Big Data, extrayendo el valor de los datos

La ingente cantidad de datos que actualmente generan los diferentes sistemas de monitorización y gestión de Aigües de Barcelona no pueden tratarse y, consecuentemente, explotarse de forma conjunta con herramientas tradicionales de tratamiento de datos.

Sin embargo, la revolución digital ha posibilitado el desarrollo de tecnologías que permiten analizar grandes cantidades de datos, es decir, Big Data.

El Doctorado Industrial “Big Data aplicado al consumo de agua y eficiencia de la red”, establecido entre la Universitat Politècnica de Catalunya y Aigües de Barcelona, está orientado hacia la mejora de la toma de decisiones empresariales gracias al procesamiento de los datos generados en la gestión del ciclo integral del agua. Impulsado por la Agencia de Gestión de Ayudas Universitarias y de Investigación de la Generalitat de Catalunya, el plan de Doctorados Industriales (DI) tiene el objetivo de generar sinergias entre la universidad, el conocimiento generado y la empresa para dar respuesta a nuevas necesidades de investigación y de negocio.

Uno de los nuevos  sistemas que generan una gran cantidad de datos en la gestión del ciclo urbano del agua es el de la telelectura, que recoge las lecturas de los datos consumo de agua de los usuarios de forma remota. Estos datos proporcionan una visión del consumo de agua a un nivel de detalle que hasta ahora era desconocido, ya que la manera tradicional de obtener la lectura del consumo de agua de cada contador es manualmente y con una periodicidad superior al mes. La telelectura, en cambio, facilita datos cada hora, e incluso con mayor frecuencia en el caso de consumidores industriales. Estos datos ofrecen una visión del consumo mucho más precisa. Y gracias al valor de estos datos se puede mejorar el servicio que se ofrece al consumidor, mediante la detección de pérdidas de agua en el interior de la vivienda, cómo también la propia gestión de la red de distribución, mediante la caracterización precisa de su demanda y la localización de fugas.

Este Doctorado Industrial ha utilizado los datos de telelectura para obtener patrones de consumo de los consumidores residenciales, agrupar aquellos que son similares, y además detectar aquellos patrones que son muy diferentes al resto. Estos patrones diferentes al resto se califican como patrones “anómalos”, los cuales deben ser analizados por la empresa que gestiona la distribución de agua para detectar si existe algún problema en el contador o en el uso del agua.

Un caso real donde se ha aplicado esta técnica es Alicante. Se han analizado dos años de histórico de unos 50.000 contadores inteligentes de consumidores residenciales de Aguas de Alicante [1]. Para ello se han extraído patrones semanales de consumo de todas las series temporales de consumo horario. Es decir, el consumo medio horario de cada día de la semana. Y estos patrones han sido agrupados utilizando un método de agrupamiento no supervisado, es decir, sin tener un conocimiento previo del número o características de los grupos. Este análisis ha permitido conocer el número de grupos que consumen de forma similar, y detectar aquellos contadores de telelectura que no pertenecen a grupos comunes, es decir, grupos que tienen un elevado número de miembros. Lo cual significa que son hábitos de consumo totalmente diferentes al resto, y que deben analizarse por separado por si existe algún problema, como por ejemplo, error de lectura por algún fallo en el contador, o incluso que la actividad declarada por el cliente no corresponda con un consumo residencial.

Otro ámbito analizado, del cual se puede extraer valor mediante el uso de Big Data, es la explotación de datos de operación de la redes de distribución. En particular, el área de operación de Aigües de Barcelona analizado por el Doctorado Industrial es la gestión de la calidad del agua. La red de distribución de agua permite que el agua, producida de diferentes orígenes (plantas de tratamiento, desaladoras, pozos, etc.), llegue hasta nuestras casas. La red de distribución de agua está monitorizada de forma continua para garantizar el cumplimiento de los niveles de servicio establecidos en el servicio de abastecimiento de agua potable. Uno de los aspectos esenciales de este nivel de servicio es el cumplimiento de la garantía sanitaria de los caudales suministrados. Para ello se utiliza una red de sensores que monitorizan continuamente la calidad del agua en en la entrada de cada sector de demanda. Pero hay un punto importante, tenemos que garantizar la calidad de la información que nos proporcionan todos estos sensores.

Resulta que los sensores de calidad son complejos: requieren un mantenimiento específico que se realiza de forma regular, y además tienen componentes que se degradan con el tiempo y deben ser reparados o substituidos de forma inmediata para que puedan ofrecer de nuevo datos fiables. En esta dirección, el Doctorado Industrial, ha desarrollado una herramienta que utiliza métodos predictivos para la detección de fallos de sensores, y que además permite la predicción de fallos para poder actuar con cierta anticipación y así incrementar la disponibilidad de información y su calidad, minimizando de esta forma los riesgos que podrían derivarse de una supervisión errónea del suministro. Los resultados demuestran que la técnica desarrollada para la detección de fallos de sensores se anticipa al análisis visual tradicional que realizan los expertos, en promedio, unos 12,4 días. Y consigue una predicción fiable del fallo (tiempo que le queda de vida útil al sensor) entre 15 y 37 horas de anticipación.

Así, el Big Data, o el análisis de cantidades inimaginables de datos, posibilitará la transformación de los datos en información con valor empresarial que contribuirá a la mejora de la toma de decisiones operativas y ejecutivas.

Referencias:

[1] García, D., Gonzalez, D., Quevedo, J., Puig, V., & Saludes, J. (2015). Water demand estimation and outlier detection from smart meter data using classification and Big Data methods. 2nd New Developments in IT & Water Conference, 8-10 February 2015, Rotterdam (Holland), 1–8.