Candidatura

Machine Learning aplicado al cálculo del ahorro energético

EUROCONTROL pone en marcha una aplicación de cálculo de ahorro energético basado en algoritmos predictivos (aprendizaje automático) en el sector de las estaciones de servicio.

Aplicando técnicas de Machine Learning, y con los datos del sistema de gestión, datos externos y datos IOT, se generan varios modelos que predicen el comportamiento energético de cada una de las estaciones dentro de la red del cliente.

Además, mediante el uso de herramientas de visualización, estos resultados se publican en varios cuadros de mando donde se analizan las diferentes evoluciones de datos y la predicción de los meses futuros.

Todo esto permite:

• Averiguar el ahorro real que producen la ejecución de medidas que se aplican para disminuir el consumo. Para ello, la herramienta facilita la comparación entre la predicción sobre cómo se hubiese comportado el consumo sin la medida con respecto a cómo ha evolucionado realmente, y obtiene esa diferencia que no es otra cosa que el ahorro real.

• Realizar simulaciones sobre cómo afectaría una decisión sobre la instalación en una estación de servicio determinada, o en toda la planta, al consumo eléctrico, y visualizar estas diferencias en los cuadros de mando construidos para tal fin.

Indicadores y procesos de mejora

Indicadores y procesos de mejora

Se obtienen diferentes KPIs para evaluar el proyecto: los relativos al objetivo del proyecto, es decir, las predicciones que arroja el algoritmo sobre el consumo estándar, IIE y el ahorro energético, y por otro lado los que evalúan la confianza del modelo predictivo. Los primeros son propios de la actividad y de las diferentes medidas de ahorro que se toman en cada estación.

Se ha comprobado que los resultados del ahorro pronosticado por el algoritmo de Machine Learning se adaptan más fielmente a la realidad que los cálculos que se venían haciendo basados en en regresiones lineales.

En cuanto a la confianza en el modelo (es decir, qué grado de acierto presenta frente a los resultados reales), la misma queda en torno a valores del 92%.

Para llegar a esta cifra, se ha llevado a cabo un trabajo muy extenso de minería de datos, donde se exploran las variables registradas en el sistema y se analiza cómo contribuyen a la predicción, desechando los datos anómalos o desviados, y empleando diferentes técnicas de limpieza y normalización.

Cuantificación/Estimación reducción consumo

Cuantificación/Estimación reducción consumo

Este proyecto no supone una mejora directa en la reducción del consumo, sino que lo que intenta es cuantificar cuánto se reduce el consumo según la incorporación de otras mejoras. En otras palabras, evalúa qué medida de reducción de consumo es la más óptima para cada caso.

Su impacto por tanto es indirecto y evaluable a medio-largo plazo, facilitando la toma de decisiones sobre qué medidas han tenido o tendrán más éxito en la reducción del consumo.

Se ha estimado que el uso de este sistema supone indirectamente ahorros energéticos del orden del 5%, asegurando la adopción y conjunción de medidas más óptimas para cada situación en particular.

Cuantificación/Estimación reducción emisiones CO2

Cuantificación/Estimación reducción emisiones CO2

Aunque no se ha aplicado en un principio el algoritmo a evaluar mejoras en el consumo de emisiones CO2, es una línea sobre la que en un futuro se puede evolucionar.

Innovación aplicada y buenas prácticas

Innovación aplicada y buenas prácticas

El uso de técnicas de Machine Learning demuestra el grado de innovación que presenta el proyecto. La irrupción de la Inteligencia Artificial y su aplicación en diferentes sectores de la industria está modificando por completo la percepción que teníamos de los mismos hace apenas unos días, abriendo un abanico enorme en la automatización y en la optimización de los procesos en numerosas actividades.

Sin embargo, no debemos caer en la aplicación de la tecnología sin un objetivo palpable que realmente aporte valor, la tecnología debe estar siempre al servicio del negocio y no al revés.

Usabilidad de Tecnologías de la Información y Comunicaciones

Usabilidad de Tecnologías de la Información y Comunicaciones

El sistema se ha basado en diferentes plataformas y lenguajes: se ha utilizado Python y la librería scikit-learn para la exploración y minería de datos.

Se ha empleado Power BI para la visualización de datos y para la elaboración y publicación de los cuadros de mando que presentan los resultados del modelo al cliente final. Se utiliza Azure como proveedor de servicios en la nube y Azure IOT para el control de los sensores y del flujo de comunicaciones.

Implementado en:

Repsol

Periodo de ejecución:

30/08/2019 - 15/04/2019

Socio tecnológico destacado:

Eurocontrol