Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 1 Desarrollo de un modelo basado en inteligencia artificial para la implementación de un proyecto de energía solar que supla los requerimientos energéticos de la compañía Servicios Petroleros Olimpia SA de CV Andrés Fernando Lizcano Villamizar Trabajo de grado como requisito para optar el título de: Magíster en Dirección y Gestión de Proyectos Director Luis Alfonso Aguirre Montealegre Magister en Gestión Tecnológica Universidad Santo Tomás, Bucaramanga División de Ingenierías y Arquitectura Facultad de Ingeniería en Telecomunicaciones 2022 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 2 Dedicatoria A mi familia, que han estado presentes en cada uno de los momentos de mi vida, a ellos es a quienes les debo y les agradezco todo lo que soy. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 3 Agradecimientos En primer lugar, quiero agradecer a la compañía Servicios Petroleros Olimpia SA de CV, por la confianza dada, y toda la información suministrada para poder avanzar en el desarrollo de este proyecto. A mi director, que con su conocimiento, experiencia y dedicación aportó de manera invaluable, para construir los cimientos importantes en el desarrollo del proyecto. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 4 Resumen El siguiente trabajo se planteó para atender el problema encontrado en la compañía Servicios Petroleros Olimpia SA de CV, donde las afectaciones con el suministro de energía eléctrica se mantienen de forma periódica, problemas asociados a fallas por la infraestructura eléctrica, vandalismo a la misma; dada la ubicación y la falta de mantenimiento de las redes eléctricas, provocando así tiempos perdidos, cese de actividades por no contar con energía eléctrica y daños en equipos y componentes de las oficinas y base operativa por las caídas de tensión; dado esto, el objetivo general de este estudio, consiste en: “desarrollar un modelo que incorpore el concepto de inteligencia artificial como herramienta que permita levantar de manera predictiva información requerida para la viabilidad en el desarrollo del proyecto de energía solar”. Para ello, como método para el desarrollo de este proyecto, se hace utilización de métodos de inteligencia artificial como lo son modelos supervisados, la cual obtuvo como resultado, la predicción de los puntos de eficiencia máxima del modelo del sistema solar y estableció la discusión con la mesa directiva y principales patrocinadores de este proyecto y la viabilidad de implementación de este. Palabras clave. inteligencia artificial, energía solar. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 5 Abstract The following work was proposed to address the problem found in the company Servicios Petroleros Olimpia SA de CV, where the affectations with the supply of electrical energy are maintained periodically, problems associated with failures in the electrical infrastructure, vandalism to it; given the location and lack of maintenance of the electrical networks, thus causing lost time, cessation of activities due to the lack of electrical energy and damage to equipment and components of the offices and operating base due to voltage drops; Given this, the general objective of this study consists of: "developing a model that incorporates the concept of artificial intelligence as a tool that allows predictively gathering information required for the viability in the development of the solar energy project." For this, as a method for the development of this project, artificial intelligence methods are used, such as supervised models, which obtained as a result, the prediction of the maximum efficiency points of the solar system model and established the discussion with the board of directors and main sponsors of this project and the viability of its implementation. Keywords: artificial intelligence, solar energy. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 6 Contenido Pág. Introducción .................................................................................................................................. 13 1. Generalidades del proyecto ................................................................................................... 15 1.1. Objetivos ........................................................................................................................ 15 1.1.1. General .................................................................................................................... 15 1.1.2. Específicos .............................................................................................................. 15 1.2. Descripción institucional ................................................................................................ 15 1.2.1. La entidad................................................................................................................ 15 1.2.2. Misión ..................................................................................................................... 16 1.2.3. Visión ...................................................................................................................... 16 1.2.4. Compromiso ............................................................................................................ 16 1.3. Revisión técnica de la propuesta .................................................................................... 18 1.4. Conceptos generales de la dirección de proyectos ......................................................... 18 2. Estado del arte ....................................................................................................................... 29 3. Grupo de procesos de inicio .................................................................................................. 31 3.1. Acta de constitución del proyecto .................................................................................. 31 3.2. Análisis de los interesados en el proyecto ...................................................................... 33 3.3. Planteamiento del problema ........................................................................................... 35 4. Grupos de procesos de planificación- Gestión del alcance del proyecto .............................. 36 4.1. Planificación de la gestión del alcance ........................................................................... 36 4.2. Recopilación de requisitos ............................................................................................. 37 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 7 4.3. Definición del alcance .................................................................................................... 37 4.4. Creación de la EDT ........................................................................................................ 38 4.5. Grupos de proceso de planificación – Gestión de los costos del proyecto .................... 40 5. Grupos de procesos de planificación – Gestión del cronograma del proceso ....................... 42 6. Grupos de proceso de planificación – Gestión de la calidad del proyecto ............................ 42 7. Grupos de proceso de planificación – Gestión de los recursos del proyecto ........................ 43 7.1. Planificación de los recursos .......................................................................................... 43 7.2. Asignación de responsabilidades................................................................................... 44 7.3. Manejo del recurso ......................................................................................................... 45 7.4. Utilización de los recursos ............................................................................................. 46 8. Grupos de proceso de planificación – Gestión de las comunicaciones ................................. 47 8.1. Planificación de la gestión de las comunicaciones......................................................... 47 9. Grupos de proceso de planificación – Gestión de los riesgos del proyecto .......................... 48 9.1. Planificación de los riesgos ............................................................................................ 48 9.2. Identificación de los riesgos ........................................................................................... 49 9.3. Análisis cualitativo de los riesgos .................................................................................. 50 9.4. Análisis cuantitativo de los riesgos ................................................................................ 51 9.5. Planificación de la respuesta a los riesgos ..................................................................... 51 10. Grupos de proceso de planificación – Gestión de las adquisiciones del proyecto ............. 53 10.1. Planificación de la gestión de las adquisiciones............................................................. 53 11. Grupos de proceso de planificación – Gestión de los interesados del proyecto ................ 53 11.1. Identificar los interesados del proyecto .......................................................................... 53 11.2. Planificación del involucramiento de los interesados .................................................... 55 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 8 12. Fase de ejecución del modelado ........................................................................................ 56 12.1. Fase de modelado ........................................................................................................... 56 12.2. Identificación de las técnicas de modelado .................................................................... 56 12.3. Recopilación de datos y variables .................................................................................. 60 12.4. Proceso de entrenamiento del modelo de predicción ..................................................... 63 12.5. Validación del modelo ................................................................................................... 66 13. Fase de análisis de resultados ............................................................................................ 73 13.1. Verificación del modelo ................................................................................................. 73 13.2. Selección del tipo de panel y dispositivos ...................................................................... 83 14. Fase de estimación ............................................................................................................. 87 14.1. Cotización de equipos .................................................................................................... 87 14.2. Desarrollo de informe de viabilidad ............................................................................... 87 14.3. Beneficios del proyecto .................................................................................................. 88 14.4. Flujo económico ............................................................................................................. 89 15. Comentarios finales ........................................................................................................... 91 Referencias .................................................................................................................................... 94 Apéndices ...................................................................................................................................... 96 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 9 Lista de tablas Tabla 1. Acta de constitución del proyecto .................................................................................. 31 Tabla 2. Análisis de los interesados del proyecto ........................................................................ 33 Tabla 3. Recopilación de requisitos ............................................................................................. 37 Tabla 4. Estructura de desglose de trabajo (EDT) ...................................................................... 38 Tabla 5. Parámetros de calidad del modelo ................................................................................ 43 Tabla 6. Roles y responsabilidades .............................................................................................. 43 Tabla 7. Asignación de responsabilidades ................................................................................... 44 Tabla 8. Manejo de los recursos .................................................................................................. 45 Tabla 9. Plana de comunicación del proyecto ............................................................................. 47 Tabla 10. Tipos de comunicaciones ............................................................................................. 48 Tabla 11. Identificación de riesgos .............................................................................................. 49 Tabla 12. Análisis cuantitativo de riesgos ................................................................................... 50 Tabla 13. Análisis cuantitativo de riesgos ................................................................................... 51 Tabla 14. Planificación de la respuesta al riesgo ........................................................................ 52 Tabla 15. Identificación de los interesados ................................................................................. 53 Tabla 16. Matriz de análisis de interesados ................................................................................ 55 Tabla 17. Comparación de técnicas ............................................................................................. 57 Tabla 18. Consumos de energía "SPO" ....................................................................................... 61 Tabla 19. Variables climáticas Villahermosa, Tabasco ............................................................... 62 Tabla 20. Datos de kwh/m2 .......................................................................................................... 62 Tabla 21. Valores del cociente de consumo/Radiación ............................................................... 63 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 10 Tabla 22. Validación cruzada con múltiples métricas ................................................................. 67 Tabla 23. Resultados del entrenamiento ...................................................................................... 72 Tabla 24. Dispositivos del sistema solar ...................................................................................... 83 Tabla 25. Características Inversor .............................................................................................. 85 Tabla 26. Cotización de equipos .................................................................................................. 87 Tabla 27. Presupuesto .................................................................................................................. 88 Tabla28. Flujo de costos-beneficios............................................................................................ 89 Tabla 29. Parámetros de análisis de rentabilidad ....................................................................... 90 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 11 Tabla de figuras Figura 1. Estructura organizacional ............................................................................................ 17 Figura 2. Servicios Petroleros Olimpia SA de SV ........................................................................ 17 Figura 3. Ciclo de vida de un proyecto ........................................................................................ 20 Figura 4. Técnicas de predicción ................................................................................................. 23 Figura 5. Técnicas de aprendizaje. .............................................................................................. 24 Figura 6. Diferencia entre clasificación y regresión ................................................................... 25 Figura 7. Neurona de múltiples entradas..................................................................................... 26 Figura 8. Red neuronal tres capas ............................................................................................... 26 Figura 9. k-means ......................................................................................................................... 28 Figura 10. Fórmulas de error de predicción ............................................................................... 28 Figura 11. Planteamiento del problema desde la perspectiva lógica .......................................... 35 Figura 12. Plan de gestión de los costos ...................................................................................... 40 Figura 13. Presupuesto del proyecto ........................................................................................... 41 Figura 14. Estructura EDT .......................................................................................................... 42 Figura 15. Histograma de utilización de recursos ....................................................................... 46 Figura 16. Matriz de poder-interés .............................................................................................. 54 Figura 17. Diagrama del proceso de modelado .......................................................................... 56 Figura 18. Técnica de "Bagging" ................................................................................................. 58 Figura 19. Random Forest ........................................................................................................... 60 Figura 20. Gráfico de correlación ............................................................................................... 64 Figura 21. Resultado del Bagged Tree......................................................................................... 65 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 12 Figura 22. Arreglo de predicción "Random Forest".................................................................... 66 Figura 23. Distribución del error ................................................................................................ 67 Figura 24. Diagnóstico de modelo de residuos............................................................................ 68 Figura 25. Tabla de matriz de confusión ..................................................................................... 69 Figura 26. Matriz de confusión normalizada ............................................................................... 70 Figura 27. Correlación de variables ............................................................................................ 70 Figura 28. Matriz de correlación ................................................................................................. 71 Figura 29. Datos de Inicio de la fase de Simulación ................................................................... 73 Figura 30. Ingreso parámetros número de paneles e inclinación ............................................... 74 Figura 31. Parámetros de sombra ............................................................................................... 75 Figura 32. Resultados de Simulación general ............................................................................. 76 Figura 33. Resultados de producción de energía ........................................................................ 77 Figura 34. Consumo real vs generador por el modelo. ............................................................... 78 Figura 35. Mapa de sombra mejor escenario .............................................................................. 78 Figura 36. Simulación parámetros peor escenario ...................................................................... 79 Figura 37. Configuración de la simulación ................................................................................. 80 Figura 38. Resultados de la simulación ....................................................................................... 81 Figura 39. Mapa de sombra peor escenario ................................................................................ 82 Figura 40. Consumo real vs generador por el modelo ................................................................ 83 Figura 41. Paneles solares más eficientes ................................................................................... 84 Figura 42. Temperatura vs variación de potencia ....................................................................... 85 Figura 43. Eficiencia del inversor ................................................................................................ 86 Figura 44. Análisis VAN............................................................................................................... 91 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 13 Introducción Para la compañía Servicios petroleros Olimpia SA de CV, dada la ubicación de su base operativa y oficinas administrativas, las cuales se encuentran a unos 30 kms de la zona céntrica de Villahermosa, estado Tabasco en México, de forma diaria se vive una de las problemáticas más complejas a nivel del acceso a servicios públicos como lo es la de energía eléctrica, suministrada por la empresa CFE (Comisión federal de electricidad); este es un servicio que se torna complejo por las siguientes razones: infraestructura eléctrica con problemas de mantenimiento notables, delincuencia común que accede a dicha infraestructura con fines vandálicos y esto se traduce en alta fluctuación del servicio dado el tiempo que el suministro eléctrico está fuera de funcionamiento, dado los problemas de fallas en los equipos, así como los constantes robos a la infraestructura y adicional los daños a equipos como lo son computadores, servidores, pantallas y una variedad de dispositivos de las oficinas. Por lo que, a lo largo de este documento se observará que el objetivo general de este proyecto es desarrollar un modelo usando inteligencia artificial como una herramienta predictiva para establecer la viabilidad del desarrollo de un sistema de energía solar, que garantice el servicio de suministro eléctrico en la mayor proporción posible, tomando en cuenta todas las variables requeridas, dentro de este objetivo general se establecen dos objetivos específicos como lo son: desarrollar un modelo de inteligencia artificial que permita predecir los puntos de eficiencia máxima que pueda entregar un modelo de energía alternativa, teniendo encuenta las variables reales, tales como: patrón de radiación, velocidad del viento, humedad, temperatura y por supuesto a través de estas predicciones y en conjunto evaluar el modelo planteado en la capacidad de PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 14 entregar los requerimientos necesarios para abastecer las necesidades de la compañía Servicios Petroleros Olimpia SA de CV. Este es un proyecto que enmarca una estrategia de adaptación de las herramientas, recursos que se tienen disponibles en la compañía, permitiendo de esta forma el ajuste de los procedimientos, metodología, técnicas y herramientas para el desarrollo del proyecto; por supuesto la finalidad de cualquier proyecto es entregar un producto o servicio, entendiendo que existen particularidades que hacen únicos cada uno de estos. Para lo que compete en este documento se muestra el seguimiento de las diferentes recomendaciones que el PMI establece para llevar a cabo de principio a fin el desarrollo del proyecto, pero tomando estrategias, herramientas y técnicas que van de la mano en la búsqueda del cumplimiento de los objetivos y abriendo las puertas al desarrollo de estrategias híbridas que permitan adaptar nuevas metodologías y secuencias que hagan mucho más flexible el abordaje de proyectos de esta naturaleza. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 15 1. Generalidades del proyecto La formulación de este proyecto plantea una metodología basada en los lineamientos del PMI, y la búsqueda de otras estrategias para el desarrollo de un modelo basado en inteligencia artificial que pueda analizar de manera óptima la implementación de proyectos de energía fotovoltaica. 1.1. Objetivos 1.1.1. General Desarrollar un modelo usando inteligencia artificial como una herramienta predictiva para establecer la viabilidad del desarrollo de un sistema de energía solar. 1.1.2. Específicos Desarrollar un modelo de inteligencia artificial que permita predecir los puntos de eficiencia máxima que pueda entregar un modelo de energía fotovoltaica. Evaluar que el modelo planteado tenga la capacidad de entregar los requerimientos energéticos que la compañía Servicios Petroleros Olimpia, requiere. 1.2.Descripción institucional 1.2.1. La entidad Este proyecto se desarrollará para la empresa Servicios Petroleros Olimpia SA de CV, que es una compañía 100% mexicana, dedicada a la prestación de servicios para la industria del PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 16 petróleo, gas y geotermia; con operaciones en el norte y sur del territorio mexicano, compañía constituida en el año 2017 y que hoy cuenta con más de 200 empleados. Compañía que hoy trabaja para compañías privadas brindando servicios a pozo desde proyectos a nivel integral, así como servicios discretos; caracterizándose por la calidad y desempeño en el desarrollo de las actividades, con altos estándares de seguridad y estadísticas que respaldan el desempeño en las actividades. 1.2.2. Misión Generar valor a nuestros clientes, brindando soluciones integrales para la industria energética de manera segura, eficaz y confiable, a través de la excelencia en la ejecución operacional y del trabajo en equipo. 1.2.3. Visión Ser el referente nacional en servicios petroleros. 1.2.4. Compromiso Se crea valor agregado, siendo la compañía mexicana de servicios que mejor anticipa, entiende y excede las expectativas de sus clientes. Los servicios que la compañía tiene dentro de su catálogo son: • Reparación de pozos. • Perforación de pozos. • Registros eléctricos. • Operaciones de tubería flexible. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 17 • Soluciones integradas. Figura 1. Estructura organizacional Nota. Servicios Petroleros Olimpia SA de CV, (2022) La ubicación de las oficinas administrativas y base operativa es la siguiente: Carretera Cárdenas – Villahermosa; Km 146.7; Ranchería plátano y cacao, Segunda Sección. Municipio de Centro Villahermosa, Tabasco, México. Código Postal: 86280. Figura 2. Servicios Petroleros Olimpia SA de SV Nota. Instalaciones de la Servicios Petroleros Olimpia SA de SV PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 18 1.3.Revisión técnica de la propuesta La idea del desarrollo de este proyecto emerge de las reuniones que se tienen en la organización, cuyo concepto se estipula como revisiones por la dirección, donde los parámetros a nivel del impacto energético se analizan contemplando: costos en facturación, consumos, tiempo del servicio; es por esto, que en dichas revisiones se analiza de manera clara la problemática que dentro de la empresa se tiene a causa de la latencia del servicio. De esta forma, y teniendo claro que en la compañía no se tiene ningún estudio previo de alternativas energéticas, ni ninguna opción de cambio, se hace la propuesta, de un estudio de la viabilidad de la implementación de un sistema de energía solar. En este aspecto, la gerencia de operaciones de la compañía da vía libre para que se realice el proceso de estudio y todo lo que este proyecto de extensión requiere para ser presentado ante la mesa directiva de la compañía, que solo hasta que se tenga finalizado todo el proceso, con los datos y todo lo relacionado al estudio y desarrollo obtenido, podrán tomar una decisión de la viabilidad de la ejecución o el rechazo de esta. 1.4.Conceptos generales de la dirección de proyectos El esfuerzo temporal desarrollado para la obtención final de un producto, servicio o resultados únicos, enmarcan el concepto general de lo que es un proyecto. Es importante entender que cualquiera que sea la finalidad de un proyecto, este se considerará finalizado, cuando todos los objetivos y metas establecidas hayan sido concluidas. Por lo tanto, la gestión de proyectos une las habilidades, conocimientos, experticia para cumplir con los requisitos establecidos y de esto PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 19 surgen cinco (5) procesos claves en el marco de la dirección de estos, tales procesos son: inicio, planificación, ejecución, seguimiento y control y por último el cierre. Es importante entender entonces, todo lo que involucra la dirección de un proyecto, y entre las actividades más importantes se logran establecer las siguientes: • Identificación de requisitos. • Entender las necesidades e inquietudes que provienen de las partes interesadas. • Definir de manera clara el alcance, los recursos, los riesgos, el tiempo y el presupuesto. En este orden de ideas, y de acuerdo a Nextop (2017), “toda organización, empresa o grupo que desee orientar sus proyectos bajo la metodología para tales efectos de lo establecido por el PMI”, deberá de la manera que más se ajuste a sus necesidades incorporar un PMO o más conocida como la oficina de dirección/gestión de proyectos, esta cubrirá responsabilidades que van desde el simple soporte a la dirección de proyectos o hasta incluso asumir el control total en la dirección de esto. Por consiguiente, es necesario entender de manera clara, la serie de fases que deben pasar por un proyecto desde el inicio hasta el cierre de este, a esto se le denomina ciclo de vida, estas fases se entienden como la etapa de inicio, organización y preparación, ejecución del trabajo y cierre. De igual forma en la metodología que sugiere el PMI se definen algunos tipos de ciclos de vida, los cuales son: • Ciclo de vida predictivo: acá se define el alcance del proyecto, el tiempo y los costos requeridos. • Ciclode vida adaptativo: pueden ser también denominados ágiles, y tienen una gran ventaja y es la respuesta al cambio y a la constante participación de las partes interesadas. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 20 Figura 3. Ciclo de vida de un proyecto Nota. Gascón. (2019). Las características de lo que se considera un ciclo de vida se pueden especificar de la siguiente manera: • Por lo regular las fases son secuenciales. • Las fases deben ser clasificadas de acuerdo con los objetivos. • Toda fase debe estar acotada. • Hay que establecer un marco de referencia para la dirección del proyecto. • El ciclo de vida puede estar basado en los requerimientos propios de la organización. Si bien es cierto, los proyectos pueden variar en tamaño, costo y complejidad, pero asumiendo las buenas prácticas de la gestión de proyectos las fases serán similares asumiendo las características propias de dichos proyectos. Es importante explicar uno de los conceptos que hacen parte fundamental de la gestión de proyectos y es la PMO (project management organization), o conocida en el español como la oficina de dirección de proyectos. Las características de esta van desde funciones de soporte y acompañamiento hasta la dirección de forma total de la gestión de un proyecto. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 21 No todas las organizaciones cuentan con una oficina de gestión de proyectos, pero tarde o temprano la maduración en el concepto de gerencia de sus proyectos de forma interna, obligará a la creación de esta, tomando en cuenta la relevancia e importancia que esta va a tomar como eje fundamental para el control de los proyectos. Dentro de las funciones que desempeña una PMO se encuentran: • Permiten vincular los proyectos con los objetivos del negocio. • Disponer de los recursos, herramientas y todo lo requerido para la toma de las decisiones de una forma correcta y responsable. Para esto, es importante tener en cuenta todas las bondades que ofrece una PMO, entre las cuales se pueden encontrar: • Establece políticas para enmarcar el desarrollo de los proyectos. • Aporta los conocimientos para entender las zonas de influencia y desarrollo de los proyectos. • Establece metodologías para el desarrollo de los proyectos. Entrando en materia de lo pertinente a los modelos y herramientas de predicción surgen los siguientes conceptos: • Tipos de predicción de potencia. Es importante entender los diferentes mecanismos de predicción de las bondades de los sistemas fotovoltaicos, donde estos se pueden clasificar por: la variable que puede predecir, el horizonte de predicción y según el método de predicción que utiliza. • Según la variable de predicción. Durante muchos años se ha establecido este método como uno de los más cercanos a contar con errores de predicción muy pequeños. Por lo que Kudo et al (2009) exponen que teniendo en cuenta que lo que se busca es predecir la potencia de PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 22 los paneles y se ha relacionado con la irradiancia de esta forma se toman como modelos de predicción directa. • Según el horizonte de predicción. Este método de predicción establece los tiempos desde la obtención del último dato medido hasta el tiempo de obtención del dato que se desea predecir, de acá surgen los diferentes tipos de horizonte de predicción. • Corto plazo. En este tipo de horizontes se realizan predicciones que van desde algunas horas hasta siete días y su principal característica es la utilización en sistemas integrados que permiten garantizar la seguridad en el suministro de red. • Mediano plazo. Este tipo de horizonte permite realizar las predicciones que van desde algunas semanas hasta un mes, su característica más importante es que permite la definición y establecimiento de los programas de mantenimiento. • Largo plazo. Las predicciones pueden ir hasta 1 año, esto permitirá contar con ventajas en la planificación, generación y distribución de la energía eléctrica. • Según el método de predicción. En este tipo de métodos se utilizan variables ambientales y los datos de energía generadas por los paneles y pueden establecerse como un método o un algoritmo de predicción, acá surge uno de los métodos más utilizados y es el de persistencia, este método asume que el valor siguiente de potencia es igual al del día anterior y a la misma hora, de manera real es obvio que las condiciones climáticas no son las mismas, por lo cual la tasa de error es muy alta, pero su característica es que cuenta con análisis matemáticos muy sencillos. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 23 Figura 4. Técnicas de predicción Nota. Das et al, (2018) De acuerdo con la figura 2, se pueden establecer que también existen métodos estadísticos, aprendizaje de máquinas y métodos híbridos. No obstante, de las desventajas que se tiene con los modelos estadísticos como el ARMA y el ARIMA, es que, aunque su naturaleza les permite ser fácilmente adaptables, tienden a ser un problema en estimaciones a largo plazo dado que requieren altos requerimientos computacionales. “La inteligencia artificial (IA) es un sistema informático entrenado para percibir su entorno, tomar decisiones y tomar medidas”. (MathWorks, 2022). PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 24 Figura 5. Técnicas de aprendizaje. Nota. Datos tomados del curso de Matlab sobre Deep Learning, 2020. Como se observa en la figura 3, es congruente revisar la definición de dos conceptos importantes: el aprendizaje de máquinas y el aprendizaje profundo. • Aprendizaje de máquinas. Este aprendizaje está definido dentro de las ciencias computacionales como la habilidad que las computadoras pueden tener de aprender sin ser programadas, en el aprendizaje se establece una gran variedad de algoritmos y surgen dos tipos de aprendizaje, el supervisado y no supervisado (Samuel, 1959). • Aprendizaje supervisado. Se establece como una técnica para definir o establecer una función a través de datos previamente determinados, lo que significa, que se tienen definidos los datos de entrada y los datos de salida del modelo. Una de las características más importantes de este modelo, es que es comúnmente utilizado para realizar procesos de PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 25 regresión (predicción). Acá se utilizan dos tipos de datos, donde un grupo de estos se ocupa para realizar los procesos de entrenamiento y el otro grupo de datos para evaluar el modelo teniendo en cuenta el error generado. Figura 6. Diferencia entre clasificación y regresión Nota. Datos obtenidos de Johnson, (2022). Dentro de los algoritmos más utilizados como sistema de aprendizaje supervisado se encuentran las ANN, SVM y GA, todas estas técnicas de aprendizaje que emulan el comportamiento de aprendizaje del sistema biológico. Dado que, las redes neuronales se componen de neuronas conectadas entre sí, en diversos niveles o capas, las neuronas transfieren la información de capa en capa. Una neurona es considerada un sistema de regresión lineal y funciona de la siguiente forma: internamente, hace una suma ponderada de las variables siendo estas multiplicadas por los pesos respectivos, a la salida se obtiene una función de transferencia encargada de generar la no linealidad de la neurona. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 26 Figura 7. Neurona de múltiples entradas Nota. Hagan, M., Demuth, H. (2014) Las neuronas pueden configurarse en capasy conformar una red, como se puede observar en la figura 6. Figura 8. Red neuronal tres capas Nota. Datos tomados de. Hagan, M., Demuth, H. (2014) PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 27 Los valores de entrada son multiplicados por los pesos, cuyos valores son llamados parámetros, por lo que, el algoritmo más común para encontrar el mejor valor es el de propagación hacia atrás (BP). Es importante definir, que el número de capas, la función de transferencia, el número de neuronas por capa, son nombrados como hiperparámetros y los valores se escogen en la fase de entrenamiento de la red. Existen dos funciones de transferencia denominadas sigmoidal y la tangente hiperbólica. La diferencia de estas dos funciones radica, en que la sigmoidal restringe los valores de salida de la neurona entre 0 y 1 y la de tangente hiperbólica entre -1 y 1. Las funciones están expresadas bajo las siguientes ecuaciones: 𝐴 = 1 1 + 𝑒−𝑥 𝐸𝑐𝑢 1 Ecuación 1. Función de transferencia sigmoidal. 𝐴 = 𝑒𝑛 − 𝑒−𝑛 𝑒𝑛 − 𝑒−𝑛 𝐸𝑐𝑢 2 Ecuación 2. Función de transferencia de tangente hiperbólica • Aprendizaje no supervisado. Este tipo de aprendizaje tiene una característica muy importante y es la que los datos no poseen etiquetas, en este tipo de modelos se busca encontrar o formar grupos y clasificaciones, entre los algoritmos se encuentra uno muy popular llamado el k-means, donde k representa el número de grupos o clústeres en los que se desea dividir la información. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 28 Figura 9. k-means Nota. Datos tomados de Petersen. (2010) • Error de predicción. Este modelo permite establecer el rendimiento del modelo y puede establecer una medida para comparar la eficacia de un modelo de predicción contra otro. Figura 10. Fórmulas de error de predicción Nota. Datos tomados de. Rodríguez et al. (2020) PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 29 2. Estado del arte En primer lugar, se hace referencia al estudio de Ochoa y Ramírez (2020), en el cual, se plantea un modelo basado en redes neuronales (RNA), para la proyección y dimensionamiento de un sistema de paneles solares, es importante establecer que se desarrolló basado en un modelo supervisado cuyas características se pueden establecer al contar con datos de entrada y de salida requeridos y las grandes bondades de predicción que brinda este modelo de aprendizaje. En este trabajo se plantea el desarrollo de la variación del algoritmo K, a través de técnicas como la FSCNCA y donde a través del aprendizaje de las redes neuronales se logró parametrizar los sistemas fotovoltaicos de acuerdo a los requerimientos, obteniendo resultados como: encontrar las configuraciones más idóneas que hacen mucho más eficientes los sistemas de paneles solares; se encontraron las estructuras más aproximadas e incluso el cálculo del número de paneles fue lo más cercano al nivel más óptimo. Así mismo, Heras (2018), realiza una investigación para el desarrollo de un modelo de predicción de la radiación solar, el autor aborda esta investigación a través de tres (3) modelos, los cuales son: autorregresivo de media móviles (sARIMA), modelo no lineal autorregresivo (NAR) y modelo no lineal autorregresivo con entradas exógenas de redes neuronales (NARX), el proyecto fue establecido en dos partes importantes: La primera parte estableció el pronóstico de la radiación solar y la potencia de salida de los paneles, donde la primera establece todo el estudio de los fenómenos físicos de la llegada de la radiación a la atmósfera y la segunda el desarrollo de los modelos, cálculos, análisis de datos para identificar la eficacia y desempeño del modelo. En este orden, la segunda parte de este estudio aborda todo el proceso de cálculo de la potencia del generador fotovoltaico, y el estudio de las características de los paneles solares. Una PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 30 de las conclusiones más importantes finalizada esta investigación fue encontrar cuál de los tres modelos utilizados fue el más eficiente, de acuerdo con los resultados los modelos tradicionales como lo son el NARy NARX presentaron mayor precisión respecto al sARIMA De igual manera, Romero (2020), establece en su proyecto, un modelo de predicción de la potencia fotovoltaica, basando su investigación en la utilización de redes neuronales, cuya investigación se divide en cuatro fases fundamentales: En la primera etapa se realiza el levantamiento de las variables más importantes, el método de agregación al modelo de predicción. En la segunda fase se realizó la agrupación de los datos para identificar los clústeres, y acá se obtuvieron los arreglos para días nublados y días soleados. En esta etapa se entrenaron las redes neuronales para cada tipo de clúster, se realizó la modificación de los hiperparámetros esto enfocado en la obtención del menor error. En la última etapa se realizó una comparación entre el modelo desarrollado y alguno modelos teóricos utilizando la distancia media cuadrática mínima normalizada (nRSME). Entre las conclusiones obtenidas dentro de dicha investigación, se obtuvieron los siguientes: los modelos de predicción tienen a disminuir el porcentaje de error, pero es cierta la afirmación de que se requiere mayor cantidad de data para busca una mayor minimización de la tasa de error. El estudio mostró un buen resultado a seccionar los datos para días nublados y días soleados por aparte, pero bajo la premisa que el estudio por las condiciones de desarrollo no pudo acceder a mayor data, que hubiese enriquecido el estudio. Igualmente, del desempeño de la red neuronal se obtuvo que el menor error fue definido bajo la siguiente configuración: 5 neuronas en la primera capa y 3 neuronas en la segunda, con un nRSME de validación promedio del 5.48% un 𝑅2 de 0.963 y un coeficiente de correlación de los datos obtenidos por la predicción vs los actuales de 0.982 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 31 3. Grupo de procesos de inicio 3.1.Acta de constitución del proyecto Tabla 1. Acta de constitución del proyecto Título del proyecto Desarrollo de un modelo basado en inteligencia artificial para la implementación de un proyecto de energía Solar que supla los requerimientos energéticos de la compañía Servicios Petroleros Olimpia SA de CV. Descripción del proyecto Se plantea el desarrollo de un modelo de predicción basado en inteligencia artificial para encontrar los parámetros de optimización máximos en un sistema de paneles solares, esto para garantizar que dicho sistema pueda suplir los requerimientos de la compañía, entendiendo el planteamiento de este proyecto bajo los lineamientos de una metodología de gestión de proyectos, para presentar a la mesa directiva de la compañía los resultados y establecer cuan viable sería la implementación de este. Caso de negocio Este proyecto se plantea en función de establecer una solución confiable a las altas fluctuaciones y tiempos muertos del servicio de energía proporcionado por la CFE (comisión federal de electricidad), dados los altos costos en daños de equipos por las fluctuaciones, vandalismo y a pesar de los tiempos altos fuera de servicio, si se representa en montos significativos en la facturación de este. Adicional el implementar este tipo de proyectos de energía limpias, trae,para la compañía beneficios de tipos y beneficios fiscales, bastante interesantes para los intereses económicos de la compañía. Recursos preasignados Para esta fase de desarrollo de los modelos de predicción, no se estima un presupuesto previo para la ejecución de las actividades. El recurso humano para el PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 32 desarrollo del proyecto es: Acta de constitución del proyecto Recursos preasignados Gerente de proyecto: Perfil: profesional en ingeniería, carreras administrativas o afines, con experiencia de mínimo cinco (5) años en dirección de proyectos para el sector energético. Equipo de desarrollo: Perfil: ingeniero electrónico, mecatrónico, con conocimientos en desarrollo y diseño electrónico, así como conocimientos en programación e implementación de redes neuronales. Docente orientador: Perfil: profesional en ingeniería, carreras administrativas o afines con experiencia en el área de dirección y gestión de proyectos. Entregables principales: Breve Descripción de los productos /entregables 1. Resultados obtenidos del modelo de predicción basado en redes neuronales. 2. Documento donde se establezca todo el desarrollo de la metodología para el desarrollo del proyecto. 3. Informe de evaluación del modelo de energía solar sugerido para establecer el cumplimiento de los requerimientos energéticos. Supuestos 1. El modelo de predicción arroja los escenarios óptimos para el desarrollo de un sistema fotovoltaico eficiente. 2. El desarrollo del proyecto se realizará en los tiempos establecidos. 3. Se cuenta con un seguimiento detallado por parte de los interesados del proyecto. Acta de constitución del proyecto Restricciones 1. Adaptación a cambio por parte de los directivos de la compañía. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 33 Patrocinadores 1. Mario Alejandro Gómez García: director general de Servicios Petroleros Olimpia SA de CV. 2. Víctor Alfonso Vargas Leiva: Gerente de operaciones de Servicios Petroleros Olimpia SA de CV. 3. Inversionistas Cronograma 12 meses Presupuesto 1-2 M USD Riesgos ❖ Tiempos de desarrollo del modelo de predicción. ❖ Confiabilidad del modelo a desarrollar. ❖ Resistencia al cambio por parte de los directivos. ❖ Falta de información en el desarrollo de modelos predictivos en la zona de interés a implementar. 3.2.Análisis de los interesados en el proyecto Tabla 2. Análisis de los interesados del proyecto Interesado Institución Intereses Problemas percibidos Recursos o mandatos Requisitos Criterios de aceptación Director general SPO Partidario Altos costos asociados que incrementan los indicadores de gestión. Aprobación de recursos Desarrollo de las etapas pertinentes acorde al cronograma establecido. Cumplimient o de las actividades establecidas y resultados acorde al plan. Gerente financiero SPO Partidario Incremento en el pago de las facturas de energía, así como incremento Liberación de recursos., pago de proveedores y servicios. Todas las solicitudes de recursos deberán contar con las aprobaciones del director general. Todos los costos, recursos, deberán estar claramente identificados PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 34 en la compra de equipos por daños derivados de las fluctuacione s de energía. en el caso de negocio. Gerente de Operacion es SPO Partidario Cese de actividades tanto administrati vas como operativas por falta del suministro eléctrico, ocasionando retrasos en el desarrollo de las actividades. Autorización del desarrollo de las actividades, y generación de la solicitud de los recursos. Las solicitudes deben ser claras y contar con todos los argumentos necesarios. Deben venir todas las solicitudes con los soportes, validaciones, evidencias requeridas para su aceptación Inversioni stas SPO Partidario Costos elevados asociados a los pagos por una red ineficiente de suministro eléctrico. Aprobación de recursos. Desarrollo de las etapas pertinentes acorde al cronograma establecido. Cumplimient o de las actividades establecidas y resultados acorde al plan. Nota. Esta tabla contiene información acerca del análisis de los interesados del proyecto, con los requisitos, problemas vistos desde la organización, los recursos que estos pueden aportar y sus criterios de aceptación. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 35 3.3.Planteamiento del problema Figura 11. Planteamiento del problema desde la perspectiva lógica La falta de inversión en infraestructura es un problema que agobia a México desde hace décadas, y ha permeado a los diferentes estados, entre estos, Tabasco, que desde años sufre apagones y variaciones en la red eléctrica, que para la CFE (comisión federal de electricidad), representa millones de pesos que debe inyectar para una reforma. Ahora bien, sumado a esto, se debe mencionar, uno de los problemas de mayor complejidad en todo México y en el caso de Tabasco (Centro, Comalcalco y Macuspana),son los constantes robos de energía que se presentan; que a pesar de las multas y penas que van desde 3-10 años de prisión y 1000 salarios mínimos que ascienden a los 66,000 Mxn equivalente a unos 11’220.000 COP (artículo 368 del código penal federal), no dejan de ser uno de los motivos por los cuales el estado no cuenta con una red eléctrica constante y que por supuesto a nivel domiciliario y empresarial genera problemas bastante serios; PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 36 aunque en los planes del gobierno nacional, se encuentra la modernización de la infraestructura, se le suman otros problemas como lo son los deudores morosos, que a consecuencia elevan la deuda a la CFE de 543’000.000 Mxn. Para Servicios Petroleros Olimpia SA de CV, ubicado entre los municipios más afectados tanto por los robos de energía como la fluctuación del servicio por una red precaria a nivel de infraestructura, se han derivado problemas bastante serios como lo son : costos altos por el consumo de energía, donde por ejemplo solo en el 2020 se pagaron casi 417,000 Mxn de energía casi unos 70’000.000 Cop, que reflejan las alzas de tarifas para mitigar por parte de CFE los inconvenientes por robo a su infraestructura, así como el alto tiempo fuera de servicio o no acceso al servicio de energía, que provoca retrasos en las operaciones, daños a los equipos por las fluctuaciones. Esto para la compañía se convierte en un problema que urge resolver y por esto se planeta la siguiente pregunta: ¿Qué tan viable puede llegar a ser el desarrollo de un sistema solar fotovoltaico en el marco de los modelos de predicción? 4. Grupos de procesos de planificación- Gestión del alcance del proyecto 4.1.Planificación de la gestión del alcance El alcance de este proyecto está orientado al proceso de desarrollo de un modelo de predicción. Para esto, se basa en una primera etapa para identificar la eficiencia máxima de un sistema de energía solar, a su vez bajo la metodología de dirección y gestión de proyectos, poder llevar a cabo el proyecto, teniendo como base metodología que ayuden a tener un desarrollo estructurado, donde se conozcan las variables, costos, parámetros, recursosy todo lo necesario en el planteamiento del proyecto. Por lo tanto, se pretende al finalizar el proyecto, entregando PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 37 resultados acerca de la viabilidad tanto en costo como de implementación del sistema propuesto; que garantice de manera eficiente los requerimientos que puedan subsanar el problema propuesto, entendiendo que fue desarrollado teniendo en cuenta todas las variables, recursos, y consideraciones necesarias para ser esta la solución requerida. 4.2. Recopilación de requisitos Tabla 3. Recopilación de requisitos 4.3.Definición del alcance Desarrollo de un modelo basado inteligencia artificial para la implementación de un proyecto de energía Solar que supla los requerimientos energéticos de la compañía Servicios Petroleros Olimpia SA de CV. Entregable Descripción Requisitos Modelo de predicción Presentar el modelo de predicción desarrollado Establecer de manera detallada la parametrización y características del modelo. Resultados del modelo de predicción Detallar los resultados obtenidos bajo la parametrización establecida. Deberán establecerse de manera explícita los resultados y conclusiones obtenidas a través del modelo. Documento del Proyecto Documento detallado, donde se establezca el desarrollo del proyecto con base a las condiciones y metodología propuesta Acta de entrega y confirmación de recibido y aceptación por parte del director. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 38 4.4. Creación de la EDT Tabla 4. Estructura de desglose de trabajo (EDT) EDT Nombre de la tarea 0 Desarrollo de un modelo basado en inteligencia artificial para la implementación de un proyecto de energía Solar que supla los requerimientos energéticos de la compañía Servicios Petroleros Olimpia SA de CV. 1 Inicio previo 1.1 Selección del enfoque 1.2 Revisión del árbol del problema 1.3 Construir árbol de objetivos 1.4 Validar el objetivo 1.5 Establecer el objetivo 1.6 Planear una alternativa 1.7 Análisis de Pestel 1.8 Revisar Marcos 1.9 Plantear un marco 1.10 Generalidades del proyecto 1.11 Descripción institucional 1.12 Conceptos generales de la dirección de proyectos 1.13 Estado del arte 1.14 Cierre del inicio previo 2 Grupos de procesos de inicio 2.1 Análisis de los interesados del proyecto 2.2 Planteamiento del problema 2.3 Acta de constitución 2.4 Listado de interesados. 2.5 Cierre grupo de inicio 2.6 Planear una alternativa 3 Grupo de procesos de panificación-Alcance del proyecto 3.1 Planificación de la gestión del alcance 3.2 Recopilación de requisitos 3.3 Definición del alcance PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 39 3.4 Creación de la EDT (estructura de desglose de trabajo) 3.5 WBS o EDT 3.6 Estado del arte 3.7 Cierre del alcance 4 Grupo de procesos de panificación-Gestión del cronograma 4.1 Planificación de la gestión del cronograma. 5 Grupo de procesos- Gestión de los costos del proyecto 5.1 Planificación de la gestión de los costos. 5.2 Estimación de costos 5.3 Determinación del presupuesto 6 Grupo de procesos- Planificación de la gestión de calidad 6.1 Planificación de la gestión de la calidad. 7 Grupo de procesos- Gestión de los recursos del proyecto 7.1 Planificación de la gestión de los recursos 7.2 Estimación de los recursos de las actividades 8 Grupo de procesos- Gestión de las comunicaciones 8.1 Planificación de la gestión de las comunicaciones 9 Grupo de procesos de panificación-Gestión de los riesgos 9.1 Planificación de la gestión de los riesgos 9.2 Identificación de los riesgos 9.3 Realización del análisis cualitativo de los riesgos 9.4 Realización del análisis cuantitativo de los riesgos 9.5 Planificación de la respuesta a los riesgos 10 Grupo de procesos- Gestión de las adquisiciones 10.1 Planificación de la gestión de las adquisiciones 11 Grupo de procesos- Gestión de los interesados 11.1 Planificación del involucramiento de los interesados. 12 Ejecución 12.1 Fase de modelado 12.1.1 Identificación del modelo de predicción 12.1.2 Recopilación de datos y variables 12.1.3 Proceso de entrenamiento de la red neuronal 12.1.4 Validación del modelo. 12.1.5 Entrega de resultados. 12.2 Fase de análisis de resultados 12.2.1 Verificación del análisis del modelo 12.2.2 Selección del tipo de panel y dispositivos 12.3 Fase de estimación PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 40 12.3.1 Cotización de equipos 12.3.2 Desarrollo de modelo de negocio 12.3.3 Informe de viabilidad 12.4 Fase de informe de resultados 12.3.1 Desarrollo de resumen del proyecto 12.3.2 Validación de objetivos. 12.3.3 Conclusiones del proyecto Nota. Se incluye el diccionario 4.5. Grupos de proceso de planificación – Gestión de los costos del proyecto En la gestión de los costos se realiza la estimación de los costos y posterior poder determinar el presupuesto. En la siguiente figura se establece el proceso de la gestión de los costos: Figura 12. Plan de gestión de los costos En el proceso de gestión de los costos es importante entender de manera clara las necesidades de los interesados el fin mismo del proyecto; de esta manera se deberán establecer PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 41 todos los procesos necesarios para ejecutar y controlar los costos. De esa forma se establece el siguiente plan: 1. Se realiza el desglose de las actividades del proyecto. 2. Se hace una estimación de cada uno de los recursos para el desarrollo de las actividades. 3. Se hace una sumatoria de los recursos establecidos. En la ilustración 6, utilizando el software WBS PRO-SCHEDULE se observa la estimación de los costos, en funciónde las actividades y recursos asignados en la planeación. Figura 13. Presupuesto del proyecto PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 42 5. Grupos de procesos de planificación – Gestión del cronograma del proceso Para el desarrollo del proceso de gestión del cronograma del proceso se utilizará el software Microsoft Project y WBS Schedule Pro, donde se definen las actividades, la secuencia y la duración de las actividades. Para revisar de forma más detallada ver el anexo correspondiente a cronograma del proyecto. Figura 14. Estructura EDT 6. Grupos de proceso de planificación – Gestión de la calidad del proyecto La gestión de la calidad de este proyecto se fundamenta en el análisis de los datos obtenidos, donde se toma en cuenta: validación cruzada del modelo, esto permite garantizar la PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 43 independencia de los resultados entre los datos entrenados y los datos validado, así como la simulación en el software HelioScope que garantiza la eficiencia del modelo bajo variables reales. Tabla 5. Parámetros de calidad del modelo Precisión Sensibilidad Puntuación Exactitud >98% >98% >98% >98% 7. Grupos de proceso de planificación – Gestión de los recursos del proyecto 7.1.Planificación de los recursos El proceso de planificación de los recursos se establece como un área importante en el desarrollo de la gestión del proyecto, en este punto se definen los roles y responsabilidades y por supuesto las competencias técnicas requeridas para el desarrollo de las actividades dentro del desarrollo del proyecto, posterior a esto es importante definir el nivel jerárquico que cada miembro del equipo cumplirá. Tabla 6. Roles y responsabilidades Roles Responsabilidades Competencias Gerente de proyectos Gestionar el desarrollo del proyecto, donde se incluye la secuencia, duración, y asignación de recursos a las actividades; así como los informes de seguimiento, Ingeniero, administrador o áreas afines y con experiencia en gerencia de proyectos durante 3 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 44 actualizaciones y generación del informe final y presentación de resultados. años o más en el sector energético. Comprador Responsable de la gestión de cotizaciones, cuadros comparativos y búsqueda de los recursos requeridos. Administrador o carreras afines con experiencia de 2 años o más en cadena de suministros para compañías del sector energético. Ingeniero de Diseño Recolectar los datos correspondientes a los consumos eléctricos, así como el desarrollo del modelo de predicción, simulación y validación de datos. Ingeniero electrónico, eléctrico o carreras afines con 2 años o más de experiencia en el desarrollo y diseño de proyectos para el sector. Analista de calidad y riesgos Realizar el análisis de la gestión de la calidad, así como identificación y valoración de los riesgos asociados al proceso. Ingeniero(a) industrial, de producción o carreras afines con experiencia de 2 años o más en la gestión de la calidad. 7.2.Asignación de responsabilidades Para la definición de las responsabilidades, en la tabla 6, se muestra la asignación de estas. Tabla 7. Asignación de responsabilidades Project Manager Ingeniero de diseño Comprador Gerente de Operaciones Analista de calidad y riesgos 1. Inicio previo R C I 2. Grupo de procesos de inicio R C I 3. Gestión del alcance R C I 4. Gestión del cronograma R I I PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 45 5. Gestión de los costos R I I 6. Gestión de la calidad R A A 7. Gestión de los recursos R A I 8. Gestión de las comunicaciones R I I 9. Gestión de los riesgos R A A 10. Gestión de las adquisiciones R A I I 11. Gestión de los interesados R A I 12. Ejecución R A I I Nota. La asignación es la se describe así: R – Responsable de completar la tarea (s). A - Apoyo para asegurar la finalización de la tarea (s). C – Consultarlo antes de tomar decisión. I - Informarlo antes de cualquier acción o decisión. 7.3.Manejo del recurso A continuación, se establece para los recursos, su fase o etapa de liberación, entrenamientos y aprobador del recurso. Tabla 8. Manejo de los recursos Liberación del recurso Entrenamiento Revisiones de trabajo Tipo de Adquisición Aprobador del recurso Project manager Previo al desarrollo del proyecto Inducción empresa Acorde a cronograma Interna Gerente General Ingeniero de Diseño Previo a fase de ejecución Inducción empresa Acorde a cronograma Interna Gerente de Operaciones/Project manager PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 46 Comprador Previo a fase de adquisiciones Inducción empresa Acorde a cronograma Interna Gerente de operaciones/Coordinador de compras Analista de calidad y riesgos al proceso Previo a fase de gestión del riesgo Inducción empresa Acorde a cronograma Interna Director general/Project manager 7.4.Utilización de los recursos A continuación de observa el gráfico que ilustra la utilización de los recursos con un promedio de trabajo de 40 horas por semana y de acuerdo con la duración del proyecto. Figura 15. Histograma de utilización de recursos PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 47 8. Grupos de proceso de planificación – Gestión de las comunicaciones 8.1. Planificación de la gestión de las comunicaciones A continuación, se establece el plan de comunicaciones acorde con los diferentes involucrados y/o partes interesadas del proyecto. Tabla 9. Plana de comunicación del proyecto En la siguiente tabla se establecen los tipos de comunicaciones: Rol frecuencia Canal de comunicación Tipo de comunicación Disponibilidad Director General Hitos Reuniones de hitos/Correo corporativo Presupuestos, actualización del progreso, entregables. Inmediata. Gerente de Operaciones Semanal Reuniones Semanales/Correo corporativo Tareas finalizadas, en progreso y por ejecutar. Solicitudes de liberación de aprobaciones. Inmediata. Gerente de Proyectos Semanal Reuniones Semanales/correo corporativo Necesidades, preguntas, entregables y actualizaciones Inmediata. Inversionistas Hitos Reunión de hitos/Correo corporativo Conclusiones, informe final Al finalizar PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 48 Tabla 10. Tipos de comunicaciones Frecuencia Tipo de comunicación Checklist semanal • Duración actividades. • Actividades completadas. • Actividades en progreso. • Requerimientos por aprobación. Correos de reporte semanal • Avance del presupuesto. • Especificaciones de las actividades. • Actividades futuras. • Actividades en espera. Reuniones de hitos • Atención de necesidades. • Preguntas y discusiones • Discusión de pasos a seguir. Correos Diarios • Necesidades de activos o recursos. • Revisión de entregables y decisiones prioritarias por parte de los accionistas. 9. Grupos de proceso de planificación – Gestión de los riesgos del proyecto 9.1.Planificación de los riesgos El desarrollar de manera detallada una planificación de los riesgos de proyecto, permitirá un porcentaje de éxito de este mucho mayor, minimizando los riesgos identificados enel plan y las tareas que permitirán abordarlos. De acá surgirán los planes, recursos y gestión para la evaluación de los riesgos. Para este proceso se tendrá en cuenta: • El alcance del proyecto. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 49 • La gestión de los costos. • La gestión del cronograma. • La gestión de las comunicaciones. • Los factores ambientales de la compañía. • Los activos de la organización. 9.2.Identificación de los riesgos Parte del proceso de inicio será la identificación de los riesgos, entendiendo esto, como todas las situaciones que puedan afectar al proyecto, se deberán detallar las características, involucrados, responsables y la categorización de estos. Tabla 11. Identificación de riesgos Id Riesgo Tipo de riesgo Cat. Riesgo Objetivo de proyecto afectado Tipo de impacto Amenaza Oportunidad Alcance Tiempo Costo Calidad Directo Indirecto RGP-001 Falta de cumplimiento de los tiempos de desarrollo de las actividades del proyecto. x Gestión x x RGP-002 Limitación al acceso de los recursos de la compañía. x Gestión x x RGP-003 Modelo ineficiente, cuyos resultados no cumplan el alcance deseado. x TÉCNICO x x x RGP-004 Retraso en la obtención de los costos de los x Gestión x x PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 50 materiales y/o equipos RGP-005 Resistencia al cambio por parte de los inversionistas. x ALCANCE x x 9.3.Análisis cualitativo de los riesgos En esta sección se priorizarán los riesgos para poder establecer la ocurrencia y el impacto dentro del proyecto; de esta forma se realiza la valoración cualitativa con la probabilidad relativa de ocurrencia, el impacto que se puede generar hacia los objetivos. Tabla 12. Análisis cuantitativo de riesgos Id Tipo de riesgo Consecuencia Impacto Probabilidad RGP-001 Falta de cumplimiento de los tiempos de desarrollo de las actividades del proyecto. Esto puede generar retrasos en el cronograma. A A RGP-002 Limitación al acceso de los recursos de la compañía. Esto puede generar retrasos en el desarrollo de las actividades M M RGP-003 Modelo ineficiente, cuyos resultados no cumplan el alcance deseado. Esto puede generar alto riesgo de llevar al fracaso el proyecto M M RGP-004 Retraso en la obtención de los costos de los materiales y/o equipos Retraso en el avance de las actividades dependientes. M M PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 51 RGP-005 Resistencia al cambio en el desarrollo de tecnologías alternativas por parte de los inversionistas. No aprobación del desarrollo del proyecto. A A Nota. A – Alto M- Medio 9.4.Análisis cuantitativo de los riesgos En esta etapa se realiza un enfoque de análisis numérico, producto de los efectos de los riesgos sobre los objetivos y alcances del proyecto. Tabla 13. Análisis cuantitativo de riesgos Nota. A- Alcance- Tiempo; C- Costo; C- Calidad 9.5.Planificación de la respuesta a los riesgos La planificación de la respuesta a los riesgos es el proceso por el cual se establecen todas aquellas acciones que permitan mitigar las amenazas hacia el proyecto; se toman en cuenta los procesos cuantitativos y cualitativos. Id Tipo de riesgo Probabilidad Valoración del impacto Probabilidad del impacto Valoración global del riesgo Prioridad Amenaza Oportunidad A T C C A T C C RGP-001 X 0.5 0.8 0.8 0.5 0.3 0.4 0.4 0.25 0.15 0.375 Baja RGP-002 X 0.2 0.8 0.8 0.3 0.2 0.16 0.16 0.06 0.04 0.148 Baja RGP-003 X 0.3 1 1 0.3 1 0.3 0.3 0.009 0.3 0.3 Baja RGP-004 X 0.5 0.3 0.8 0.6 0.3 0.15 0.4 0.3 0.15 0.35 Baja RGP-005 X 0.5 1 1 0.6 0.3 0.5 0.5 0.3 0.15 0.465 Media PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 52 Tabla 14. Planificación de la respuesta al riesgo Id Descripción del problema Prio rida d Plan de respuesta predetermin ado Estrate gia de respues ta adapta da Plan de respuesta adaptado Riesgo Residual RGP- 001 Falta de cumplimiento de los tiempos de desarrollo de las actividades del proyecto. Baja Reuniones periódicas para revisar el avance de las actividades y en caso de requerirse ajuste a los mismo Mitiga r El gerente de proyecto tendrá que revisar de manera periódica el desarrollo de las actividades y su porcentaje de cumplimiento Podrían generarse actividades adicionales para poder mitigar el incumplimiento de las actividades RGP- 002 Limitación al acceso de los recursos de la compañía. Baja Solicitud anticipada de la utilización compartida de los recursos y el plan de utilización por horas semanales a las áreas de interés. Mitiga r Enviar plan de utilización de recursos internos a los gerentes de área, así como la aprobación del director general Podrían prolongarse los tiempos de entregas y actividades en función de la disponibilidad de los recursos. RGP- 003 Modelo ineficiente, cuyos resultados no cumplan el alcance deseado. Baja Comparación de por lo menos 3 métodos de entrenamiento de las redes neuronales. Mitiga r Establecer los modelos para realizar el entrenamiento de la red y generar comparación Podría generarse la necesidad de replantear el modelo de predicción si los resultados no son concluyentes. RGP- 004 Retraso en la obtención de los costos de los materiales y/o equipos. Baja Estudio de mercado de los proveedores críticos de la zona y que puedan brindar el Mitigar Solicitar base de datos de los proveedores, así como las especificaciones exactas y alcances predeterminados para evitar retrasos. Falta de proveedores estratégicos en la zona. PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 53 alcance solicitado. 10. Grupos de proceso de planificación – Gestión de las adquisiciones del proyecto 10.1. Planificación de la gestión de las adquisiciones En este proceso se tienen en cuenta todas las tareas requeridas para la adquisición de los bienes y servicios que así demande el proyecto. Por lo que, el marco del proceso de desarrollo de este estudio, el personal que es el recurso de ocupación de este, es interno y no se requieren contrataciones adicionales, es la compañía que asume el proceso de utilización de estos y solo se hace requerido contar con las autorizaciones tanto de la gerencia de operaciones como dirección general. 11. Grupos de proceso de planificación – Gestión de los interesados del proyecto 11.1. Identificar los interesados del proyecto En esta sección se identifican todos aquellos interesados y que se ven impactados por el desarrollo del proyecto. Tabla 15. Identificación de los interesados Id Organización Posición Poder (1-5) Interés (1-5) A SPO Inversionistas 5 5 B SPO Director General 5 5 C SPO Gerente de Operaciones 4 5 D SPO Gerente de proyecto 3 5 E SPO Gerente financiero 4 5 PROYECTO MODELO DE INTELIGENCIA ARTIFICIAL 54 F SPO Operaciones 1 2 G SPO Compras 1 1 H SPO Ingeniero de diseño 1 3 Figura 16. Matriz de poder-interés Acorde a la matriz de poder-interés, mostrada en la figura 6, se puede observar que los interesados (A, B, C, D y E), que se encuentran en el cuadrante superior derecho, deben ser involucrados en todos los niveles de planeación y gerencia. Para el caso de los interesados (F y G), requieren del mínimo esfuerzo y gerencia,
Compartir