• Inicio
• Acerca de...
• Login
• Registro
• Buscar
• Actual
• Archivos

Inicio > No 4 (2011) > de la Fé-Dotres

Ciencia en su PC, №4, octubre-diciembre, 2011, p. 88-97.Sergio de la Fé-Dotres, Jaime Domínguez-Fontanill, José Sierra-Rodríguez

RED NEURONAL PARA EL PRONÓSTICO DEL CONSUMO DE COMBUSTIBLE DE GRUPOS MOTOGENERADORES

NEURAL NETWORK FOR PREDICTING FUEL COSUMPTION ON GENERATOR SETS

Autores:
Sergio de la Fé-Dotres, sergiof@fie.uo.edu.cu. Universidad de Oriente, teléfonos: 053 122 641454, 053 122 621160, Santiago de Cuba, Cuba.

Jaime Domínguez-Fontanill, jaime@emce.stg.cu. Empresa Mantenimiento a Centrales Eléctricas, telefono: 0152245847. Santiago de Cuba, Cuba.

José Sierra-Rodríguez,operaciones@elecstg.une.cu. OBE, Operaciones Empresa Eléctrica Santiago, teléfono: 657914. Santiago de Cuba, Cuba.

RESUMEN

Pronosticar el consumo específico de combustible a corto plazo brinda la posibilidad de establecer un plan para el ahorro del mismo a los técnicos y operarios que trabajan en un emplazamiento. En el trabajo se presenta un instrumento computacional que permite pronosticar el consumo de combustible de los grupos motogeneradores, a partir de las condiciones del combustible diesel y de la generación prevista. Se desarrolla una red neuronal de tres capas con entrenamiento supervisado tipo Back propagation, y estructura de 5 neuronas en la capa de entrada, 20 en la intermedia y 1 en la salida. Los resultados del entrenamiento y prueba arrojaron que la red propuesta tiene un error medio de generalización de 3,64 %.
Palabras clave: redes neuronales artificiales, pronóstico, generación distribuida.

ABSTRACT

A short- term prediction of specific fuel consumption offers technicians, and operators working at the diesel generating stations, the possibility of establishing a saving plan. This paper presents a computational tool, which permits forecasting the fuel consumption of generator sets, starting from diesel fuel conditions and the expected generation. This artificial neural network is obtained by means of a three-layer neural network with Back propagation supervised training, and structure of 5 neurons in the input layer, 20 in the middle and 1 in the output one. The training and test results showed that the proposed network has a generalization average error of 3.64%.
Key words: artificial neural networks, forecasting, distributed generation.

INTRODUCCIÓN

En medio de la situación económica del país poder predecir el consumo específico de combustible a corto plazo brinda la posibilidad de establecer un plan para el ahorro de combustible a los técnicos y operarios que trabajen en un emplazamiento determinado (Batería de Grupos Electrógenos), lo que se traduce en energía ahorrada. El control de la utilización del combustible diesel en cada emplazamiento depende, en buena medida, de la exactitud del pronóstico de consumo.
Para una adecuada predicción del consumo de combustible se deben tener en cuenta los numerosos factores que afectan al mismo, algunos de los cuales pueden ser:

• Las características del combustible, como por ejemplo: viscosidad, índice de cetano, contenido de azufre, etcétera.
• Potencia generada.

Estos factores poseen valores que van a variar constantemente debido a agentes o situaciones fuera del alcance de los operadores. La potencia generada va a depender de lo que demande la red en un momento determinado para cubrir las necesidades de los consumidores. Cada característica de operación de la máquina (Daimler) (De Armas y Gómez, 2006) va a oscilar dentro del rango establecido por el fabricante del grupo motogenerador. Esto dependerá del tipo de combustible suministrado, así como de las mezclas que se realicen en los tanques de almacenamiento con combustibles de calidad diferente; lo que influye mucho en su combustión y por lo tanto en su más eficiente utilización.

La predicción del consumo de combustible debe reflejar las necesidades futuras de un emplazamiento determinado y debe ser lo más ajustada posible a la realidad, ya que una predicción inadecuada traería como resultado un fracaso a la hora de suministrar las reservas necesarias, lo que se transformaría en un mayor costo de explotación.
Por todas estas razones, el pronóstico del consumo de combustible a corto plazo, a partir de las herramientas tradicionales, conduce a modelos matemáticos muy complejos, que los hacen inadecuados para su explotación en las condiciones de los emplazamientos. Una posible vía para la solución del problema es utilizar métodos no formales para el pronóstico del combustible, y entre estos, los modelos basados en redes neuronales artificiales han demostrado ser de los más eficientes (Lu C.N., Wu T., Vemuri S, 1993), por lo que, basados en esta técnica, se propone una solución para la predicción del consumo de diesel a corto plazo.

Las Redes Neuronales Artificiales han atraído un amplio interés en diferentes campos de investigación y han sido aplicadas en nuestra región a los sistemas eléctricos de distribución en años recientes (Fernández, Miraglia y De la Fé, 2003) (Miraglia y De la Fé, 2002). Estas han demostrando su potencialidad para resolver problemas donde técnicas convencionales no han sido factibles o han sido incapaces de funcionar de la forma que se requiere, debido a la gran laboriosidad y complejidad de los cálculos. Es por esto que se ha implementado una Red Neuronal para pronosticar el consumo de combustible en los emplazamientos de motogeneradores que operan en las redes de la Empresa Eléctrica de Santiago de Cuba.

Un sistema neuronal artificial establece una estructura muy similar a la del sistema neuronal biológico, puesto que trata de imitar la estructura del sistema nervioso, con la intención de construir sistemas de procesamiento de información paralelos, distribuidos y adaptables. En el procesamiento paralelo se trata de que actúen como el cerebro, en el sentido de que este puede procesar la información simultáneamente con varios miles de neuronas y no de forma secuencial, tal como operan las computadoras estándares actuales (Acosta, Zuluaga, 2000). El elemento de partida será la neurona artificial, que se organizará en capas. La interconexión de varias capas constituirá una red neuronal.

Típicamente, una neurona tiene más de una entrada. En la siguiente figura se observa una neurona con Xj entradas: las entradas individuales son multiplicadas por los pesos correspondientes Wij pertenecientes a la matriz de pesos W.
La neurona tiene una ganancia o umbral (b) que llega al mismo sumador al que llegan las entradas multiplicadas por los pesos para formar la salida n.

Los subíndices de la matriz de pesos representan los términos involucrados en la conexión. El primer subíndice representa la neurona destino. El segundo constituye la fuente de la señal que alimenta a la neurona, que también puede ser la salida de otra neurona. Por ejemplo, los subíndices de W12 indican que este peso es la conexión desde la segunda entrada a la primera neurona.

Funciones de activación que utilizan las redes neuronales. (Acosta), (Martín del Brío y Sanz Molina, 1997)
La salida total de la red neuronal artificial (RNA) está determinada por la función de transferencia, la cual puede ser una función lineal o no lineal de n, que es escogida en dependencia de las especificaciones del problema que la neurona tenga que resolver; aunque las RNA se inspiren en modelos biológicos, las más utilizadas son las purelin, hardlim, logsim.

Arquitectura de las redes neuronales artificiales

La definición de un modelo de red neuronal incluye la determinación del modelo que se va a utilizar, la organización que se le dará al conjunto de neuronas y el algoritmo de aprendizaje.
En un sistema de redes neuronales los nodos se conectan por medio de sinapsis, esta estructura de conexión determina el comportamiento de la red. Las conexiones sinápticas son direccionales; es decir, la información solamente puede propagarse en un único sentido (desde la neurona presináptica a la postsináptica).

Las arquitecturas más empleadas son:

• El Perceptrón Multicapa (MLP) con aprendizaje por retropropagación de errores (BP), como caso de red de aprendizaje supervisado o algunas de sus variantes. Es corriente referirse a esta red como BP.
• Los mapas autorganizados de Kohonen (SOFM) como red no supervisada.

Otros modelos habituales en las aplicaciones prácticas que pueden encontrase en la literatura son fundamentalmente las RBF, GRED NEURONALN, ART, LVQ y el modelo de Hopfield.
Este caso responde a la necesidad de hacer la predicción del consumo de combustible, por lo que es aconsejable el empleo del BP; la entrada continua de los datos hace aconsejable el empleo de redes neuronales supervisadas.

En la RNA se distinguen tres tipos de capas:

• Capas de entrada: Reciben las señales de la entrada de la red, algunos autores no consideran el vector de entrada como una capa, pues allí no se lleva a cabo ningún proceso.
• Capas ocultas: Estas capas son aquellas que no tienen contacto con el medio exterior, sus elementos pueden tener diferentes conexiones y son las que determinan las diferencias topológicas de la red.
• Capas de salida: Reciben la información de la capa oculta y trasmiten la respuesta al medio exterior.

En la figura 2 se muestra un esquema de una red multicapa.

METODOLOGÍA

No existe un procedimiento teórico que permita seleccionar la arquitectura óptima de la RNA. Esta depende, principalmente, de las características y la complejidad del sistema. El número de neuronas de las capas de entada y salida está usualmente determinado por las dimensiones del problema (Martín del Brío, Sanz Molina, 997)(Informe sobre redes neuronales, 2008). En este caso, fue probado el sistema para varias cantidades de neuronas ocultas.

Clásicamente, el algoritmo de aprendizaje de las redes neuronales se distingue del modo de operación en los sistemas neuronales: el modo recuerdo o ejecución y el modo de aprendizaje o entrenamiento. Este último es de particular interés, pues una característica fundamental de los sistemas neuronales artificiales es que se trata de sistemas entrenables capaces de realizar determinado tipo de procesamiento, aprendiendo a partir de un conjunto de patrones de aprendizaje o ejemplos.

En resumen, el procedimiento seguido para entrenar mediante BP una arquitectura MLP dada es el siguiente:

• Establecer aleatoriamente los pesos y umbrales iniciales (t:=0) para cada patrón μ del conjunto de aprendizaje.
• Llevar a cabo una fase de ejecución para obtener la respuesta de la red ante el patrón μ-enésimo.
• Calcular las señales de error asociadas
• Calcular el incremento parcial de los pesos y los umbrales debidos a cada patrón μ.
• Calcular el incremento total (para todos los patrones) actual de los pesos hacer lo mismo para los umbrales.
• Actualizar pesos y umbrales.
• Calcular el error actual, t:= t + 1, y volver a 2 si todavía no es satisfactorio.

Es importante comenzar con pesos aleatorios (normalmente números pequeños, positivos y negativos). Si se parte de pesos y umbrales iniciales nulos, el aprendizaje no progresa, puesto que las salidas de las neuronas serán siempre nulas y el incremento en los pesos también.

Modelo de la red neuronal

Analizando el problema presentado, lo que se necesita es un sistema de procesamiento que sea capaz de examinar todos los patrones en paralelo. Este sistema no tendría que programarse explícitamente, lo que haría es adaptarse a sí mismo y aprender la relación entre un conjunto de patrones, dado como ejemplo, y ser capaz de aplicar la misma relación a los nuevos patrones.

Selección de las variables de entrada y salida

La elección de los patrones de entrada debe realizarse en dependencia de las necesidades explícitas que se tengan en el momento de hacer la predicción de combustible, de la forma en que vaya a procesarse la información de salida de la red y de la cantidad y calidad de la información disponible (Acosta), (Martín del Brío), (Informe).

Cualquier cambio que se realice en los patrones de entrenamiento exige una codificación diferente del vector de entrada y, a su vez, cambia las condiciones generales de la red; pero el proceso de entrenamiento sigue siendo igual (Chen y Philip, 1996, pp. 1220-1230).

Para la selección de las variables de entrada se tuvieron en cuenta los factores que afectan el consumo de combustible. Se visitaron emplazamientos de grupos electrógenos, donde se solicitaron los certificados de calidad y se tomaron algunos de los parámetros más importantes e influyentes en el diesel, como por ejemplo: el por ciento de azufre, el índice de cetano, la viscosidad, densidad y generación de energía.

Con estas variables se aseguran parámetros que influyen directamente sobre el poder calórico y, por ende, en el proceso de combustión del diesel.
En cada emplazamiento se obtuvieron los valores de carga generada por día, desde el 6 de enero de 2006 hasta el 20 de febrero de 2008, así como el consumo real de combustible en litros.
La variable de salida escogida fue el consumo específico en gramos por kilowat-hora generado.

Entrenamiento de la red

Para el entrenamiento de la Red se utilizó el algoritmo de aprendizaje mediante la retropropagación del error (Acosta),(Informe). Este pertenece a la categoría de entrenamiento supervisado, pues requiere conocer las salidas correctas para cada patrón de entrada. Para este proceso de entrenamiento de la red se emplearon 200 juegos de datos correspondientes al combustible utilizado y a la generación realizada en los emplazamientos Héctor Pavón y Santiago Industrial. De estos datos fueron presentados a la red 180 conjuntos, los restantes se emplearon como elementos de comprobación. En la figura 3 se muestra el transcurso del error de entrenamiento.

Con el objetivo de que la red converja más rápidamente, lo que se logra trabajando con magnitudes pequeñas, las variables de entrada fueron referidas a valores bases ligeramente mayores en magnitud a los máximos reflejados en los datos para cada una de ellas.

Selección de la configuración de la red

Para determinar la configuración adecuada, se realizaron entrenamientos de redes con diferentes números de neuronas en las capas ocultas, a partir de un error de aprendizaje de 10-4. Para obtener la mejor configuración, se determinó el error medio de generalización para el conjunto de pruebas correspondiente a cada estructura de la red neuronal, el cual aparece en la tabla 1.

Figura 3. Caracteristica sdel error de entrenamiento

DISCUSIÓN

Los resultados mostrados en la tabla indican que la mejor configuración es la de cinco neuronas de entrada, veinte en la capa intermedia y una en la de salida; ya que esta configuración es la que requiere el menor número de iteraciones para alcanzar el error de entrenamiento establecido (10-4), y es la que tiene el menor error medio (3,68%) para los conjuntos de prueba (20), así como la menor desviación estándar; lo que da idea de la estabilidad de la solución.

CONCLUSIONES

Los resultados obtenidos demuestran que es posible realizar el pronóstico del consumo de combustible de los emplazamientos de grupos electrógenos, con un error medio del 3,67%, si se utiliza una red neuronal artificial que tenga cinco neuronas de entrada, veinte neuronas en la capa oculta y una en la salida. Las entradas de dicha red deben ser la potencia que se va a generar, la densidad del combustible, la viscosidad, el contenido de azufre en por ciento y el índice de cetano. La variable de salida es el consumo específico en gramos por kilowat-hora generado.

REFERENCIAS BIBLIOGRÁFICAS

Daimler, Chrysler. Documentación de servicio, Motor Diesel 16V4000G81, Instrucciones de servicio M015462/02S, Cuba.

De Armas, T., M., Gómez, R., J. (2006). Características Operacionales y Despacho Económico de las Unidades de Generación Distribuida. Cuba: Universidad de Cienfuegos, Centro de Estudios de Energía y Medio ambiente.

Lu C.N., Wu T., Vemuri, S.; (1993). Neural Network Bassed Short Term Load Forecasting. IEEE PAS Vol. 8(No.1 febrero).

Fernández, E. F., Miraglia, U. D., De la Fé, D. S. (2003). Pronóstico de las pérdidas en redes de distribución mediante redes neuronales. XI Simposio de Ingeniería Eléctrica SIE’ 2003 (CD-ROM, ISBN: 959-250-099-1), UCLV, Santa Clara, Cuba, 19-21 noviembre.

Miraglia, U. D., De la Fé, D. S. (2002). Utilización de una red neuronal R.B.F. para determinar los tiempos entre fallas en los circuitos de distribución eléctrica. Conferencia Científica Internacional FIE 2002. Santiago de Cuba. Cuba: Universidad de Oriente. (CD-ROM, ISBN: 959-11-0357-3), 17-18 de julio.

Acosta-Buitrago, M., Zuluaga-Muñoz, C. (2000). Tutorial sobre redes neuronales aplicadas en ingeniería eléctrica y su implementación en un sitio Web. Pereira: Universidad Tecnológica de Pereira, Facultad de Ingeniería Eléctrica. http:\\ohm.utp.edu.co\neuronales (revisado 16 de abril del 2008).

Martín del Brío, B.; Sanz Molina, A. (1997). Redes Neuronales y Sistemas Borrosos. Introducción Teórica y Práctica. Madrid: Editorial Rama.

Informe sobre redes neuronales. (2008).

www.monografias.com\trabajos\redesneuro\redesneuro.shtml-102 (revisado 15 de abril de 2008).

Chen, C. L. Philip. A. (1996). Rapid Supervised learning neural network for function interpolation and approximation. IEEE Transaction on Neural Network. Vol 7, pp.1220-1230.

Recibido: enero de 2010
Aceptado: mayo de 2011

Ciencia en su PC. Revista electrónica editada por MEGACEN, Centro de Información y Gestión Tecnológica de Santiago de Cuba. Cuba.