Energía en España (III): Aplicaciones específicas de analítica avanzada I

21 jun

Este post es parte de una serie dedicada a la monitorización y analítica avanzada en la industria de la energía que cubre:

Los casos de uso y soluciones están extraídos del portfolio de Decide Soluciones y Ceteck Tecnológica.

Puedes descargar la serie completa en formato de guía aquí.

La eficiencia operativa y la reducción de costes son claves para las empresas energéticas en España, especialmente en el contexto de la transición hacia un modelo energético más verde y competitivo. En esta línea, las empresas punteras del sector están aplicando diversas estrategias para optimizar sus operaciones y minimizar sus gastos, siguiendo las mejores prácticas y usando tecnologías avanzadas.

Iberdrola, por ejemplo, ha enfocado sus esfuerzos en la digitalización y la automatización de sus procesos operativos. En su Plan Estratégico 2020-2025, Iberdrola resalta la inversión en tecnologías de redes inteligentes, que permiten una gestión más eficiente y flexible de la red eléctrica. Estas tecnologías aumentan la eficiencia operativa, a la vez que disminuyen las pérdidas de energía y los costes de mantenimiento. Según la empresa, la adopción de estas tecnologías ha supuesto una reducción significativa de los costes operativos y una mejora en la fiabilidad del suministro eléctrico.

Endesa también ha tomado medidas para mejorar su eficiencia operativa. Su Plan de Sostenibilidad 2022-2024 enfatiza la importancia de la optimización de procesos a través de la digitalización y la innovación tecnológica. Endesa ha invertido en sistemas de mantenimiento predictivo y en la gestión avanzada de activos, lo que les permite prevenir fallos y planificar el mantenimiento de manera más eficiente4. Estas iniciativas disminuyen los costes de reparación y el tiempo de inactividad, y también incrementan la longevidad de los activos y la eficiencia general de la red.

Naturgy, por su parte, ha implementado un programa de mejora continua que incluye la modernización de sus infraestructuras y la implementación de sistemas de gestión energética. Un ejemplo específico es la instalación de contadores inteligentes, que permiten una medición precisa y en tiempo real del consumo energético, facilitando la gestión eficiente del suministro y la detección temprana de anomalías. Esta estrategia optimiza la operación, reduce los costes operativos y mejora la calidad del servicio.

En conclusión, las empresas energéticas en España están adoptando diversas medidas para mejorar su eficiencia operativa y reducir costes, usando tecnologías avanzadas y enfoques innovadores. Estas iniciativas son fundamentales para mantener la competitividad en un mercado en rápida evolución y para alcanzar los objetivos de sostenibilidad a largo plazo.

Los casos de uso tienen aplicación en múltiples áreas y para no afectar la legibilidad de estos posts, los describiremos muy brevemente. Si fuese necesario más detalle, contacta con julio@juliolema.com o marketing@decidesoluciones.es.

Operaciones

El departamento de operaciones se encarga de garantizar el funcionamiento óptimo de la infraestructura y sistemas energéticos, desde la producción hasta la distribución de la energía. Entre sus funciones se encuentran el diseño, la planificación, la ejecución y el control de las actividades operativas, así como la gestión de los recursos humanos, materiales y financieros necesarios para ello.

Automatización y minería de procesos

Inteligencia de procesos y minería de procesos:

Propuesta de valor: Uso de técnicas de minería de procesos para identificar y eliminar ineficiencias en las operaciones de los parques energéticos.

Fundamento técnico: Mediante el uso de algoritmos de minería de procesos, como el algoritmo α y heurísticas de minería de procesos, se pueden identificar cuellos de botella y redundancias en los procesos operativos, optimizando el flujo de trabajo.

Automatización de decisiones:

Propuesta de valor: Implementación de sistemas automatizados de toma de decisiones para mejorar la eficiencia y la rapidez en la respuesta a condiciones cambiantes del mercado energético.

Fundamento técnico: La implementación de sistemas de reglas basadas en inteligencia artificial (BRMS) permite automatizar decisiones repetitivas y complejas, mejorando la eficiencia operativa y adaptándose rápidamente a los cambios regulatorios y del mercado.

Optimización del Unit Commitment:

En las plantas de producción de combustibles, el Unit Commitment es el problema de decidir qué unidades de generación deben estar en funcionamiento y a qué nivel de capacidad para satisfacer la demanda de energía. Es necesario optimizarlo para reducir los costes de arranque y parada, las emisiones de CO2 y el uso de combustible, así como para maximizar los beneficios económicos y el uso de fuentes renovables.

Propuesta de valor: Mejora la planificación y programación de generación energética en los Energy Parks, asegurando un suministro estable y eficiente.

Fundamento técnico: Utilizando algoritmos de optimización como el método de programación mixta entera, se pueden determinar las mejores combinaciones de unidades de generación, minimizando los costes operativos y garantizando el suministro.

Optimización de redes eléctricas:

Las redes eléctricas son sistemas complejos que deben equilibrar de forma continua la oferta y la demanda de energía, evitando situaciones de desabastecimiento o sobrecarga.

Propuesta de valor: Soluciones de predicción y de optimización para optimizar la distribución de energía en tiempo real, ajustando la oferta y la demanda de manera dinámica para minimizar pérdidas y mejorar la eficiencia.

Fundamento técnico: La implementación de redes neuronales y algoritmos de optimización permite ajustar dinámicamente la distribución de energía, basándose en la demanda en tiempo real y la capacidad de la red.

Mantenimiento

El departamento de Mantenimiento tiene como objetivo garantizar el correcto funcionamiento y la seguridad de las instalaciones del sector de la energía, así como prolongar su vida útil y reducir el impacto ambiental. Para ello, se encarga de realizar las actividades de inspección, reparación y sustitución de los equipos, componentes y sistemas que forman parte de las infraestructuras energéticas.

El departamento de Mantenimiento también aplica soluciones innovadoras basadas en gemelos digitales, que le permiten simular, analizar y optimizar el rendimiento de las instalaciones.

Algunas de las funciones que realiza el departamento de Mantenimiento son:

Optimización de rutas de mantenimiento

La optimización de rutas de mantenimiento consiste en determinar el orden óptimo de las visitas de los técnicos a las instalaciones, minimizando el tiempo y el coste de los desplazamientos. Esta solución tiene varios beneficios, como reducir los tiempos de inactividad, reducir la huella de carbono, mejorar la eficiencia operativa, aumentar la satisfacción de los clientes y evitar retrasos innecesarios.

El fundamento técnico de esta solución se basa en el uso de modelos de aprendizaje automático que pueden procesar grandes cantidades de datos históricos y actuales sobre las condiciones de las instalaciones, las demandas de los clientes, las características del tráfico y las preferencias de los técnicos, la formación necesaria, herramientas requeridas y generar rutas óptimas que se adapten a las necesidades y restricciones de cada situación.

Como alternativa al Machine Learning, se puede aplicar Investigación Operativa a la optimización de rutas y planes. A diferencia del machine learning, que requiere de datos históricos para entrenar modelos predictivos, la investigación operativa puede resolver este problema mediante algoritmos matemáticos que buscan la solución óptima o aproximada, basándose en criterios como la distancia, el tiempo, el coste o la demanda.

La investigación operativa ofrece una alternativa al machine learning cuando no se dispone de suficientes datos o cuando se quiere garantizar la calidad de la solución.

Mantenimiento predictivo

Mantenimiento predictivo con IA:

Propuesta de valor: Predecir fallos en equipos e infraestructuras antes de que ocurran, permitiendo planificar el mantenimiento de manera más eficiente y reducir tiempos de inactividad.

Fundamento técnico: Mediante el uso de modelos de machine learning como redes neuronales y SVMs, se pueden analizar patrones de datos históricos para predecir fallos futuros y programar mantenimientos preventivos.

Gestión de activos

Gestión de activos:

Propuesta de valor: Optimizar la gestión de sus activos, priorizando reparaciones y reemplazos basados en análisis de datos en tiempo real.

Fundamento técnico: La aplicación de técnicas de análisis de datos en tiempo real, como el clustering y la detección de anomalías, permite identificar los activos que requieren atención inmediata, mejorando la eficiencia operativa y prolongando la vida útil de los equipos.

Gemelo digital de instalaciones

Un gemelo digital es una representación virtual de una instalación física, que permite monitorizar, analizar y simular su comportamiento y rendimiento.

Existen diferentes tipos de gemelos digitales, según el nivel de detalle y complejidad que ofrecen.

Los más básicos son los gemelos físicos o visuales, que recrean la apariencia y la ubicación de las instalaciones, y permiten visualizar datos e indicadores en tiempo real. Estos se emplean para representar y monitorizar plantas de energía renovable, como parques eólicos o solares, y evaluar su rendimiento y disponibilidad y por ejemplo lanzar acciones cuando el rendimiento real y el teórico no coinciden.
Los gemelos funcionales añaden la capacidad de modelar el funcionamiento interno de las instalaciones, y simular escenarios hipotéticos para predecir el impacto de posibles cambios o eventos. En el sector de la energía se usan para simular el flujo de energía en las redes eléctricas, y analizar el impacto de la integración de fuentes renovables o la demanda de los usuarios
Los gemelos analíticos van más allá, e incorporan técnicas de inteligencia artificial para detectar desviaciones, anomalías y patrones en el comportamiento de las instalaciones, y generar recomendaciones para optimizar su eficiencia y mantenimiento. Se emplean para optimizar la gestión de los activos energéticos, anticipando posibles fallos, reduciendo costes operativos y mejorando la eficiencia energética.

Logística

La logística es un aspecto clave en el sector de la energía, ya que implica la planificación y gestión eficiente del transporte y almacenamiento de los recursos energéticos, desde su origen hasta su consumo final. La logística puede afectar a la seguridad, la calidad, la rentabilidad y la sostenibilidad de la cadena de valor energética.

Algunas de estas soluciones son:

Modelo de previsión de demanda

Los modelos de previsión de demanda son herramientas que permiten estimar la cantidad y el momento en que los clientes requerirán los productos o servicios energéticos. Estos modelos se basan en el análisis de datos históricos, variables exógenas, tendencias y estacionalidades.

Los modelos que predicen la demanda mejoran la logística, porque permiten planificar mejor el transporte y el almacenamiento, bajan los costes y los riesgos, y mejoran la satisfacción del cliente.

Algunos de los fundamentos técnicos que se utilizan para construir estos modelos son: métodos estadísticos, redes neuronales artificiales, algoritmos genéticos, lógica difusa y aprendizaje automático.

Los modelos de previsión de demanda a gran escala presentan varios retos que hay que solventar, tales como:

La poca disponibilidad o calidad de los datos históricos, que pueden estar incompletos, dispersos o contener errores.
La gran variedad y complejidad de las variables exógenas que influyen en la demanda, como el clima, el precio, la competencia, la regulación, los eventos especiales, etc.
La heterogeneidad de las instalaciones que se quieren predecir, que pueden tener características, comportamientos y niveles de demanda muy diferentes según su ubicación, tamaño, tipo de cliente, etc.
La adaptabilidad de los modelos a los cambios dinámicos del mercado, las preferencias de los clientes y las condiciones ambientales, que requieren una actualización constante y una validación rigurosa.
La escalabilidad de los modelos para poder predecir la demanda de múltiples instalaciones simultáneamente, sin comprometer la precisión ni el rendimiento computacional.

Optimización de rutas de abastecimiento

Propuesta de valor: Decisiones óptimas de transporte y distribución de productos refinados, desde las instalaciones de producción hasta los puntos de consumo, mediante el uso de modelos matemáticos y algoritmos de optimización.

La optimización de rutas de abastecimiento se apoya en la previsión de demanda de los diferentes clientes y mercados, que puede variar según factores estacionales, climáticos, económicos o geopolíticos, y aplica técnicas de optimización que considera todos los objetivos y restricciones relevantes. Al contar con una solución analítica, se pueden obtener beneficios como:

Ahorro de costes operativos, al reducir la distancia recorrida, el número de vehículos utilizados y el consumo de combustible.
Mejora de la eficiencia, al minimizar el tiempo de entrega, el inventario y los riesgos de escasez o exceso de oferta.
Mayor satisfacción de los clientes, al cumplir con sus necesidades y expectativas de calidad y servicio.
Menor impacto ambiental, al disminuir las emisiones de gases de efecto invernadero y la huella de carbono.

Los retos que estas soluciones deben resolver son:

La complejidad de los problemas de optimización, que pueden involucrar múltiples variables, restricciones, objetivos y escenarios.
La incertidumbre de los datos de entrada, que pueden contener errores, faltantes o cambios imprevistos.
La integración de los modelos con los sistemas de información y gestión existentes, para facilitar la implementación y el seguimiento de las soluciones.
La adaptabilidad de los modelos a los cambios dinámicos del mercado, las preferencias de los clientes y las condiciones ambientales, que requieren una actualización constante y una validación rigurosa.

Gestión óptima de almacenaje

Optimización para el almacenamiento de productos refinados:

Propuesta de valor: Decisiones óptimas de almacenamiento y logística dentro de los parques energéticos, mediante el uso de modelos matemáticos y algoritmos de optimización.

Fundamento técnico: Mediante el uso de técnicas de investigación operativa y algoritmos de optimización, se pueden minimizar los costes de almacenamiento y maximizar la eficiencia logística, ajustando continuamente las decisiones basadas en la demanda y capacidad disponible.

Optimización del almacenamiento de energía:

Propuesta de valor: Implementar modelos de optimización para el almacenamiento de energía puede maximizar el uso de fuentes renovables y minimizar el desperdicio energético.

Fundamento técnico: Utilizando modelos de programación lineal y no lineal, se puede gestionar de manera eficiente la carga y descarga de sistemas de almacenamiento de energía, adaptando las operaciones a las variaciones en la producción y demanda de energía.

Optimización de carga en transportes

La carga en transportes es un problema complejo que implica asignar y distribuir los recursos disponibles a las demandas de los clientes, teniendo en cuenta las restricciones de tiempo, espacio, coste y calidad. Una mala gestión de la carga puede resultar en pérdidas económicas, retrasos, desperdicio de combustible y emisiones innecesarias. Por lo tanto, se necesita optimizar la carga en transportes para mejorar la eficiencia, la rentabilidad y la sostenibilidad del sector.

Propuesta de valor: Ofrecer una solución basada en algoritmos genéticos y heurísticos para optimizar la carga en transportes, considerando múltiples criterios y escenarios. Esta solución puede reducir los costes operativos, aumentar la satisfacción de los clientes, disminuir el impacto ambiental y adaptarse a las condiciones cambiantes del mercado.

Fundamento técnico: Los algoritmos genéticos y heurísticos son técnicas de optimización que imitan los procesos naturales de selección y búsqueda, respectivamente. Estos algoritmos pueden encontrar soluciones aproximadas a problemas de alta complejidad y dimensionalidad, que son difíciles de resolver con métodos exactos. Además, estos algoritmos permiten incorporar múltiples objetivos y restricciones, así como generar varias soluciones alternativas, lo que facilita la toma de decisiones bajo incertidumbre.

Planificación logística de gas

La planificación logística del gas consiste en determinar las rutas, medios y frecuencias óptimas para el transporte y la distribución de gas natural, licuado o comprimido, desde los puntos de producción hasta los puntos de consumo. Esta planificación es necesaria para garantizar la seguridad, la calidad y la eficiencia del suministro de gas, así como para minimizar los costes y las emisiones asociados al transporte. La planificación logística del gas se enfrenta a diversos retos, como la variabilidad de la demanda, las restricciones de capacidad e infraestructura, los riesgos operativos y ambientales, y la competencia de otros agentes del mercado.

Propuesta de valor: Ofrecer una solución para optimizar la planificación logística del gas, considerando múltiples escenarios y criterios, como el coste, el tiempo, la fiabilidad, la sostenibilidad y la satisfacción del cliente. Esta solución mejora el rendimiento y la competitividad de las empresas de gas, reduce el consumo de recursos y la huella de carbono, aumenta la flexibilidad y la robustez ante cambios e imprevistos, y facilita la integración de fuentes de energía renovable en el sistema.

Fundamento técnico: Los algoritmos evolutivos y metaheurísticos son técnicas de optimización que se inspiran en los principios de la evolución biológica y la inteligencia colectiva, respectivamente. Estos algoritmos pueden resolver problemas complejos y combinatorios, que son difíciles de abordar con métodos analíticos o numéricos. Además, estos algoritmos permiten incorporar múltiples objetivos y restricciones, así como generar un conjunto de soluciones Pareto-óptimas, que representan diferentes compromisos entre los criterios. Algunos ejemplos de estos algoritmos son el algoritmo genético, la búsqueda tabú, la optimización por colonia de hormigas, la optimización por enjambre de partículas y el recocido simulado.

Julio Lema https://www.juliolema.com