Proyecto 3BD: inteligencia artificial aplicada en calderas de biomasa

Este proyecto, liderado por Termosun en colaboración con Pervasive e IMAE, aplica tecnología de IA a calderas de biomasa para el sector industrial con el objetivo de optimizar el rendimiento energético, lo que reduce el impacto ambiental a la vez que disminuye los costos operativos de mantenimiento de las calderas. El uso de datos de temperatura y oxígeno muestra resultados prometedores, y allana el camino hacia una combustión más sostenible.

3BD Biomass Boiler Data es un innovador proyecto llevado a cabo por Termosun en colaboración con Pervasive e IMAE. Este proyecto está en el centro de la revolución de la biomasa al aplicar tecnología de inteligencia artificial en calderas de biomasa de potencia elevada para el sector industrial. Su misión fundamental es optimizar el rendimiento energético de estas calderas, lo que conlleva una serie de beneficios significativos.

En primer lugar, busca reducir drásticamente los impactos ambientales, ya que una combustión más eficiente disminuye las emisiones de gases contaminantes, lo que se traduce en un aire más limpio y una contribución sustancial a la lucha contra el cambio climático. En segundo lugar, la implementación de esta tecnología de vanguardia tiene el potencial de reducir los costos operativos y de mantenimiento de las calderas, lo que se traduce en un ahorro económico significativo para las empresas y comunidades que utilizan estos sistemas de calefacción de biomasa.

El proceso de combustión en el horno de la caldera y la recuperación de energía a partir de la biomasa es un sistema complejo con múltiples variables, como por ejemplo la humedad o la reología de la biomasa. Estas variables son la clave para lograr la máxima eficiencia en la conversión de energía y garantizar emisiones mínimas y un consumo óptimo de biomasa.

El proyecto de inteligencia artificial 3BD está avanzando en el desarrollo de tres modelos independientes. Estos modelos tienen como objetivo mejorar tanto la optimización de la combustión de la caldera como la labor del técnico-operador de la caldera.

En esta etapa inicial de modelado, se ha creado un gemelo digital de la caldera con diversas opciones a tener en cuenta, como los parámetros de control de la caldera (motores, ventiladores, parrillas y trampillas), las temperaturas y los niveles de oxígeno. En esta fase de modelado, no se han utilizado datos de la llama.

• Modelos Tipo P: Utilizando exclusivamente parámetros de la caldera.
• Modelos Tipo PT: Agregando parámetros de temperatura.
• Modelos Tipo PTO: Incorporando parámetros de la caldera, temperatura y oxígeno.

Para cada modelo se han realizado predicciones instantáneas de la potencia de vapor y pronósticos futuros sobre los niveles de potencia y oxígeno en la caldera, considerando intervalos de 1, 2 y 5 minutos.

Podemos cuantificar la discrepancia entre las predicciones y los valores del sensor en cada punto temporal. Para hacerlo, calculamos el Error Absoluto Medio (MAE) como el promedio siguiente, donde consideramos N predicciones del conjunto de datos de test, la “Y medida” es la registrada por el sensor y la “Y modelo” la magnitud predicha por el modelo.

El cálculo del MAE, en promedio, nos proporciona información sobre cuánto nos alejamos del valor registrado. Se destaca que los modelos que incorporan datos de temperatura interna producen MAE más bajos. Asimismo, la información instantánea sobre los niveles de oxígeno mejora la predicción futura del oxígeno.

Los modelos PT y PTO suponen una mejora en las predicciones del modelo planteado.

Los gráficos representan la predicción instantánea de la potencia utilizando dos tipos de modelos, P (izquierda) y PTO (derecha). Estos gráficos presentan dos ventanas de tiempo, una de 12 horas en la parte superior y otra de 1 hora en la parte inferior. En ellos, la línea azul muestra el "Ground Truth", que son los valores reales de la caldera, mientras que la línea roja representa los valores de predicción.

Los picos que se observan coinciden con los momentos de limpieza periódica de las cenizas en los conductos de la caldera. Estos eventos se programan a intervalos regulares, generalmente entre una y tres horas.

 

Conclusiones del progreso del proyecto para optimizar la combustión

• Los modelos predictivos para el nivel de oxígeno y la presión de vapor demuestran una alta confiabilidad en la reproducción de los datos de prueba.
• El modelo adquiere conocimientos sobre los patrones de funcionamiento. En otras palabras, si se establecen ciertos parámetros, temperaturas y niveles de oxígeno, puede predecir cambios en los niveles de oxígeno.
• Las mediciones de oxígeno contienen una componente de variabilidad que no puede ser completamente capturada solo con los valores de los sensores. Las mediciones de la llama y del interior de la caldera pueden mejorar este aspecto.

Proyecto de investigación y desarrollo en inteligencia artificial y otras tecnologías digitales, realizado gracias al apoyo financiero de la Unión Europea, Fondo Europeo de Desarrollo Regional (FEDER) Una manera de hacer Europa.