimación de captura bruta de eficiencia de un 24 % con una liberación potencial de 7.500 KMs anuales de reseguimiento. A nivel de subtramos representa una reducción del 46%.
– Proyecto On-Site: Con la nueva eficiencia es necesario aumentar el numero de zonas de reseguimiento un 20%, que permitirá después una mejor distribución en el reparto de reseguimiento tanto a nivel anual (de 1 a 6 años) como en la planificación mensual de las tareas de reseguimiento de la red de gas, priorizando la cercanía de las zonas para una mejor operativa.
La salida del modelo será flexible permitiendo a la operativa cambiar zonas de reseguimiento de un periodo a otro según ciertas circunstancias que puedan ocurrir.
Todo está sustentado en herramientas como Power BI o Google Earth para la evaluación del modelo, y posteriormente integrarse en las herramientas corporativas como SAP y GIS.
Cuantificación/Estimación reducción emisiones CO2
A través de la mejor identificación de los subtramos de red con riesgo de fuga se consigue:
– Los tramos de mayor riesgo se resiguen con mayor frecuencia
– El calculo de las emisiones de gas se contabiliza como la mitad de su frecuencia asignada
– Al tener la mayoría de las fugas en la categoría de riesgo más alta y por tanto con mayor frecuencia de reseguimiento, estas se encontrarán antes y por tanto se reduce el tiempo que se está emitiendo gas a la atmósfera
– Con esto se consigue una reducción promedio del 20% de las emisiones de gas metano (con un impacto climático mucho mayor que el CO2) a la atmósfera por parte de la red de distribución
Innovación aplicada y buenas prácticas
El proyecto se ha desarrollado para eficientar tanto cuantitativa como cualitativamente el mantenimiento de sus activos de la red de gas.
Para ello se introducen modelos de machine learning que prioricen los tramos de mayor riesgo con los que optimizar nuevas frecuencias de seguimiento de los subtramos.
El desarrollo del proyecto se ha realizado con metodología CRIPS-DM:
– Entendimiento del caso de negocio, para asegurar que el conocimiento de negocio se convierte en un problema predictivo
– Comprensión de los datos y análisis exploratorios para verificar que se pueden lograr los objetivos fijados
– Transformación de los datos originales para su entrada en los modelos a desarrollar
– Construcción de los algoritmos para resolver los problemas definidos
– Evaluación de la calidad de los modelos y verificar que cumplen los objetivos
– Despliegue de entornos de visualización en entornos colaborativos para validación de los resultados por parte de las áreas implicadas
Usabilidad de Tecnologías de la Información y Comunicaciones
Las iniciativas de transformación digital detectadas durante la ejecución del proyecto implican el uso de soluciones de:
– Modelos analíticos entre los que incluyen:
1) Un modelo analítico de riesgo de fuga. Clasificación binaria (0: No Fuga, 1: Fuga) cuya predicción tiene formato de score (entre 0 y 1).
2) Una segmentación para generar grupos por riesgo de fuga y tipología que se asimilan a frecuencias de reseguimiento.
3) Una optimización del plan de reseguimiento en función de las frecuencias de los diferentes subtramos.
4) Un planificación mensual de las diferentes agrupaciones de subtramos a reseguir durante ese año.
– Infraestructura cloud AWS en entornos de desarrollo
– Business Intelligence para reporting global de: mapas, Clasificación de KMs por riesgo y frecuencias, distribución de KMs anuales, distribución de KMs mensuales, información a nivel de subtramo.
– Entornos colaborativos.