S.E.P. S.E.I.T. D.G.I.T. CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO. cenidet

Tamaño: px
Comenzar la demostración a partir de la página:

Download "S.E.P. S.E.I.T. D.G.I.T. CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO. cenidet"

Transcripción

1 S.E.P. S.E.I.T. D.G.I.T. CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO cenidet DETERMINACIÓN DEL ESTADO DE CARGA DE BATERÍAS PLOMO-ÁCIDO UTILIZANDO REDES NEURONALES T E S I S PARA OBTENER EL GRADO DE: MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA PRESENTA: MIGUEL ÁNGEL CRISTÍN VALDEZ DIRECTOR DE TESIS DR. CESAR A. ORTEGA SÁNCHEZ CO-DIRECTOR DE TESIS DR. ENRIQUE QUINTERO-MÁRMOL MÁRQUEZ CUERNAVACA, MOR. NOVIEMBRE 2004

2 RESUMEN La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alternativa atractiva para electrificar localidades remotas o respaldar sistemas de alta disponibilidad. Para mantener el suministro eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargables. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos. Para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente. Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Un factor crítico para realizar un adecuado control de carga de las baterías es determinar el estado de carga de las mismas. En esta tesis se presenta el diseño, la simulación, la implementación y las pruebas realizadas a una red neuronal que calcula el estado de carga de baterías plomo-ácido. La red fue implementada en un controlador de carga basado en microcontrolador y tiene como entradas: el voltaje de la batería, la temperatura y el estado de carga anterior. En el capítulo 1 se presenta la problemática del control de carga de baterías en sistemas fotovoltaicos así como los antecedentes directos de este trabajo de tesis y la hipótesis que se desea probar. En el capítulo 2 se describen brevemente algunos métodos para la determinación del estado de carga de baterías así como algunos trabajos previos desarrollados en otras partes del mundo relacionados con el cálculo de estado de carga utilizando redes neuronales En el capítulo 3 se presenta una breve introducción a la tecnología de las redes neuronales y se describen algunos ejemplos clásicos de este tipo de redes. En el capítulo 4 se presentan las dos topologías de red neuronal que se desarrollaron en este trabajo. Igualmente se presentan los entrenamientos y pruebas que se realizaron a cada topología con el fin de seleccionar la mejor para su implementación en un controlador de carga basado en microcontrolador. En el capítulo 5 se presentan las consideraciones que se tomaron en cuenta para la implementación en un microcontrolador de la red seleccionada. Igualmente se presenta un conjunto de pruebas que se realizaron para demostrar que calcular el estado de carga utilizando una red neuronal mejora el desempeño de un controlador de carga de baterías que utilizaba originalmente la técnica de conteo de amperes para el cálculo de estado de carga. En el apartado de conclusiones se presentan las ventajas, limitaciones y aportaciones de la red neuronal desarrollada en este trabajo.

3 SUMMARY Conversion of solar power into electricity using photovoltaic panels is an attractive alternative to electrify remote communities or to backup high-availability systems. The energy that is not used during the day is stored in banks of rechargeable batteries to supply electricity during the nights. For her great aptitude to store charge, lead-acid batteries (LAB) are commonly used to store these energetic surpluses. To keep LABs operating at optimum conditions, it is necessary to maintain their level of charge within a working-range. That is to say, they can neither be overcharged nor overdischarged, without running the risk of damaging them permanently. Electronic chargecontrollers are used to guarantee that the LABs are used within the safe region. A critical factor to perform a correct charge-control is to accurately determine the state of charge of the LABs. This thesis presents the design, simulation, implementation and tests of a neuronal network that estimates the state of charge of lead-acid batteries. The neural network was implemented in a charge controller based on microcontroller. It receives as inputs the LAB s voltage, the temperature and the previous state-of-charge. Chapter 1 presents the problems associated to the charge-control of batteries in photovoltaic systems as well as the direct precedents of this work and the hypothesis to be proved. In chapter 2 some methods to determine the state of charge of batteries are described as well as some previous works developed in other parts of the world related to the estimation of state-of- charge using neural networks. Chapter 3 presents a brief introduction to neural network technology and some examples are described. Chapter 4 presents the two neural network topologies that were developed in this thesis. Also, the training and tests that were applied to each topology in order to select the best for its implementation in a microcontroller-based charge-controller are presented. Chapter 5 presents the considerations that were born in mind for the implementation in a microcontroller of the selected neural network. Equally it presents a set of tests that were carried out to demonstrate that estimating the state-of-charge using a neural network improves the performance of a charge-controller that originally used Ampere-counting to estimate state-of-charge. The conclusions present the advantages, limitations and contributions of the neural network developed in this work.

4 CONTENIDO Lista de Tablas y Figuras...iii Lista de Abreviaturas...v 1 Introducción Interacción entre módulos fotovoltaicos y baterías Baterías de plomo-ácido Control de Carga de Baterías en Sistemas Fotovoltaicos Antecedentes Hipótesis Determinación del Estado de Carga de Baterías Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales Introducción a las Redes Neuronales Modelo de Red Perceptrón Reglas de Aprendizaje del Perceptrón El Perceptrón Multinivel Redes ADALINE y MADALINE Redes ADALINE (ADAptive Linear Element) Redes MADALINE (Multiple ADALINE) Red de Retropropagación La Regla Delta Generalizada Funcionamiento del algoritmo Adición de un momento en la regla delta generalizada Estructura y aprendizaje de la red de retropropagación Pasos para aplicar el algoritmo de entrenamiento Importancia de la retropropagación Dimensionamiento de la red Adaptive Neuro-Fuzzy Inference Systems (ANFIS) Arquitectura ANFIS Diseño de la Red Neuronal para Determinar el Estado de Carga de Baterías Plomo Ácido Generación de los datos para el entrenamiento de la red Generación de datos secuenciales Generación de datos a diferentes regímenes de carga/descarga i

5 4.2 Topologías propuestas Determinación de la mejor topología Entrenamientos de las diferentes topologías Selección de la Topología Simulación de la topología seleccionada Implementación y Pruebas Implementación de la red en el controlador de carga Configuración física para las pruebas Pruebas de validación Prueba Prueba Prueba Prueba Prueba Prueba Resumen de Resultados Conclusiones Ventajas de la red Neuronal Limitaciones de la Red Neuronal Implementada Aportaciones Trabajos Futuros Referencias...89 ANEXO A...91 ii

6 LISTA DE TABLAS Y FIGURAS Figura Distribución de la energía a la carga en un sistema fotovoltaico... 2 Figura Algoritmo de carga recomendado por Hawker Energy Products... 3 Figura Controlador de carga desarrollado en el IIE... 5 Figura Esquema de la estación remota... 6 Tabla Métodos de determinación del estado de carga de baterías y sus aplicaciones Figura Estructura de la red neuronal utilizada en [16] Figura Estructura de la red neuronal utilizada en [17] Figura Representación del modelo del perceptrón Figura Representación del modelo del perceptrón multinivel Figura Representación de las regiones de decisión que permite el modelo del perceptrón multinivel Figura El ADALINE completo Figura Representación de una superficie de error; w representa los valores posibles de la matriz de pesos de la red Figura Modelo difuso tipo Sugeno de primer orden con dos entradas y dos reglas Figura Arquitectura ANFIS equivalente al modelo difuso tipo Sugeno de primer orden con dos entradas y dos reglas Figura Función de pertenencia tipo trapecio Figura Arquitectura ANFIS para el modelo difuso tipo Sugeno, donde la normalización de los pesos se implementa en la última capa Figura Arreglo para la generación de datos secuenciales Figura Datos secuenciales utilizados para el entrenamiento de la red Figura Datos recolectados en la torre de auxilio vial utilizados para la validación de la red neuronal en la etapa de simulación Figura Datos recolectados en el ciclo de descarga /carga a corriente constante de 1 Amper Figura Datos recolectados en el ciclo de descarga/carga a corriente constante de 3 Amperes Figura4.6.- Datos recolectados en el ciclo de descarga a corriente constante de 5 Amperes Figura Datos recolectados en el ciclo de descarga a corriente constante de 7 Amperes, carga a corriente constante de 5 amperes y descarga a corriente constante de 9 Amperes Figura Datos no secuenciales para el entrenamiento de la red conformados con los datos recolectados durante los ciclos de carga/descarga a diferentes regímenes Figura Topologías propuestas con dos funciones de pertenencia trapezoidales a la entrada Figura Comportamiento del error cuadrático medio conforme se incrementa el número de épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 50 épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de validación con una red entrenada 50 épocas Figura Funciones de pertenencia y parámetros de la red entrenada 50 épocas Figura Comportamiento del error cuadrático medio conforme se incrementa el número de épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 160 épocas Figura Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta cargando Figura Comparación entre la salida esperada y la calculada por la red neuronal (de carga) al evaluar los datos de validación con una red entrenada 200 épocas iii

7 Figura Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta descargando Figura Comparación entre la salida esperada y la calculada por la red neuronal (de descarga) al evaluar los datos de validación con una red entrenada 500 épocas Figura Funciones de pertenencia y parámetros de la red de carga entrenada 200 épocas Figura Funciones de pertenencia y parámetros de la red de descarga entrenada 500 épocas Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de diciembre de 2003 completos Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de diciembre de Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de enero de 2004 completos Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de enero de Figura Controlador de carga desarrollado en el IIE Figura Funciones de pertenencia y parámetros de la red programada en el controlador de carga Tabla Simulación de la ejecución de la red neuronal cada segundo Figura Algoritmo de la red neuro-difusa implementada en el controlador de carga Figura Arreglo del equipo utilizado para realizar las pruebas de validación de la red neuronal Figura Demanda constante de 4 amperes Figura Demanda constante de 6 amperes Figura Demanda de corriente variable y aleatoria Figura Descargas intermitentes Figura Descargas con corrientes pequeñas Figura Descargas con corrientes altas Tabla Resumen de resultados de las pruebas iv

8 LISTA DE ABREVIATURAS BPA GCI IIE RNA ADALINE MADALINE MRII CAL ANFIS TSK EC EC ant Temp Vbat Ibat EC CA EC RNA CA BATERÍA PLOMO ÁCIDO GERENCIA DE CONTROL E INSTRUMENTACIÓN INSTITUTO DE INVESTIGACIONES ELÉCTRICAS REDES NEURONALES ARTIFICIALES ADAPTATIVE LINEAR ELEMENT MULTIPLE ADALINE REGLA II DE MADALINE COMBINADOR ADAPTABLE LINEAL ADAPTATIVE NEURO-FUZZY INFERENCE SYSTEM TAKAGI-SUGENO-KANG ESTADO DE CARGA ESTADO DE CARGA TEMPERATURA VOLTAJE DE BATERÍA CORRIENTE DE BATERÍA ESTADO DE CARGA POR CONTEO DE AMPERES ESTADO DE CARGA POR RED NEURONAL CONTEO DE AMPERES v

9 1 Introducción La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alternativa atractiva para electrificar localidades remotas o sistemas de alta disponibilidad tales como centrales telefónicas o sistemas de vigilancia y seguridad. Para mantener el suministro eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargables. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos. Otra importante función de las baterías es la de proveer corriente adicional a la que el dispositivo fotovoltaico puede entregar. Tal es el caso de un motor, que en el momento del arranque puede demandar una corriente de 4 a 6 veces su corriente nominal durante unos pocos segundos. 1.1 Interacción entre módulos fotovoltaicos y baterías En un sistema fotovoltaico, normalmente el banco de baterías y los módulos fotovoltaicos trabajan conjuntamente para alimentar las cargas. La figura 1.1 muestra cómo se distribuye la entrega de energía a la carga a lo largo del día. Durante la noche toda la energía demandada por la carga la provee el banco de baterías. En horas tempranas de la mañana los módulos comienzan a generar, pero si la corriente que entregan es menor que la exigida por la carga, la batería deberá contribuir en el aporte. A partir de una determinada hora de la mañana la energía generada por los módulos fotovoltaicos supera la energía promedio demandada. Los módulos no solo atenderán la 1

10 demanda sino que además, todo exceso se almacenará en la batería que empezará a cargarse y a recuperarse de su descarga de la noche anterior. Finalmente durante la tarde, la corriente generada decrece y cualquier diferencia con la demanda la entrega a la batería. En la noche, la generación es nula y todo el consumo lo afronta la batería. Energía Figura Distribución de la energía a la carga en un sistema fotovoltaico. 1.2 Baterías de plomo-ácido Las baterías de plomo-ácido se aplican ampliamente en los sistemas de generación fotovoltaicos. Dentro de la categoría plomo-ácido, las de plomo-antimonio, plomo-selenio y plomo-calcio son las más comunes. La unidad de construcción básica de una batería es la celda de 2 volts. Dentro de la celda, la tensión real de la batería depende de su estado de carga, de si está cargando, descargando o en circuito abierto. Se puede hacer una clasificación de las baterías con base en su capacidad de almacenamiento de energía (medido en Amperes-Hora a la tensión nominal) y a su ciclo de vida (número de veces en que la batería puede ser descargada y cargada a fondo antes de que se agote su vida útil). La capacidad de acumulación de energía de una batería depende de la velocidad de descarga. La capacidad nominal que la caracteriza corresponde a un tiempo de descarga de 10 horas. Cuanto mayor es el tiempo de descarga, mayor es la cantidad de energía que la batería entrega. Un tiempo de descarga típico en sistemas fotovoltaicos es 100 hs. Dentro de las baterías de plomo-ácido, las denominadas estacionarias de bajo contenido de antimonio son una buena opción en sistemas fotovoltaicos. Ellas poseen unos 2500 ciclos de vida cuando la profundidad de descarga es de un 20 % (es decir que la batería estará con un 80 % de su carga) y unos 1200 ciclos cuando la profundidad de descarga es del 50 % (batería con 50 % de su carga). 2

11 1.3 Control de Carga de Baterías en Sistemas Fotovoltaicos Las BPA son dispositivos que por medio de reacciones electroquímicas reversibles pueden proveer o almacenar carga eléctrica. Sin embargo, para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente ya que son dispositivos sumamente delicados cuya vida útil depende fuertemente de factores tales como: temperatura de operación, régimen de descarga, régimen de carga y conexión con otros elementos. El proceso de carga de baterías plomo-ácido, así como de cualquier otro tipo de baterías, consiste en reponer la energía consumida durante la descarga. Pero como ningún proceso físico es 100% eficiente, para cargar al 100% una batería es necesario suministrarle mas del 100% de la energía demandada durante su descarga. Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Su función principal es la de desconectar la fuente de energía cuando las baterías han alcanzado su nivel máximo de carga, y desconectar los elementos alimentados cuando la batería ha alcanzado un nivel de carga demasiado bajo. La figura 1.2 muestra la manera en que debe ser cargada una BPA, según recomendaciones de un fabricante [1] Voltaje de carga por celda a 25 C V 2 V 1 Carga flotante A B C D E 0 T 1 T 2 T 3 T 4 Tiempo de carga en horas Figura Algoritmo de carga recomendado por Hawker Energy Products La figura 1.2 muestra las 5 regiones en las que se divide un ciclo de carga típico: REGIÓN A- Modo de corriente constante: Se aplica una corriente constante cuya magnitud dependerá de la velocidad de carga que se desee. A mayor corriente, menor tiempo de cargado, pero el tiempo de descargado será igualmente corto. Esta corriente se aplica hasta que el voltaje por celda alcanza un valor entre 2.45 y 2.5 volts. T1 se anota como referencia para el disparo de los eventos subsecuentes en el algoritmo de cargado. 3

12 REGIÓN B- Modo de voltaje constante: Esta región comienza en T1. Se aplica un voltaje constante a la batería durante un tiempo igual a 1.5 veces T1. Desde el inicio de la carga hasta el final de la región B (T2) debe transcurrir un tiempo igual a 2.5 T1. REGIÓN C- Modo de corriente constante: Se aplica una corriente constante limitada a 0.05 veces la corriente nominal de la batería en Amperes / hora. Se permanece en este estado durante 0.5 T1 ó una hora, el tiempo que sea más corto. Si el voltaje de la batería llegara a 2.6 Vpc, se debe pasar a un régimen de voltaje constante hasta llegar a T3 (T3 - T2 = 0.5 T1 1 hora). REGIÓN D- Período de descanso: Se debe dar al menos una hora de descanso a la batería antes de pasar a la región E. Este período de descanso permite que las reacciones químicas se homogenicen dentro de la batería, evitando puntos de mayor desgaste. Al final de este período el electrolito debe tener una concentración de ácido homogénea. REGIÓN E- Modo de carga flotante: Para compensar los efectos de auto-descarga que presentan las BPA se aplica un voltaje constante de 2.27 Vpc a 25 C. El voltaje de flotación también sirve para compensar los efectos negativos de las descargas profundas. Cuando la fuente de energía para las baterías es un conjunto de módulos fotovoltaicos, el algoritmo de carga mostrado en la figura 1.2 solamente se puede lleva a cabo en condiciones ideales ya que en una aplicación real el suministro de energía depende de las condiciones de insolación, además de que puede haber demanda de energía durante el ciclo de cargado. Esta situación debe ser tomada en cuenta en el diseño del cargador de baterías que se vaya a utilizar. En aplicaciones fotovoltaicas, el uso de controladores de carga capaces de realizar compensación por temperatura y que se puedan adecuar a las condiciones de operación de cada aplicación particular, redunda en una vida útil más larga de las baterías. En general, el control de carga de baterías plomo-ácido es un tema que se reconoce difícil y que se ha investigado por muchos años [2], [3], [4], [5], [6]. Este problema se vuelve particularmente complicado cuando la única fuente de energía disponible es un panel fotovoltaico [7]; en estos casos el suministro de energía no es constante ni predecible ya que depende de las horas de buena insolación durante el día. Se ha reportado que la vida útil de baterías utilizadas en sistemas fotovoltaicos es mucho más corta de lo que es en otras aplicaciones. El diagnóstico de estos sistemas demuestra que en la mayoría de los casos el control de carga no está actuando correctamente y que las baterías están siendo expuestas a descargas demasiado profundas o a sobrecargas demasiado frecuentes. Un factor crítico para realizar un adecuado control de carga de las baterías, es determinar el estado de carga de las mismas. Es decir, para tener un control de carga eficiente, es necesario contar con un medio que permita determinar con precisión la capacidad remanente de la batería para entregar carga, esto es, si se conoce el estado actual de la batería se puede saber que cantidad de energía requiere para alcanzar su nivel máximo o 4

13 que carga máxima puede soportar antes de descargarse por completo. Este es un tema complicado que se investiga en diferentes centros alrededor del mundo [8], [9], [10], [11], [12]. 1.4 Antecedentes En la Gerencia de Control e Instrumentación (GCI) del Instituto de Investigaciones Eléctricas (IIE) se desarrolló un sistema para monitoreo remoto y control de carga de baterías en aplicaciones fotovoltaicas [13], [14], [15] que está basado en un microcontrolador que otorga la facilidad de implementar en software diferentes técnicas para estimar el estado de carga que se basen en mediciones eléctricas, ambientales y de operación. En su versión actual, el estado de carga de las baterías se determina utilizando la técnica de conteo de amperes, la cual se describe en el siguiente capítulo. En la figura 1.3 se muestra el controlador de carga diseñado. Figura Controlador de carga desarrollado en el IIE El controlador se comunica con una estación central por medio de un enlace serial. La estación central es una computadora personal que ejecuta un programa para administración de baterías. El programa se desarrolló en lenguaje Visual Basic y en su versión actual se desarrolla en LabView y ofrece las funciones de captura, análisis y despliegue gráfico de datos. Las funciones principales de la estación central son: Comunicación con los controladores de carga o estaciones remotas Concentración de la información proveniente de los controladores Análisis de la información colectada. Despliegue de la información colectada. 5

14 El elemento más importante en el sistema es el controlador de carga o estación remota (ver figura 1.4). Cada una de las estaciones remotas realiza las siguientes funciones: Monitoreo de la corriente entregada por el módulo fotovoltaico. Monitoreo de la corriente recibida y entregada por la batería. Monitoreo de la corriente entregada a la carga Monitoreo del voltaje de la batería y del panel. Monitoreo de temperatura ambiente. Determinación del estado de carga de cada batería. Control de carga de las baterías. Panel Fotovoltaico Medición y Control de I, V Carga Medición y Control de I, V Microcontrolador Memoria no Volátil Batería Interfase Serial Figura Esquema de la estación remota. Como se detalla más adelante, como resultado de ésta tesis se desarrolló un método para el cálculo del estado de carga de las baterías selladas utilizando redes neuronales y se implementó dicha red en un controlador de carga desarrollado. Con lo anterior se mejoró el desempeño de dicho controlador de carga. 1.5 Hipótesis En esta tesis se probará la siguiente hipótesis: Es posible mejorar el desempeño de un controlador de carga de baterías plomo-ácido si se utiliza una red neuronal artificial para determinar el estado de carga de las baterías 6

15 2 Determinación del Estado de Carga de Baterías Para realizar el control de carga de baterías de manera eficiente, es necesario contar con un medio que permita determinar con precisión el estado de carga de las baterías. Este es un tema complicado que se investiga en diferentes centros alrededor del mundo [8], [9], [10]. A continuación se describen brevemente las principales técnicas para determinar el estado de carga de baterías plomo-ácido [12]. Prueba de descarga Es la prueba más confiable para determinar el estado de carga de una batería. La prueba consiste en cargar y descargar la batería bajo condiciones controladas. Sin embargo, este tipo de pruebas normalmente requieren demasiado tiempo para efectuarse, lo cual hace a esta técnica imposible de aplicar fuera del laboratorio. Además, mientras se efectúa la prueba se interrumpe la operación de los componentes alimentados por la batería. Conteo de amperes-hora La experiencia ha demostrado que la manera más práctica de estimar el estado de carga de baterías plomo-ácido selladas es realizando un balance energético, es decir, contando el número de Amperes-hora (Ah) que se suministran a la batería y compararlos contra el número de Ah que la batería ha suministrado. En este balance se deben tomar en cuenta las pérdidas por disipación de potencia y en las reacciones químicas que tienen lugar en el interior de la batería. Esta técnica se puede afinar si además de las corrientes se miden también el voltaje de la batería y la temperatura. 7

16 Medición de las propiedades físicas del electrolito En las baterías plomo-ácido el electrolito es un ácido diluido en agua, a través del cual se llevan a cabo las reacciones químicas durante la carga y la descarga. Existe una relación lineal entre la concentración de ácido en el electrolito y el estado de carga de una BPA, por lo tanto midiendo la densidad del electrolito se puede determinar el estado de carga. Sin embargo, este método únicamente se puede aplicar en BPA estacionarias con electrolito líquido. A la fecha no existe un método para determinar la densidad del electrolito en BPA selladas. Voltaje de circuito abierto Al igual que la densidad del electrolito, el voltaje de circuito abierto de una BPA varía linealmente con el estado de carga. Este método es particularmente útil en aplicaciones que implican largos períodos de descanso para la batería. En aplicaciones más dinámicas, el voltaje de circuito abierto se usa para complementar alguna otra técnica que determine el estado de carga. Interpretación heurística de mediciones Las siguientes técnicas infieren el estado de carga de una batería a partir de la interpretación de sus curvas de carga y descarga. Estas técnicas parten del supuesto de que analizando las partes de las curvas que se consideran significativas, se puede estimar el estado de carga de una batería. Coup de fouet. La expresión francesa coup de fouet significa literalmente latigazo. En el contexto de las baterías plomo-ácido se refiere a la pequeña caída de voltaje que ocurre al inicio de la primera descarga después de una carga completa. Se ha encontrado que en particular dos parámetros del coup de fouet presentan una relación lineal con el estado de carga: el voltaje mínimo que se alcanza durante el coup de fouet y el voltaje estable que se alcanza al final del mismo. Este método se puede aplicar cuando se alcanza con frecuencia la carga completa de la batería. Modelo lineal. Con este método se trata de encontrar una ecuación lineal que represente la relación entre el estado de carga de una batería, las mediciones eléctricas que se realizan sobre la misma y el estado de carga anterior. Por análisis estadísticos se calculan los coeficientes de la ecuación lineal propuesta. Redes neuronales artificiales. La función principal de una red neuronal es establecer una relación entre datos de entrada / salida de cualquier clase. Por lo tanto, se puede estimar el 8

17 estado de carga de una batería en la salida de una red neuronal artificial que reciba como entradas las mediciones eléctricas de la batería, la temperatura y el estado de carga anterior. Para entrenar a una red neuronal se requieren de datos de entrada / salida del fenómeno a modelar. La calidad de los resultados entregados por la red está en relación directa con la calidad de los datos de entrenamiento Resumiendo los diferentes métodos de determinación del estado de carga de baterías y sus aplicaciones obtenemos la tabla 2.1[12]. Tabla Métodos de determinación del estado de carga de baterías y sus aplicaciones. TÉCNICA CAMPO DE APLICACIÓN VENTAJAS DESVENTAJAS Prueba De Descarga Balance De Amperes-Hora Propiedades Físicas Del Electrolito Voltaje De Circuito Abierto Modelo Lineal Red Neuronal Artificial Todos los sistemas de baterías (usado para la determinación de Fácil y exacto, independiente Fuera de línea, mucho tiempo, modifica el estado la capacidad al principio de del estado de salud de la batería, pérdida de energía. vida) Todos los sistemas de baterías (mayoría de las aplicaciones) Plomo, posiblemente Zn/Br Plomo, litio, Zn/Br En línea, fácil, exacto si Necesita un modelo para las pérdidas. Sensible a las existen suficientes puntos de reacciones parásitas. Costo elevado para una recalibración y si existe una medición de corriente exacta. Necesidad de puntos buena medición de la de recalibración regulares corriente En línea, proporciona información del estado de salud En línea, económico Plomo en aplicaciones fotovoltaicas, no se ha intentado En línea, fácil con otro sistemas de baterías Todos los sistemas de baterías En línea Errores si el ácido esta estratificado. Baja dinámica. Problemas de estabilidad en los sensores del electrolito. Sensible a la temperatura y a las impurezas, no aplicable a baterías selladas Baja dinámica y errores si el ácido esta estratificado, y necesita largos periodos de descanso para los sistemas de ácido. Problemas de reacciones parásitas. Necesidad de datos de referencia para parámetros de ajuste. Necesidad de datos de entrenamiento de baterías similares. 2.1 Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales Como las baterías son dispositivos no lineales, la propiedad de no linealidad de las redes neuronales es algo muy ventajoso, así como su aprendizaje adaptable ya que las condiciones en las que se encuentran las baterías no son siempre predecibles. Es decir, una de las principales ventajas de las redes neuronales es su habilidad de aprender de su medio ambiente y que mediante un proceso de entrenamiento pueden descubrir la correlación que existe entre variables de entrada y salida sin recurrir a los métodos tradicionales. Esta capacidad les permite proporcionar el valor de salida que corresponde a un conjunto de entradas que no se utilizaron durante el entrenamiento de la red. Otra característica importante de las redes neuronales es su fácil inserción dentro de casi cualquier tecnología. 9

18 Se han reportado trabajos relacionados con el cálculo del estado de carga de baterías utilizando redes neuronales, uno de los cuales presenta un método para la estimación de la capacidad remanente de baterías selladas de tipo plomo-ácido, con un error máximo del 10% y error promedio de 3% [16]. Para este esquema se consideraron la importancia de la temperatura y de la impedancia lo que significa que se pueden prevenir tanto la sobre descarga como la falla térmica. La estructura de la red reportada en el artículo mencionado consiste en una red de tres capas (ver figura 2.1), en la cual se tienen 4 nodos de entrada y 10 de salida para indicar el estado de carga entre el 0 y 100% en pasos de 10%. Para esta aplicación se usaron 50 unidades ocultas para alcanzar la exactitud necesaria y una velocidad de cómputo aceptable. Este estudio fue realizado como una simulación en computadora, pero la posibilidad de su implementación crea el escenario donde los diferentes patrones para diferentes tipos de batería se guarden en una memoria, y el usuario pueda simplemente seleccionar el tipo adecuado de batería y la red estará lista para realizar los cálculos adecuadamente % % Temperatura Voltaje Corriente Impedancia % % % % % % % 10 0 % Figura Estructura de la red neuronal utilizada en [16] La exactitud de este esquema todavía no compite con los otros métodos de estimación y encontrar la forma de lograrlo es objeto de estudio actualmente. Otro trabajo reportado sobre este tema consiste en un modelo para el cálculo de la capacidad disponible de baterías de vehículos eléctricos a través de redes neuronales artificiales [17]. En esta configuración, la red neuronal tiene tres capas: la capa de entrada, la oculta y la de salida (ver figura 2.2). La capa de entrada tiene un nodo para la corriente de descarga Id, la capa oculta tiene cuatro nodos y la capa de salida tiene un nodo para la capacidad disponible Ca. 10

19 V 11 Id W 11 W 12 V 21 Ca V 31 W 14 W 13 V 41 Figura Estructura de la red neuronal utilizada en [17] Para este esquema no se consideró la influencia de la temperatura ni la historia de la batería y si no existe una corriente de descarga no se puede conocer el estado de carga de la batería. El objetivo principal es comparar los resultados obtenidos con la red neuronal y los obtenidos por medio de la ecuación de Peukert: C a K = ( n 1) Id donde las constantes n y K dependen de la temperatura, la concentración del electrolito y la estructura de las baterías. Al realizar las comparaciones antes mencionadas, la red neuronal arrojó una exactitud mayor que la del otro método. El método utilizado para el entrenamiento de la red fue el de retropropagación y se utilizó la herramienta de redes neuronales de Matlab. Una diferencia importante entre los dos trabajos mencionados anteriormente son los parámetros de entrada en una red y en la otra. Uno de los factores que influye en la determinación de los parámetros de entrada a la red es precisamente en donde va a ser implementada dicha red, es decir, si se requiere que la red se implemente en un controlador de carga en línea es probable que no se cuente con los mismos parámetros que una red que se utilizará solo en computadora y en la que se puede contar con muchos mas datos que con los que se podría contar en una medición en línea. Los trabajos mencionados anteriormente no reportan una implementación práctica de las redes en algún controlador y todas las pruebas realizadas fueron en computadora. Debido a lo anterior, en este trabajo se planteó la hipótesis de que si se utiliza una red neuronal artificial para determinar el estado de carga de las baterías se puede mejorar el desempeño de un controlador de carga de baterías plomo-ácido basado en microcontrolador y que actualmente calcula el estado de carga utilizando el algoritmo de conteo de Amperes. Esto es, mientras más confiable sea el cálculo del estado de carga de la batería, mejor será el desempeño del controlador. 11

20 3 Introducción a las Redes Neuronales Inspiradas en el sistema nervioso biológico, la tecnología de las Redes Neuronales Artificiales (RNA) está siendo utilizada para solucionar una gran variedad de problemas científicos, económico/comerciales y de ingeniería. Las redes neuronales pueden aprender, y luego ser entrenadas para encontrar soluciones, reconocer patrones, clasificar datos y hacer previsión de eventos futuros. Su función puede verse como la de una caja negra que recibe un conjunto de entradas y produce una única salida para ese conjunto particular de entradas. En contraste a las aproximaciones clásicas en campos como la estadística y la teoría de control, las redes neuronales no requieren de un modelo explícito. Las redes neuronales son una herramienta muy poderosa en aplicaciones en donde el análisis formal es extremadamente difícil, como reconocimiento de patrones e identificación de sistemas no lineales, y control. Existen varias definiciones de Red Neuronal, por mencionar algunas: Darpa (1988), define una red neuronal como un sistema compuesto de muchos elementos simples de procesamiento los cuales operan en paralelo y cuya función es determinada por la estructura de la red y el peso de las conexiones; realizándose el procesamiento en cada uno de los nodos o elementos de cómputo. Según Haykin (1994), una red neuronal es un procesador paralelo masivamente distribuido que tiene una facilidad natural para el almacenamiento de conocimiento obtenido de la experiencia para luego hacerlo utilizable. Se parece al cerebro en dos aspectos: 12

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

Mantenimiento predictivo de baterías alcalinas y efecto memoria. Una aproximación práctica para su eliminación

Mantenimiento predictivo de baterías alcalinas y efecto memoria. Una aproximación práctica para su eliminación Título Mantenimiento predictivo de baterías alcalinas y efecto memoria. Una aproximación práctica para su eliminación Registration Nº: (Abstract) Empresa o Entidad Empresa Distribuidora y Comercializadora

Más detalles

ADALINE Y PERCEPTRON

ADALINE Y PERCEPTRON Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.

Más detalles

CARGA DE BATERÍAS 1 INTRODUCCIÓN

CARGA DE BATERÍAS 1 INTRODUCCIÓN CARGA DE BATERÍAS 1 INTRODUCCIÓN La batería es, sin duda, el corazón de una instalación aislada o autónoma y, lamentablemente, la adecuada carga de baterías es, en la mayoría de los casos, no suficientemente

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

TECHNICAL SUPPORT www.ferve.com

TECHNICAL SUPPORT www.ferve.com TECHNICAL SUPPORT E CONTENIDO GENERALIDADES SOBRE BATERÍAS Qué es una batería? Cómo funcionan? Descripción técnica de la batería Conexionado entre baterías Clasificación de las baterías según su utilización

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

Gamatronic. Innovando en la. Tradición

Gamatronic. Innovando en la. Tradición Gamatronic µps-sp Innovando en la Tradición Gamatronic µps-sp La UPS modelo µps-sp es un sistema True Online Doble conversión microcontrolado que emplea modulación por ancho de pulso (PWM). Suministra

Más detalles

Simplificando la Prueba de Baterías de Aviación

Simplificando la Prueba de Baterías de Aviación Simplificando la Prueba de Baterías de Aviación por Joseph F. Mibelli V0.2 14 de Marzo del 2011 JFM Engineering Inc. 7880 NW 56 th Street Doral (Miami) Florida 33166 305-592-2272 305-599-6893 www.jfmeng.com

Más detalles

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)

Más detalles

Wireless Sensor Network in a nuclear facility: A technology aplication proposal

Wireless Sensor Network in a nuclear facility: A technology aplication proposal Wireless Sensor Network in a nuclear facility: A technology aplication proposal CNEA,IB (1) U. FASTA (2) Maciel, F. 1 - Fernández, R. O. 1 - Vilugron, R. M. 2 This work presents an overview of a pretended

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

Cálculo y Dimensionamiento de. Baterías. Ing. Jaime Carvallo Ing. Willy Trinidad

Cálculo y Dimensionamiento de. Baterías. Ing. Jaime Carvallo Ing. Willy Trinidad Cálculo y Dimensionamiento de Paneles Solares y Baterías Ing. Jaime Carvallo Ing. Willy Trinidad Un Sistema Fotovoltaico Es el conjunto de componentes mecánicos, eléctricos y electrónicos que concurren

Más detalles

Motivación: Control Distribuido:

Motivación: Control Distribuido: Motivación: La clase pasada examinamos brevemente los conceptos de Diseño de sistemas de instrumentación inteligente e Instrumentación Virtual. Durante la discusión del diseño de sistemas de instrumentación,

Más detalles

9) UPS s: EN QUE CONSISTEN DE QUE Y COMO PROTEGEN

9) UPS s: EN QUE CONSISTEN DE QUE Y COMO PROTEGEN 9) UPS s: EN QUE CONSISTEN DE QUE Y COMO PROTEGEN En el mercado actual hay gran cantidad de diseños de UPS. Puede llegar a ser confuso determinar que tipo de equipo es el más conveniente para nuestra carga

Más detalles

GRANDES BANCOS DE BATERÍAS

GRANDES BANCOS DE BATERÍAS GRANDES BANCOS DE BATERÍAS Seminario de Almacenamiento de Energía en Media Potencia Postgrado en Ingeniería Eléctrica Universidad Autónoma de San Luis Potosí 10 Noviembre del 2012 Índice Ø Objetivo del

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

CONVERSIÓN DE AUTO CONVENCIONAL A ELÉCTRICO ORGANIZACIÓN AUTOLIBRE

CONVERSIÓN DE AUTO CONVENCIONAL A ELÉCTRICO ORGANIZACIÓN AUTOLIBRE CONVERSIÓN DE AUTO CONVENCIONAL A ELÉCTRICO ORGANIZACIÓN AUTOLIBRE La conversión del vehículo convencional a tracción eléctrica consta de diferentes etapas que permiten lograr una correcta transformación

Más detalles

Fuentes de Energía Alternativa para. Materiales de entrenamiento para instructores de redes inalámbricas

Fuentes de Energía Alternativa para. Materiales de entrenamiento para instructores de redes inalámbricas Fuentes de Energía Alternativa para Telecomunicaciones Materiales de entrenamiento para instructores de redes inalámbricas Metas Proporcionar una visión general sobre las partes que integran un sistema

Más detalles

Introducción a los sistemas de control

Introducción a los sistemas de control Introducción a los sistemas de control Sistema Un sistema es una combinación de componentes que actúan juntos y realizan un objetivo determinado A un sistema se le puede considerar como una caja negra

Más detalles

Dada esta igualdad, una celda que tenga una densidad de 1.210 estará entregando una tensión a circuito abierto de 2,05 Volt.

Dada esta igualdad, una celda que tenga una densidad de 1.210 estará entregando una tensión a circuito abierto de 2,05 Volt. 4.Tensión La tensión que puede entregar una celda es una característica fundamental de los elementos que la componen. Dos metales cualesquiera sumergidos en un electrolito conductor producirán una tensión,

Más detalles

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS Miguel Ángel Sánchez Gómez Ingeniería de Telecomunicación Universidad Carlos III de Madrid 100035439@alumnos.uc3m.es ABSTRACT En el presente trabajo

Más detalles

PROGRAM ACIÓN DEL CONTROL

PROGRAM ACIÓN DEL CONTROL CAPÍTULO III. PROGRAM ACIÓN DEL CONTROL M EDIANTE LABVIEW. 3.1 Introducción. El código producido para este tipo de software debe ser altamente confiable, muy eficiente, compacto y preciso cuando maneja

Más detalles

CAPITULO II MARCO TEÓRICO

CAPITULO II MARCO TEÓRICO CAPITULO II MARCO TEÓRICO 10 1. ANTECEDENTES DE LA INVESTIGACIÓN Para la realización de este trabajo de investigación se tomó como base dos trabajos de grado con investigaciones similares, las cuales se

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN Sistemas de Telecomunicación Alumnos: Pablo Núñez López Alberto Garzón Leo INDICE 1. Índice 2. Introducción y objetivos Definiciones Mecanismos de protección y restauración

Más detalles

7º) ESTABILIZADORES DE TENSIÓN - EN QUE CONSISTEN DE QUÉ Y COMO PROTEGEN UTILIZACIÓN PARA CORRIENTE MONOFÁSICA Y TRIFÁSICA

7º) ESTABILIZADORES DE TENSIÓN - EN QUE CONSISTEN DE QUÉ Y COMO PROTEGEN UTILIZACIÓN PARA CORRIENTE MONOFÁSICA Y TRIFÁSICA 7º) ESTABILIZADORES DE TENSIÓN - EN QUE CONSISTEN DE QUÉ Y COMO PROTEGEN UTILIZACIÓN PARA CORRIENTE MONOFÁSICA Y TRIFÁSICA Un Estabilizador de Tensión es fundamentalmente un aparato que recibe en la entrada

Más detalles

OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos

OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos Los sistemas de control, SCADAs, y servidores de datos históricos han evolucionado para proveer una extensa cantidad de información

Más detalles

11. CONSIDERACIONES GENERALES DE UN SISTEMA FOTOVOLTAICO

11. CONSIDERACIONES GENERALES DE UN SISTEMA FOTOVOLTAICO 11. CONSIDERACIONES GENERALES DE UN SISTEMA FOTOVOLTAICO La necesidad eléctrica total del planeta es de aproximadamente 16 teravatios (un teravatio equivale a un billón de vatios). La luz del sol en la

Más detalles

REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS

REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS Reunión Anual Octubre 2012 Comité de Energía - AUGM REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS Miguel Arias Albornoz D.Sc. Departamento de Ingeniería Eléctrica Universidad de Santiago de Chile

Más detalles

El sistema de suministro de potencia de un vehículo solar

El sistema de suministro de potencia de un vehículo solar Page 1 of 6 El sistema de suministro de potencia de un vehículo solar El sistema de suministro de potencia de un vehículo solar consistente en un conjunto de células fotovoltaicas (panel solar), un grupo

Más detalles

Monitoreo en Tiempo Real de las Variables Físicas de un Panel Solar a Través de LabView

Monitoreo en Tiempo Real de las Variables Físicas de un Panel Solar a Través de LabView Monitoreo en Tiempo Real de las Variables Físicas de un Panel Solar a Través de LabView Moreno Castro Luis Fernando, Cruz López Miguel Alberto, Ramiro Ramiro José, Guerrero Rodríguez Erick Damián y Martínez

Más detalles

Etapas del desarrollo

Etapas del desarrollo Capítulo 4 Etapas del desarrollo Este capítulo documenta la aplicación del modelo presentado anteriormente, para el caso de la detección y clasificación de eventos sísmicos sobre señales digitales. El

Más detalles

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com

Más detalles

LAS DIFERENTES TECNOLOGÍAS DE PESAJE PARA CAMIONES

LAS DIFERENTES TECNOLOGÍAS DE PESAJE PARA CAMIONES LAS DIFERENTES TECNOLOGÍAS DE PESAJE PARA CAMIONES Una balanza para pesar vehículos, es una plataforma soportada por uno o más elementos censores de peso que producen una salida directamente proporcional

Más detalles

1 Conceptos Básicos de Señales y Sistemas

1 Conceptos Básicos de Señales y Sistemas CAPÍTULO 1 Conceptos Básicos de Señales y Sistemas Cuando se hace referencia a los conceptos de señales y sistemas, su aplicación es válida para una variedad amplia de disciplinas, tales como sismología,

Más detalles

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt Controladores PID Virginia Mazzone Regulador centrífugo de Watt Control Automático 1 http://iaci.unq.edu.ar/caut1 Automatización y Control Industrial Universidad Nacional de Quilmes Marzo 2002 Controladores

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Presentación Pautas para el desarrollo de la energía solar en Córdoba

Presentación Pautas para el desarrollo de la energía solar en Córdoba Presentación Pautas para el desarrollo de la energía solar en Córdoba Energía Solar Fotovoltaica Ing. Jorge R. Barral Grupo de Energía Solar Facultad de Ingeniería Universidad Nacional de Río Cuarto CREER

Más detalles

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

II Máster Energía Solar y Renovables. Módulo: Energía eólica Tema 5: Tipos de instalaciones

II Máster Energía Solar y Renovables. Módulo: Energía eólica Tema 5: Tipos de instalaciones II Máster Energía Solar y Renovables Módulo: Energía eólica Tema 5: Tipos de instalaciones II Máster de Energía Solar y Renovables: Módulo Energía Eólica Índice Tema 5: Tipo de instalaciones 1. Introducción.

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

Más detalles

UPS Y ESTABILIZADORES

UPS Y ESTABILIZADORES UPS Y ESTABILIZADORES Los equipos de computación son grandes herramientas, pero también representan fuertes inversiones que deben ser cuidadas. Los estabilizadores y las UPS nos ayudan en esa tarea La

Más detalles

DEFINICIONES EN CONTROL AUTOMÁTICO

DEFINICIONES EN CONTROL AUTOMÁTICO Universidad de Santiago de Chile Facultad de Ingeniería Departamento de Ingeniería Eléctrica DEFINICIONES EN CONTROL AUTOMÁTICO Oscar Páez Rivera Profesor DEFINICIONES BÁSICAS: Las definiciones que siguen

Más detalles

Señal de Referencia: Es el valor que se desea que alcance la señal de salida. SET POINT.

Señal de Referencia: Es el valor que se desea que alcance la señal de salida. SET POINT. EL ABC DE LA AUTOMATIZACION ALGORITMO DE CONTROL PID; por Aldo Amadori Introducción El Control automático desempeña un papel importante en los procesos de manufactura, industriales, navales, aeroespaciales,

Más detalles

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1

Más detalles

CONTROL ELECTRÓNICO DE MOTORES CA. Tema 4

CONTROL ELECTRÓNICO DE MOTORES CA. Tema 4 CONTROL ELECTRÓNICO DE MOTORES CA Tema 4 2 INDICE 3.1 MOTORES DE CORRIENTE ALTERNA... 4 3.2 REGULACIÓN DE LA VELOCIDAD... 4 CONTROL DE LA TENSIÓN Y FRECUENCIA DE LÍNEA.... 5 CONTROL VECTORIAL... 10 3.3.

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO

MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO MODELADO Y CONTROL MULTIVARIABLE DE TEMPERATURA Y HUMEDAD EN UN INVERNADERO Autor: Cristina Sánchez Pérez Directores: José Luis Guzmán Sánchez y Jorge Antonio Sánchez Molina 19 de septiembre de 2014 2

Más detalles

Capítulo 1 GESTIÓN DE LA ALIMENTACIÓN

Capítulo 1 GESTIÓN DE LA ALIMENTACIÓN Capítulo 1 GESTIÓN DE LA ALIMENTACIÓN 1 Introducción En un robot autónomo la gestión de la alimentación es fundamental, desde la generación de energía hasta su consumo, ya que el robot será más autónomo

Más detalles

Introducción a Las redes Neuronales (Neurales) CO-6612

Introducción a Las redes Neuronales (Neurales) CO-6612 Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:

Más detalles

PRÁCTICAS VÍA INTERNET Célula de Clasificación

PRÁCTICAS VÍA INTERNET Célula de Clasificación PRÁCTICAS VÍA INTERNET Célula de Clasificación Operación Remota e Interfaz Web 1. Introducción Los variadores son convertidores de frecuencia encargados de modular la señal de alterna que recibe el motor.

Más detalles

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería

Más detalles

INGENIERIA DE SOFTWARE I INTRODUCCIÓN A LA INGENIERIA DE SOFTWARE

INGENIERIA DE SOFTWARE I INTRODUCCIÓN A LA INGENIERIA DE SOFTWARE INGENIERIA DE SOFTWARE I INTRODUCCIÓN A LA INGENIERIA DE SOFTWARE Agenda El software. Definición de software Dominios de aplicación Software heredado La naturaleza de las webapps Ingeniería del software

Más detalles

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado INDICE Prefacio XIX Prefacio al Software de Computadora para Sistemas de Control XXII 1. Introducción 1 1.1. Introducción 1 1.1.1. Componentes básicos de un sistema de control 2 1.1.2. Ejemplos de aplicaciones

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

Más detalles

Sistemas de información hidráulica de campo.

Sistemas de información hidráulica de campo. Sistemas de información hidráulica de campo. 1. Introducción. Actualmente es indispensable que los organismos operadores del servicios hidráulico del País, para el incremento de eficiencias y sustentabilidad

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

Sistema termodinámico

Sistema termodinámico IngTermica_01:Maquetación 1 16/02/2009 17:53 Página 1 Capítulo 1 Sistema termodinámico 1.1 Introducción En sentido amplio, la Termodinámica es la ciencia que estudia las transformaciones energéticas. Si

Más detalles

ELECTRÓNICA DIGITAL. Sistemas analógicos y digitales.

ELECTRÓNICA DIGITAL. Sistemas analógicos y digitales. ELECTRÓNICA DIGITAL El tratamiento de la información en electrónica se puede realizar de dos formas, mediante técnicas analógicas o mediante técnicas digitales. El analógico requiere un análisis detallado

Más detalles

IMPORTANTE. Para sistemas de batería de 12 V utilice sólo paneles solares de 12V (36 celdas).

IMPORTANTE. Para sistemas de batería de 12 V utilice sólo paneles solares de 12V (36 celdas). IMPORTANTE Primero conectar las baterías. Para sistemas de batería de 12 V utilice sólo paneles solares de 12V (36 celdas). EN FR ES Para sistemas de batería de 24 V utilice sólo paneles solares de 24V

Más detalles

TEMA 1 INTRODUCCION AL PROCESAMIENTO DIGITAL DE SEÑALES

TEMA 1 INTRODUCCION AL PROCESAMIENTO DIGITAL DE SEÑALES TEMA 1 INTRODUCCION AL PROCESAMIENTO DIGITAL DE SEÑALES CURSO 2010/2011 OBJETIVOS y BIBLIOGRAFIA El objetivo fundamental de este tema es proporcionar una visión panorámica del Procesamiento Digital de

Más detalles

DISEÑO DE SISTEMAS AISLADOS

DISEÑO DE SISTEMAS AISLADOS DISEÑO DE SISTEMAS AISLADOS PANEL SOLAR FV Genera corriente contínua con la exposición al sol. REGULADOR DE CARGA: - Protege a la batería de sobrecarga - Protege a la batería de la sobredescarga BATERÍAS:

Más detalles

OTRAS APLICACIONES CON FIBRAS ÓPTICAS

OTRAS APLICACIONES CON FIBRAS ÓPTICAS APLICACIONES El campo de aplicación de las fibras ópticas es muy amplio y aumenta día a día. Algunas de las aplicaciones más importantes son: - Telecomunicaciones: En este apartado cabe incluir la red

Más detalles

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación

Más detalles

Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta

Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta Estrategias de Modelado de las deformaciones térmicas en máquinas-herramienta José Porras Galán Doctor Ingeniero Industrial del I.C.A.I. y profesor colaborador asistente. Desde 1996 imparte clases en la

Más detalles

FLUKE BT510 BT520 BT521

FLUKE BT510 BT520 BT521 FLUKE BT510 BT520 BT521 La complejidad reducida de las pruebas, el flujo de trabajo simplificado y la interfaz de usuario intuitiva proporcionan un nuevo nivel de facilidad de uso para la comprobación

Más detalles

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES Mª Concepción Marcos Provecho Escuela de Ingenierías Industrial e Informática.

Más detalles

DEPARTAMENTO DE CIENCIAS DE LA ENERGIA Y MECANICA Laboratorio de Automatización Industrial Mecánica. TEMA: Adquisición de datos

DEPARTAMENTO DE CIENCIAS DE LA ENERGIA Y MECANICA Laboratorio de Automatización Industrial Mecánica. TEMA: Adquisición de datos TEMA: Adquisición de datos Ejercicio: Controlando un proceso con instrumentación analógica y digital mediante el modulo NI USB 6009 Objetivo: Mediante modulo NI USB 6009, controlamos un proceso instrumentado

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

COMPUTACIÓN DE ALTA PERFORMANCE

COMPUTACIÓN DE ALTA PERFORMANCE COMPUTACIÓN DE ALTA PERFORMANCE 2011 1 TOLERANCIA A FALLOS COMPUTACIÓN DE ALTA PERFORMANCE Curso 2011 Sergio Nesmachnow (sergion@fing.edu.uy) Santiago Iturriaga (siturria@fing.edu.uy) Gerardo Ares (gares@fing.edu.uy)

Más detalles

Sesión 14 MODELOS DE SISTEMAS DINÁMICOS Y CONTROL

Sesión 14 MODELOS DE SISTEMAS DINÁMICOS Y CONTROL Sesión 14 MODELOS DE SISTEMAS DINÁMICOS Y CONTROL Contenido Conceptos generales Clasificación de Sistemas Dinámicos: de Variable Continua y de Eventos Discretos. Estrategias de control Control industrial

Más detalles

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL]

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] 2012 CEA ISA [RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] En este documento se incluyen una serie de recomendaciones básicas para impartir

Más detalles

Así que cuando una batería falla, ha de ser cambiada por otra, no hay otra opción.

Así que cuando una batería falla, ha de ser cambiada por otra, no hay otra opción. INTRODUCCIÓN Cuando un motor se estropea hay muchos indicios que nos lo muestran claramente: ruido distinto, olor especial, etc. Entonces podemos reponer las partes afectadas, repararlo... Pero en una

Más detalles

CAPITULO 5. Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE.

CAPITULO 5. Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE. CAPITULO 5 Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE. Inductor o bobina Un inductor o bobina es un elemento que se opone a los cambios de variación de

Más detalles

ASPECTOS QUE DEBE TOMAR EN CUENTA AL MOMENTO DE ADQUIRIR BATERIAS PARA LOS SISTEMAS DE ENERGIA DE RESPALDO EN SU CENTRO DE DATOS

ASPECTOS QUE DEBE TOMAR EN CUENTA AL MOMENTO DE ADQUIRIR BATERIAS PARA LOS SISTEMAS DE ENERGIA DE RESPALDO EN SU CENTRO DE DATOS ASPECTOS QUE DEBE TOMAR EN CUENTA AL MOMENTO DE ADQUIRIR BATERIAS PARA LOS SISTEMAS DE ENERGIA DE RESPALDO EN SU CENTRO DE DATOS Qué es una Batería? El concepto de una batería puede definirse como la de

Más detalles

Verdadero Valor eficaz: 2,23 V x 1,038 = 2.31 Volts Valor pico : 2,23 V x 1,80 = 4,15 Volts Valor pico a pico : 2,23 V x 3,57 = 7,96 Volts

Verdadero Valor eficaz: 2,23 V x 1,038 = 2.31 Volts Valor pico : 2,23 V x 1,80 = 4,15 Volts Valor pico a pico : 2,23 V x 3,57 = 7,96 Volts 5- Procedimiento de medición: - Medición de Tensión: Para medir voltaje sobre los componentes, las puntas del instrumento de medición se colocan en los extremos del componente o circuito a medir. Es decir,

Más detalles

EMIOS Casos prácticos de uso para gestores energéticos

EMIOS Casos prácticos de uso para gestores energéticos EMIOS Casos prácticos de uso para gestores energéticos Empresa y grupo Telnet Sobre Energy Minus: EMIOS: EMIOS (Energy Minus Intelligent Operative System) es una plataforma de monitorización y análisis

Más detalles

APLICACIÓN DEL MODELO ANFIS A LA SINTETIZACION DE NOTAS MUSICALES Y SEÑALES DE VOZ

APLICACIÓN DEL MODELO ANFIS A LA SINTETIZACION DE NOTAS MUSICALES Y SEÑALES DE VOZ APLICACIÓN DEL MODELO ANFIS A LA SINTETIZACION DE NOTAS MUSICALES Y SEÑALES DE VOZ Carlos Stalin Alvarado Sánchez Carlos Jordán Villamar Facultad de Ingeniería en Electricidad y Computación Escuela Superior

Más detalles

UNIVERSIDAD DE OVIEDO

UNIVERSIDAD DE OVIEDO UNIVERSIDAD DE OVIEDO DEPARTAMENTO DE INGENIERÍA ELÉCTRICA, ELECTRÓNICA, DE COMPUTADORES Y SISTEMAS TESIS CARGA RÁPIDA DE BATERÍAS DE Ni-Cd Y Ni-MH DE MEDIA Y GRAN CAPACIDAD. ANÁLISIS, SÍNTESIS Y COMPARACIÓN

Más detalles

UNIDAD 3: INSTALACIONES AISLADAS

UNIDAD 3: INSTALACIONES AISLADAS UNIDAD 3: INSTALACIONES AISLADAS Como se ha comentado en las unidades anteriores la aplicación de la energía solar más prometedora es sin lugar a dudas la fotovoltaica, ya que es la que ha experimentado

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles