Electricity Demand and Energy Consumption Management System

Sistema de Gestió n de Demanda y Con sumo de Energía Eléctrica 1 Juan Ojeda Sarmiento, 2 Franco Pajares Departamento de Mejora Continua de Southern Copper Corporation Av. Caminos del Inca N° 171, Santiago de Surco, Lima, Perú, 2008 Resumen Este trabajo describe el sistema de gestión de demanda y c onsumo de energía eléctrica y su aplicación en la fundi ción de Southern Peru, que está compuesto por un modulo predictor de demanda eléctrica y un módulo de simulación del sis tema eléctrico de la planta. El primero se construyó utilizando redes neuronales recu rrentes, con al goritmos de aprendizaje backpropagation, capaz de pronosticar la evolución horaria de la deman da eléctrica con u n porcentaje d e error c ercano al 1%. Esta información permite gestionar los picos de demanda antes de que estos se presenten, para su distribución tentativa en otros horarios o mejorar la tecnología de aquellos equipos que levantan la carga el éctrica. El módulo de simulación está basado e n técnicas de estimación pa ramétrica, rede s neuronales y ecuaciones matemáticas obtenidas por regresión estadística, que simula el comportamiento del sistema de en ergía eléctrica de la fundición. Estos módulos facilitan una adecuada planificación de la demanda y el consumo, pues permiten conocer el comportamiento de la demanda horaria y los patrones de consumo de la planta, incluyendo los componentes de la facturación; pero además las deficiencias energéticas y oportunidades de mejora, sobre la base del análisis de la información acerca de los equipos, pro cesos y planes de producción, así como program as de mantenimiento. Finalmente se presentan los resultados de su aplicación en la fundición de Southern Peru. Abstract This project describes the electricity d emand and energ y consumption man agement s ystem an d its application to Southern Peru smelter. It is composed of an hourly demand-forecasting module and of a simulation component for a plant electrical system. The fi rst modul e was don e using d ynamic neural networks with backpropagation training algorithm; it is used to pre dict the electric power dem anded ever y hour, wit h an error p ercentage below of 1%. This information allows efficient management o f energy peak demands before this happen, distributing the raise of electric load to other hours or improving those equipments that increase the demand. The simulation module is based i n adva nced estimation t echniques, such as: parametric estimation, neural network modeling, statistic regression and previously developed models, which simulates the electric behavior of the smelter plant. Thes e modules facilitate electricity demand and c onsumption proper planning, because the y allow knowing the behavior of the hourly d emand and the consumption patterns of the plant, including the bil l components, but also energy deficiencies and opportunities for im provement, based on analysis of information about equipments, processes and production plans, as well as maintenance programs. Finally the results of its application in Southern Peru smelter a re presented. 1 Industrial Engineer at Un iversity of Lima (Perú), M.Sc. in Systems Engineering at N ational University of Engineering (Perú), M.Sc. in E nergy-manage ment at Univ ersity of Koblenz- Landau (Germany) , do ctorate in Control, A rtificial Vision and Robo tic at Po lytechnic Univers ity of Catalon ia (Barcelona-Spain). Community Relations Superintendent o f S outhern Copper Corpor ation. 2 Mechatro nic Engineer at Nationa l University of Engin eering , Lima-Per ú, Projec t Engineer of Southern Copp er. Hora Perfoman ce Carga básica Carga med ia Carga punt a Carga máxim a 0 2 4 6 8 10 1 2 14 16 18 20 22 24 Hora Perfoman ce Carga básica Carga med ia Carga punt a Carga máxim a 0 2 4 6 8 10 1 2 14 16 18 20 22 24 I. Introducción: La energía eléctrica es un recurso estrat égico en la producción industrial, su uso se ex tiende a todas las ramas de la actividad económica, y es un componente im portante de la estructura de costos de las empresas industriales. En la facturación, se c onsideran generalmente tres conceptos de pago, que son los siguientes: a) Demanda (kW), que representa el cargo por la cantida d total de energ ía activa que se requiere al mismo tiempo de la red. Su composición depende del resultado de l a formula llamada “demanda facturable” multiplicado por el costo del “kW” en el mes corriente. La d emanda facturable está influida por la máxima demanda del pe ríodo, que se calcula tomando el mayor valor en un espacio de 15 minutos, medidos ca da cinco minutos. Normalmente presenta oscilaciones horarias, diarias y estaciónales, estando marcada por la actividad produc tiva de la planta, de acuerdo al ejemplo de la figura Nº 01. Figura N° 01 Diagrama de la carga diaria Máxima demanda Demanda punta Demanda media 04MW Demanda base 02 MW 0 1… 24 h Fuente y elaboración : Brin kmann K. , “ Integration und Management dezentraler Energive rsorgung “ b) Consumo ( KW h), que se obtiene al multiplicar la potencia (kW) por el tiempo (h). También se obtien e al integrar el área debajo de la curva de la demanda. c) Factor de potencia (%), que resulta la relación entre la potencia a ctiva y la potencia aparente, siendo un n úmero adimensional, comprendido entre 0 y 1. Las emp resas industriales en su may or parte presentan sobrecostos p or cargos de energía eléctrica, que se a gravan por el aumento de los precios de energéticos convencionales en los mercados, generando crecientes montos de facturación mensual. Para optimizar el uso de energía elé ctrica, sobre la b ase de una adecuada planificación, es im portante conocer los componentes de la facturación, el comporta miento de la demanda horaria y los p atrones de consumo de la planta; pero además las de ficiencias energéticas y oportunidades de mejora, que s e obtiene recabando y analizando la información acerca de lo s equipos, procesos y planes de producción, así como programas de mantenimiento. II . Sistema de g estión de demanda y consumo de energía eléctrica: El sistema de gestión de demanda y consumo de energía eléctrica se di señó sobre la base de los requerimientos desc ritos en el apartado anterior; es decir, que incorpora la estructura tarifaria, brinda el pronó stico de la dem anda horaria futura, y permite determinar los patrones de consumo, a sí como deficiencias energéticas de los centros de producción, facilitando ensa yar oportunidades de ahorro para hacer un uso e ficiente de la energía eléctrica. Está compuesto por un modulo de previsión de demanda y otro de si mulación de consumo de energía eléctrica (ver fig ura N° 02) que incorporan datos de la estructura tarifaria. Figura N° 02 Modelo de aplicación S IS T E M A D E G E S T I O N D E C O N S U MO Y D E M A N D A D E E N E R G ÍA E L É C T R IC A E N L A F U N D IC IÓ N MÓ D U L O P R E D IC T IV O MÓ D U L O D E S IMU L A C I Ó N PLANIFICACIÓN DE LA DEMANDA A P L I C A C IO N E S OPORTUNIDADES DE AHORRO (CONSUMO) Fuente y elaboración propias El módulo predictivo de la demanda de energía eléctrica horaria está construido con redes neuronales artificiales y permite predecir el comportami ento de la d emanda horaria futura con un margen de error de 1 %, habiendo demostr ado s u superioridad sobre los procedimientos convenc ionales de regresión lineal y el “support vector machin es”. Conocer la demanda fut ura de estos centros de costos significa disponer de una información valiosa, des de un punto d e vista operativo, pero también desde un punto de vista estratégico, pues facilitar la gestión de los picos de demanda antes de que estos se presenten, permitiendo su distribución planificada en otros horarios o mejorar la tecnología de aquellos equipos que levantan la carga eléctrica [ 1 ]. El módulo de simulación de consumo de energía eléctrica hace posible conocer los patrones de consu mo, identificando deficiencias energéticas, para determinar oportunidades de ahorro y ensa ya r modificaciones a futuro en el sistema, como: cambios, repotenciación o mejora de performance de equipos, sin necesidad de llevarlos a la práctica, elevando de esta forma las probabilidades de éxito de cualquier propuesta de mejora. 2.1 Desarrollo del Módulo predicto r: Como antecedentes de esta aplicación, se pueden citar los siguientes trabajos: La investi gación ti tulada “Time series forecasting: Obtainin g lo ng term trends with self- organizing maps ”, es decir, predi cción de series temporales para obtener tendencias a largo plazo, basado en mapas Kohonen de auto-organización [ 2 ]. Igualmente importante resultan los trabajos de modelos predictivos para prevenir la intensidad de los huracanes, elabo rado por Venero Castro [ 3 ]. Continúa la lista con el trabajo de Edgar Sánchez, Alma Alanis y Jesús R ico, denominado “ Predicción de la demanda eléctrica, usando redes neuronales entrenadas por filtro de Kalman ”, En dich a investigación, se desarrolló un modelo predictivo basado en redes neuronales artificiales, tipo perceptrón multicapa recurrente, con el uso del filtro de Ka lman Extendido (EKF) para el entrenamiento de una red M LP (multil ayer pe rceptron)[ 4 ] y tecnologías de apoyo a la administrac ión del territorio, desarrollado por Simeao de Medieros [ 5 ]. El trabajo de Pérez Ortiz [ 6 ] para modelos predictivos, basados en redes neuronales recurrentes de tiempo discreto. Asimismo, igualmente importantes para este tra bajo fueron las investi gaciones de Hufe ndiek Kai [ 7 ] y Meisenbach Christ [ 8 ] , sobre aplicación de red es neuronales a la predicción de carga eléctrica, el aborado para “Institut für Energiewirtschaft und Rationelle Energieanwendung”, y la investigación de Petridis and A. Kehagias [ 9 ] sobre series temporales. Como caso de aplicación, se tomó la planta de Fundición de SO UTHERN PERU [ 10 ] , pues las variables a cons iderar en este caso se asemejan a las de cualquier planta industrial del país. Para el diseño de la red neuronal dinámica recurrente (con feedback) NARX modi ficada , se consideraron los siguientes componentes: 2.1.1 Definición de patrones: Los patrones o entradas a utilizar son: Calendario.- S erá un arr ay de vectores de 5 x N elementos, donde 5 son el número de patrones calendario y N es el número de muestras por mes, teniendo como periodo de muestreo 15 minutos: N = 2976 (31 días) y N = 2880 (30 días). Los patrones considerados en este caso fue ron: cuarto d e hora, hora, día, semana y mes. Producción.- Será un v ector de 3 x M, donde 3 son el número de p atrones y M es el número de muestras, teniendo como periodo de muestreo 1 día. Demanda del mes anterior.- Se rá un vector de 1 x N, donde 1 es el único patrón y N es el número de muestras. Teniendo como b ase los patrones descritos anteriormente y revisando pequeñas muestras de data histórica de la de manda eléctrica en la Fundición Ilo, se p rocedió a evaluar l a influencia de los distintos patrones, sobre la base de literatura especializada [ 11-14 ]: Figura N° 03 Diagrama de bloques módulo predictivo CALENDARIO PRODUCCIÓN DEMANDA PRÓX. MES DEMANDA MES ANTER. RED NEURONAL T O L T O L P 1 (t+1,t+2, … ,t+N) P 2 (t+1,t+2, … ,t+M) P 3 (t-1,t-2, … ,t-N) T(t+1,t+2, … ,t+N) Fuente y elaboración propias a) Calendario: a.1) Cuarto de hora: Este patrón se consideró debido a que la facturación se realiz a teniendo como base los cuartos de hora. Para tal fin se tomó una muestra de 1344 d atos entre el lunes 18 de junio y el domingo 01 de julio del 2007 (96 cuartos de hora por día). a.2) Hora del d ía : La hora del día influye en la cur va de demanda eléctrica de una ciudad, debido a que en horas punta, como las 3 de la tarde, por ejemplo, el consumo es mayor; sin embargo en el medio industrial la demanda eléctrica no sufre cambios significativos. En este caso, se tom ó cada hora entre el 18 de junio y el 24 de junio del 2007 a.3) Día de la Semana: El día de la semana influye de gran manera en el comportamiento de la demanda, y a que si es un día programado para colada, y a su vez todos los demás procesos no dejan de funcionar, l a demanda media y máx ima se verán incrementadas. Para este estudio, se tomaron la demanda media y máxima diaria durante 10 seman as, comprendidas entre el 23 de abril al 01 de julio del 2007, cu yos resultados se pr esentan gráficamente en tre las figuras N° 04 a N° 07. Figura N° 04 Demanda media semanal (23/04-01/07) Fuente: Servidor IION Elaboración: Propia Figura N° 05 Demanda máxima semanal (23/04- 01/07/07) Fuente: Servidor IION Elaboración: Propia Figura N° 06 Demanda media diaria (23/04-01/07/07) Fuente: Servidor IION Elaboración: Propia Figura N° 07 Demanda media diaria en 10 semanas de 23 de abril al 01 de julio del 2007 Fuente: Servidor IION Elaboración: Propia En las figuras N° 04 y 05, no se observa ninguna relación precisa tanto en la demanda media semanal, así como en la demanda máxima semanal, por lo que se concluye, que los días - vistos de manera continua por semana - no presentan gran influencia en la demanda; sin embargo, si se aprecian las semanas de manera continua, como en los figuras N° 06 y N° 07, s e observa, sobr e todo en el caso de la demanda má xima, que dependiendo de los días, la curva sigue ciert a periodicidad, convirtiendo a este factor en uno de los más importantes para e l análisis. b) Producción: La producción es un factor imprescindible en el medio industrial, pues - dependiendo de ésta y sus estimados - se presupuestan los cargos por concep to de insumos, combustibles, electricidad y demás. Por lo tanto éste es un parámetro principal en nuestro análisis. b.1) Producción de ánodos: Para este estudio se realizó un análisis del la producción diaria, ver sus la media y la demanda máxima día a día entre el 1r o de marzo al 30 de juni o d el 2007. Los resultados fueron los siguientes: Figura N° 08 Producción ánodos vs. demanda media Fuente: Reporte de producción planta de ánodos. Elaboración: Propia Figura N° 09 Producción ánodos vs. demanda máxima Fuente: Reporte de producción planta de ánodos. Elaboración: Propia En la fi gura N° 08, se ob serva qu e la curva de demanda media diaria varía de manera proporcional a la producción diaria de ánodos de cobre, si guiendo una tendencia cuasi logarítmica. A su vez, si se revisa la figura N° 09, se aprecia como la demanda máxima diaria sigue casi la misma tendencia que la demanda media. Por lo tanto, se concluye que este factor es determinante en la curva de demanda mensual. Otro punto a que ha ce necesa rio su elección es el hecho de conocer los valores estimados o requeridos de producción en el futuro, hacen de éste un patrón indispensable en el modelo predictivo. b.2) Producción de ácido s ul fúrico: Debido a ser otro d e los productos de la fundición y ser el result ados de 2 de las plantas de ma yor consumo eléctrico (Plantas de Ácido 1 y 2). Figura N° 10 Producción de ácido sulfúrico vs. demanda media y máxima de fundición de Ilo Fuente: Reporte de producción planta de ácido Elaboración: Propia b.3) Producción de oxígeno: Debido al gran consumo de las plantas de oxígeno 1 y 2, su influencia en producción se vuelve imprescindible, para nuestro modelo. Figura N° 11 Producción oxígeno vs. demanda media y máxima de la Fundición Fuente: Reporte de producción planta de ácido Elaboración: Propia c) Demanda anterior: En el campo del planeamiento de presupuestos se realizan estimaciones futuras, basándose en los últimos valores obtenidos. A su vez el modelo a desarr ollar, también considerará la demanda eléc trica del último mes. A continuación se evaluará la influencia de la d emanda anterior en l a demanda presente de los meses entre marzo y junio del 2007. Figura N° 12 Influencia de demanda media diaria de ma rzo en demanda media diaria de abril Infl uencia de l a demanda m edia di aria de l os últ imos 30 días (marzo - abril 2007) 0 5 10 15 20 25 30 35 40 45 10 15 20 25 30 35 40 De manda M a rzo 2007 (M W) Demanda Abril 2007 (MW) Fuente: Reporte de producción planta de ácido Elaboración: Propia Figura N° 13 Influencia de la demanda media diaria de abril en demanda media diaria de mayo Infl uencia de l a demanda m edia di aria de l os últi mos 30 días (abril - m ayo 2007) 0 5 10 15 20 25 30 35 40 45 31 32 33 34 35 36 37 38 39 40 41 De manda A bri l 2007 (M W) Demanda Mayo 200 7 (M W) Fuente: Servidor I ON Elaboración: Propia Figura N° 14 Influencia de demanda media diaria de mayo en demanda media diaria de junio Infl uencia de l a demanda m edia di aria de l os últi mos 30 días (mayo - j unio 2007) 0 5 10 15 20 25 30 35 40 45 20 25 30 35 40 45 De manda may o 200 7 (M W) Demanda jun io 20 07 ( MW) Fuente: Servidor ION Elaboración: Propia 2.1.2 Selección de factores para el modelo predictivo: Luego d el análisis realizado en el punto 2, se concluye que ex isten factores o patrones que infieren de man era p redominante que los demás. Posteriormente al estudio de la s figuras del 2 al 14 y sus resultados, se obtiene la siguiente tabla de influencia: Tabla N° 01 Tabla de patrones seleccionados en curva de demanda de energía eléctrica Fuente: Fundición de Southern Peru Elaboración: propia Como se ve los factores que influ yen directamente en la demanda eléctrica son los relacionados a la producción, calendario, demanda anterior y temp eratura; sin embargo, debido a la dificultad d e tener valores exactos de la temperatura en el futuro, sólo se consideran los tres primeros. Los factores considerados en la RNA del modelo de pr edicción se muestran en la tabla N° 02. Tabla N° 02 Factores de la red neuronal Fuente y elaboración propias 2.1.3 Diseño de la RNA: Una vez definida el tipo de RNA a utilizar (dinámica recurrente), así como sus patron es y parámetros, procedemos a diseñar la nueva arquitectura de la RNA. A continua ción se muestra el diagrama detallado de esta arquitectura, considerando todos los enlaces y realimentaciones. Figura N° 15 Arquitectura final de la RNA CALENDARIO PRODUCCIÓN DEMANDA PRÓX. MES DEMANDA MES ANTER. T O L T O L P 1 (t+1,t+2, … ,t+N) P 2 (t+1,t+2, … ,t+M) P 3 (t-1,t-2, … ,t-N) T(t+1,t+2, … ,t+N) IW 1,1 IW 1,2 IW 1,3 LW 2,1 b 1 b 2 + + LW 3,1 + LW 3,2 n 1 n 2 a 1 a 2 n 3 b 3 a 3 tansig tansig purelin Fuente y elaboración propias 2.1.4 Interfaz gráfica: Figura N° 16 Módulo predictor de demanda eléctrica Fuente y elaboración propias 2.1.5 Validación: En la fi gura 5 se muestra el comportamiento de la demanda predic ha para el mes de octubre 2007. Figura N° 17 Módulo predicción de demanda eléctrica Fuente y elaboración propias La dat a obtenida para la validación es la data oficial del servidor II ON, y qu e consta en los reportes del departamento de Sistemas d e Potencia. Para la validación del módulo se utilizó el error cuadrático medio. El error cu adrático medio en porcentaje se define como: 100 N r r p e % N 1 i 2 i i i r m s              (1) Donde: p i : Dato simulado r i : Dato rea l N: Número de muestras La tabla 3 muestra el e rror cuadrático medio de toda la serie de datos de octubre d e 2007(0,4862 %). Tabla N° 03 Error cuadrático medio Este indicador representa un error de 1 % respecto de la demanda y 3% con relación a la energía consumida, comparándola con l a facturación real d e di cho mes, como se aprecia en las tablas N° 04. Tabla N° 04 Error de aproximación 2.2 Desarrollo del módulo de simulación: El módulo de simulación se construye p ara cada planta, teniendo e n cuenta relaciones mecánicas, eléctricas y te rmodinámicas, incluyendo el comp onente productivo existente, sobre la ba se de ecuaciones matemáticas. Este aplicativo es una herramienta de gestión necesaria para conocer los patrones de consumo de las pl antas, identificando deficiencias energéticas, que permitan encontrar oportunidades de ahorro y ensay ar propuestas de mejora. Este módulo de simulación replica los procesos y subprocesos energéticos, desde el punto de vist a energético, pero además incluye componentes productivos , considerando las siguientes ecuaciones físicas: Ejemplo de circuitos eléctricos: Fórmulas básicas: R i u R   dt di L u L   dt du C i C       dt i C u C 1 x 1 = i x 2 = u c Ley es de Kirchhoff 0      C L K u u u u C i u dt di L R u    dt du C i C   Entrada: u (t) Salida: i (t) Ecuaciones de estado: ) , ( . u x f x  De las entradas: Primera ecuación de estado   2 1 1 . 1 x Rx u L x    Segunda ecuación de estado: 1 2 . 1 x C x   Ecuaciones de estado de la salida: 1 ) , ( x u x h y   Ecuaciones de estado en forma matricial: u L x x L L L R x x                                   0 1 0 1 1 2 1 . 2 . 1 Ecuación de salida:     u x x y           2 1 0 1 Ecuaciones diferenciales  Ec uaciones de estado a) ) , ,..., , , ( ) 1 ( .. ) ( . u y y y y h y dt y d n n n n     Ecuación diferencial de orden n y x  1 2 1 . x x  . 2 y x  3 . 2 x x  .. 3 y x   . . . . . .   n n x x   1 . ) 1 (   n n y x ) , ,..., , ( 2 1 . u x x x h x n n  Salida: y = x 1 b) Dos ecuaciones diferenciales de segundo orden: ) , , , , ( 2 . 2 1 . 1 1 1 .. u y y y y h y  ) , , , , ( 2 .. 2 1 . 1 2 2 .. u y y y y h y  Variables de estado: 1 1 y x  2 1 . x x  . 1 2 y x   ) , ,..., ( 4 1 1 2 . u x x h x  2 3 y x  4 3 x x  . 4 2 y x  ) , ,..., ( 4 1 2 4 u x x h x  Ecuaciones de salida: y 1 = x 1 , y 2 = y 3 Este módulo se aplicó inicialmente en la fundición de Southern Peru, con los resultados que se presentan a c ontinuación. En la fi gura N° 28, se muestra el sistema de energía eléctrico de la Fundición y sus plantas. Figura N° 18 Diagrama de bloques del módu lo de simulación (Southern Peru) Fuente: Southern Peru Elaboración: propia A partir de la simulac ión de la planta de fundición fue posible conocer los patrones de consumo de cada centro de costos, incluyendo sus deficiencias energéticas y oportunidades de ahorro [ 15 ]. El modelamiento determinó las siguient es deficiencias:  Compresoras funcionando fuera del punto de operación recomendado.  Deficiente regulación de flujo en Blowers.  Mala regulación de la temperatura de baño del horno de fusión de concentrados de tecnología Isasmelt.  Sobredimensionamiento de bombas de en la planta de Toma de Agua de Mar. Este diagnóstico permitió, asimismo, brindar alternativas de solución en cada caso, que se resumen en las siguientes propuestas 2.2.1 Plantas de oxígeno 1 y 2 (43.35% del consumo): a) Seteo y ajuste de las válvulas I G V de las compresoras MAC a condiciones de diseño; es decir, corregir los lazos de control de la válvula de ingreso de alabes (IGV) de las compresoras MAC, para llevar el flujo y presión de des carga del aire a l as condiciones de diseño, de tal manera que se aumente la eficiencia e léctrica del motor, disminuy endo las pérdidas mecánicas por fricc ión y calor. Esta modificación g en era una dism inución de la demanda de 91.75 KW por el compre sor A y 282.83 KW por el com presor B, bajando el consumo de energía en 269,697 KWh. Figura N° 19 Condiciones actual y de diseño MAC Fuente: Curvas estándares para compresores Ingesroll Elaboración: Propia b) Regulación de flujo por variadores de velocidad en las compresoras MAC; es decir, cambiar el método de r egulación de flujo de aire en las compr esoras MAC K111 A/B, pasando del uso de las válvulas de in greso d e alabes (IGV) a la utilización de varia dores de velocidad en los motores de inducción D111 A/B. Figura Nº 20 Balance de Oxígeno de la Fundición Ilo Fuente: Active Factory Elaboración: Propias Figura Nº 21 Lazo de control de las MAC utilizando variadores de velocidad Fuente y elaboración propias Esta modi ficación gene ra una reducción de demanda promedio: de 3,144 KW. Y una disminución de consumo mensual de 2, 263, 680 KWh. 2.2.2 Plantas de ácido 1 y 2 (23.10% del consumo): Regulación de flujo por variadores de velocidad en los Blowers A y B, mediant e variadores de frecuencia para los Blowers A y B de la planta d e ácido N° 2, regulando el flujo de gases succionados en función de los flujos provenientes de la F undición (Horno ISA y Convertidores). Figura N° 22 Regulación de flujo por variadores de velocidad en los Blowers Fuente y elaborac ión propias Esta mejora proporciona una reducción de demanda p romedio: 1 ,416 KW y una disminución de consumo mensual de 1, 019, 520 KWh. 2.2.4 Toma de agu a de mar (5.42% del consumo): Actualmente se usan 2 bombas de 1250 HP que permite disponer d e un flujo en exceso innecesario para elevar el agua hasta todos los sistemas de refrigeración con una operación. Por lo que se propon e usar bombas de 625 HP para tener una ma yor flexibi lidad en la disponibilidad de caudal. El encendido y apagado de estas bombas se realizaría se gún la demanda de agua de refrigeración en la planta. Figura N° 23 a) Encendido de bombas según necesidad de caudal. Fuente y elaboración propias b) Apagado de bom bas según n ecesidad de caudal Fuente y elaboración propias Al usar variadores de velocidad para regular el caudal necesario, se logra una mayor flexibilidad en variar el caudal prove ído por el sistema de bomb eo, lográndose una reducción de la demanda promedio d e 359 KW y una disminución del consumo mensual de 129, 240 KWh Figura N° 24 Disminuir la demanda adicional Fuente y elaboración: Propias 2.2.5 Horno Isasmelt (5.14% del consumo): Para el horno, s e planteó un controlador avanzado, mediante lógica difusa, que permitirá c ontrolar efica zmente las oscilaciones bruscas de la temperatura, disminuyendo las paradas no progra madas del sistema y eliminando so brecostos de energía eléctrica, y ahorros por la menor reposición de refractarios en el horno. 2.3 Implementación de propuestas simuladas: Todas estas p ropuestas, se incorporaron al módulo de simulación para conocer su repercusión en el proceso productivo de la fundición y validar los cálculos económicos de dichas mejor as, cu yos detalles se pu ede ap reciar en el siguiente cuadro de ahorros me nsuales estimados (ver tabla N° 05). Tabla N° 05 Ahorros estimados Fuente: Southern Peru Elaboración: propias Las p ropuestas de ahorro estimado suman aproximadamente US$ 308,018 mensuales, a un precio de 0.074 US$/KWh, sin considera r el ahorro de energía el éctrica por optimización del sistema de control del horno, que presenta ventajas por la ma yor vida úti l del refractario ($ 300,000 anuales) y la eliminación de sobrecostos anuales por la reducción de paradas no programadas: Ahorro = factor * horas estimadas parada * US$/KWh * KW= 0.8 * 229 h * 0.074 US$/KWh * 13 200 KW = US$ 178,949.76 II I.Conclusiones: El rig or en el manejo de la información ha permitido el diseño, construcción y validación del sistema de gestión de demanda y consumo, con su s módulos predictivo y d e simulación, facilitando la optimización de la demanda de potencia y consumo de energía eléctrica. El modelo predictivo facilita la planificación de la demanda de energía eléctrica, por su potencia en el pronóstico de la evolución horaria d e la energía eléctrica, haciendo posible, más adelante, implementar un control de demanda. El módulo de simulación permitió integrar los subsistemas más importantes dentro del proceso de la Fundición, como son: el eléctrico, el mecánico, el de instrumentación y el energético, de tal ma nera qu e se pudieron identificar deficiencias energéticas (e léctricas) y e nsayar propuestas de mejora en la operación y control, con el fin de evaluar su impacto en todos los subsistemas mencionados. Fu e posible identificar y validar oportunidades de ahorro de consumo de energía eléctrica de la Fundición de Ilo en ap roximadamente 20 % de su facturación mensual. IV. Agradecimiento: Es importante agradecer el apo yo del Ing. Jorge Meza Viveros, Director de Mejor a Continua del Gr upo México, quien patroc inó el presente proyecto de investigación. V. Bibliografía: [ 01 ] C IGRE W orking Group WG 39.03: Present practices on load forecasting and load management: A surve y. In: Electra, No. 145, Paris, December, 1992; pp. 69 – 89. [ 02 ] Simon G., L endasse A., Cott rell M., Fort J .-C., Verleysen M.. Time series forecasting: Obtaining l ong term tr ends with self-organizing maps. Machine Learning Group-DICE-Université Catholique de Louvain, Belgium. Helsinki University of Technology-Laboratory of Computer and Information Science, Neural Networks Research Centre. Univer sité Paris I-Panthéon Sorbonne, France. Universite´ Paul Sabatier Toulouse 3, France. 2005. [ 03 ] VENERO CASTRO Antony, A neural network approach to predict hurricane intensity in the North Atlantic basin. Tesis (Grado: M aster of Scienc e in Industrial Engineering), Puerto Rico. University of Puerto Rico. 2004. [ 04 ] SANCHEZ, Edgar; Alamis, Alma. Predicción de la demanda eléctrica usando redes n euronales, entrenadas por filtro de Kalman. Universidad Michoacana de S an Nicolas de Hidal go, Morelia, Michoacan, México. Junio 2004. [ 05 ] S IMEAO DE MED IEROS, J osé. Banco de datos geográficos y redes neuronales artificiales: tecnologías de apo yo a la administración del territorio. Tesis (Grado: Doctor e n Geografía Física), Sao Paulo, Brasil. Facultad de Filosofía y Letras y Ciencias Humanas y sistema de l a Universidad de Sao Paulo. 1999. [ 06 ] PEREZ Ortiz, Juan Antonio. Modelos predictivos basados en redes neuronales re currentes de tiempo discreto. Tesis (Grado: Doctor en Ciencias), Alicante, España. Departamento de Lenguajes y sistemas Informáticos de la Universidad de Alicante. 2002. [ 07 ] HUFENDIEK Kai. Einsatz künstlicher neuronaler Netze bei der kurzfristigen Lastprognose I nstitut für Energiewirtschaft und Rationelle Energieanwendung. [ 08 ] ME ISENBACH Christ, Lastprognose konventionell oder mit neuronalen Netzen ein Vergleich [ 09 ] P ETRIDIS and A. Kehagias , Predictive Modular Neural Networks: Applications to Time Series, Kluwer, 1998. [ 10 ] CANZIO Luis, Const ruyendo una Planta de Control Dig ital, Southern Peru Copper Corporation. [ 11 ] BAKIRTZ IS, A J. T heocharis, S . Kiartzis and K. Satsios, “Short Term Load Forecasting Using Fuzzy Neural Networks”, paper 95 WM 155-2-PWRS presented in IEEE/PES 1995 Winter Meeting . [ 12 ] GROS S G. and F.D. Galiana, "Short term load forecasting,"Proc. IEEE, Vol. 75, No. 12, p. 1558-1573, 1987. [ 13 ] Ho L., Hsu Y. and C. C. Yang, " Short Term Load Forecasting Using a Multilayer Neural Network with an Adaptive Learning Algorithm," IEEE Trans. on PowerSystems, Vol. 7, No. 1, pp. 141-149, 1992. [ 14 ] C .N. L u, H.T. Wu and S. Vemuri, "Neural Network Based Short Term Load Forecasting," I E EE Tr ans. on Power Sy stems, Vol. 8, No. 1, pp. 336-342, 1993. [ 15 ] RADGEN Peter, Technik der Rationellen Energienutzung Teil 1, Modul Energietechnik / Rationelle Energienutzung, Universität Koblenz, Deutschland.