Finalista | Optimización de la gestión energía en hora punta

Caso: Optimización de la gestión energía en hora punta aplicando machine learning

Nombre de la empresa minera: Gold Fields Nombre de la unidad minera: Cerro Corona Nombre y cargo del funcionario minero: José Aedo, Superintendente del Centro Integrado de Operaciones Periodo de ejecución: enero – diciembre 2025

Problema

La facturación eléctrica de las operaciones mineras depende de la Demanda Coincidente (DC), la potencia máxima registrada entre las 17:00 y 23:00 horas, que impacta directamente los cargos por potencia activa y peaje de conexión. Antes del proyecto, no existía un método para predecir los días y horas de mayor demanda, ni una coordinación operativa para reducir la potencia en hora punta, generando costos innecesarios. Esto representaba una oportunidad de ahorro significativa mediante la optimización del consumo energético, controlando la DC sin afectar la operación, a través de estrategias basadas en datos y predicción con Machine Learning.

Solución

Se desarrolló un modelo de Machine Learning para predecir los días y horas de mayor Demanda Coincidente (DC), permitiendo anticipar los periodos críticos de consumo eléctrico. Con esta información, se implementaron estrategias operativas coordinadas, como la optimización de equipos y el uso de grupos electrógenos durante la hora punta, reduciendo la potencia registrada sin afectar la operación minera. Esta solución permite gestionar la demanda de manera eficiente, generando ahorros económicos significativos y estableciendo un modelo replicable y sostenible para optimizar el consumo energético en operaciones intensivas, alineado con la gestión de costos y objetivos corporativos.

Impacto

• -Reducción de 1.8 MW/mes en la potencia registrada durante la hora punta, alcanzando hasta 4 MW de ahorro en el día de máxima demanda (semana 33).
• -Incremento de la capacidad de los generadores de 1.8 MW a 3 MW, mejorando la eficiencia operativa y la capacidad de respuesta ante picos de demanda (semana 26).
• -Ahorro consistente en días de máxima demanda, con 3.9 MW registrados en agosto (semana 36), evidenciando estabilidad en los resultados del proyecto.

• -Mejora en la planificación y coordinación entre áreas, al disponer de información predictiva de la demanda y un calendario de riesgo mensual.
• -Toma de decisiones más ágil, basada en datos históricos y predicciones de Machine Learning.
• -Mayor flexibilidad operativa, al ajustar el uso de generadores y optimizar la gestión de equipos sin comprometer la seguridad ni la operación minera.
• -Modelo replicable y sostenible, que permite aplicar la misma estrategia en otros periodos de alta demanda o instalaciones similares.

Justificación

El proyecto generó un impacto directo en la eficiencia operativa, reduciendo la potencia registrada en hora punta y mejorando la capacidad de respuesta ante picos de demanda. La combinación de predicción de ML, incremento de capacidad de generadores y coordinación inter-áreas permitió alcanzar ahorros medibles y beneficios intangibles, fortaleciendo la gestión energética y la toma de decisiones estratégicas.