Aplicación de redes neuronales artificiales a la predicción y control de demanda de energía eléctrica en empresas industriales

• Main Author: Ojeda Sarmiento, Juan Manuel
• Format: Others
• Language: es
• Published: Universidad Nacional de Ingeniería. Programa Cybertesis PERÚ 2009
• Online Access: http://cybertesis.uni.edu.pe/uni/2009/ojeda_sj/html/index-frames.html

This project presents a model for the management of electricity demand and its application to the Smelter Plant of Southern Peru. It has a module for electric load, management, based on the forecast of the hourly electrical load demand of a industrial plant. The module uses a dynamic neural nerwork, with a backpropagation training algorithm to predict the electric load demanded every hour, with an error percentage below of 3%. The load prediction allows to manage the peak demand before its occurrence, distributing the raise of electric load to other hours or improving equipment that increases the demand. === La investigación elegida tiene como objetivo aportar a la gestión de la demanda de energía eléctrica de plantas industriales. Se ha construido un programa control de demanda para reducir la facturación mensual por este concepto, que integra un modelo predictivo basado en redes neuronales artificiales, con la arquitectura (entradas, capas, número de neuronas y salidas) funciones de activación y patrones de entrada, que minimizan el error de pronóstico 3% alrededor del valor real, así como un modelo de control de demanda con los parámetros y métodos matemáticos adecuados. Se inicia la tesis con una breve introducción acerca de la importancia de la electricidad en la estructura de costos de las empresas. Se presenta, asimismo, la situación actual del sistema de energía eléctrico de la fundición de Southern Perú (caso de aplicación) con descripción de su red industrial, administrativa y sus indicadores de eficiencia de electricidad. En el capítulo Nº 1, se representa la descripción del problema central, su sistematización en sub-problemas y pronóstico, así como la presentación de los objetivos general y específico. Por otro lado, se muestra la hipótesis científica y metodología de la investigación. En el capítulo Nº 2, se presenta un análisis del marco teórico de la investigación, compuesta por la revisión critica bibliográfica y la base de teoría del tema de investigación, para cada uno de los componentes del programa de control de demanda; el modelo predictivo y el modelo de control de demanda. En el capítulo Nº 3, se presenta el programa de control de demanda, que integra el modelo predictivo, basado en una red neuronal, construida con factores calendarios y de producción, que produce una aproximación a la curva de la demanda eléctrica horaria, y pronostica su comportamiento futuro, También se presenta el modelo de control de demanda, cuyo principal objetivo es alisar la curva de la carga horaria; es decir, evita que se presente picos de máxima demanda. Este control de demanda se hace mediante un aparato que actúa automáticamente para desconectar las cargas que no son prioritarias o que no son necesarias en este momento. Como caso de estudio, se presenta la planta de fundición de Southern Peru, pues las características de su sistema de energía eléctrico se asemejan a las de muchas plantas industriales. En este mismo capítulo, se hace la simulación del funcionamiento del aparato aplicado a la planta de Ácido 2 de la fundición de Southern Peru. En el capítulo Nº 4, se presentan las conclusiones de la tesis que han sido agrupadas en función de los objetivos de la tesis: En cuanto al modelo predictivo de demanda, se presenta el tipo de red neuronal, su arquitectura (patrones de entrada, capas, neuronas por capas y funciones de activación), que aproximen el error de pronóstico 3% alrededor del valor real. Este valor de referencia facilita el control de demanda de energía eléctrica. En cuanto al modelo de control de demanda desarrollado, permitirá mejorar la gestión de la demanda, al evitar que se produzcan demandas no deseadas; asimismo, permitirá reducir el consumo de las plantas. La estrategia de control recomendable está basada en un modelo predictivo, con ventanas deslizantes. Asimismo, el método matemático adecuado para ordenar la secuencia de operación de los grupos de equipos esta basado en programación lineal. Finalmente, se presentan los referencias bibliográficas de la tesis y el glosario de términos de la investigación, así como los anexos.