Un dashboard en tiempo real responde una sola pregunta: ¿cuánto estoy consumiendo ahora? Los patrones que realmente cuestan dinero —un compresor que cada mes arranca con más corriente que el anterior, una nave que nunca baja de cierto consumo aunque esté vacía, una planta que sin darse cuenta desplazó turnos hacia el horario más caro— no aparecen en una lectura puntual. Aparecen cuando se pone un mes de datos junto a otro. El histórico de consumo eléctrico no es un archivo para auditorías; es la herramienta que convierte “algo anda raro” en un número, una fecha y una causa.
La línea base: qué es “normal” antes de poder detectar lo anormal
Antes de buscar una anomalía hay que definir contra qué se compara. La norma ISO 50001 (Sistemas de Gestión de la Energía) formaliza esto con el concepto de línea base energética (energy baseline): un periodo de referencia —típicamente 12 meses, para capturar toda la estacionalidad de un año— contra el cual se mide cualquier desviación futura. La norma complementaria ISO 50006 describe cómo construir esa línea base con regresión: el consumo esperado no es un número fijo, es una función de las variables que realmente lo mueven (producción, temperatura ambiente, horas operativas), de forma que un mes con más producción y más consumo total puede seguir siendo “normal” si el consumo por unidad producida no cambió.
Sin esa normalización, cualquier comparación mes a mes es engañosa: una camaronera que produce más en la época de mayor densidad de siembra va a consumir más kWh en aireación sin que eso sea una falla, mientras que una planta que mantiene la misma producción pero sube su consumo por kWh producido sí tiene un problema que vale la pena investigar.
Perfil de carga: la huella horaria que delata lo que queda encendido
El perfil de carga —el consumo promedio por hora del día, separado por día de semana y fin de semana— es la primera vista que revela algo que ningún total mensual muestra: el consumo base o consumo fantasma, la carga que nunca llega a cero ni de madrugada ni un domingo sin operación. En una planta con turno único de 7 a.m. a 5 p.m., el consumo entre las 8 p.m. y las 5 a.m. debería acercarse a los equipos estrictamente necesarios (iluminación de seguridad, cámaras, algún refrigerador). Cuando el histórico muestra que esa franja consume 15-20% de lo que consume la planta a plena carga, casi siempre hay compresores de aire que nunca se apagan, hornos o calderas en modo de espera con resistencias activas, o climatización que sigue corriendo en áreas vacías.
Ese consumo fantasma es visible solo comparando muchos días entre sí. Un solo registro nocturno no dice si esa carga es una fuga real o un evento puntual (una prueba de mantenimiento, un equipo que alguien olvidó apagar esa noche); un patrón que se repite noche tras noche durante semanas, en cambio, es una fuga estructural con un costo mensual calculable: kW de base × horas fuera de operación × tarifa.
Tendencias de degradación: la falla que avisa meses antes
La segunda lectura que solo aparece en el histórico es la tendencia: no un salto brusco, sino un desplazamiento lento y sostenido del consumo para la misma carga de trabajo. Un motor con rodamientos desgastados, un compresor con fugas de aire crecientes o un transformador con pérdidas en aumento no fallan de un día para otro; consumen 1-2% más cada mes durante seis, ocho, doce meses antes del paro. En una gráfica de consumo diario esa pendiente es casi imperceptible —se pierde en el ruido normal de variación día a día— pero es exactamente el tipo de desviación que un método estadístico como el gráfico CUSUM (suma acumulada) está diseñado para exponer: en vez de comparar cada día contra el umbral, acumula la diferencia entre el consumo real y el esperado día tras día, de forma que una desviación pequeña pero constante se vuelve una pendiente ascendente clara mucho antes de que cualquier valor individual cruce un límite de alarma.
Esta es la diferencia práctica frente a las alarmas por umbral que ya cubrimos en otro artículo: una alarma en tiempo real detecta el evento agudo (un hueco de tensión, un desequilibrio de fase); el análisis de tendencia sobre el histórico detecta el deterioro crónico que ninguna alarma puntual dispara porque cada lectura individual sigue “dentro de rango”.
Normalizar por producción y por clima antes de comparar
Comparar el consumo de julio contra el de enero sin ajustar por contexto lleva a conclusiones falsas en ambos sentidos: en la costa ecuatoriana, más calor significa más horas de refrigeración y ventilación, así que un aumento de consumo en los meses más cálidos puede ser enteramente climático y no operativo. La metodología de ASHRAE Guideline 14 —el estándar de referencia para medir ahorros de energía antes/después de una intervención— resuelve esto con modelos de regresión que ajustan el consumo esperado por grados-día de enfriamiento (cooling degree days) o por la variable de producción relevante, y exige que el modelo cumpla un error normalizado (NMBE) menor a 10% para considerarse válido como línea base.
En la práctica no hace falta el rigor completo de una auditoría ASHRAE para sacarle valor a esta idea: basta con cruzar el histórico de consumo con el registro de producción (lotes procesados, toneladas, horas de aireadores encendidos) o con la temperatura ambiente que ya reporta una estación meteorológica en el mismo sitio, y calcular el consumo por unidad en vez del consumo absoluto. Ese cociente es el que realmente indica si la planta se volvió más o menos eficiente.
Horario tarifario: cuándo se consume importa tanto como cuánto
En Ecuador, el Pliego Tarifario del Servicio Público de Energía Eléctrica que regula ARCONEL distingue horas de mayor y menor costo relativo dentro del día para clientes de media y alta tensión, además de la demanda facturable —que la norma define como la máxima demanda registrada en el mes, con un piso de al menos el 60% de la demanda máxima de los últimos doce meses—. Esto significa que dos plantas con el mismo consumo total en kWh pueden recibir facturas muy distintas según en qué horas concentraron ese consumo y qué tan alto fue su pico de demanda instantánea, aunque ese pico haya durado solo unos minutos.
El histórico horario es la única forma de ver si un cambio de turno, un nuevo equipo o una tanda de arranques simultáneos desplazó carga hacia el horario de mayor costo, o si el pico de demanda que fija la factura del mes ocurrió por un arranque de motores que se podría escalonar en el tiempo en vez de encender todo junto. Detectar ese patrón en el histórico —no en la factura del mes siguiente, cuando ya es tarde para actuarlo— es lo que permite programar arranques escalonados o mover procesos no críticos fuera de la ventana más cara, sin invertir en un solo kW adicional de capacidad instalada.
De registros dispersos a un histórico que se puede consultar
Nada de este análisis es posible si el dato vive en la memoria interna de un medidor que hay que visitar con una laptop, o en reportes mensuales que un operador transcribe a mano. Un medidor como el Yubox PowerMeter One transmite voltaje, corriente, potencia y energía acumulada por LoRaWAN de forma continua hacia Yubox Cloud, donde queda un histórico consultable por rango de fechas, exportable y comparable —el mismo tipo de dato que ya usamos para detectar fallas eléctricas antes de un paro o para vigilar la calidad de la energía en tiempo real. La diferencia con este artículo es el eje temporal: no se trata de reaccionar al evento de hoy, sino de comparar meses contra meses hasta que el patrón —fantasma, tendencia u horario— se vuelva visible.
Conclusión
El consumo eléctrico en tiempo real dice qué está pasando ahora; el histórico dice qué está cambiando con el tiempo, y ahí es donde se esconden el consumo fantasma, la degradación temprana de un equipo y los desplazamientos de carga hacia el horario más caro. Ninguno de los tres se detecta con una sola lectura: los tres necesitan una línea base normalizada, meses de datos comparables y, cuando la señal es sutil, una herramienta como CUSUM para separar la tendencia real del ruido diario. ¿Quiere revisar qué patrones esconde el histórico de consumo de su planta o camaronera? Conversemos sobre cómo instrumentar y analizar esos datos.