Energía en España (y V): Historias de éxito.
Este post es parte de una serie dedicada a la monitorización y analítica avanzada en la industria de la energía que cubre:
Panorama de la Industria de la Energía en España. Situación actual, tendencias y retos.
Casos de uso de analítica avanzada: Operaciones, Mantenimiento y Logística
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.
Para terminar con esta serie, y tras haber presentado casos de uso de analítica pura, presentamos algunos ejemplos de éxito en la industria energética, donde se ha aplicado la analítica avanzada sobre los datos obtenidos mediante la monitorización en tiempo real con AVEVA PI System.
Modelo de optimización de parques eólicos
En este caso, se muestra cómo la analítica avanzada puede ayudar a diseñar y planificar proyectos de parques eólicos marinos, maximizando su rentabilidad y eficiencia. El reto consistía en encontrar la mejor configuración de los componentes del parque eólico, teniendo en cuenta los costes de inversión y de pérdidas de energía.
Para ello, se desarrolló un modelo de optimización, que buscaba minimizar los costes CAPEX y OPEX, sujeto a una serie de variables y restricciones. Entre las variables se encontraban el número, tipo y posición de los aerogeneradores, el tipo y longitud de los cables entre matrices, y el número y tipo de subestaciones marinas. Entre las restricciones se incluían las relacionadas con los cruces de los cables, las capacidades y pérdidas de estos, limitaciones físicas del suelo, número máximo de cables a usar, etc.
El modelo permitió encontrar la solución óptima para cada escenario, así como realizar análisis de sensibilidad y simulaciones de tipo "what-if" para evaluar el impacto de posibles cambios. Con esta herramienta, la empresa pudo definir el trazado más adecuado de sus parques eólicos, reducir los costes y gestionar los riesgos de forma más eficaz.
Modelos predictivos para la participación en mercados eléctricos
Una empresa independiente del sector energético renovable quería contar con un modelo analítico que diera soporte a la decisión en sus operaciones de compraventa de energía en los diferentes mercados eléctricos en España. Para ello, se desarrolló e implementó un algoritmo que determina con al menos 24 horas de antelación qué mercado eléctrico tendrá un mayor precio de venta para cada hora del día siguiente en el mercado diario y los mercados intradiarios. Además, aporta el precio previsto de venta eléctrica en cada uno de los mercados y el nivel de confianza de dicho resultado, reajustándose a lo largo del día para los mercados que se vayan a abrir (intradiarios) con la información disponible.
El algoritmo se basa en técnicas de aprendizaje automático y utiliza como variables de entrada los datos históricos de precios y demanda de los mercados eléctricos, así como las previsiones meteorológicas, que influyen en la generación de energía renovable. El modelo se entrena y se valida con los datos reales, y se actualiza periódicamente para incorporar los nuevos datos.
Con esta solución, la empresa pudo mejorar la toma de decisiones gracias a la capacidad predictiva, maximizando los resultados de las operaciones de compraventa. Asimismo, pudo disponer de información en tiempo real y realizar reajustes rápidos ante posibles cambios en las condiciones del mercado. Todo ello contribuyó a mejorar la eficiencia y la rentabilidad de la venta de energía eléctrica.
Optimización de servicios de mantenimiento
Uno de los principales retos de las empresas de distribución eléctrica es garantizar la continuidad y calidad del suministro ante posibles averías o incidencias en la red. Para ello, deben contar con equipos de mantenimiento eficientes y bien coordinados, capaces de resolver los problemas en el menor tiempo posible y con el menor coste.
Sin embargo, la planificación y asignación de estos equipos suele ser una tarea compleja y manual, que depende de muchos factores y que requiere de una gran flexibilidad ante las condiciones cambiantes del servicio.
Ante este escenario, una de las compañías energéticas líderes en España, que gestionaba la reparación de averías en zonas rurales mediante cuadrillas de mantenimiento asignadas a zonas, decidió buscar una solución que le permitiera optimizar el proceso y mejorar el rendimiento de sus recursos.
La solución consistió en un sistema basado en optimización matemática que, alimentado por los planes de mantenimiento y la variedad de características de los equipos, resolvía los problemas de planificación y asignación de cuadrillas, evitando ineficiencias en las rutas, demoras en la atención y desequilibrios en la carga de trabajo.
Análisis predictivo para la generación eólica
Una empresa de generación eólica utilizó AVEVA PI System para recoger y almacenar los datos de más de 400 turbinas eólicas distribuidas en diferentes parques. Sobre estos datos, aplicó un modelo de aprendizaje supervisado basado en redes neuronales, que permitió predecir la producción de energía de cada turbina con una precisión superior al 90%.
Con esta información, la empresa pudo mejorar la planificación de la operación y el mantenimiento, así como la gestión de la demanda y la oferta de energía en el mercado.
Detección de anomalías para la distribución eléctrica
Una empresa de distribución eléctrica utilizó AVEVA PI System para integrar y visualizar los datos de más de 10,000 sensores instalados en la red de media y baja tensión. Sobre estos datos, aplicó un algoritmo de clustering no supervisado, que permitió agrupar los puntos de medida según su comportamiento normal y detectar aquellos que presentaban desviaciones o anomalías para localizar y resolver las incidencias de forma más rápida y eficaz.
Optimización de procesos para el refino de petróleo
Una empresa de refinación de petróleo utilizó AVEVA PI System para monitorizar los parámetros de los procesos de destilación, cracking, reformado e hidrotratamiento. Sobre estos datos, aplicó un modelo de optimización basado en programación lineal, que permitió maximizar el rendimiento de los productos finales, minimizando el consumo de energía y las emisiones contaminantes.
Con esta información, la empresa pudo ajustar las condiciones de operación de acuerdo con las especificaciones de calidad y los precios del mercado, aumentando su rentabilidad y competitividad.
(Relacionado) Optimización de procesos de logística inversa
Uno de los retos más importantes del sector medioambiental es gestionar de forma eficiente y sostenible la recogida y el reciclaje de los residuos generados por la actividad humana. En particular, los envases ligeros, como botellas, latas o bricks, suponen una gran cantidad de residuos que deben ser separados y clasificados para su posterior tratamiento. Para ello, se requiere de un sistema de logística inversa que permita recuperar estos materiales desde los puntos de generación hasta las plantas de reciclaje, optimizando los recursos y minimizando el impacto ambiental.
En este caso de uso, se presenta la solución desarrollada para una compañía del sector medioambiental que quería evaluar la implementación de un nuevo sistema de recolección de residuos de envases ligeros, centrado en recogidas puerta a puerta en establecimientos del canal Horeca y pequeños comercios de alimentos. El objetivo era contar con una herramienta de apoyo a la decisión que les ayudara a decidir sobre el nuevo paradigma logístico de recogida de residuos.
Para ello, se realizó un análisis mediante estimaciones basadas en datos poblacionales y estadísticas de residuos (cantidad de residuos generados, peso, etc.), y se diseñó una herramienta especializada que les permite simular distintos escenarios y tomar decisiones informadas sobre:
Cuántos centros de acopio o centros logísticos poner, cuáles son las mejores ubicaciones para la red de recogida, cuántas máquinas de conteo de envases incluir en cada centro, qué periodicidad de recogida necesitaría cada punto de recogida, a qué plantas de reciclaje debe ir cada uno, etc.
Optimizar así el diseño de este sistema y minimizar costes en infraestructura y transporte.
La herramienta resultante les permitió integrar y visualizar los datos de los sensores instalados en los contenedores, los vehículos de recogida y los centros de acopio. Sobre estos datos, se aplicaron algoritmos de optimización matemática, que permitíann calcular la ruta óptima de recogida, teniendo en cuenta factores como el nivel de llenado de los contenedores, la distancia entre los puntos de recogida, el tráfico, el horario, la capacidad de los vehículos, etc.
Una vez con esta información, la empresa ya puede gestionar de forma dinámica y eficiente el proceso de logística inversa, adaptándose a las condiciones cambiantes del entorno y maximizando el aprovechamiento de los recursos.
El impacto de esta solución se traduce en:
Toma de decisiones basadas en datos y posibilidad de simulación.
Optimización del proceso de logística inversa.
Minimización de costes operativos.
Reducción de la huella de carbono y mejora de la sostenibilidad ambiental.
(Relacionado) Optimización de la red de plantas de separación de residuos
La gestión de los residuos es una actividad clave para muchos sectores, ya que implica tanto el cumplimiento de la normativa ambiental como la generación de valor a partir de los recursos recuperados. Sin embargo, y como ya presentamos en el caso anterior, la logística inversa en este caso de los residuos presenta numerosas complicaciones, como la dispersión geográfica de los puntos de generación y recogida, la variabilidad en la cantidad y calidad de los residuos, o la complejidad de los procesos de tratamiento y reciclaje.
Para optimizar la red de plantas de separación de residuos, se requiere de una herramienta que permita analizar diferentes escenarios y evaluar sus impactos económicos, ambientales y operativos. En este caso de uso, se presentó una solución basada en la inteligencia artificial que ayudaba a una compañía del sector medioambiental a dimensionar y ubicar de manera óptima los centros de transferencia y plantas de selección de residuos dedicados al reciclaje.
Objetivo
La compañía del sector medioambiental quería contar con una herramienta de apoyo a la toma de decisiones que le permitiera dimensionar de manera óptima los centros de transferencia y plantas de selección de residuos, y conocer sus ubicaciones óptimas, viendo cómo impactaban las diferentes opciones a la huella de carbono y a los costes.
Solución
Se creó una herramienta que les permite simular diversos escenarios para evaluar la viabilidad de dos perspectivas: una enfocada en incrementar el número de centros de transferencia (con la consiguiente reducción en los costes y emisiones de transporte), y otra que favorece la instalación de centros más grandes y estratégicamente distribuidos (con el consiguiente descenso en costes de infraestructura). De esta manera pueden determinar el número óptimo de centros a construir, su ubicación estratégica y la capacidad de procesamiento de residuos para cada uno.
Impacto
Toma de decisiones basadas en datos y posibilidad de simulación.
Minimización de costes operativos.
Reducción de emisiones de las actividades de transporte.
Beneficios para las empresas del sector energético
En resumen, la aplicación de la monitorización y la analítica avanzada proporciona soluciones a muchos de los retos que afronta el sector de la energía.
Aumento de la eficiencia y la productividad al optimizar los procesos de producción, distribución y consumo de energía, mediante la detección de anomalías, la predicción de fallos, el ajuste de la generación y la demanda, y el mejoramiento del rendimiento de los equipos y las redes.
Mejora de la competitividad y la rentabilidad al reducir los costes operativos y de mantenimiento, y al aprovechar las oportunidades de nuevos mercados y servicios, mediante la optimización de los recursos, la prevención de averías, la gestión de activos, la personalización de ofertas, y la creación de valor añadido para los clientes.
Fortalecimiento de la resiliencia y la seguridad energética al diversificar las fuentes de energía, al gestionar mejor la demanda y la oferta, y al mitigar los riesgos de interrupciones o sabotajes, mediante una mayor visibilidad, control, flexibilidad y automatización de los sistemas energéticos, y la alerta de posibles amenazas o vulnerabilidades.
Contribución a la transición ecológica y al cumplimiento de los objetivos climáticos al disminuir las emisiones de gases de efecto invernadero, al fomentar el uso de energías renovables y al promover la movilidad sostenible, mediante la integración de las fuentes de energía limpias, la mejora de la eficiencia energética, la reducción de las pérdidas y los desperdicios, y el incentivo al uso de vehículos eléctricos.
Mayor seguridad en las instalaciones, gracias a la detección avanzada de situaciones de riesgo, inspección automatizada
Mejora de la reputación y la responsabilidad social al demostrar su compromiso con la innovación, el desarrollo sostenible y la satisfacción de los clientes y las partes interesadas, mediante la oferta de soluciones energéticas inteligentes, verdes y adaptadas a las necesidades y expectativas de cada usuario.
Además, el uso de la analítica avanzada permite obtener insights valiosos a partir de los datos, que facilitan la toma de decisiones estratégicas, el diseño de escenarios futuros, el descubrimiento de patrones y tendencias, y la evaluación de los impactos de las acciones realizadas.
Hoja de ruta para la implementación
Pasos para la integración de soluciones
El primer paso para la integración de las soluciones de monitorización y analítica avanzada es realizar una sesión de consultoría, en la que se analicen los requerimientos, los objetivos y los recursos disponibles de la empresa, así como los posibles beneficios y riesgos de la implementación.
El segundo paso es analizar la viabilidad del proyecto a partir de la madurez de la información, concretando una oferta.
El tercer paso es realizar un assessment, en la que se aplique la solución de manera simplificada y se evalúe su rendimiento, su usabilidad y su valor añadido frente a la definición de éxito previamente definida.
El cuarto paso es desarrollar la solución y escalarla, adaptándola a las diferentes áreas, procesos y usuarios, y asegurando su integración con los sistemas existentes.
Recomendaciones para una transición con éxito
Para hacer una transición efectiva, se aconseja tener el respaldo y el compromiso de la dirección y los líderes de la empresa, así como de los empleados y las partes interesadas, comunicando claramente los beneficios y los objetivos de la solución, y promoviendo una cultura de innovación y colaboración.
También se aconseja elaborar una estrategia de gestión del cambio, que contemple actividades de formación, sensibilización, acompañamiento y retroalimentación, para favorecer la adopción y el uso de la solución por parte de los usuarios finales, y para resolver las posibles resistencias o dificultades que puedan presentarse.
Otra sugerencia es hacer un seguimiento y una evaluación continua de la solución, utilizando los indicadores de éxito establecidos previamente, y realizando ajustes o mejoras según los resultados obtenidos y el feedback recibido.
Consideraciones de gestión del cambio
La gestión del cambio es un aspecto clave para el éxito de la implementación de las soluciones de monitorización y analítica avanzada, ya que implica un cambio en la forma de trabajar, de pensar y de tomar decisiones de la empresa y de sus empleados.
Uno de los principales factores de éxito de la gestión del cambio es el cambio cultural, que supone adoptar una mentalidad abierta, flexible y orientada al aprendizaje, que valore la innovación, la experimentación y el uso de los datos como fuente de conocimiento e información.
Otro de los principales puntos a considerar es la formación, que debe capacitar a los usuarios para que puedan utilizar la solución de manera efectiva y eficiente, y para que puedan aprovechar al máximo las ventajas y las oportunidades que ofrece.
Para afrontar estos desafíos, se debe contar con una visión clara y compartida de los beneficios y los objetivos de la solución, así como con un plan de comunicación, formación y acompañamiento, que involucre y empodere a los usuarios, y que les ofrezca el apoyo y los recursos necesarios para facilitar la transición.
Conclusiones y contacto
En este documento, hemos presentado algunas de las soluciones de monitorización y analítica avanzada de las que se sirven las empresas del sector energético para avanzar en sus estrategias. Estas soluciones se basan en el uso de sensores, dispositivos IoT y técnicas de inteligencia artificial, que permiten obtener datos en tiempo real, analizarlos y generar insights accionables para mejorar la toma de decisiones en multitud de áreas.
Hemos visto ejemplos concretos de cómo estas soluciones mejoran las operaciones del sector energético, el mantenimiento, la logística, la gestión de las fuentes de energía renovables, el trading, los RRHH, las ventas, atención al cliente y el cumplimiento regulatorio.
La crisis climática, la transformación tecnológica y del mercado de la energía aportan un grado de complejidad al sector sin precedentes, y no va a decrecer. La adopción de soluciones de industria 4.0 es imperativa, y permea a las organizaciones a todos los niveles, desde la base hasta la dirección ejecutiva.
Si está interesado en conocer más sobre las soluciones de monitorización y analítica avanzada, y cómo pueden beneficiar a su empresa, le invitamos a contactar con julio@juliolema.com para concertar una sesión de consultoría gratuita, en la que podremos analizar su situación actual, sus expectativas y sus posibilidades de mejora.
