Revista Cubana de Ciencias Informáticas ISSN: Universidad de las Ciencias Informáticas Cuba

Transcripción

1 Revista Cubana de Ciencias Informáticas ISSN: Universidad de las Ciencias Informáticas Cuba de la Fé Dotres, Sergio; Domínguez Fontanil, Jaime; Sierra, José A. Pronóstico del consumo de combustible de grupos motogeneradores empleando una red neuronal Revista Cubana de Ciencias Informáticas, vol. 4, núm. 1-2, enero-junio, 2010, pp Universidad de las Ciencias Informáticas Ciudad de la Habana, Cuba Disponible en: Cómo citar el artículo Número completo Más información del artículo Página de la revista en redalyc.org Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

2 53 RCCI Vol. 4, No. 1-2 ENERO- JUNIO, 2010 p Recibido: Aceptado: Pronóstico del consumo de combustible de grupos motogeneradores empleando una red neuronal Forecast of fuel consumption of motor generator groups by using a neuronal network Sergio de la Fé Dotres 1, Jaime Domínguez Fontanil 1, José A. Sierra 1 1 Departamento de Electroenergética. Facultad de Ingeniería Eléctrica. Universidad de Oriente. GEISEL. Empresa de Mantenimiento a Centrales Eléctricas, Santiago de Cuba Dirección de Operaciones. Empresa Eléctrica de Santiago de Cuba Autor para la correspondencia: sergiof@fie.uo.edu.cu. Telf.: ,

3 54 Resumen Pronosticar el consumo especifico de combustible a corto plazo, brinda la posibilidad a los técnicos y operarios que trabajan en un emplazamiento de establecer un plan para el ahorro del mismo y una mejor planificación del abastecimiento. En el trabajo se presenta un instrumento computacional que permite pronosticar el consumo de combustible de los grupos motogeneradores, partiendo 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 una en la salida. Los resultados del entrenamiento y prueba, arrojan que la red propuesta tiene un error medio de generalización de 3,64 %. Palabras clave: redes neuronales artificiales, pronóstico, generación distribuida. Abstract Short term commitment of fuel consumption offers to the technicians that work in the diesel generating stations the possibility to establish a plan for the saving of the same one. In this work an artificial neural network that allows forecast the consumption of fuel of the diesel generating stations, leaving of the conditions of the diesel fuel and of the foreseen generation, is presented. This artificial neural network is obtained by means of supervised training type Back propagation and has a structure of 5 neurons in the entrance layer, 20 in the intermediate one and one in the exit. The results of the training and test show that the proposed network has a generalization s means error of 3,64%. Keywords: artificial neural network, commitment, distributed generation. Introducción En medio de la situación económica del país poder predecir el consumo especifico de combustible a corto plazo, brinda la posibilidad a los técnicos y operarios que trabajen en un emplazamiento determinado (Batería de Grupos Electrógenos) de establecer un plan para el ahorro de combustible, 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 debe tener en cuenta los numerosos factores que afectan al mismo, algunos de los cuales pueden ser: ejemplo: viscosidad, índice de cetano, contenido de azufre, etcétera. Estos factores poseen valores los cuales 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 consumidors. Cada característica de operación de la máquina [1][2] va a oscilar en un rango establecido por el fabricante del grupo motogenerador, y 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 mas 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 com-bustible, y entre estos, los modelos basados en redes neuronales artificiales han demostrado ser de los mas eficientes[3], por lo que, basados en esta técnica, se propone una

4 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, de la Fé, 2003)- [9], 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 Santiago de Cuba. Un sistema neuronal artificial establece una estructura muy similar a la del sistema neuronal biológico, tratando de imitar la estructura del sistema nervioso con la intención de construir sistemas de procesamiento de información paralelos, distribuidos y adaptativos; en el procesamiento paralelos 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 como operan las computadoras es-tándares actuales. El elemento de partida será la neurona artificial, que se organizara en capas, donde la interconexión de varias capas constituirá una red neuronal. Figura 1. Estructura de una neurona artificial. Típicamente una neurona tiene mas de una entrada; en la siguiente figura, se observa una neurona con Xj entradas: las entradas individuales son multiplicadas por los pesos correspondientes W ij pertenecientes a la matriz de pesos W. La neurona tiene una ganancia o umbral (b) la cual 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 representa la fuente de la señal que alimenta a la neurona que también puede ser la salida de otra neurona. Por ejemplo los subíndices de W 12, indican que este peso es la conexión desde la segunda entrada a la primera neurona. Funciones de activación que utilizan las redes neuronales, (Martín y Sanz, 1997) La salida total de la red neuronal artificial (RNA) esta determinada por la función de transferencia, la cual puede ser una funcione lineal o no lineal de n, y que es escogida dependiendo de las especificaciones del problema que la neurona tenga que resolver; aunque las RNA se inspiren en modelos biológicos, las mas utilizadas son la purelin, hardlim, logsim Arquitectura de las redes neuronales artificiales La definición de un modelo de red neuronal incluye la determinación del modelo a utilizar, la organización que se les 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 único sentido (desde la neurona presinaptica a la postsinaptica ). Las arquitecturas mas empleadas son: 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. como red no supervisada. prácticas que pueden encontrase en la literatura son fundamentalmente las RBF, GRED NEURONALN, ART, LVQ y 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 de los datos continuamente, hacen aconsejable el empleo de redes neuronales supervisadas. En la RNA se distinguen tres tipos de capas: 55 Pronóstico del consumo de combustible de grupos

5 56 entrada de la red, algunos autores no consideran el vector de entrada como una capa pues allí no se lleva a cabo ningún proceso. no tienen contacto con el medio exterior, sus elementos pueden tener diferentes conexiones y son estas las que determinan las diferentes topológicas de la red. oculta y trasmite 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 numero de neuronas de las capas de entada y salida esta usualmente determinado por las dimensiones del problema (Martín y Sanz, 1997). En este caso fue probado el sistema para varias cantidades de neuronas ocultas. Figura 2. Estructura de un Perceptron Multicapa. El Algoritmo de aprendizaje de las redes neuronales, clásicamente se distingue de 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 sistema entrenables capaces de realizar determinado tipo de procesamiento aprendiendo a partir de un conjunto de patrones de aprendizaje o ejemplos. En resumen el procedimiento a seguir para entrenar mediante BP una arquitectura MLP dada es el siguiente: 1. Establecer aleatoriamente los pesos y umbrales iniciales (t:=0). 2. 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!" k μ y! j μ Calcular el incremento parcial de los pesos y los umbrales debidos a cada patrón μ. 3. Calcular el incremento total (para todos los patrones) actual de los pesos #$" kj y #$ ji, hacer lo mismo para los umbrales. 4. Actualizar pesos y umbrales. 5. 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 si misma 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 dependiendo 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, (Martín y Sanz, 1997). 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, 1996). 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 solicita-

6 ron los certificados de calidad y se tomaron algunos de los parámetros más importantes e influyentes en el Diesel como son el porciento de azufre, índice de cetano, 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 del 2006 hasta el 20 de febrero del 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 El entrenamiento de la Red se realizó utilizando el algoritmo de aprendizaje mediante la retropropagación del error, 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 la generación realizada en los emplazamientos Héctor Pavón y Santiago Industrial, de estos datos fueron presentados a la red 180 conjuntos, utilizándose los restantes como elementos de comprobación. En la Figura 3 se muestra el transcurso del error de entrenamiento. Figura 3. Característica 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, partiendo de un error de aprendizaje de 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. Tabla I. Resultados del entrenamiento y error de generalización. Configuración 5:10:1 5:15:1 5:18:1 5:20:1 5:25:1 5:30:1 # de Neuronas Primera capa oculta # de Iteraciones entrenamiento Error medio % Desviación Estándar 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% utilizando 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 a generar, la densidad del combustible, la viscosidad, el contenido de azufre en porciento y el índice de cetano; la variable de salida es el consumo específico en gramos por kilowat-hora generado. 57 Pronóstico del consumo de combustible de grupos

7 58 Referencias 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. Centro de Estudios de Energía y Medio ambiente, Universidad de Cienfuegos. 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.; Fé, Sergio de la. Pronóstico de las pérdidas en redes de distribución mediante redes neuronales. XI Simposio de Ingeniería Eléctrica SIE 2003 (CD-ROM, ISBN: ), UCLV, Santa Clara, Noviembre, Sánchez R., A.; Miraglia U., D.; Fé, Sergio de la.: Perfeccionamiento de una Red Neuronal para detectar zonas en fallas en redes de distribución. XI Simposio de Ingeniería Eléctrica SIE 2003 (CD-ROM, ISBN: ), UCLV, Santa Clara, Noviembre, Fé, Sergio de la.; Miraglia U., D.; Jaime G., D., Cabrera M., A.; Aplicación De Redes Neuronales Artificiales A Redes De Distribución. Conferencia Científica Internacional FIE 04 (CD-ROM, ISBN: ), UO, Santiago de 2-Cuba, Julio, Miraglia U., D.; Fé, Sergio de la.; Sánchez R., A.: Red Neuronal para detectar zonas en fallas en redes de distribución. Décimo Segundo Encuentro Regional Ibero-Americano de CIGRÉ Foz do Iguazú-Pr, Brasil - 20 a 24 de mayo de Miraglia U., D.; Fé, Sergio de la.; A. Uso de paginas ASP.NET para el entrenamiento de una red neuronal artificial para determinar zonas en fallas. Memorias XIII Convención de Ingeniería Eléctrica CIE (CD-ROM, ISBN: ), Junio, Miraglia U., D.; Fé, Sergio de la. Utilización de una red neuronal R.B.F. para determinar los tiempos entre fallas en los circuitos de Distribución Eléctrica. Conferencia Científica Internacional FIE Universidad de Oriente. Santiago de Cuba. (CD-ROM, ISBN: ), de Julio, (revisado 16 de Abril del 2008). Del Brío Martín, B.; Sanz Molina, A. Redes Neuronales y Sistemas Borrosos. Introducción Teórica y Práctica. Editorial Rama. Madrid redesneuro.shtml-102(revisado 15 de Abril del 2008). Chen, C. L. Philip. A rapid Supervised learning neural network for function interpolation and approximation. IEEE Transaction on Neural Network vol 7. p