Redacción iAgua
Connecting Waterpeople
Minsait
Xylem Water Solutions España
Kamstrup
Agencia Vasca del Agua
Laboratorios Tecnológicos de Levante
Aqualia
ISMedioambiente
Likitech
J. Huesa Water Technology
ADASA
GS Inima Environment
AGS Water Solutions
Sacyr Agua
Cajamar Innova
Innovyze, an Autodesk company
LACROIX
Catalan Water Partnership
Amiblu
FENACORE
Sivortex Sistemes Integrals
AECID
Barmatec
TecnoConverting
HRS Heat Exchangers
Filtralite
Ingeteam
IRTA
Centro Nacional de Tecnología de Regadíos (CENTER)
Ministerio para la Transición Ecológica y el Reto Demográfico
Lama Sistemas de Filtrado
FLOVAC
DATAKORUM
Almar Water Solutions
Asociación de Ciencias Ambientales
SCRATS
CAF
Confederación Hidrográfica del Segura
Hidroconta
EPG Salinas
Hach
Saint Gobain PAM
KISTERS
TRANSWATER
ACCIONA
Molecor
ESAMUR
RENOLIT ALKORPLAN
ADECAGUA
Fundación Biodiversidad
Rädlinger primus line GmbH
TEDAGUA
Baseform
Grupo Mejoras
Global Omnium
Consorcio de Aguas Bilbao Bizkaia
Schneider Electric
Vector Energy
AMPHOS 21
Fundación CONAMA
ONGAWA
ICEX España Exportación e Inversiones
IAPsolutions
Fundación Botín
Idrica
s::can Iberia Sistemas de Medición
Red Control

Se encuentra usted aquí

Series temporales inteligentes

Sobre el blog

Miguel Ángel Rodriguez Núñez
Técnico de Inteligencia Operacional y SCI en Emasesa. Master en Ingenieria y Gestión del Mantenimiento. Master en Mantenimiento Industrial y Técnicas de Diagnóstico.
  • Series temporales inteligentes

Para una empresa que gestione el ciclo integral del agua, la capacidad de predecir cómo se van a comportar sus procesos en tiempo real y diferido es fundamental para el control de los mismos y una eficiente toma de decisiones. Si se dispone de esta predicción y de criterios de gestión óptimos se podrán establecer estrategias de control adecuadas a todos los niveles (operación, financieros, suministros…).

Los datos en tiempo real que podemos obtener se corresponden con medidas de campo continuas o discretas que siguen un orden no aleatorio y que son capturadas con una frecuencia de muestreo constante dentro de un periodo cronológico relativamente largo. Estas series temporales tienen como característica su gran tamaño (en términos de espacio físico de almacenamiento del dato), la alta dimensionalidad, la necesidad de estar actualizándose de forma continua (nuestro querido “tiempo real”) y que sus valores en diferentes estancias temporales están correlacionados. Una serie temporal viene caracterizada típicamente por 4 componentes; la tendencia, la parte cíclica, el componente puramente aleatorio y el componente estacional.

Actualmente cualquier empresa que gestiona el ciclo integral del agua dispone de una cantidad ingente de información en forma de series temporales que se generan en tiempo real. Desde los niveles de los embalses que nos abastecen pasando por caudales de conducciones, presiones de suministros, consumos energéticos de los bombeos hasta parámetros de calidad del agua suministrada. Esta saturación de datos hace necesario que dispongamos de herramientas que ayuden a analizar y extraer el conocimiento útil contenido en éstos.

El análisis de series temporales se puede realizar mediante técnicas estadísticas o ML, de esta forma podemos analizar, modelar y explicar el comportamiento del proceso que medimos. Pero para que de verdad el análisis de esta información nos sea útil y nos ofrezca valor añadido debemos ser capaces de generar predicciones y pronósticos. El pronóstico de series de tiempo es por tanto el proceso mediante el cual, utilizando un modelo previamente fijado, generamos predicciones para eventos futuros basados en eventos pasados conocidos.

El objetivo del análisis de series temporales debe de ser modelizar las características de la serie, es decir capturar la tendencia y el comportamiento estacional que se observa, ajustar la varianza no constante que puede presentar y encontrar un modelo que nos permita reproducir la inercia de evolución que define una serie temporal. Así, este tipo de datos presenta dos tipos de problemas esencialmente; de similaridad (cómo detectar series de tiempo similares para prever evoluciones) y de periodicidad (cómo encontrar patrones periódicos y eventos cíclicos relacionados) y múltiples estrategias en cuanto a cómo abordarlos.

Poder responder a preguntas tales como; ¿de qué forma evolucionarán las series de tiempo en el futuro?, ¿es anormal el comportamiento de mi serie?, ¿a qué grupo pertenece una serie de tiempo dada?, o si faltan algunas medidas, ¿cuáles eran sus valores? implica grandes dosis de trabajo. El esfuerzo empleado en analizar esta información es grande, pero la posibilidad de extraer el conocimiento de los datos históricos del ciclo integral del agua y utilizarlo para la toma correcta e informada de decisiones lo justifica.

Como opciones para generar modelos de ML para series temporales tenemos la regresión lineal múltiple, pero en general podemos aplicar cualquiera algoritmo capaz de predecir un objeto continuo, incluidos métodos no lineales como las máquinas de vectores de soporte SVM regresión y árboles de decisión. También las redes neuronales (RNA) y los sistemas fuzzy son herramientas incuestionables para una predicción eficaz. Una RNA simple puede ser equivalente a una regresión lineal al obtenerse un pronóstico como resultado de la combinación lineal de las entradas. Al añadirse capas intermedias con mayor número de nodos el pronóstico resultante es mas efectivo y captura mejor la tendencia general de la serie temporal. Este enfoque es más potente y flexible que las técnicas estadísticas clásicas como ARMA y ARIMA.

En nuestros días, cualquier empresa de nuestro sector dispone de amplias redes de sensores que monitorizan en tiempo real el estado de los procesos del agua, sistemas SCADA interconectados y bases de datos con terabytes de información temporal que duermen el sueño de los justos. Analizar esta información para realizar simplemente un análisis de diagnóstico o descriptivo ni es rentable ni es eficiente ni mucho menos óptimo. Un análisis en profundidad de las series temporales de las variables de que disponemos nos dará más información de nuestros procesos. En este caso, las técnicas de ML nos facilitarán el paso al diseño y ejecución de análisis de tipo predictivo y prescriptivo, paso necesario si queremos orientarnos hacia la industria del Agua 4.0.