Resumen

Los sistemas de gestión energética pueden ser mejorados mediante la utilización de técnicas de inteligencia artificial, tales como, las redes neuronales y los algoritmos genéticos; con el propósito de modelar y optimizar el consumo energético de equipos y sistemas. Este trabajo, propone la modelación del consumo de los molinos y de las bolas que se emplean en la industria cementera, a partir de las variables disponibles en el campo. El modelo de regresión obtenido está basado en redes neuronales artificiales, permitiendo predecir el consumo de la electricidad en el accionamiento principal de los molinos, así mismo, permite evaluar el comportamiento de los índices de consumo establecidos. Además, se demuestra la influencia que ejerce la cantidad de puzolana, yeso y clinker en el consumo eléctrico del molino y se determina la dosificación que de acuerdo con el modelo, garantiza un mínimo consumo energético utilizando un algoritmo genético simple. El potencial de ahorro estimado a partir de la dosificación propuesta, es de 36 600 kWh/año para el molino 1; lo que representa 5 793,78 $/año y una reducción del impacto ambiental por gases sin emitir de 33 708 kg CO₂/año.

Introducción

En la actualidad, muchas industrias tienen dificultades para intentar reducir los costes (principalmente los energéticos) y también se enfrentan a estrictas limitaciones medioambientales.

Esto exige una rápida reacción de los especialistas en un entorno dinámico para lograr objetivos contradictorios. Un aspecto importante a la hora de optimizar la producción es anticiparse a la demanda y a los costes energéticos de los equipos que intervienen en los procesos de mayor consumo, lo que puede conseguirse mediante un sistema de gestión adecuado. Sin embargo, la mayoría de los sistemas de gestión no disponen de programas o modelos que puedan resolver la previsión de soluciones para optimizar la demanda y el consumo energético en un plazo razonable.

Otros no reflejan las condiciones reales de funcionamiento de los equipos, ya que se basan en las características proporcionadas por el fabricante y no en los datos de comportamiento real, teniendo en cuenta el desgaste y el envejecimiento, o las condiciones de funcionamiento que se desvían de los parámetros relacionados con las condiciones de campo.

• Materias:Inteligencia artificial Impacto ambiental Energía eléctrica Energía Consumo de energía
• Subjects:Artificial intelligence Environmental impact Electric power Energy Energy consumption
• Palabras claves:Gestión energética, Consumo energético, Molinos de cemento, Redes Neuronales Artificiales (RNA) y Algoritmo genético
• Keywords:Energy management, Energy, Cement mill, Artificial neural network (ANN), Genetic algorithm