La submedición de un edificio o de un sitio te da una imagen clara de lo que consumiste. Puedes ver el pico de ayer, el total del mes pasado, qué piso es el que más demanda. Esa visibilidad ya se paga sola al detectar desperdicio y validar facturas.
El problema es que las decisiones de energía tienen que ver con el mañana, no con el ayer. Los cargos por demanda se fijan según el único pico más alto de un período de facturación. El despacho de baterías, el desplazamiento de carga y la compra anticipada de energía dependen todos de conocer la carga antes de que llegue. Un medidor que solo reporta el pasado deja dinero sobre la mesa, porque las acciones que reducen el costo tienen que ocurrir antes del pico, no después de verlo en un gráfico. El pronóstico es la forma de adelantarte a él.
La carga de energía es una de las señales más amigables para pronosticar
Primero la buena noticia: la carga eléctrica es una de las señales IoT más predecibles, porque la impulsan ritmos humanos y estacionales que se repiten. Un edificio comercial sigue una curva diaria, baja de noche, que sube en la mañana y alcanza su pico en la tarde, y una curva semanal, con días de semana distintos a los fines de semana. Suma un ciclo anual de calefacción y refrigeración y tienes una señal con una estructura fuerte y estable.
Esa estructura significa que no necesitas un modelado exótico para obtener un pronóstico útil. Un modelo estacional que capture los patrones de hora del día y día de la semana te llevará casi todo el camino para un edificio típico. Es el mismo enfoque de línea base estacional que funciona en todo el monitoreo IoT, y la energía es donde más brilla, porque los ciclos son muy consistentes.
El factor que rompe un modelo de puro calendario: el clima
Un pronóstico basado solo en el calendario supone que cada martes de julio se ve igual. Entonces llega una ola de calor y la carga de refrigeración se dispara por encima de la predicción, justo el día en que el pronóstico más importaba para un cargo por demanda.
La temperatura es el factor externo dominante de la carga de energía en la mayoría de los edificios, así que un pronóstico serio tiene que incluirla. En la práctica, eso significa incorporar un pronóstico del clima local a tu modelo como una entrada, junto a las variables de calendario. Como un Analysis de TagoIO puede llamar a una API externa del clima, puedes alimentar la temperatura pronosticada de mañana en la predicción de carga de hoy. Sumar el clima suele ser la mayor ganancia de precisión frente a una línea base de solo calendario para las señales de energía.
Otros factores útiles, según el sitio: la ocupación, el cronograma de producción y eventos conocidos como un cambio de turno o una parada planificada. Cada uno es otra entrada de la que el modelo puede aprender.
Del pronóstico al dinero
Un pronóstico de carga solo vale la pena construirlo si impulsa una acción. Las más comunes:
Evitar el pico. Si el pronóstico dice que alcanzarás un nuevo pico mensual esta tarde, puedes recortar carga no crítica o despachar una batería antes de que el pico fije tu cargo por demanda para todo el período. Este suele ser el mayor ahorro individual de un pronóstico de energía.
Compra y desplazamiento. Conocer el perfil de carga de mañana te permite comprar energía o desplazar cargas flexibles hacia ventanas más baratas.
Presupuesto y contexto de anomalías. Un pronóstico de consumo con un mes de anticipación le da a finanzas una cifra con la cual planear, y también sirve como contexto para la detección de anomalías: un consumo muy por encima del pronóstico es una señal de que algo anda mal, un dámper trabado, un control fallido, una fuga.
Construirlo en TagoIO
El ciclo encaja directamente con la plataforma. Los datos del medidor llegan a TagoIO. Un Analysis programado lee el historial reciente de carga de un medidor o de un grupo seleccionado por tags, obtiene un pronóstico del clima, ejecuta un modelo estacional o de machine learning y escribe la carga predicha de vuelta como una variable. Un dashboard grafica el pronóstico contra lo real, y una alerta se dispara cuando el pronóstico proyecta un nuevo pico con suficiente antelación para actuar.
Como TagoIO Analytics produce el pronóstico de carga junto a los datos de tu medidor, el modelo informado por el clima vive en un solo lugar, no en un sistema aparte que tengas que sincronizar.
Empieza por el pico, suma el clima y luego actúa
Comienza con un pronóstico estacional de la métrica que más te cuesta, normalmente la demanda pico, y grafícalo contra los valores reales para que puedas ver cómo se desempeña. Suma el clima como una entrada, porque para la energía casi siempre es la mayor mejora individual. Luego conecta el pronóstico a una acción, el recorte de picos o el despacho de baterías, y deja que empiece a pagarse solo.
Mira cómo TagoIO Analytics ejecuta el modelo informado por el clima detrás de un pronóstico de energía.
La opción sin código es TagoIO Analytics, que pronostica la carga energética por ti. Inicia sesión en sight.tago.io/login con tu cuenta de TagoIO y entrena un modelo con los datos de tu medidor en minutos, con pronósticos y detección de anomalías, y sin necesidad de un científico de datos.
