Comunicación presentada al II Congreso Ciudades Inteligentes:
Autores
- Nerea Vilela Barreira, Responsable de I+D+i, EcoMT
- Anxo D. Feijóo Lorenzo, Director general, EcoMT
- Pedro Pérez Gabriel, Consejero delegado, EcoMT
Resumen
En la monitorización y telegestión de ciudades inteligentes el coste de los equipos de medida puede ser una barrera insalvable, pero si se dispone de grandes volúmenes de datos de comportamiento energético y térmico de instalaciones y se les aplican técnicas de minería de datos y de inteligencia artificial se puede medir virtualmente el consumo energético de las instalaciones de climatización sin la necesidad de contar con un equipo medidor destinado en exclusiva a esta instalación. Ecomanagement Technology, S.L. (EcoMT) ha llevado a cabo el desarrollo y la instauración de esta herramienta en la plataforma OTEA para la reducción de costes en la implantación de monitorización de las instalaciones del proyecto Coruña Smart City y ha permitido simular y realizar estimaciones aceptadas por la administración y ser empleada para la justificación de ahorros con protocolos como Protocolo Internacional de Medida y Verificación del Ahorro Energético.
Introducción
Desde hace unos años existe un interés creciente por la mejora de la eficiencia energética por parte de las empresas y administraciones públicas. Para ello, se están creando estándares de gestión energética, conforme con las normas ISO 50001 de Sistemas de gestión de la energía – Requisitos con orientación para su uso e ISO 14001 de Sistema de Gestión Ambiental, y desarrollando estándares de servicios de eficiencia energética.
Instalar equipos eficientes e implementar planes de mejora de eficiencia ya no es una opción, sino que se está convirtiendo en una obligación (Mayer-Schönberger & Cukier, 2013). La tecnología para la monitorización y control remoto, la “minería de datos” y las soluciones de inteligencia artificial (Rusell & Norving, 2004) abren posibilidades a nuevos modelos de gestión que permitan reducir costes de explotación, mejorar la competitividad y el confort de clientes y trabajadores y colaborar en reducir la demanda de energía y emisiones de CO2 asociadas a esta actividad.
EcoMT ha llevado a cabo la implantación en el proyecto Coruña Smart City de su herramienta OTEA que permite la telegestión de instalaciones municipales, monitorizando el consumo de agua, gas y electricidad en 54 edificios y haciendo un control exhaustivo de las instalaciones de iluminación, climatización, bombeo de agua, ascensores, escaleras mecánicas y otros en uno de los edificios municipales más emblemáticos. Se analizan y gestionan más de 1.500 cuadros de control con más de 400.000 variables y 2 Terabytes de datos que describen el comportamiento térmico y energético de estas instalaciones comprendiendo periodos superiores a 12 meses.
¿OTEA puede tomar decisiones racionales sobre el comportamiento de instalaciones en base a los datos adquiridos? Como indica Rusell y Norving, el campo de la Inteligencia Artificial es el estudio de los agentes que reciben percepciones del entorno y llevan a cabo acciones, pero, si a mayores se añade la interpretación por parte de la empresa experta del procesamiento masivo de datos, se consiguen recomendaciones y formas de operar en una instalación con un grado extra de optimización del consumo.
Proyecto
Objetivo
EcoMT tiene como uno de los objetivos llegar a cumplir la quimera de medir sin medidores, para ello, OTEA pretende ir más allá y aborda la gestión de una forma innovadora, utilizando técnicas avanzadas de aprendizaje automático para crear modelos matemáticos coherentes mediante el análisis de conjuntos de datos muy grandes recogidos de los cientos de dispositivos y sensores de campos instalados en las instalaciones, y así conocer la información que se oculta en ellos.
Aplicando técnicas de inteligencia artificial y “minería de datos” (Han & Kamber, 2001) sobre la gran cantidad de datos de las instalaciones que se encuentran almacenadas en la plataforma, en el año 2014 se desarrolló e implantó el primer módulo de Smart al que pertenece el proyecto “Medir sin medir”. Este proyecto surgió al observar que la demanda de energía eléctrica de los edificios municipales tiene un comportamiento prácticamente cíclico de periodo semanal, como se puede ver en la Figura 1, afectado por la época del año en la que se encuentre.
En la actualidad las instalaciones, como se muestra en la Figura 2, cuenta al menos con un analizador general y uno de climatización que monitorizan y registran la demanda eléctrica del edificio y en particular de los servicios de climatización de cada instalación. Lo que se pretende es suprimir, en determinados casos, el segundo y calcularlo mediante el desarrollo de un algoritmo, en definitiva, generar un medidor virtual con una precisión suficiente para la gestión del día a día de la instalación.
Muestra
El número total de infraestructuras en base a cuyos datos registrados en la plataforma de eficiencia energética se ha desarrollado el proyecto, ha sido de 54 edificios públicos.
En la Tabla I se clasifican los distintos edificios públicos según la actividad que desempeñan (Tipo 2) y si son emblemáticos o no (Tipo 1). En la segunda parte se muestra el porcentaje de construcciones emblemáticas o no emblemáticas correspondiente al total de cada clase de Tipo 2.
Material y metodología
Para conseguir la herramienta ‘Medir sin medir’ mencionada se realiza un estudio matemático con R (Venables et. al, 2000) un lenguaje y entorno de programación creado en 1993 por Ross Ihaka y Robert Gentlenman. R tiene como característica principal que forma un entorno de análisis estadístico para la manipulación de datos, su cálculo y la creación de gráficos.
Se pretende que el modelo devuelva el consumo de clima de la instalación, para ello se decide aplicar un modelo de regresión multivariable lineal, Figura 3, en donde las covariables usadas para el cálculo de la medida virtual son el consumo general máximo de la instalación en el tiempo estudiado, el consumo general escalado respecto al máximo y el estado de la máquina de clima.
Antes de analizar los resultados, hay que tener en cuenta que:
- Se consideran las muestras de consumo eléctrico correspondiente a todo el día.
- Se consideran edificios municipales de distintas características.
- Cuando el consumo general escalado es menor que 0,4 se considera que la máquina de clima está apagada. Si la máquina de clima está apagada se toma como consumo eléctrico del clima el 10% del consumo eléctrico general.
- Los resultados que se obtienen del algoritmo están en porcentaje. A estos valores se les aplica la siguiente corrección:
- Si el valor es negativo o no hay dato se considera que la demanda de climatización es 0.
- Si el valor es positivo se deshace el escalado multiplicando por el máximo de la instalación correspondiente.
- Algunas de las construcciones públicas fueron descartadas del estudio y que los resultados obtenidos no se consideran válidos. Los motivos de las eliminaciones son:
- Muestran un error muy elevado, alterando de forma muy notable el resultado final.
- No se obtiene un valor numérico.
- Después de analizar sus gráficas se observa que los problemas están en los analizadores.
- No hay datos sobre algunas máquinas.
A continuación, Figura 4, se muestran gráficamente los consumos (general, clima real y clima estimado) en dos de los edificios estudiados una vez aplicado el modelo matemático y las correcciones correspondientes.
Resultados
Una vez aplicadas las pautas del apartado anterior se obtienen resultados muy prometedores, consiguiendo que el 95% de los edificios públicos tengan un error menor de 10 en valor absoluto. Si el error lo reducimos a 5 puntos, lo cumple más del 70%.
En definitiva, el uso de técnicas de minería de datos y técnicas estadísticas hacen que se puedan desarrollar medidores virtuales. Este algoritmo es implantado en la plataforma OTEA y abre nuevas oportunidades a la hora de gestionar edificios públicos.
La aplicación ‘Medir sin medir’, como se puede ver en la Figura 5, consta de tres partes:
- Botón ‘Medir sin medir’: Al accionarlo se ejecuta el proceso que calcula la estimación del consumo de clima. Es necesario haber seleccionado una instalación en el selector de edificio municipal.
- Selector de edificio municipal: Esta tabla permite buscar y seleccionar el edificio para hacer el cálculo. Para seleccionar una instalación simplemente se hace click sobre la fila correspondiente a la tabla.
- Selector de rango de fecha: Este doble selector permite escoger el intervalo de fechas en el que se hace el cálculo. En cada entrada es posible introducir la fecha manualmente con el formato dd/mm/aaaa.
En la Figura 6 se muestra un ejemplo obtenido aplicando el modelo después de clicar el botón ‘Medir sin medir’. Esta gráfica ha sido extraída de la plataforma desarrollada por EcoMT y muestra el conjunto de medidas de consumo eléctrico correspondiente a tres primeras semanas de noviembre del 2015.
En la representación de los consumos se puede observar la señal de consumo eléctrico general (línea verde), el consumo eléctrico de clima real (línea negra) y el consumo eléctrico de clima estimado al aplicar el algoritmo (superficie azul).
Además, como se puede ver en la Figura 7, la gráfica nos devuelve los valores de las variables representadas en cada punto. Al acercarse con el cursor se obtienen las características de forma detallada, mostrando:
- Fecha: Día de la semana, mes, día del mes, período horario.
- Consumo de clima estimado (kW)
- Consumo de clima real (kW)
- Consumo de clima general kW)
Discusión y conclusiones
El uso de la gran cantidad de datos proporcionará ventajas directas sobre la empresa y usuarios repercutiendo en el desarrollo tecnológico y del mercado energético, así como en la evolución de la red eléctrica inteligente. El uso del Big Data será trascendental en las energías renovables, puesto que ayudará a las labores de mantenimiento.
Gracias a este tipo de estudios se puede concluir que:
- Los sistemas inteligentes tratan de contribuir en el campo de la optimización de los edificios inteligentes, transformándolos en un espacio dinámico, con elevados estándares de confort y de satisfacción para sus ocupantes.
- Los modelos servirán para identificar elementos de mejora en la eficiencia del proceso industrial y presentará automáticamente las soluciones más adecuadas para ahorrar energía.
- Medir sin medir permite reducir los equipos de medida instalados en tiendas y edificios municipales para minimizar los costes de sus instalaciones.
- El desarrollo de sistemas expertos mejora la competitividad y colabora en reducir la demanda de energía y emisiones de dióxido de carbono.
Líneas futuras
El uso de técnicas de inteligencia artificial para la mejora de la plataforma abre nuevas oportunidades a la hora de gestionar los locales. Apostando por estos desarrollos matemáticos, se plantean nuevas líneas de trabajo para que en el futuro se obtenga altos niveles de eficiencia y optimización en la gestión energética y también, para que se reduzcan los costes de implantación de los equipos de medida y control. Por ejemplo:
- Predictivo de la demanda energética del día siguiente: Dados los datos conocidos hasta el momento en una instalación ser capaz de predecir el consumo energético del día siguiente mediante el uso de redes neuronales (Gestal, 2009).
- Clasificación de averías: Consistiría en ser capaz de clasificar, mediante redes bayesianas (Rusell & Norving, 2004), las averías en varios grupos y generar un algoritmo que en función de la monitorización en tiempo real proponga una clasificación para la avería.
- Optimizador de la tarifa eléctrica: Combinando datos de consumo energético y de diferentes tarifas eléctricas hacer propuestas que supusieran un ahorro económico.
Referencias
- Gestal, M., 2009, Introducción a las redes neuronales artificiales, Depto. Tecnologías de la Información y las Comunicaciones, Universidade da Coruña.
- Han, J., Kamber, M., 2001, Data Mining: Concepts and Techniques, Morgan Kaufmann, Waltham.
- Norma Internacional ISO 50001, 2011, Sistemas de Gestión de la Energía-Requisitos con orientación para su uso.
- Norma Internacional ISO 14001, 2004, Sistemas de Gestión Ambiental, Requisitos con orientación para su uso.
- Mayer-Schönberger, V. & Cukier, K., 2013, Big data. La revolución de los datos masivos, Turner, Madrid.
- Russell, S.J. & Norvig, P., 2004, Inteligencia artificial un enfoque moderno, Pearson, Madrid.
- Venables, B., Smith, D., Gentleman, R., Ihaka, R. & Mächler, M., 2000, Notas sobre R: Un Entorno de Programación para Análisis de Datos y Gráficos.