· 

La ISO 50001:2018 y su implementación Parte V

Capítulo 6. Normalización

La última versión de la norma ISO relativa a la gestión de la energía, ISO 50001: 2018, ha mejorado en muchos aspectos, ha definido con mayor claridad ciertos conceptos y los ha regulado de forma más coherente. Sin embargo, muchas empresas medianas tienen dificultades con los requerimientos de evaluación de los indicadores energéticos. Estas regulaciones se han endurecido respecto a la demostración de mejora en el desempeño energético.

 

Al considerar el indicador de rendimiento para cualquier uso energético, lo siguiente es cierto: el indicador se mueve hacia abajo cuando el potencial de ahorro energético es descubierto e implementado, lo que indica una mayor eficiencia energética. Es decir, se requiere de menor esfuerzo energético para alcanzar un resultado positivo, ya sea a nivel productivo o económico.  

 

Para lograr el éxito de una estrategia energética en la empresa, es necesaria una consideración elemental de cualquier actividad energética. Desde un punto de vista termodinámico, se puede utilizar la siguiente ecuación de balance energético:

 

Energía almacenada = energía obtenida - la energía utilizada + energía autogenerada - pérdidas de energía

 

Si no hay energía almacenada o autogenerada, entonces el balance energético es el siguiente:

 

energía obtenida = energía consumida + pérdidas de energía

 

El término "energía obtenida" se refiere a la energía comprada a las empresas de servicios públicos. Para tener que comprar menos energía, también habría que reducir el consumo de energía y las pérdidas de energía. Podemos reducir el consumo de energía reduciendo la carga normal, la carga base y la carga máxima. En su mayoría, la carga normal "normalmente" depende de la producción. Esto significa la necesidad de un funcionamiento optimizado de los sistemas y una reducción del consumo de energía de cada componente.

 

Podemos reducir las pérdidas de energía aumentando la eficiencia energética dentro de los propios sistemas (por ejemplo, introduciendo motores más eficientes). Todos estos factores pueden conducir a un mejor uso de la energía o un mayor uso pero a su vez aumentando de forma sustancial los bienes producidos.

 

Para lograr entonces los objetivos energéticos, se necesitan pautas y metodologías claras. Los estándares ISO 50006 e ISO 50015 han desarrollado métodos que contribuyen a una mejor planificación energética y una mejor evaluación y análisis del rendimiento energético. Estos lineamientos permiten a su vez cumplir con los requisitos de la norma ISO 50001: 2018.

 

El consumo absoluto de energía para verificar la mejora del desempeño energético es un indicador pésimo ya que fluctuaría con la producción a un mismo valor de eficiencia.

 

La cantidad de producción es una variable que influye significativamente en el consumo de energía, pero está determinada por influencias externas como la situación del mercado, las actividades de ventas, los objetivos de beneficio, etc. 

El indicador de consumo de energía por cantidad de producto, p.ej. kWh/kg,  puede darnos una primera idea si la eficiencia  energética está mejorando o empeorando. SIN EMBARGO, a pesar de que este indicador baje, el potencial de ahorro energético, puede estar casi totalmente agotado.

 

En consecuencia, las mejoras pueden ser cada vez más pequeñas en comparación con el uso de energía empleado. Con mejoras cada vez más pequeñas el indicador finalmente empeorará.

 

El indicador de consumo de energía por cantidad de producto ya está normalizado al volumen de producción, es decir: más producto, más energía. El problema con esta consideración es que la normalización deseada del volumen de producción no está completa.

 

La pandemia lo hizo más evidente: la producción tiene tasas de consumo fijas debidas no sólo a cargas básicas sino a otros factores estáticos por lo que no varían con el volumen de producción.

 

Luego, estos niveles de consumo básico se pueden "diluir" si aumenta la producción así se reduzca el indicador. El efecto contrario ocurre cuando la producción cae. El tamaño de los factores estáticos aumenta, con lo que el indicador emperora. El indicador por sí solo no dice nada sobre el volumen de producción al que se refiere, sin una compensación adicional.

 

Sobre todo, si hay que aceptar reducciones de ventas más significativas y una menor producción, los indicadores se verán afectados. Y aquí es precisamente donde entran en vigor los cambios sustanciales en la norma ISO 50001: 2018.  Estas influencias se deben registrar cuantitativamente y se deben desarrollar métodos para "restarlas" del indicador.

 

La solución a este problema se encuentra en la introducción de un valor esperado teórico. Según el modelo de referencia energética o la función de regresión, estos valores de consumo de energía esperados se comparan con el consumo energético medido real.

 

Los valores de consumo de diferentes períodos se hacen comparables y estarán integramente relacionados a la eficiencia energética de referencia. Un indicador de rendimiento energético adecuado, IDE o EnPI, que determine la mejora o el deterioro de la eficiencia energética resulta de la relación entre la energía medida y el valor esperado, es decir consumo energético normalizado.

 

EnPI = E (medido) / E (m, B)

 

EnPI <1 muestra una mejora

 

EnPI> 1 muestra un deterioro

 

 

Como se mencionó al principio, se trata de normalizar los indicadores de rendimiento energético (IDE). Podemos ver a partir de los datos de energía que las variables relevantes afectan significativamente el desempeño energético en el momento de normalizar los IDE y la línea de base energética correspondiente.

 

Una normalización completa crea una comparación directa entre el consumo de energía en la línea de base de energía y el consumo de energía en el período de evaluación, independientemente del valor específico de las variables relevantes, como el volumen de producción. Podemos lograr esto determinando la relación específica entre el volumen de producción y el consumo de energía en E = mP + B a partir de los datos operativos. Eso significa: A partir de un cierto número de pares de valores E y P, que están disponibles en el historial de producción, las variables m y B se determinan mediante regresión lineal.

 

Por lo tanto, una normalización completa debe comparar el consumo de energía medido con el que se esperaría de la línea base de energía con los valores m y B.  En concreto, los valores de las variables relevantes para el período del informe se utilizan en la regresión para determinar el valor esperado que se habría esperado si los parámetros hubieran permanecido iguales.

 

Este consumo estará entonces energía normalizada, E (m, B), donde m es el factor dependiente de la variable relevante o pendiente de la curva y B es la constante o el factor estático total. Este consumo normalizado incluye el efecto general de todos los parámetros. Para evaluar el desempeño energético (también en relación con la relevancia estadística), el cambio relativo al valor esperado E es fundamental.

Las consideraciones anteriores muestran las principales cuestiones de fondo. En la práctica, debemos tener en cuenta al menos el manejo de las incertidumbres estadísticas de la regresión lineal. Además, en muchos casos, existe más de una variable relevante, es decir el consumo energético viene influido por el nivel de producción, la temperatura ambiente, la rata de producción o los días laborables.

 

Todo esto hace que el procesamiento computacional sea más complicado pero las consideraciones fundamentales descritas anteriormente siguen siendo válidas. Sin embargo, en cada caso, habrá que decidir si estas consideraciones son apropiadas y adecuadas, si las variables son realmente relevantes, si los supuestos so correctos o si se debe utilizar un modelo físico (de ingeniería) para describir mejor el comprtamiento.

 

El enfoque del consumo energético específico, es decir, el de la ratio, la relación de energía por cantidad producida ya no tiene sentido y se queda corto en el análisis. Como se requiere explícitamente en el nuevo estándar, la normalización constante aumenta significativamente las demandas de almacenamiento y evaluación de datos.

 

Normalización hacia adelante

 

La normalización predictiva compara el consumo actual del período de informe con valores normalizados del período de referencia para pronosticar el consumo futuro debido a variables relevantes (por ejemplo, cantidad total de producción o temperatura exterior). Por supuesto, nada más aparte de estas variables debe cambiar fundamentalmente.

 

Los valores resultantes para el consumo total de energía se comparan luego con el modelo de referencia del año de referencia para medir la mejora del rendimiento relacionada con la energía a través de medidas de ahorro de energía implementadas.

 

El modelo matemático se verifica cada año para determinar si la producción o la temperatura exterior pueden seguir actuando como el principal factor de influencia en el futuro. Los resultados pueden mostrar si el volumen de producción aún puede incluirse como el principal factor de influencia (factor de correlación de la curva de consumo de energía frente al volumen de producción). Junto con otros modelos, este modelo puede realizar la planificación energética para el próximo año.

 

Normalización hacia atrás 

 

Con la normalización retrospectiva, los valores de consumo actuales se normalizan, se vuelve a formar una función a partir de esto y los valores de las variables relevantes del período de referencia se insertan en esta función.

 

El resultado dice algo sobre qué tan alto habría sido el consumo de energía si hubiéramos producido una cierta cantidad y temperaturas exteriores en el período de referencia.

 

Normalización con condiciones de referencia

 

La normalización con condiciones de referencia normaliza el consumo del período de referencia y el período de notificación con datos de referencia y los compara.

 

Para este método, es necesario seleccionar datos de referencia con datos históricos específicos y datos futuros probables, por ejemplo, para cifras de producción y datos meteorológicos con valores promedio. Este modelo es independiente de los datos del período de referencia ya que se utilizan datos propios (datos de referencia). Este modelo tiene sentido si los datos del período de referencia son algo atípicos, como es el caso de los datos meteorológicos y una combinación de productos diferente.

 

Número de grados - día para el consumo energético

 

El método del número de grados-día es un enfoque común, especialmente cuando se trata de fluctuaciones de temperatura. El estado "normal" se determina mediante un número de días de grado que se ha determinado y promediado a lo largo de los años. También depende de la ubicación. Cuando se utilizan números de días en grados, se establecen un límite de calefacción y la temperatura ambiente deseada. También tenemos que medir la temperatura exterior nosotros mismos.

 

Si la temperatura exterior supera ahora el límite de calefacción especificado, no hay ningún cambio. Si la temperatura cae por debajo del límite de calefacción, se calcula la diferencia entre la temperatura ambiente deseada y la temperatura exterior. Estos se suman a lo largo de los diferentes días del año, dependiendo de la ubicación. El valor a largo plazo se divide luego por el valor determinado para el año actual o el período actual. Obtenemos un factor de corrección. Multiplicamos la entrada de energía o IDE, y la influencia del clima quedaría compensada.

 

Conclusión

 

Es posible obtener análisis estadísticos detallados que describan el desempeño energetico. Y lo más interesante es sobre todo la efectividad de los modelos. El objetivo no es crear un modelo predictivo único. En lugar de encontrar una ecuación de regresión para producir un modelo aleatorio, estamos tratando de construir tantos modelos predictivos como sea posible y luego promediar los resultados.

 

Desde el análisis de datos y la ciencia de datos, el promedio de las predicciones suele ser más preciso que una sola predicción. Podemos entonces seleccionar la media de todos los valores esperados de los diferentes modelos como modelo de referencia. 

Write a comment

Comments: 0