Repsol aplica la meteorología y el ‘big data’ para mejorar la gestión de la energía

Repsol cuenta con un Hub de Data & Analytics & Artificial Intelligence dedicado a extraer valor de los tres millones de gigas en datos que la compañía maneja diariamente, con el fin de aplicar la meteorología y el ‘big data’ a una mejor gestión de la energía.

En concreto, en este ‘hub’ trabajan 52 especialistas en analítica de datos con diferentes perfiles (translator analytics, ingenieros especializados en datos, data scientists y data managers) y que colaboran con 400 profesionales de las diferentes unidades de negocio para extraer valor de esos datos, según informa la compañía en su última ‘Newsletter’.

La información meteorológica se ha convertido en una variable clave en los procesos de ‘big data’ con los que las empresas generan modelos predictivos para sus prácticas comerciales y de planificación. Así, la energética presidida por Antonio Brufau utiliza las previsiones meteorológicas, por ejemplo, en la gestión de las instalaciones de electricidad renovable, para ofrecer a sus clientes consejos sobre eficiencia energética en el hogar o para prever incidencias en las rutas marítimas de su negocio de ‘trading’.

«Las variables meteorológicas afectan a nuestra actividad, el cambio climático es un ejemplo de ello«, señala la responsable de Data Science del Hub de Data & Analytics & Artificial Intelligence de Repsol, Julia Díaz, subrayando que, por tanto, la compañía tiene que «estar abierta a los avances de una ciencia que innova de forma continua» y que cada vez aporta mayor precisión en sus pronósticos sobre los fenómenos atmosféricos, que tienen gran complejidad.

Para que estas técnicas de analítica avanzada den buenos resultados «es fundamental que los datos que se introducen en los cálculos sean de calidad», indica Díaz, por lo que Repsol colabora con la Agencia Estatal de Meteorología (AEMET).

Además, en la vertiente tecnológica, Repsol tiene una alianza estratégica con la multinacional Microsoft que incluye el alojamiento de su plataforma de Data & Analytics en Azure, la ‘nube’ de la compañía estadounidense.

Utilizar el automóvil, comprar carburantes de calefacción o agua mineral en una estación de servicio son decisiones afectadas por la temperatura, el viento o la pluviosidad, variables «que se aplican continuamente en la práctica comercial para dimensionar cuál va a ser la demanda o los precios», añade Díaz.

En este sentido, Repsol emplea el concepto ‘Grados día’, elaborado a partir del pronóstico de temperatura de la AEMET y de los análisis de sus negocios, para aproximar tendencias que respondan a las necesidades de sus clientes, una herramienta que ayuda a anticipar, por ejemplo, el consumo de GLP (butano y propano) para calentar los hogares y preparar la cadena logística.

Asimismo, el Hub de Data & Analytics & AI trabaja en un proyecto para emitir recomendaciones técnicas de eficiencia energética dirigidas a sus clientes de electricidad y gas.

Repsol, que también genera y comercializa electricidad baja en emisiones y cuenta con proyectos renovables -en operación y desarrollo- con una capacidad de 6.100 megavatios (MW), también enfoca la aplicación de la meteorología a la gestión de los parques eólicos y fotovoltaicos.

En este sentido, lo aplica al estudio de posibles emplazamientos o las predicciones de producción de las instalaciones en funcionamiento, una variable a tener cada vez más en cuenta.

A este respecto, Díaz subrayó que para optimizar la integración de las energías renovables en el mercado eléctrico es fundamental disponer de un pronóstico de la producción «lo más preciso posible, que cruzamos con otras estrategias de precios y previsión de la demanda para decidir cuál es el mix energético de nuestra generación con el que acudimos a la subasta».

Otra vía de trabajo en curso que hará evolucionar la meteorología es la aplicación de técnicas de ‘Machine Learning’ e Inteligencia Artificial, similares a las que ya está empleando el grupo para sus escenarios de negocio.

Se trata de tecnologías cognitivas que entrenan a los ordenadores con predicciones y comportamientos pasados para que aprendan de manera automática y aporten mayor precisión en los cálculos.