Transformando las operaciones de los parques energéticos de Moeve

Autores: José Amador Leal, Alberto Vilches, Alejandro Alija, Beatriz López, Kurt Mueller, y Pablo Monteagudo

Antecedentes

Moeve, con casi 100 años de experiencia, se ha consolidado como una de las empresas energéticas líderes a nivel global. Históricamente fue referente en el sector del petróleo y gas, pero hoy está inmersa en una transformación hacia la energía limpia y sostenible, clave para enfrentar el cambio climático y reducir las emisiones de carbono.

Su estrategia de sostenibilidad, denominada “Positive Motion”, no solo promueve la producción de moléculas verdes, sino que además contribuye directamente a la descarbonización de sectores difíciles de electrificar, como el transporte aéreo. También genera empleo de calidad y apoya el desarrollo sostenible en regiones clave.

Uno de los hitos de esta estrategia es modernizar los sistemas legados de control y procesamiento de datos. La adquisición de datos desde los Parques Energéticos de Moeve juega un rol decisivo para operar de forma eficiente y fiable en infraestructuras críticas, donde se generan cientos de miles de señales por minuto.

Este proyecto sienta la base para innovaciones impulsadas por IA, al recolectar, estructurar y optimizar grandes volúmenes de datos operativos provenientes de sensores, dispositivos IoT y sistemas de manufactura. De esta forma, Moeve habilita capacidades avanzadas como análisis sofisticados, optimizaciones basadas en machine learning y sistemas autónomos, impulsando su transformación digital.

Imagen 1. Ubicación de los parques energéticos de Moeve.

Planteamiento del problema

Los principales retos que Moeve debía afrontar con la nueva solución son:

• Obsolescencia de sus sistemas legados de persistencia de datos (“historians”) con limitaciones técnicas que dificultaban la disponibilidad de datos. Por ejemplo, la solución Data Gathering Digital Plant consume metadatos originarios para enriquecer datos entrantes en tiempo real, pero el sistema antiguo tenía una base de datos separada y manual, que con el tiempo dejó de estar sincronizada con el origen.
• Baja disponibilidad de los historiadores y penalizaciones de rendimiento debido a la carga impuesta por aplicaciones de terceros que solicitaban datos. Entre abril y septiembre de 2024, el sistema legacy sufrió 57 interrupciones de servicio y 5 fallos críticos.
• Falta de estandarización y flexibilidad para servir datos a través de diferentes protocolos de comunicación. A medida que la tecnología avanza, los nuevos sensores e instrumentos emplean protocolos orientados al entorno IoT que no se compatibilizan bien con los protocolos clásicos usados por los sistemas de control tradicionales.
• Limitaciones para poner datos a disposición de aplicaciones en plataformas cloud. Las unidades de negocio usan múltiples paneles para monitorear el rendimiento de las fábricas y otros procesos, así como consumirlos en procesos de ML, entre otros. Por tanto, disponer de datos en tiempo real y un sistema que se recupere automáticamente es clave para monitoreo, rendimiento y predicciones.
• Costos recurrentes elevados y constantes que los sistemas antiguos requerían, independientemente de su uso o aporte de valor. Solo en soporte y mantenimiento, Moeve invertía unas 1.800 horas al año. Además, cuando se solicitaban datos históricos para rellenar huecos de datos, solía tardar semanas en estar disponibles. La nueva solución incorpora ingestión automática al recuperarse el sistema.

La solución Data Gathering Digital Plant aborda estos desafíos y transforma la operación de los Parques Energéticos de Moeve. La solución fue desarrollada y desplegada en producción en la nube de AWS, en colaboración entre Moeve, Galeo y AWS. El primer despliegue se completó en el Parque Energético La Rábida (EPLR).

Moeve eligió AWS por su portafolio inigualable de servicios en la nube y su alineación con el enfoque de operación de Moeve.

Arquitectura de la solución

La solución Data Gathering Digital Plant es altamente disponible y permite extraer e ingerir datos a escala de cientos de miles de señales por segundo, desde el campo hasta la nube de AWS. La arquitectura integra componentes para:

1. Capturar datos en tiempo real desde el campo.
2. Procesar los datos en la nube de AWS usando servicios IoT.
3. Enviar los datos procesados a Knolar, la plataforma de datos de Moeve, para almacenamiento, análisis y visualización.

El siguiente esquema muestra la arquitectura de extremo a extremo. Se aprovecha de los beneficios operativos de una arquitectura completamente “serverless” en la nube AWS.

Figura 1. Arquitectura de la solución de extremo a extremo.

La arquitectura se distribuye en tres dominios:

1. Edge (borde del sistema)
Aquí se encuentra el Parque Energético de La Rábida, origen de las señales industriales. En el edge hay:

• Fuentes de datos, como servidores OPC UA que envían señales en tiempo real por suscripción o petición.
• Servidor histórico: almacena los últimos seis meses de señales habilitadas.
• Servidor de metadatos: contiene la base de datos con información agregada de señales.
• Componentes de AWS IoT Greengrass desplegados en dos máquinas virtuales (una principal y otra de respaldo), instalados cerca de las fuentes de datos. En esas máquinas corren diversos componentes cruciales:
  • aws.greengrass.SiteWiseEdgeCollectorOpcua: para recolectar datos del servidor OPC UA.
  • aws.greengrass.StreamManager: para gestionar flujos de datos hacia la nube.
  • Componentes personalizados (filtro de duplicados, conmutación de suscripción cloud, publicador Kinesis, conector a base de datos) para optimizar y controlar el flujo de datos.

2. Servicios AWS en la nube
Se usan varios servicios AWS:

• AWS Kinesis Data Streams para ingestión de datos en tiempo real desde el edge.
• Amazon Kinesis Data Firehose para cargar flujos en lagos de datos, almacenes y servicios analíticos, con destino en un bucket de Amazon S3.
• Amazon DynamoDB para almacenar metadatos, enriqueciendo los datos que se recolectan antes de enviarlos a Knolar.
• AWS Lambda para orquestar procesos y garantizar alta disponibilidad.
• AWS IoT SiteWise para recolectar datos desde equipos industriales, utilizando protocolo OPC‑UA.

3. Destino (Knolar)
Knolar es la plataforma de datos de Moeve (“industry 4.0”), creada en 2021 para monitorear instalaciones y poner datos a disposición de analistas y científicos. Recibe todas las señales recolectadas para su procesamiento, visualización y alimentación a modelos de ML.

Figura 2. Visualización de datos con Knolar.

Flujos de datos

Se describen los distintos flujos dentro de la solución:

• Flujo en tiempo real: desde el servidor OPC UA en el sitio, mediante el conector de IoT SiteWise. Los datos pasan por componentes en Greengrass (filtros, conmutadores) antes de enviarse a Kinesis en la nube. Desde ahí, funciones Lambda procesan los datos, los cruzan con metadatos y filtran señales activas para enviarlas a Knolar. Paralelamente, Firehose + Lambda carga datos en S3 para análisis de calidad.
• Sincronización de metadatos: una vez al día, un componente Greengrass en la VM principal extrae los metadatos del servidor local y los sube a S3. Luego, un job batch los procesa recursivamente, y el resultado se guarda en DynamoDB y en Knolar, asegurando que el sistema cuenta con metadatos actualizados.
• Recuperación de datos históricos: el servidor histórico local es consultado por el nodo de respaldo Greengrass, que solicita rangos de datos y los sube a S3. Si no llegan datos por más de 10 minutos, se activa una recuperación automática (backfill). Todo el proceso es monitoreado mediante funciones Lambda y registros en DynamoDB.

Monitoreo

La observabilidad es clave. Permite a Moeve obtener insights y mejorar el rendimiento de la solución y de la infraestructura. En AWS, se recopilan, correlacionan, agregan y analizan telemetría de red, infraestructura y aplicaciones en entornos híbridos u on‑premises.

Se construyó un dashboard en CloudWatch ofreciendo una vista unificada de componentes clave:

OpcUaCollector.IncomingValuesCount: conexiones activas hacia servidores OPC UA (14 familias desde la máquina principal, y una conexión de respaldo). Si la máquina principal falla o se desconecta, el sistema automático activa la máquina de respaldo, y luego revierte cuando la principal vuelve a estar operativa.

Figura 3. Panel de control.

Métricas de Kinesis: registros entrantes que luego se envían a Knolar.

Gráficos de Alarma: alarmas para familias de fuentes offline, y una alarma global que desencadena el apagado del respaldo y recuperaciones automáticas.

Beneficios y KPIs

La solución en producción habilita visualizar datos desde plataformas distribuidas y dispositivos. El análisis avanzado en el edge permite decisiones operativas informadas casi en tiempo real. Además, los datos se consolidan en la nube para análisis posteriores. Moeve tiene control total sobre la operación: los operadores pueden agregar o quitar señales sobre la marcha mediante interfaz gráfica, procesándose más de 70.000 señales con visualización cada 20 segundos.

Para mejorar disponibilidad y resilencia, el sistema detecta fallos en fuentes de datos y activa la recuperación automática de brechas históricas. Esto reduce el tiempo de inactividad y mantiene la continuidad operativa.

Algunos KPIs medidos en producción:

Métrica	Valor / Impacto
Datos procesados	645 millones de señales por semana
Usuarios concurrentes	300
Latencia promedio	120 ms
Disponibilidad	100 % (periodo: 1 de agosto 2024 – 1 de diciembre 2024)
Llamadas por semana	+9 millones
Tasa de éxito de solicitudes	99,96 %
Reducción de costos estimada	15‑20 %

Conclusiones

La solución Data Gathering Digital Plant, fruto de la colaboración entre Moeve, Galeo y AWS, representa un avance significativo en la modernización de plantas de energía. Permite el acceso confiable a datos críticos, habilita la optimización de procesos mediante ML/IA y transforma las operaciones en los parques energéticos, reduciendo costos y mejorando la capacidad de toma de decisiones en un ecosistema conectado y resiliente.