La inteligencia artificial al servicio de las fuentes renovables de energía. Modelo neuronal de un turbogenerador tipo P-4-20/2TK
con parámetros desviados

Resumen
Cuando se necesita modelar o realizar el balance energético de una central termoeléctrica, de una planta de generación independiente o de una industria con generación propia es necesario obtener, con la precisión necesaria, el modelo de los diferentes componentes del sistema. Un componente fundamental es el turbogenerador,
el cual ha sido modelado de diversas formas a partir del conocimiento de su curva de eficiencia y del salto entálpico en la turbina o conociendo la curva de consumo específico dada por el fabricante. En este trabajo se aborda la elaboración del modelo de consumo de vapor de un turbogenerador cuando sus parámetros difieren de los nominales, como ocurre durante la explotación real, ya sea de forma estable o transitoria. El modelo está basado en una red neuronal artificial entrenada a partir de variables de operación obtenidas de las curvas de diseño sin requerir de pruebas o mediciones especiales.
Palabras clave: Modelación de turbogeneradores y redes neuronales.

Introducción
La planta de generación eléctrica en un sistema de cogeneración con fuente renovable de energía, a partir de la biomasa, es un elemento fundamental del ciclo térmico en el que tiene lugar la transformación y entrega de importantes flujos energéticos. En ella se producen la energía eléctrica y la energía térmica necesarias para el proceso de producción. En Cuba, como respuesta a la obsolescencia y a la introducción de nuevas tecnologías y mecanismos accionados eléctricamente, se realizaron una serie de inversiones dirigidas fundamentalmente a la ampliación de la base energética en la industria azucarera, con el objetivo de autoabastecerse y también de lograr excedentes moderados de energía eléctrica a partir del bagazo que se exportan a las fábricas sincronizadas al Sistema Electroenergético Nacional (SEN). Una parte importante de estas plantas de generación poseen turbogeneradores del tipo P-4-20/2TK de 5 000 KVA que aún están en explotación.

El análisis del comportamiento de estas plantas es fundamental cuando se efectúa un balance energético o se desea realizar un estudio del uso racional y la eficiencia energética en la industria. En estas condiciones, si el interés es lograr que los resultados de los cálculos reflejen fielmente la realidad, es muy importante considerar las condiciones reales de los parámetros del vapor a la entrada de las turbinas. Esto se debe a la dependencia existente entre los parámetros iniciales y finales de la sustancia de trabajo (en este caso vapor de agua) y su consumo total y específico en una instalación de este tipo.

Cuando existe diferencia entre la presión de vapor vivo efectivo a la entrada de la máquina y su valor nominal, se modifica sustancialmente la potencia que desarrolla la turbina. Esta dependencia es función de la magnitud absoluta de la desviación, del método de distribución del vapor en la turbina y del régimen en que ésta funciona. La potencia de la turbina también es afectada por variaciones en la temperatura del vapor de entrada y por la presión del vapor de escape, ya que ambos parámetros influyen en el rendimiento.

La modelación matemática de un sistema que ha sido utilizada tradicional y extensivamente para resolver los problemas de ingeniería está basada en establecer relaciones que representan, con mayor o menor exactitud, el comportamiento real de sus elementos. Estas relaciones se desarrollan a partir de principios físicos, en ocasiones complejos, debido a las no linealidades presentes o a determinadas incertidumbres en el comportamiento de las variables. Lograr un modelo para determinar el consumo de vapor de una turbina con parámetros del vapor fuera de los nominales o desviados, es un problema complejo que requiere incluso del conocimiento de factores de diseño.

Una alternativa de solución propuesta en este trabajo, y que resuelve el problema, es modelar el turbogenerador a partir de redes neuronales artificiales (RNA), una herramienta de inteligencia artificial que tiene la capacidad de representar un sistema sin preocupaciones adicionales por el tamaño o la complejidad del proceso. Este modelo neuronal puede constituir un nuevo tipo de sensor o ser incorporado como un subsistema en aplicaciones más complejas.

El trabajo se basa en la experiencia del Centro de Estudios de Energía y Medio Ambiente de la Universidad de Cienfuegos, donde se han desarrollado y se desarrollan sistemas inteligentes con aplicaciones energéticas fundamentados en las RNA y algoritmos genéticos, fundamentalmente para el control de la operación y la eficiencia de los sistemas energéticos. Esta experiencia se ha aplicado a un sistema de cogeneración con biomasa cañera, para evaluar el comportamiento de las unidades de generación distribuida en las redes donde hacen efectiva su penetración, así como para determinar la eficiencia en operación de los motores eléctricos asincrónicos y para predecir demandas y gastos futuros con vistas a sugerir estrategias de ahorro, mantenimiento e impacto ambiental. También se utilizan en la toma de decisiones de control y explotación y para establecer la operación y efectuar el despacho económico de energía eléctrica en una red de 34,5 kV.

Características de explotación de la unidad
El consumo de vapor de los turbogeneradores del tipo P-4-20/2TK de 5 000 kVA está definido por las características de explotación (Fig. 1), que son: el gráfico de dependencia de la potencia eléctrica respecto al consumo de vapor y los gráficos de correcciones de la presión y la temperatura de vapor directo y de escape en dependencia del consumo de vapor de la turbina [Turbinas…].

Fig. 1. Características de explotación del turbogenerador.
a) Dependencia de la potencia eléctrica respecto al consumo
de vapor para Po = 18 kg/cm2abs, To = 310 ºC y P2 = 2 kg/cm2abs.
b) Corrección por presión de vapor directo.
c) Corrección por temperatura del vapor directo.
d) Corrección por presión de escape.

Diseño de las redes neuronales artificiales (RNA)
En problemas de ingeniería con una naturaleza no lineal se han aplicado con éxito a las RNA. Las RNA pueden «aprender» el comportamiento físico de un sistema a partir de sus juegos de datos y reproducirlo con una precisión adecuada a las necesidades.

En la figura 2 se muestra el esquema de una neurona artificial. Las cantidades de entrada xi se combinan linealmente con los pesos wi y constituyen el argumento de una función de activación para obtener las salidas. Se emplean diferentes tipos de funciones, como la sigmoidal, lineal, hiperbólica, tangente, etcétera.

Fig. 2. Neurona artificial con función de activación.

Las neuronas simples se combinan para construir una red cuya arquitectura puede ser muy variada. La topología, las características de los nodos y las reglas de aprendizaje o entrenamiento caracterizan el modelo de la RNA. La literatura especializada sugiere una red de alimentación progresiva que emplea el mecanismo matemático de retropropagación para «aprender y ajustar», o sea, adaptar los pesos.

La arquitectura de la red utilizada en este trabajo se muestra en la figura 3. La primera capa de la izquierda contiene las neuronas de entrada, la capa intermedia contiene las neuronas ocultas y la última capa de la derecha una neurona de salida. Aunque puede emplearse una arquitectura con múltiples capas ocultas, se ha demostrado que con una sola capa oculta usualmente es suficiente [Boccaletti, et al., 2001]. El vector de entrada (kW, Po, To, P2) está constituido por la carga eléctrica, la presión del vapor directo, la temperatura del vapor directo y la contrapresión. Estas magnitudes determinan el consumo de vapor G de la turbina, el cual constituye la salida de la RNA.

La red fue entrenada con 224 juegos de datos representativos de las posibles combinaciones de parámetros del vapor y potencia generada con un rápido aprendizaje y convergencia mostrado en la figura 4. Cada variable en el conjunto de datos fue normalizada utilizando el máximo valor de la variable, como se recomienda en Halpin y Burch [1997].

Fig. 3. Arquitectura de la RNA diseñada para simular
el consumo de vapor del turbogenerador.

Fig. 4. Comportamiento del entrenamiento para la red anterior.

En este caso la red tiene cuatro neuronas de entrada y una de salida, en correspondencia con el número de entradas y salidas previstas. Seleccionar el número adecuado de neuronas ocultas es un aspecto importante y para ello se entrenó la red variando el número de éstas y manteniendo otros parámetros constantes. El entrenamiento se realizó para cuatro, cinco, seis, siete y ocho neuronas en la capa oculta. La figura 5 muestra el error medio cuadrático —Mean Square Error (MSE)—, como función del número de neuronas ocultas. Se puede observar que el mejor comportamiento se logra con seis neuronas en la capa oculta, razón por la cual se ha escogido como arquitectura 4-6-1.

Fig. 5. Optimización del número de neuronas de la capa oculta.
Arquitectura: 4-n-1. Razón de aprendizaje: 0,001. Épocas: 100.

Simulación neuronal
La simulación se efectuó para un conjunto de datos tomados de la información del fabricante. Los resultados de consumo de vapor obtenidos por la RNA, para diversas condiciones de explotación definidas para parámetros del vapor directo desviados por encima y por debajo de los de diseño y diferente cargabilidad, se muestran en la tabla 1.

Conclusiones
1. Este trabajo demuestra que es posible el empleo de una RNA para modelar el consumo de vapor de una planta de generación eléctrica de un central azucarero bajo condiciones de operación diferentes a las de diseño. En este caso la RNA fue optimizada para determinar el número de neuronas de la capa oculta que ofrece un mejor comportamiento y, una vez entrenada, es capaz de predecir el consumo de vapor con buena precisión dentro del dominio establecido.
2. Las investigaciones futuras pueden dirigirse a entrenar la red con datos experimentales obtenidos de las lecturas de la instrumentación de campo para lograr un patrón de comportamiento que tenga en cuenta el deterioro de la eficiencia debido al desgaste, las reparaciones efectuadas, etc., además de incluir ésta en un modelo global del bloque energético con el objetivo de optimizar económicamente su operación.
3. Esta red puede constituir un nuevo tipo de sensor que evita utilizar platillos, orificios, bridas, botellas de compensación, logómetros especializados, etc., y puede ser incorporada al software de control de la estación de cogeneración, a un microchip o a un programa lógico controlable (PLC).

Bibliografía
Boccaletti, C.; G. Cerri y B. Seyedan. «A Neural Network Simulator of Gas Turbine with a Waste Heat Recovery Section». Journal of Engineering for Gas Turbines and Power, vol. 123, abr., 2001, pp. 371-376.
Gómez Sarduy, J. R. «Aspectos a considerar en una empresa cogeneradora de la industria azucarera». Tesis de Maestría. Facultad de Ingeniería Eléctrica, Universidad Central de Las Villas, Cuba. 1996.
Halpin, S. M. y R. F. Burch. «Applicability of Neural Networks to Industrial and Commercial Power Systems: A Tutorial Overview». IEEE Transactions on Industry Applications, vol. 33, No. 5, sep., 1997. pp 1355-1361.
Turbinas de vapor de contrapresión P-2,5-20/2TK y P-4-20/2TK. Descripción técnica e instrucciones de explotación 103-M-0225. Moscú. Tercera edición.