Nueva metodología basada en Machine Learning para análisis de contaminación en mediciones de Calidad de la Energía
DIRAM
DIRAM
29/7/2022

Nueva metodología basada en Machine Learning para análisis de contaminación en mediciones de Calidad de la Energía

Nueva metodología basada en Machine Learning para análisis de contaminación en mediciones de Calidad de la Energía

En Diram siempre buscamos innovar y ayudar a nuestros clientes a solucionar los problemas que los aquejan en su día a día de forma eficaz, siempre apoyándonos en la última tecnología disponible.

Conoce a continuación cómo con ayuda de nuestra nueva metodología basada en Machine Learning logramos resolver uno de los problemas más comunes en la industria.

Problemática

Es necesario realizar mediciones cuando los usuarios industriales tienen problemas de calidad de la energía. En estos casos, se puede evaluar la causa raíz de dichos problemas en función del nivel y tipo de contaminación (distorsión armónica) presentes en el suministro de energía del usuario.

Es importante mencionar que no se acostumbra cuestionar si la contaminación medida proviene de la red eléctrica o es causada por la operación del usuario industrial. Si bien existen distintas razones, existen dos principales a destacar: 

1.- Realizar dicho análisis es relativamente complejo. 

2.- En el pasado, la mayor parte de la tecnología para la generación de energía eléctrica no tendía a generar este tipo de problemas de calidad de energía.

Por las dos razones mencionadas anteriormente, se suele asumir automáticamente que dicha contaminación es generada por el usuario industrial, además de diseñar la solución basándose en esa premisa.

Sin embargo, en la actualidad la tecnología para la generación de energía eléctrica a pesar de tener muchas ventajas con respecto a sus predecesoras, como contraparte presenta una clara tendencia a generar este tipo de problemas de calidad de energía. Por lo tanto, existen segmentos de la red donde la solución típicamente implementada puede no ser la adecuada, ocasionando que los equipos presenten fallas, cuando de haber considerado la premisa correcta, la especificación de la solución hubiera sido la ideal y por tanto los objetivos se habrían alcanzado.

Solución

En Diram desarrollamos una herramienta basada en Machine Learning (Inteligencia Artificial) que permite al usuario conocer con certeza cuándo la contaminación proviene de la red y cuándo desde el centro de carga.

En nuestro paper te hablaremos sobre:

  • Qué son los armónicos.
  • Diferencias en campo: Cómo luce la contaminación cuando proviene de la red o de la planta.
  • La nueva Metodología de Diram para determinar si la contaminación proviene de la  empresa o ya se encontraba presente desde antes.
  • Soluciones a implementar en cada caso. 
  • Esta metodología fue presentada en la IPRECON con sede en la India en el año 2021 por uno de nuestros colaboradores.
  • Metodología previamente probada con clientes de Diram.

[ Descarga el PDF de nuestro paper en IEEE Xplore ]

Acércate a nuestros técnicos especialistas para conocer más sobre esta metodología y cómo podemos implementarla en tus instalaciones para ayudarte a contar con mediciones confiables.

¡Suscríbete
a nuestro blog!

Inscríbete con tu correo para recibir noticias y actualizaciones mensuales

Artículos recientes

Ya cumplí con el Código de Red ¿Debo avisar a la CRE?

Ya cumplí con el Código de Red ¿Debo avisar a la CRE?

Conoce si debes notificar sobre tu cumplimiento a la CRE y cómo hacerlo.

Ver más
Conoce la App PQSCADA de Sapphire

Conoce la App PQSCADA de Sapphire

Esta App ofrece una excelente funcionalidad y mayor rendimiento para el análisis y visualización de datos. 

Ver más

Algunos de nuestros clientes