¿Puede la analítica de datos sustituir a las personas en la eficiencia energética?

¿Puede la analítica de datos sustituir a las personas en la eficiencia energética?

de Steve Baab, DNV GL

¿Puede la analítica de datos sustituir a las personas en la eficiencia energética?

Losbig data y la anal ítica son palabras de moda desde hace tiempo. En el ámbito de las empresas de servicios públicos, la Infraestructura de Medición Avanzada (AMI) ha abierto nuevas oportunidades para recopilar y utilizar los datos sobre el uso de la energía. En el pasado, la mayoría de las empresas de servicios públicos sólo recopilaban información sobre el uso en función del tipo de contador y del horario de lectura.Los distintos tipos de contadores recogían diferentes cantidades de información. Los clientes más grandes tenían el consumo de energía (kWh) y la demanda (kW) en varios intervalos (mensual, por hora, cada 30 minutos...). Para todos los clientes, el calendario de lectura solía ser mensual y lo realizaba manualmente un lector de contadores. Los sistemas AMI ofrecen la posibilidad de recopilar datos sin necesidad de enviar a alguien al campo y de hacerlo cuando la empresa lo desee, en lugar de seguir un calendario establecido. Las empresas que implantan sistemas AMI suelen instalar tres componentes principales: los contadores, la red de comunicación con los contadores y el sistema de información de los datos de los contadores. Para que una empresa se decida a instalar un sistema AMI, los beneficios (ahorro de mano de obra, eficiencia operativa, satisfacción del cliente) deben justificar los costes.

Uno de los mayores beneficios de la instalación de redes AMI por parte de las empresas de servicios públicos es el ahorro de mano de obra. Los puestos de trabajo de los lectores de contadores de la empresa son quizás los más afectados por una red AMI, pero hay otras áreas de ahorro de mano de obra. La capacidad de localizar cortes, reducir el trabajo de estimación de facturas y desconectar el servicio a distancia son también áreas en las que una red AMI puede reducir los costes de mano de obra. Para la satisfacción del cliente, disponer de datos de intervalos permite a una empresa de servicios públicos ofrecer a sus clientes opciones de facturación más flexibles e información mejorada sobre el consumo.

Pero, ¿qué pasa con la puesta en práctica de los datos de uso de los intervalos para la eficiencia energética? ¿Puede la mayor granularidad de los datos de uso ahorrar mano de obra dentro de los programas de eficiencia? Hay una cantidad decente de información alojada en todos esos datos. Cuando los datos de los intervalos se combinan con datos externos como el tipo de edificio, el tamaño y la edad, un analista o tal vez incluso simples algoritmos informáticos podrían proporcionar recomendaciones de ahorro. Esto podría suponer un ahorro de trabajo al no tener que visitar a los clientes para encontrar ahorros a través de una auditoría o evaluación.

Aunque la analítica es extremadamente útil para identificar para los clientes potenciales dónde puede haber oportunidades de eficiencia energética, no creo que llegue a evolucionar hasta el punto de sustituir a las personas (o al menos en los próximos 10-20 años). He aquí el motivo:

La información existente sobre la carga no puede determinar exactamente qué es lo que está creando el patrón de carga.

DNV GL y otros están mejorando en la identificación de patrones de carga utilizando datos avanzados. Las formas de carga detalladas apoyan las evaluaciones de impacto, los estudios de potencial, e informan de los programas de eficiencia y respuesta a la demanda. Sin embargo, en cada cliente, la analítica sólo puede proporcionar información direccional frente a la procesable. La analítica sólo puede apuntar en la dirección correcta, pero no tendrá forma de saberlo con seguridad sin una confirmación visual.

Incapacidad para determinar el tipo exacto de equipo que genera las cargas.

El software y la analítica se están volviendo muy sofisticados a la hora de identificar patrones de carga, pero sigue habiendo incertidumbre en el comportamiento del cliente y en el equipo que crea el patrón de carga. Un sistema de refrigeración ineficiente o la preferencia de un ocupante por tener su edificio dos grados más frío que los demás pueden crear patrones de carga similares. La analítica puede proporcionar buenos indicadores de dirección basados en los datos de los contadores de intervalo, pero sólo una persona con conocimientos de eficiencia energética y de los equipos del lugar puede proporcionar recomendaciones tangibles para reducir el uso de la energía.

La interacción humana impulsa el interés por la eficiencia energética

Los informes, los correos electrónicos, los mensajes de texto o los portales web pueden ayudar a suscitar cierto interés y concienciación, pero nada provoca una llamada a la acción como una persona real. Por la misma razón que los trabajos de venta no van a desaparecer en breve, el papel de los expertos en eficiencia energética que realizan auditorías y/o evaluaciones tampoco desaparecerá a corto plazo.Durante una evaluación energética, el cliente y el experto en eficiencia energética tendrán la oportunidad de interactuar: el experto en eficiencia energética aprenderá sobre el cliente, el cliente aprenderá sobre la eficiencia energética, y juntos establecerán una confianza mutua y luego desarrollarán elmejor curso de acción para ahorrar energía.

Enresumen, la analítica puede descubrir parte del potencial técnico de la eficiencia energética y orientar al personal sobre qué clientes visitar, pero nunca podrá calibrar el interés y la motivación de los clientes que tienen la opción de gastar tiempo y dinero en eficiencia energética (o no). Conseguir que la gente sea más eficiente energéticamente requiere una conversación con las personas que utilizan la energía. Hay una gran diferencia entre los edificios que tienen el potencial técnico para ahorrar energía y los clientes que tienen el interés y actúan según las recomendaciones. En mi experiencia, las conversaciones cara a cara funcionan mucho mejor que los algoritmos informáticos.

Steve Baab: Steve trabaja en DNV GL como Líder de Línea de Servicio para el Desarrollo e Implementación de Programas. Steve trabaja para llevar las mejores prácticas e ideas de programas innovadores a los clientes de DNV GL. Antes de llegar a DNV GL, Steve fue el gerente de la cartera de C&I de ComEd, donde dirigió el programa Smart Ideas desde su lanzamiento inicial en 2008 hasta un programa que ofrece un amplio espectro de soluciones para los clientes, tanto en sistemas de energía como en segmentos de mercado.

Publicado originalmente aquí