-.Estudio de pérdidas fijas y variables en transformadores. Soluciones técnicas mediante control adaptativo.- Autor: Fernando J. Espí García. Ingeniero de Control del H.U.R.H. A.E.I.H. Granada 2015

-. ÍNDICE Pérdidas y rendimientos en un transformador. 2.-Predicción de demanda - Control Adaptativo. Red Neuronal Artificial. (R.N.A.) 3.-Próximos pasos. 4.- Conclusiones.

-.Pérdidas en Transformadores.-

-.Rendimientos en Transformadores.-

-.Predicción de demanda - Control.- Uno o varios C.T. con varios trafos en paralelo. Trafos normalmente a carga aleatoria ≠ ƞ óptimo. ¿Conexión de trafos para repartir la carga de forma óptima? ► Predicción de demanda + Control de conexión/desconexión.

-.Herramientas de Predicción.- Antelación de la predicción: Corto, medio, largo plazo. Variable: Predicción horaria o por picos. Sistemas de predicción: – Tradicionales. – Inteligentes  Redes Neuronales Artificiales/Sis.Expertos/ Fuzzy

-.Red Neuronal Artificial (R.N.A.).- Algoritmo matemático que permite aproximar una función no lineal mediante métodos de regresión pero, determinando completamente, la No linealidad. Gran validez en predicción de demanda. Variables de entrada: Demandas pasadas y variables exógenas (Temperatura, día de la semana, aporte de iluminación exterior, etc…)

-.Red Neuronal Artificial (R.N.A.).- Entrenamiento: Largos plazos, mínimo 1 año. Predicción a corto plazo. Una vez entrenada se gana en esfuerzo computacional pero se pierde claridad. Validación: Requiere varias validaciones.

-.Red Neuronal Artificial (R.N.A.).-

-.Próximos pasos.- Mejorar la RNA con variables exógenas que tengan un alto grado de correlación con la demanda. (H.R., víspera de festivo, nubosidad…) Generar una estrategia de control efectiva y eficiente para la conexión y desconexión de trafos que esté integrada en la arquitectura de control. (Gestión de tiempos en las conexiones, creacción de alarmas, reacción ante sobre tensiones prolongadas…)

-.Conclusiones.- Una buena elección de los trafos puede llevar a un ahorro económico tanto por disminuir las pérdidas, como por aumentar su vida útil. En fase de diseño puede ser complicado predecir la carga soportada por cada trafo  Interés en un sistema de predicción de demanda + Control para poder adecuar el número de trafos a la demanda (Máx. ƞ)

-.Conclusiones.- Una RNA es una excelente herramienta de predicción de demanda, pero debe de ser entrenada y diseñada para cada caso buscando todas las variables de entrada con alto índice de correlación con la demanda. (Trabajo largo y tedioso, pero a la larga computacional y económicamente rentable) Un sistema de control efectivo y eficiente en conjunción con una buena RNA nos lleva a grandes ahorros económicos manteniendo la continuidad y calidad de servicio o incluso mejorándolo.

GRACIAS POR SU ATENCIÓN Teléfono: Ext