M17- Ciencia de Datos Aplicada al Consumo de la Energía Eléctrica en Industrias 4.0
Tutor: Ramiro Podetti
ramiropodetti@gmail.com
Si está interesado en buscar eficiencia energética en tu Industria en energía: el objetivo es el establecimiento de una colaboración, compartiendo los resultados de nuestra plataforma para Industria 4.0 Concientizar
Evaluación Energética
– Un análisis completo se realiza usando un Pre-Diagnóstico – PD.
– Un análisis detallado se realiza en un Diagnóstico Energético – DE.
El pre-diagnóstico presentará cuanto una unidad del cliente gasta de energía en un período determinado (normalmente 12 meses), dónde y cómo esta energía se gasta y cómo es posible reducir el consumo y el coste de la energía. Se presentan las cifras financieras de inversión y el ahorro de proyecto.
Al no ser las mediciones realizadas de magnitudes eléctricas o precios precisos, los números tienen margen de error de 20 a 30%.
Con el trabajo listo se tiene una visión global de la situación energética de la unidad del cliente y qué acciones se pueden realizar. El siguiente paso es juntos, ESCO y el cliente se definen qué sistemas son de más interés y atractivo de estudiar en detalle con miras a la ejecución del proyecto de eficiencia energética (EE).
Definiciones hechas, que avanza a la etapa de diagnóstico energético donde será detallado sistemas y acciones. La DE no es un proyecto ejecutivo, se trata de un diseño básico, pero se detalle, cómo, dónde, de qué forma, quién, cuándo se realiza la implantación. Todo esto desde un punto de vista técnico.
Desde un punto de vista financiero, el DE presentará con precisión la inversión que se aportarán para la ejecución de proyectos de EE, con detalles para el sistema / oportunidades y los ahorros de cada proyecto. Con este tiene una visión clara de la relación costo-beneficio de cada oportunidad específica y también el proyecto en su conjunto.
Lo que encontramos en una evaluación de la energía:
– Identificar oportunidades para: reducir los costos de energía (electricidad, gas y combustible renovable y agua) en sus diversas formas de uso;
– Evaluar la fiabilidad del suministro y la posibilidad de la sustitución parcial o total del aporte de energético en el consumo.
Y también:
– Valoración de atractivos y oportunidades económicas, incluyendo proceso mediante sugerencias de cambios en proceso y / o equipo que sea viable;
– Asesoramiento en la contratación de financiamientos;
– Implantación de las oportunidades identificadas;
– Puesta en marcha implementaciones, incluyendo el Plan de Medida y Verificación (M & V) para confirmar el salve.
– ¿Se puede predecir el consumo energético de esta industria con respecto al factor climático y temperatura?
– ¿Se puede establecer el mejor lugar geográfico para instalar este tipo de industria?
– ¿Se puede predecir un desvío del consumo energético diario?
Si querés inspeccionar el conjunto de datos, lo encontrarás en: https://github.com/concientizar/Diplomatura2022.
Los datos corresponden al consumo energético de la industria metalúrgica en donde se pueden en encontrar datos de variables eléctricas tal como corriente, voltaje , potencia y energía.
Entrega 20/05 – Práctico de análisis y visualización,que consistirá en una conocer la estructura de las informaciones disponibles, analizar las diferentes tablas y familiarizarse con los datos georeferenciados. Específicamente realizaremos:
– Correlación entre variables/análisis de independencia. A través de este análisis se debe identificar el impacto de cada variable sobre la calidad de servicio.
– Análisis de outliers.
– Visualización de la calidad de servicio y el consumo de energía anual por grupo tarifario, circuito y por conjunto eléctrico
Entrega 17/06 – Práctico de análisis exploratorio y curación de datos, que consistirá en la curación de los datos. Las actividades a realizar son:
– Importación de datos.
– Chequeo de claves únicas por sample/eliminar duplicados.
– Despersonalización de datos.
– Normalización de los nombres de las columnas en los dataframes.
– Tratamiento de valores faltantes.
– Codificación de variables categóricas.
– Análisis de valores atípicos.
– Persistencia de los resultados.
– Ordenamiento de las columnas.
– Vinculación de la tablas a través de las llaves de las tablas
– Eliminar columnas que no aporten información.
– Crear un dataset único a partir de las tablas provistas incluyendo toda la información útil en una misma tabla.
Entrega 24/06 – Video de presentación intermedia del proyecto y dataset.
Entrega 29/07 – Práctico aprendizaje supervisado. Definir un modelo simple para utilizarlo de baseline e ir complejizando el modelo con la adición de diferentes variables. Se propondrá la utilización de los algoritmos de red para desarrollar features de interés a partir de las informaciones geográficas. El objetivo es implementar en este caso un sistema predictivo de calidad de servicio
Entrega 26/08 – Práctico aprendizaje no supervisado, para la aplicación de aprendizaje no supervisado sería interesante realizar una segmentación de la calidad de servicio mediante técnicas de clusterización con las diferentes variables disponibles. Hacer un análisis de los grupos obtenidos que nos permita evaluar cuales son las variables que mejor explican la calidad de servicio. Estas variables podemos utilizarlas en los algoritmos de aprendizaje supervisado para mejorar su calidad de predicción. Podría utilizarse un algoritmo como K Means con algún método de optimización de número de clusters como elbow method.
Entrega 23/09 – Video de presentación final de mentoría.
Jornadas 11/11 y 12/11 – Presentación de mentorías.