Predicción y Automatización en la Industria del Gas
En este episodio exploramos cómo una petrolera chilena modernizó la predicción del consumo de gas en el sur de Chile, enfrentando desafíos técnicos y operativos. Descubrimos el papel clave de la colaboración tecnológica y la automatización para garantizar el suministro energético en regiones complejas.
This show was created with Jellypod, the AI Podcast Studio. Create your own podcast with Jellypod today.
Get StartedIs this your podcast and want to remove this banner? Click here.
Chapter 1
Predicción y Automatización en la Industria del Gas
7698f9d1
Una importante compañía petrolera de Chile ha sido, desde hace más de 70 años, el motor energético del país. Se encarga de explorar, producir, refinar y distribuir petróleo y gas, asegurando el abastecimiento incluso en las regiones más australes y complejas del territorio.
7698f9d1
Con operaciones locales e internacionales, y una infraestructura sólida, es sinónimo de energía confiable.
7698f9d1
La compañía había implementado exitosamente un modelo de predicción de consumo de gas en la Región 1, que le permitía anticipar la demanda, tomar decisiones informadas y aplicar medidas preventivas, mejorando la eficiencia del servicio.El objetivo era ahora replicar ese modelo en la Región 2 y la Región 3, pero estos nuevos contextos presentaban desafíos adicionales.
7698f9d1
La información meteorológica histórica era incompleta, y a partir del cuarto día, el pronóstico solo estaba disponible cada 3 horas (en lugar de cada hora). Además, los datos de consumo de gas estaban disponibles únicamente como valores diarios, sin granularidad horaria.
7698f9d1
Estas diferencias en la calidad de los datos hacían inviable reutilizar directamente los modelos anteriores, representando un reto técnico relevante para mantener la precisión en la estimación del consumo. A eso se sumaban condiciones climáticas extremas como temperaturas bajas, vientos fuertes y una logística compleja que exigía una planificación anticipada para evitar interrupciones.
7698f9d1
Y el desafío no era menor: se necesitaban predicciones con un horizonte de hasta 15 días. Por eso, la compañía decidió confiar nuevamente en Practia.
7698f9d1
Practia escuchó, desarrolló e implementó un plan estructurado, que abarcó desde la exploración y depuración de los datos, hasta el desarrollo, ajuste y validación de nuevos modelos, su implementación en la nube, y la documentación completa para asegurar continuidad operativa.
7698f9d1
El primer paso fue trabajar sobre la base de datos disponible: completarla, limpiarla y transformarla. Para cada región, se enriquecieron los datos faltantes utilizando información de estaciones meteorológicas cercanas, asegurando mayor cobertura y continuidad.
7698f9d1
Se diseñaron nuevos algoritmos de pronóstico adaptados a las condiciones del proyecto, considerando: La menor granularidad del pronóstico a partir del cuarto día (cada 3 horas). La disponibilidad de consumo real en formato diario.
7698f9d1
La solución técnica incluyó: Pipelines de ingestión y reprocesamiento automático de datos mediante Ashur Sainaps. Modelos de machine learning implementados en Ashur ML. Ajustes en los procesos ETL para que la información procesada se integrara correctamente con los sistemas de monitoreo (piai System).
7698f9d1
Cada decisión se tomó en conjunto con la compañía, asegurando una construcción colaborativa de principio a fin.
7698f9d1
La propuesta combinó precisión técnica y visión estratégica: Modelos de predicción para la Región 2 y Región 3, con un horizonte de 1 a 15 días. Ampliación del modelo existente de la Región 1 para cubrir hasta el día 15. Infraestructura tecnológica robusta, automatizada y lista para producción. Documentación técnica y un informe final con conclusiones y recomendaciones.
7698f9d1
Todo desplegado en Ashur, utilizando prácticas de DevOps y con foco en la mejora continua.El camino se recorrió en 7 etapas clave: Explorar:..analizar y limpiar los datos. Probar:...evaluar distintos modelos y algoritmos.
7698f9d1
Construir: desarrollar modelos a medida para cada región. Ajustar: adaptar la infraestructura de Azure y los pipelines. Validar: revisar los resultados en conjunto con el cliente. Implementar: poner en producción la solución bajo CI/CD. Transferir: entregar documentación y conocimiento para continuidad.
7698f9d1
Hoy, esta importante compañía puede anticipar el consumo de gas en tres regiones clave del sur del país, con hasta 15 días de antelación.
7698f9d1
Los modelos procesan variables como temperatura, humedad y viento, identifican patrones de consumo y entregan predicciones horarias de alta precisión.
7698f9d1
Lo que antes era incertidumbre, hoy es planificación.Y lo que parecía complejo, ahora sucede de forma automática, integrada y confiable.
