Herramientas para control y optimización del consumo de energía a través de análisis predictivo

CICMI (Control, Inspección, Calidad, Medioambiente e Ingeniería), en colaboración con la Universidad Politécnica de Madrid, ha desarrollado y sigue en constante evolución, herramientas y métodos de control y previsión para empresas que contemplan un estándar de economía circular y medioambiental. Este concepto, le permite ayudar, por ejemplo, al personal de operaciones de los centros de datos a optimizar las decisiones utilizando técnicas de análisis predictivo.

Los centros de datos juegan un papel clave en la transformación digital, pero consumen una cantidad de energía enorme, y casi la mitad corresponde a los sistemas de refrigeración.  En la actualidad, el coste de la energía que consumen los servidores durante su vida útil es ya mayor que el coste del hardware. La eficiencia energética es la única opción que tienen los centros de datos para mejorar los márgenes.

La optimización del consumo energético de un centro de datos pasa por 3 etapas:

1) Entender. Es necesario entender cuánto, cómo, dónde y por qué consumen los servidores, cuál es su comportamiento térmico y cuáles son sus necesidades de refrigeración en cada momento. No se puede optimizar lo que no se mide, pero muchas veces la gestión de la infraestructura se basa en escasos puntos de medida, que impiden llegar a un conocimiento profundo de las necesidades reales de refrigeración. Nosotros proponemos la instalación de una amplia red de sensores inalámbricos de bajo coste, conectados en malla para evitar puntos únicos de fallo, con el fin de proporcionar valores de temperatura, humedad y consumo en cada punto del centro de datos. Además, la frecuencia de muestreo debe ser la necesaria para poder seguir las variaciones, y no una tasa fija como en la mayor parte de los sensores del mercado.

2) Anticipar. Con los datos obtenidos de la red de sensores, mediante una plataforma de análisis de datos masivos y diferentes algoritmos de inteligencia artificial, se generan modelos matemáticos que permiten anticipar las temperaturas de los puntos calientes y, por tanto, las necesidades de refrigeración. 

Los modelos predictivos son necesarios porque, en general, los ajustes que se hacen en un centro de datos necesitan un tiempo no despreciable hasta que el comportamiento térmico se estabiliza.

3) Optimización dinámica y automatización. Si entendemos el comportamiento térmico del centro de datos y podemos anticipar la respuesta de las salas con un tiempo suficiente para actuar, entonces podemos generar un ajuste óptimo para las temperaturas de consigna de los equipos de refrigeración y aplicarlas de forma automática y desatendida, consiguiendo un ahorro de energía del orden de un 30%. De forma similar se pueden optimizar todas las decisiones en el centro de datos.

Este proceso de optimización dinámica basada en el análisis de datos capturados en tiempo real puede ser aplicado a otros muchos escenarios de gestión de sistemas complejos, ya sea para IoT, edificios inteligentes, ciudades inteligentes o Industria 4.0.