CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES
RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico...
- Autores:
-
Álvarez-López, Mauricio Alexánder
Henao-Baena, Carlos Alberto
Marulanda-Durango, Jesser James
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2015
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/4899
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/4899
https://revistas.eia.edu.co/index.php/reveia/article/view/671
- Palabra clave:
- horno de arco
calibración de parámetros
redes neuronales
Latin Hypercube
emulación
- Rights
- openAccess
- License
- Revista EIA - 2014
id |
REIA2_c5fe94fc08d105d5acd3465c4018ec1c |
---|---|
oai_identifier_str |
oai:repository.eia.edu.co:11190/4899 |
network_acronym_str |
REIA2 |
network_name_str |
Repositorio EIA . |
repository_id_str |
|
dc.title.spa.fl_str_mv |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
dc.title.translated.eng.fl_str_mv |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
title |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
spellingShingle |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES horno de arco calibración de parámetros redes neuronales Latin Hypercube emulación |
title_short |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
title_full |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
title_fullStr |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
title_full_unstemmed |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
title_sort |
CALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALES |
dc.creator.fl_str_mv |
Álvarez-López, Mauricio Alexánder Henao-Baena, Carlos Alberto Marulanda-Durango, Jesser James |
dc.contributor.author.spa.fl_str_mv |
Álvarez-López, Mauricio Alexánder Henao-Baena, Carlos Alberto Marulanda-Durango, Jesser James |
dc.subject.spa.fl_str_mv |
horno de arco calibración de parámetros redes neuronales Latin Hypercube emulación |
topic |
horno de arco calibración de parámetros redes neuronales Latin Hypercube emulación |
description |
RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximación el comportamiento de este tipo de carga, puesto que se podría evaluar su impacto en términos de índices de calidad de energía para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matemáticos de arco eléctrico consiste en la calibración de los parámetros que describen la dinámica del modelo. En este documento se muestra un procedimiento para calibrar todos los parámetros de un modelo de horno de arco eléctrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulación obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parámetros de interés se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error máximo de 4,1 % en el valor eficaz de las corrientes del arco eléctrico.ABSTRACTElectric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab®-Simulink®. Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc. |
publishDate |
2015 |
dc.date.accessioned.none.fl_str_mv |
2015-04-09 00:00:00 2022-06-17T20:18:20Z |
dc.date.available.none.fl_str_mv |
2015-04-09 00:00:00 2022-06-17T20:18:20Z |
dc.date.issued.none.fl_str_mv |
2015-04-09 |
dc.type.spa.fl_str_mv |
Artículo de revista |
dc.type.eng.fl_str_mv |
Journal article |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ARTREF |
dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
format |
http://purl.org/coar/resource_type/c_6501 |
status_str |
publishedVersion |
dc.identifier.issn.none.fl_str_mv |
1794-1237 |
dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/4899 |
dc.identifier.eissn.none.fl_str_mv |
2463-0950 |
dc.identifier.url.none.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/view/671 |
identifier_str_mv |
1794-1237 2463-0950 |
url |
https://repository.eia.edu.co/handle/11190/4899 https://revistas.eia.edu.co/index.php/reveia/article/view/671 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.bitstream.none.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/download/671/643 |
dc.relation.citationedition.spa.fl_str_mv |
Núm. 22 , Año 2014 |
dc.relation.citationendpage.none.fl_str_mv |
50 |
dc.relation.citationissue.spa.fl_str_mv |
22 |
dc.relation.citationstartpage.none.fl_str_mv |
39 |
dc.relation.citationvolume.spa.fl_str_mv |
11 |
dc.relation.ispartofjournal.spa.fl_str_mv |
Revista EIA |
dc.rights.spa.fl_str_mv |
Revista EIA - 2014 |
dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0 |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Revista EIA - 2014 https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.publisher.spa.fl_str_mv |
Fondo Editorial EIA - Universidad EIA |
dc.source.spa.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/view/671 |
institution |
Universidad EIA . |
bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/0abe9b75-7854-4bfa-8f2f-26d3c7d9eea8/download |
bitstream.checksum.fl_str_mv |
864fc78d1c0e71478eab4c544d2cadd8 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1814100913864835072 |
spelling |
Álvarez-López, Mauricio Alexánder97a17b566e594edc27d9f818cb290c0d300Henao-Baena, Carlos Alberto7e5aa410f09703a093d4c5825ff33fb8300Marulanda-Durango, Jesser Jamesfd6d7785b043008157e4be4f4dff6ffd3002015-04-09 00:00:002022-06-17T20:18:20Z2015-04-09 00:00:002022-06-17T20:18:20Z2015-04-091794-1237https://repository.eia.edu.co/handle/11190/48992463-0950https://revistas.eia.edu.co/index.php/reveia/article/view/671RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximación el comportamiento de este tipo de carga, puesto que se podría evaluar su impacto en términos de índices de calidad de energía para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matemáticos de arco eléctrico consiste en la calibración de los parámetros que describen la dinámica del modelo. En este documento se muestra un procedimiento para calibrar todos los parámetros de un modelo de horno de arco eléctrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulación obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parámetros de interés se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error máximo de 4,1 % en el valor eficaz de las corrientes del arco eléctrico.ABSTRACTElectric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab®-Simulink®. Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc. RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximación el comportamiento de este tipo de carga, puesto que se podría evaluar su impacto en términos de índices de calidad de energía para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matemáticos de arco eléctrico consiste en la calibración de los parámetros que describen la dinámica del modelo. En este documento se muestra un procedimiento para calibrar todos los parámetros de un modelo de horno de arco eléctrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulación obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parámetros de interés se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error máximo de 4,1 % en el valor eficaz de las corrientes del arco eléctrico.ABSTRACTElectric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab®-Simulink®. Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc. application/pdfspaFondo Editorial EIA - Universidad EIARevista EIA - 2014https://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/671horno de arcocalibración de parámetrosredes neuronalesLatin HypercubeemulaciónCALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALESCALIBRACIÓN DE LOS PARÁMETROS DE UN MODELO DE HORNO DE ARCO ELÉCTRICO EMPLEANDO SIMULACIÓN Y REDES NEURONALESArtículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85https://revistas.eia.edu.co/index.php/reveia/article/download/671/643Núm. 22 , Año 201450223911Revista EIAPublicationOREORE.xmltext/xml2738https://repository.eia.edu.co/bitstreams/0abe9b75-7854-4bfa-8f2f-26d3c7d9eea8/download864fc78d1c0e71478eab4c544d2cadd8MD5111190/4899oai:repository.eia.edu.co:11190/48992023-07-25 17:17:26.929https://creativecommons.org/licenses/by-nc-nd/4.0Revista EIA - 2014metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com |