• No se han encontrado resultados

A la Revolución Cubana.

N/A
N/A
Protected

Academic year: 2023

Share "A la Revolución Cubana. "

Copied!
88
0
0

Texto completo

El propósito de este trabajo fue el desarrollo de un método para pronosticar la demanda de energía eléctrica diaria en la empresa del proyecto níquel. Analizar las particularidades de la demanda de energía eléctrica de la empresa utilizando herramientas GTEE.

ESTADO DEL ARTE

  • Introducción
  • Fundamentación Teórico-Metodológico del trabajo
  • Clasificación de los métodos de pronósticos
  • Proceso productivo de la empresa de proyectos del níquel
  • Herramientas de la gestión energética
  • Redes neuronales artificiales
  • Conclusiones del capitulo

El tema se centró en desarrollar un sistema que utiliza técnicas de redes neuronales artificiales para predecir la demanda de productos. Se discuten las herramientas TGTEE y las bases teóricas de las redes neuronales artificiales como herramientas de previsión de energía.

Figura 1 Proceso productivo de la Empresa Ceproníquel
Figura 1 Proceso productivo de la Empresa Ceproníquel

MATERIALES Y MÉTODOS

Método estadístico de regresión múltiple

Hay dos tipos de funciones que explican la variable respuesta en términos de la variable independiente: funciones deterministas y probabilísticas. La función de verosimilitud en estadística inferencial establece el valor esperado o componente determinista añadiendo un error a los valores que puede tomar la variable. Este modelo determinista muestra que solo hay un valor para conocer el valor esperado de los parámetros desconocidos y de regresión y proporciona información.

En esta función de regresión, se trata como una variable aleatoria distribuida normalmente con media 0. Este modelo se denomina modelo de regresión múltiple ya que tiene k número de x variables. La forma de evaluar la calidad de los datos ajustados en la regresión es a través del coeficiente de determinación R2. El coeficiente de determinación se encuentra entre los valores 0 y 1; suele interpretarse como un porcentaje y mide la proporción de los datos medidos de la variable independiente que explica, a través de una relación lineal, la variabilidad de la respuesta o de la variable dependiente[48].

Figura 4. Variable dependiente en función de una variable independiente o regresora .
Figura 4. Variable dependiente en función de una variable independiente o regresora .

Metodología empleada para la modelación del consumo de energía Eléctrica

Redes neuronales en Matlab

  • Algoritmo de autoaprendizaje con RNA

Primero, lee los datos de entrada, inicializa los ciclos de recopilación de datos para el entrenamiento de la red, selecciona las funciones de entrenamiento de transferencia y el número inicial de neuronas en la capa intermedia es 4. Se definen los parámetros básicos iniciales. el error se entrena y calcula, el primer error se establece como base para la comparación y se guarda la red, este proceso se lleva a cabo durante 100 épocas. Después del primer entrenamiento, se inicializan los valores, agregando una neurona en la primera capa intermedia para cada uno de los entrenamientos, si la red actual tiene un coeficiente de correlación.

Figura 6. Algoritmo de autoaprendizaje de la RNA
Figura 6. Algoritmo de autoaprendizaje de la RNA

Diagnóstico energético y particularidades del uso de la energía eléctrica

Los estudios previamente analizados de las características energéticas de la empresa demostraron que la instalación se encuentra en una fase de no competencia en términos de ahorro energético. Se conoce el consumo total por portadores de energía, pero no se ha logrado el desglose total por las zonas, sistemas y equipos que más consumen por problemas de instrumentación propios de los suelos industriales. La dirección y el personal implicado en la transformación y aprovechamiento de la energía no han recibido formación especializada.

El índice de consumo de la empresa no refleja la realidad concreta, ajustada a los regímenes de explotación específicos. Casi la totalidad del cableado no cumple con los estándares de explotación, ya que está desactualizado y otros en algunas áreas de la empresa no coinciden. Para el análisis de los vectores energéticos se partió de la documentación existente en el departamento de economía y planificación, economía energética del ceproníquel.

Figura 7 Resultado de las encuestas para el criterio de necesidad
Figura 7 Resultado de las encuestas para el criterio de necesidad

Estructura del consumo de portadores energéticos

La Figura 11 presenta un gráfico de control de la demanda total de energía del centro de proyectos de 2015 a 2018. Utilizando las herramientas de cálculo TGEE, la demanda promedio de la empresa fluctúa linealmente en 17,34 MWh, desviación estándar 3,81 MWh. Como se puede observar en la Figura 13, cuanto mayores son las ventas de la empresa, menor es el impacto de la electricidad en los costos de producción, debido a.

Dado que esta tasa de consumo es bastante amplia, es difícil evaluar la eficiencia de la empresa y determinar una tasa estándar. La Figura 14 muestra la variación entre la demanda de energía (kWh) y los ingresos en el MP de la empresa. Para distribuir funcionalmente la demanda de los transportistas y permitir la elaboración de diagramas de flujo de energía, la empresa se dividió en 4 partes (Pisos funcionales), por lo que se puede observar que la mayor demanda de energía se ubica en el piso 2, mientras que la distribución Es casi el mismo en los dos restantes.

Figura 8. Gráfico de Pareto de los portadores energéticos electricidad, diesel y gasolina en el año  2017
Figura 8. Gráfico de Pareto de los portadores energéticos electricidad, diesel y gasolina en el año 2017

Sistema de suministro eléctrico de la empresa de proyectos del níquel

Para el análisis de la factura eléctrica se tuvo en cuenta el contador de la instalación. También se realizó una clasificación según las familias de equipos, y los resultados se obtuvieron en el gráfico circular de la Figura 20. Estratificando la demanda de potencia activa a partir de cálculos estimados del tiempo de trabajo para todas las cargas de la empresa, se pudo realizar un cálculo de Pareto. cuadro.

En el caso concreto del aire acondicionado, está presente en todos los locales de ceproníquel. Comportamiento de armónicos de corriente (Medida emitida por un analizador de redes portátil de la serie METREL Power Q+ Fw 9.2.). Comportamiento de los armónicos de tensión (Medida emitida por un analizador de redes portátil de la serie METREL Power Q+ Fw 9.2.).

Figura 18.Vistas interior del Panel general de alumbrado, tomacorriente y de fuerza
Figura 18.Vistas interior del Panel general de alumbrado, tomacorriente y de fuerza

Conclusiones del capitulo

PROPUESTA DE MEJORAS ENERGETICAS Y MODELO DE

Propuestas de mejoras energéticas

La línea de 33 kV de la que se alimenta la empresa no es un servicio expreso ni un circuito no conmutable, por lo que no ofrece confiabilidad alguna, motivo por el cual la empresa P.S.A (Moa Nickel S.A), (quien es el usuario esencial de esta línea) para realizar una inversión de USD 1,6 millones en una nueva subestación eléctrica de 110/13,8 kV alimentada desde el patio de 110 kV de la subestación eléctrica de 220 kV Punta Gorda para brindar un suministro de energía eléctrica confiable a su planta. Se están evaluando posibles soluciones para garantizar el suministro ininterrumpido de energía eléctrica de alta calidad y preservar la información y los costosos equipos de tecnología de la información adquiridos. Compra de instalación diésel de emergencia de 160 kVA, 220 V con cambio automático; y montarlo en la estación principal de la empresa.

Llevar un circuito de 13,2 kV a la empresa y, según la demanda energética de la empresa, sustituir el transformador existente de 250 kVA por otro transformador trifásico de 160 kVA de la empresa níquel mecánica (Circuito Armando Mestre) con un dispositivo de transferencia automática en la baja tensión. lado para el cambio de potencia. Como se muestra en el Plano del Anexo 5, la Empresa se alimentará del circuito trifásico de ENSUNA 13,2 kV a un transformador de 160 kVA kV, 3Ø, 60 Hz, el coeficiente de carga para este nuevo transformador será del 76,25% y para el inferior parte del cual se utilizará el interruptor de transferencia existente en la subestación principal (ver plano en Anexo 6), el cual se encargará de la conmutación automática de la parte 220 V, 3Ø. Implementación de un sistema de alimentación dual para la empresa que incluye la adquisición de un transformador de 160 kVA y el montaje de un interruptor de transferencia.

Estudio de los datos para identificación

Iniciar un sistema de control diario de portadores energéticos, que pueda predecir las tendencias de consumo. Estos controles se realizan en otras empresas y son un punto de partida para la toma de decisiones. Cambio del contador de corriente por uno más avanzado que permita la monitorización de los distintos parámetros energéticos.

Para ello, la OBE debe colocar a la empresa en la lista de clientes de la primera categoría. Los kWh de energía que necesita CeproNickel representan un elemento más fácil de trabajar para reducir los costes operativos. A veces los resultados se consiguen sólo con medidas organizativas, en otros casos se necesitan pequeñas inversiones que contribuyan a mejoras energéticas a corto y medio plazo.

Análisis de regresión lineal múltiple

Para el análisis de regresión se utilizó la herramienta informática Excel y el software estadístico avanzado Statgraphics 5.1, teniendo en cuenta la variable climática y las temporadas de servicio. En un análisis de regresión lineal se determinaron los coeficientes de determinación y correlación de variables climatológicas y temporales según el consumo energético diario de ceproníquel. Luego de analizar la base de datos (Población) y utilizar análisis estadístico descriptivo, se determinaron funciones muestrales que evalúan las medidas de tendencia central y dispersión de la muestra.

La Tabla 3 muestra el análisis de regresión múltiple utilizado para determinar la relación entre las variables independientes y la variable dependiente. La primera variable que el software Statgraphics quiere eliminar del modelo es la temperatura ambiente y la segunda son los días de la semana.

Tabla 1. Coeficientes de correlación y de determinación de las variables.
Tabla 1. Coeficientes de correlación y de determinación de las variables.

Identificación de un modelo predictivo para la demanda diaria de energía eléctrica

Para determinar la mejor estructura de red neuronal artificial capaz de predecir el comportamiento de la demanda eléctrica diaria del ceproníquel, se realizaron varias pruebas de prueba y error. También se utilizó una herramienta de software en Matlab basada en el algoritmo que se muestra en la Figura 6. En este caso la función de entrenamiento elegida para la red fue trainlm y también se utilizó el método de mínimos cuadrados.

Esquemáticamente, el modelo propuesto de la red neuronal artificial para estimar la demanda diaria de electricidad tiene la forma que se muestra en la figura 29. Para el entrenamiento de esta red neuronal se tomaron valores aleatorios de la muestra total. Al realizar instrucciones para leer la información del ARN, el modelo claro de la red neuronal se puede expresar sustituyendo los pesos, caminos y funciones de transferencia teniendo en cuenta la ecuación 1.2.

Figura 29 Estructura de la red neuronal artificial para predecir los consumos de energía eléctrica  diarios en ceproníquel
Figura 29 Estructura de la red neuronal artificial para predecir los consumos de energía eléctrica diarios en ceproníquel

Validación del modelo de red neuronal artificial

Se realizó un ajuste lineal a los datos de kWhRNA utilizando herramientas de ajuste de curvas de Excel, la ecuación de la línea de ajuste se obtuvo con un coeficiente de determinación R² = 0,8435. Donde ajuste de kWh es el valor de demanda ajustado y ARN de kWh es el valor obtenido de la simulación de la red.

Figura 30 Comparación entre los valores reales y predichos por la RNA
Figura 30 Comparación entre los valores reales y predichos por la RNA

Conclusiones del capítulo

Hemos desarrollado una metodología basada en redes neuronales artificiales para pronosticar la demanda eléctrica diaria. Ampliar la investigación para establecer un modelo de pronóstico mensual de la demanda eléctrica en Cepro-Nickel. Gabriel Allende Sancho, Pronóstico de la demanda eléctrica a mediano plazo mediante una red neuronal de retropropagación”, SEPI-ESIMEZ IPN.

Ortíz, D., Aplicación de redes neuronales artificiales en la predicción de la demanda eléctrica de corto plazo en el SNI. Mallo, C., Previsión de la demanda de electricidad por hora mediante redes neuronales artificiales, Departamento de Economía Cuantitativa. 15 ¿Su empresa cuenta con todo el apoyo de la dirección para implementar el programa o las medidas de ahorro energético?

Figure

Figura 1 Proceso productivo de la Empresa Ceproníquel
Figura 2. Interpretación del universo por los sistemas inteligentes (Elaboración propia)
Figura 3. Arquitectura de una red neuronal de tres capas. (Fuente. Moctezuma. 2006)
Figura 4. Variable dependiente en función de una variable independiente o regresora .
+7

Referencias

Documento similar

Este tipo de aprendizaje es totalmente negativo ya que se efectúa sin comprender lo que se fijó en la memoria, (“repetir como loros”) se trata de un