Resumen
El presente trabajo se desarrolló a fin de predecir mediante un modelo, la producción neta de energía en una central termoeléctrica. Como caso de estudio, se analizó los datos del histórico de horas de operación de la Central Termoeléctrica Quevedo. Como descriptores primarios, se identificaron las variables de entrada como combustible pesado (HFO), diésel (DO) y lubricante (LO). Las predicciones de energía, se desarrollaron aplicando múltiples regresores de aprendizaje automático (por ejemplo, procesos Gaussianos, algoritmos de aumento de gradiente, bosques aleatorios, vectores de soporte y redes neuronales). Se empleó un total de 365 conjuntos de datos, para lo cual, primero se aleatorizaron los datos y se dividió en porciones de entrenamiento (80%) y pruebas (20%). Para evitar el sobreajuste, se aplicó una validación cruzada de cinco veces. Se encontró una eficiencia de generación de planta del 15,52% ± 3,76 con un índice de disponibilidad de alrededor del 84% que describe el funcionamiento normal de la misma. El descriptor HFO representa el factor principal para predecir la energía neta producida a través de un análisis de importancia de características. Las predicciones de energía obtenidas, al compararlas, muestran un 97,85% de precisión en comparación a los resultados medidos. Los algoritmos que muestran mayor precisión fueron redes neuronales multicapa, procesos Gaussianos y el regresor de vector de soporte lineal.
Título traducido de la contribución | Model of the Energy Production Process in Thermal Generation Plants Considering the Operation Profile |
---|---|
Idioma original | Español (Ecuador) |
Páginas (desde-hasta) | 5541-5560 |
Número de páginas | 20 |
Publicación | Ciencia latina |
Volumen | 6 |
N.º | 6 |
DOI | |
Estado | Publicada - 27 sep. 2022 |
Palabras clave
- Energy production
- Importance of functions
- Machine learning
- Prediction
- Thermoelectric
Areas de Conocimiento del CACES
- 727A Diseño industrial y de procesos