Fuentes, el reventón energético

Vol. 20 Núm. 2 (2022): Fuentes, el reventón energético
Artículos

Metodología para la caracterización energética de procesos industriales basada en modelos de regresión bayesianos. Caso de implementación.

PDF HTML
  • Carlos Jeyson Camargo Fiorillo,
  • Carlos Humberto García Rincón,
  • Gustavo Andrés Valle Tamayo
Carlos Jeyson Camargo Fiorillo
Ecopetrol S.A.
Carlos Humberto García Rincón
Universidad del Atlántico
Gustavo Andrés Valle Tamayo
Ecopetrol S.A.
DOI: https://doi.org/10.18273/revfue.v20n2-2022002

Publicado 2022-10-23

Palabras clave

  • Eficiencia energética,
  • sistemas de bombeo,
  • regresión bayesiana,
  • selección de modelos

Cómo citar

Camargo Fiorillo, C. J. ., García Rincón, C. H., & Valle Tamayo, G. A. . (2022). Metodología para la caracterización energética de procesos industriales basada en modelos de regresión bayesianos. Caso de implementación. Fuentes, El reventón energético, 20(2), 7–22. https://doi.org/10.18273/revfue.v20n2-2022002

Derechos de autor 2022 Escuela de Petróleos, Universidad Industrial de Santander.

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Resumen

Este trabajo presenta el diseño y desarrollo de una novedosa metodología basada en técnicas estadísticas, que permite realizar una caracterización energética de procesos industriales, cumpliendo con los lineamientos de la norma internacional NTC ISO 50001:2019, cuya implementación es recomendada por la Unidad de Planeación Minero-Energética en la versión 2022-2030 del Plan Indicativo del Programa de Uso Racional y Eficiente de Energía en Colombia. La norma ISO 50001 exige tener una referencia cuantitativa (línea de base energética) del desempeño energético en los procesos que se propone calcular a través de modelos de regresión bayesianos. Además, esta metodología también permite identificar las variables o eventos que tienen mayor relevancia en su eficiencia energética, para en una etapa posterior implementar control sobre ellos y, de este modo, controlar el desempeño energético del proceso mediante la manipulación de estas variables.

PDF HTML

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. Beier, P., Burnham, K. P., & Anderson, D. R. (2001). Model selection and inference: A practical information-theoretic approach. In The Journal of Wildlife Management (Vol. 65, Issue 3). Springer. https://doi.org/10.2307/3803117
  2. Breusch, T. S., & Pagan, A. R. (1979). A simple test for Heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294.
  3. Caicedo, O. F. P., Avella, J. C. C., Rodríguez, D. B. R., & Salas, A. P. (2019). Implementación de un sistema de Gestión de la Energía Guía con base en la norma ISO.
  4. Campos, J. (2017). Línea base, indicadores de desempeño energético. Aportes y Experiencias Practicas Del Grupo de Investigación Gestión Energética de La UA y de La ESCO E2 Energía Eficiente S.A.E.S.P. http://guiaiso50001.cl/guia/wp-content/uploads/2017/05/linea-base-indicadores-de-desempeno-P-3-AP-1.pdf
  5. CFI. (2021). Durbin Watson statistic. CFI Education Inc. https://corporatefinanceinstitute.com/resources/knowledge/other/durbin-watson-statistic/
  6. Chen, Y., & Therkelsen, P. (2019). The effect of linear regression modeling approaches on determining facility wide energy savings. April, 37.
  7. Cohen, J. (1988). Power analysis for the behavioral sciences (2nd ed.)
  8. De Maesschalck, R., Jouan-Rimbaud, D., & Massart, D. L. (2000). The mahalanobis distance. Chemometrics and Intelligent Laboratory Systems, 50(1), 1–18. https://doi.org/10.1016/S0169-7439(99)00047-7
  9. Ellis, P. (2010). The essential guide to effect sizes. Cambridge.
  10. Flores Muñoz, P., Muñoz Escobar, L., & Sánchez Acalo, T. (2019). Estudio de potencia de pruebas de normalidad usando distribuciones desconocidas con distintos niveles de no normalidad. Perfiles, 1(21), 4–11. https://doi.org/10.47187/perf.v1i21.42
  11. Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of statistical learning (2nd ed.). Springer.
  12. NTC-ISO 50001, (2019).
  13. Li, X., Deng, S., Li, L., & Jiang, Y. (2019). Outlier detection based on robust mahalanobis distance and its application. Open Journal of Statistics, 09(01), 15–26. https://doi.org/10.4236/ojs.2019.91002
  14. Minambiente. (2020). Colombia reducirá en un 51% sus emisiones de gases efecto invernadero para el
  15. año 2030 | Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/asuntos-ambientales-sectorial-y-urbana/colombia-reducira-en-un-51-sus-emisiones-de-gases-efecto-invernadero-para-el-ano-2030/
  16. Moreno, E., & Girón, F. J. (2008). Comparison of Bayesian objective procedures for variable selection in linear regression. Test, 17(3), 491–492. https://doi.org/10.1007/s11749-008-0095-9
  17. Mukherjee, A., & Laha, M. (2019). Problem of autocorrelation in linear regression detection and remedies. International Journal of Multidisciplinary Research and Modern Education, 5(1), 105–110.
  18. Nagin, D. S. (1999). Analyzing developmental trajectories: A semiparametric, group-based approach. Psychological Methods, 4(2), 139–157. https://doi.org/10.1037/1082-989X.4.2.139
  19. Plan de acción Indicativo del PROURE 2022-2030, 2022.
  20. Rodríguez, M. D. (2011). Regresión lineal simple. Estadística Inferencial Aplicada. https://doi.org/10.2307/j.ctvswx88n.8
  21. RPubs. (2021). Linear regression confidence intervals. https://rpubs.com/aaronsc32/simple-linear-regression
  22. S. Shapiro, & M. Wilk. (2015). The Shapiro-Wilk and related test for normality. Statistics, 1, 1–12.
  23. Santibáñez, J. (2018). Verificación del supuesto de homocedasticidad. UNAM. http://sigma.iimas.unam.mx/jsantibanez/Cursos/Ciencias/2018_1/08_homocedasticidad.html
  24. Walpole, R., Myers, R., & Myers, S. (2012). Pro babilidad y estadística para ingeniería y ciencia. Pearson.
  25. Wood, F. (2010). Matrix approach to linear re gresssion. Columbia University. http://www.stat.columbia.edu/~fwood/Teaching/w4315/Fall2009/lecture_11