Monitorización de indicadores clave energéticos en una unidad de destilación de una refinería de petróleo mediante minería de datos

Abstract

[ES] El principal objetivo de la monitorización de indicadores clave energéticos (o KEI, del inglés, Key Energy Indicator) es el de proporcionar una mejor comprensión de cómo se está utilizando la energía para ayudar a la toma de decisiones en la optimización de costes. En esta tesina de máster se compararán diferentes técnicas de minería de datos (métodos estadísticos de análisis multivariante y métodos de aprendizaje automático) para la monitorización de un indicador energético del consumo de fuelóleo en el horno de una unidad de destilación de una refinería de petróleo de la empresa Repsol, S.A. Se establecerá una metodología lo más automatizada posible, con la intervención mínima del usuario. La metodología consta de dos fases. La primera fase (offline) se basa en la construcción de un modelo a partir de datos históricos, mediante el uso de diferentes técnicas de minería de datos. La segunda fase (online) consiste en la explotación del modelo para predecir el KEI a partir de las variables más importantes (o drivers) seleccionadas durante la fase de construcción del modelo. Además, el sistema de monitorización incorporará un diagnóstico de fallos, para lo cual se establecerán unos límites de control, fuera de los cuales se considerará que el consumo energético es diferente al esperado. En tal caso, se dispondrá de un mecanismo que permitirá conocer qué variables del proceso son responsables de la situación, lo que será de gran ayuda para un mejor conocimiento del proceso y para la toma de decisiones que permitan una operación más eficiente del proceso.

[EN] The main objective of KEI (Key Energy Indicators) monitoring is to get a better understanding about the use of energy to help in the decision making process during cost optimization. In this master thesis several data mining tools (multivariate statistical methods and machine learning methods) will be compared to monitorize fuel oil consumption in a crude distillation unit of a petroleum refinery property of Repsol, S.A. A fully automated methodology with minimal user intervention will be developed. We employ a two-phase methodology. In phase I (offline), a model is trained from historical data using several data mining tools. The second phase (online) is based on model exploitation to predict KEI from the most important variables (drivers) selected during phase I. The monitoring system will include a failure diagnosis tool. An upper control limits will be set in order to detect abnormal situations. The system will include a tool to determine which process variables are responsible of such abnormal situations. This will be very helpful for better process understanding and for decision making for a more efficient process performance.