Aguas de Bogotá tenía el objetivo de reducir los costes de energía de 5 de las estaciones de bombeo del sistema de distribución de agua de la capital colombiana.
Para reducir el consumo eléctrico, era necesario ajustar el tiempo de funcionamiento de dichas estaciones, analizando las necesidades de bombeo y distribución.
La base del proyecto fue, a través de Machine Learning, predecir el consumo de agua en base a datos históricos, para definir las necesidades de bombeo de cada una de las estaciones. Con esa necesidad definida, se devolvía una recomendación sobre la activación de cada una de las bombas, de forma que garantizara la distribución necesaria, de forma más eficiente. De este modo, se reduce el tiempo en funcionamiento de las estaciones de bombeo, y por tanto su consumo energético y el coste.
¿Cómo?
La situación de partida del proyecto eran 5 estaciones de bombeo integradas en WinCCOA, donde se monitorizaban muchos activos y sensores instalados, de los que se leía una cantidad enorme de información.
En base al histórico de estos datos, desarrollamos los algoritmos necesarios para realizar esa predicción y en base a ella, hacer los cálculos de requerimientos de bombeo diarios.
Ejecutamos todo el Machine Learning dentro de WinCCOA, através de SmartSCADA
El sistema, por tanto, vierte la información sobre la recomendación de activación de cada una de las bombas, y los KPI sobre consumo eléctrico, funcionamiento de las bombas y demás indicadores esenciales.
Esta información es de gran ayuda para los operadores, ya que cuentan con una mayor visión del funcionamiento del sistema y les permite adaptarse más rápido.
Reentrenar el modelo
Para paliar la gran variabilidad del consumo de agua, se desarrolla un algoritmo no estático, que es capaz de reentrenarse automáticamente, para continuar aprendiendo y adaptarse al consumo en cada caso.
Reducción de hasta un 70% de los arranques diarios de las bombas.
Compártelo en redes sociales
Mantente al día de todas las novedades Mytra: proyectos, eventos, noticias…
.jpg)
.jpg)