impacto
- En el Clúster 1 se ha encontrado como un patrón de consumo anómalo, que representa el 14% del consumo energético global del sistema de refrigeración.
Desarrollar Tecnologías de Inteligencia Artificial (AI)
- Machine learning.
- Análisis de patrones, predicción y clasificación inteligente.
Retos
- Mejora de la eficiencia energética de los sistemas de refrigeración en el sector alimentario.
- Para buscar patrones de consumo que se desvíen del patrón operativo normal del sistema de enfriamiento.
resultados
- Tamaño del conjunto de datos: 10 GB
- Número de variables: 45
- Tiempo de muestreo: 15 s
- Se han utilizado datos del sistema SCADA de la planta de producción para analizar el consumo del sistema de refrigeración
- El sistema de refrigeración ya contaba con una gran inversión en elementos y estrategias de eficiencia energética. Sin embargo, debido a la alta factura de energía, hubo interés en ver la posibilidad de encontrar patrones anómalos de funcionamiento que puedan estar influyendo en el consumo de energía.
- Se utilizó un algoritmo de agrupación basado en modelos de mezcla gaussiana para:
- Encuentrar el patrón de consumo de energía del sistema.
- Comparar el consumo de energía con el patrón de consumo normal para detectar anomalías.
- Se ha desarrollado un patrón de consumo como el que se muestra en la Figura 4, que muestra el consumo normal (Cluster 0 y 2) y el consumo anormal (Cluster 1)
- Los eventos recopilados en este Cluster han sido aislados y entregados al cliente para su análisis, con el fin de determinar qué ha causado este tipo de desviación.

