Patente nacional por "MÉTODO PARA LA PLANIFICACIÓN Y OPTIMIZACIÓN DE ALMACENES TÉRMICOS EN INSTALACIONES INDUSTRIALES DE PRODUCCIÓN DE AGUA FRÍA Y/O CALIENTE"

Reivindicaciones:
+ ES-2955464_A11.- Método para la planificación y optimización de almacenes térmicos en instalaciones industriales de producción de agua fría y/o caliente, que comprende dos fases independientes basadas en sendos algoritmos predictivos que realizan: a) una primera fase de planificación que propone al operador estrategias de uso a través de predicciones basadas en el análisis de los diferentes actores presentes en la instalación y ofrece al usuario un gráfico con las previsiones de utilización del almacén térmico para un periodo de tiempo; y b) una segunda fase de optimización que utiliza un algoritmo basado en inteligencia artificial con el objetivo de optimizar los ciclos de carga y descarga de los acumuladores térmicos. 2.- Método, según la reivindicación 1, en el que la fase de planificación recibe al menos los siguientes datos de entrada: - tarificación horaria, de los distribuidores de la red, - recepción de consignas emitidas por el distribuidor eléctrico, - disgregación de la naturaleza de las fuentes de energía disponibles, - predicción de consumo, basado en el histórico diario o en función de las campañas de producción, - datos meteorológicos, - restricciones del operador. 3.- Método, según cualquiera de las reivindicaciones anteriores, en el que la fase de planificación se ejecuta bajo demanda del operador, de acuerdo a la siguiente secuencia de pasos: a) adquisición de los datos de tarificación eléctrica para el intervalo de tiempo predefinido, adquirida desde la web del distribuidor a través de Internet; b) adquisición de la composición del mix energético, desde los datos obtenidos de la propia web del distribuidor de energía, o con los datos de la red completados con los de sistema de gestión de energía; c) adquisición de las consignas del distribuidor, adquiridas desde internet o desde la propia acometida de la red eléctrica (contadores inteligentes) ; d) adquisición de los datos meteorológicos, adquiridos desde la web a través de los servicios de meteorología; e) predicción del consumo en base a datos históricos de la instalación que se hallan en la base de datos del sistema de explotación, según un patrón diario o con un período de tiempo en función de la campaña de producción; f) evaluación de las restricciones introducidas por el operador, que puede forzar el paro o la utilización del almacenamiento por motivos de mantenimiento u otros; g) ejecución del algoritmo de planificación; y h) despliegue de la planificación y mostrándolo al operario a través de un navegador web. 4.- Método, según cualquiera de las reivindicaciones anteriores, en el que la fase de planificación se ejecuta periódicamente a una frecuencia fijada por el operador, o de manera autónoma si se detecta un cambio en los parámetros de entrada, para lo cual se vigila permanentemente que no haya cambios en los datos de entrada que sobrepasen determinadas líneas rojas introducidas por el operador o demandas del distribuidor. 5.- Método, según cualquiera de las reivindicaciones anteriores, en el que la fase de planificación utiliza una modelización matemática centrada en la optimización del uso del almacén térmico, que está compuesta por: - variables de decisión que se identifican como los elementos sobre los que se tiene control y sobre los que se toma una decisión, - función objetivo, o expresión matemática que representa el objetivo de maximizar la utilización del almacén, y - las restricciones (expresiones matemáticas) que limitan los valores que pueden tomar las variables decisión. 6.- Método, según la reivindicación 1, en el que la fase de optimización incluye dos algoritmos independientes que tratan de optimizar los valores óptimos para la mayor eficacia en los ciclos de descarga y de carga del almacén térmico, en los que dichos algoritmos implementan un modelo de regresión lineal múltiple junto con un método de cuadrados ordinarios, tratando de hallar las relaciones existentes entre cada parámetro de configuración y la eficiencia del sistema. 7.- Método, según las reivindicaciones 1 y/o 6, en el que la implementación operacional de estos algoritmos de aprendizaje automático se diseña en dos fases, de entrenamiento y operacional, donde la fase de entrenamiento se realiza con un conjunto de datos de valores de los captores, sondas y equipos industriales que intervienen en los procesos, obtenidos el sistema de explotación disponible en la instalación con los datos recopilados durante la fase de puesta en servicio y calificación operacional. 8.- Método, según las reivindicaciones 1 y/o 6-7, en el que los parámetros de entrada para determinar un índice de calidad o ratio entre el consumo eléctrico (kW) por kilovatio de frío/calor (kWf/c) almacenado, para cada ciclo de carga, son los siguientes: - tiempo de carga, - temperatura de entrada al almacén del equipo productor de frío/calor, - temperatura de retorno hacia el equipo productor de frío/calor, - caudal de entrada desde el equipo productor de frío/calor, - temperatura de salida del almacén térmico, - nivel de carga del almacén térmico. - velocidad de bombeo, - número de productores de frío/calor, - consigna de carga del almacén térmico. 9.- Método, según las reivindicaciones 1 y/o 6-8, en el que los parámetros de entrada para determinar unos índices de calidad o ratios entre el consumo eléctrico (kW) por kilovatio de frío/calor (kWf/c) liberado, y entre el kWf/c liberado por kWf/c demandado para cada ciclo de descarga, son los siguientes: - tiempo de descarga, - temperatura de entrada del circuito hidráulico industrial de frío/calor, - temperatura de retorno del circuito hidráulico industrial de frío/calor, - caudal de salida del almacén térmico, - temperatura de salida del almacén de frío, - nivel de carga del almacén térmico, - velocidad de bombeo, - porcentaje de abertura de la válvula de paso, - consigna de potencia a librar desde el almacén térmico. 10.- Método, según las reivindicaciones 1 y/o 6-9, en el que el algoritmo de optimización se ejecuta bajo demanda del operador, en los siguientes pasos: a) detección de inicio de ciclo de carga o descarga, cuya señal se recupera desde el sistema de control y/o supervisión a través de una interface de comunicación, b) adquisición en tiempo de ejecución de los valores de entrada en el modelo, a través de dicha interface de comunicación, c) ejecución del modelo para evaluar los valores del ciclo de carga o descarga en curso y proporcionar al operador una predicción de eficiencia para el proceso, mostrado la desviación de los parámetros en curso al modelo más eficiente; y una vez el ciclo está finalizado, d) integración de los valores del ciclo para autocompletarse.

Los productos y servicios protegidos por este registro son:
F24H 15/156 - F24H 15/152 - F24H 15/10

Descripciones:
+ ES-2955464_A1 Método para la planificación y optimización de almacenes térmicos en instalaciones industriales de producción de agua fría y/o caliente Sector de la técnica La invención se encuadra en el sector de los sistemas de control o regulación en general; elementos funcionales de tales sistemas; disposiciones de seguimiento o pruebas para tales sistemas o elementos y el suministro, distribución o sistemas de almacenamiento de energía. Más concretamente, la presente invención se refiere a un método predictivo para la operabilidad de almacenamientos térmicos en instalaciones industriales con requisitos de producción de frío o calor de alta demanda. Este método está destinado a mejorar la eficiencia energética y optimizar la producción de instalaciones industriales que dispongan de este tipo de almacenes. El método predictivo está basado en algoritmos matemáticos que se nutren de datos: por una parte, estos datos son externos a la instalación industrial, como la tarifa energética, la naturaleza de las fuentes de energía o las consignas emitidas por el distribuidor eléctrico; y, por otra parte, datos extraídos de la propia instalación, recopilados durante la fase de puesta en servicio y calificación operacional, como captores, sondas, consumos o demanda de producción, etc. Estos algoritmos emplean modelos matemáticos avanzados que, a través del análisis de datos y la identificación de patrones, proponen estrategias específicas de uso (planificación) y de mejora operativa (optimización) para una explotación más eficiente del almacenamiento térmico. Estado de la técnica En los últimos años la industria busca soluciones innovadoras y verdes orientadas al ahorro energético, de manera que puedan reducir su factura eléctrica a la vez de reducir la huella de carbono. La previsión para un futuro inmediato contempla un aumento de los costes del suministro energético y la aplicación de nuevos impuestos relacionados con las emisiones de carbono. La tecnología TES (por sus siglas en inglés Thermal Energy Storage) , es una tecnología que almacena energía térmica calentando o enfriando un medio, de modo que la energía almacenada pueda utilizarse posteriormente para aplicaciones de refrigeración/calefacción o en procesos industriales donde la generación de frío o calor sea indispensable para el propio proceso industrial. Estos sistemas TES se utilizan tanto en edificios de servicios como en industria. Ejemplos de este tipo de productos: - Almacenamiento de frío: CALMAC, FAFCO, CRISTOPIA. - Almacenamiento de calor: TERMAL BATTERY. Este almacenamiento térmico permite a la entidad propietaria realizar diferentes tipos de estrategias para reducir los costes energéticos derivados de su actividad productiva, como, por ejemplo: - Desplazar la producción de frío o calor desde las horas de alta demanda productiva, que coinciden generalmente con horas de alta tarificación, a las horas de baja tarificación. - Absorber los picos de producción de energía renovables. La producción eléctrica de fuentes de energía renovables, como la fotovoltaica o la eólica, no es constante y es asíncrona las necesidades operacionales de la industria, esto provoca que haya picos de producción eléctrica que no pueden destinarse a procesos productivos y sean desaprovechados. - Responder a las demandas emitidas por el distribuidor de la red eléctrica. En el contexto de red inteligente, el almacenamiento térmico permite, por ejemplo, bajo demanda del distribuidor de la red eléctrica, descargarse en caso de sobrecarga en la red. De esta forma la instalación consume menos energía de la red y contribuye a la estabilidad de la misma, optando así a recompensas ofrecidas por el distribuidor. La automatización industrial es la técnica de control utilizada en la industria, la cual se basa principalmente en plataformas con Controladores Lógicos Programables (PLC) . Estos PLC se caracterizan por implementar lógicas fijas, lo que implica que sus secuencias y operaciones se establecen y programan de forma anticipada. De este modo, se asegura tanto la seguridad como el correcto funcionamiento de los equipos industriales. La ventaja de esta integración radica en su fiabilidad y predictibilidad, ya que permite abordar escenarios específicos y garantizar que los procesos se ejecuten de manera consistente, minimizando riesgos y optimizando la eficiencia y seguridad en las operaciones industriales. En la actualidad, el sector industrial está experimentando un cambio significativo impulsado por la adopción de tecnologías emergentes como el Internet de las Cosas (IoT) , la analítica, el Big Data y la Inteligencia Artificial, entre otros. Esta transformación se conoce como la cuarta revolución industrial o Industria 4.0. A través de la incorporación de estas tecnologías en la automatización industrial se está abriendo camino a nuevos enfoques más flexibles y adaptables, que podrían transformar el paradigma tradicional de control industrial hacia soluciones más inteligentes y conectadas. En el sector energético existen muchos productos que ofrecen modelos para el análisis y la predicción operativa orientados a la eficiencia energética y la estabilidad de la red. Empresas punteras del sector industrial ofrecen aplicaciones basadas en modelos predictivos para la gestión de las redes eléctricas inteligentes, siempre orientados a las "smartgrid" o "microgrids", que consisten básicamente en una red eléctrica descentralizada, que se compone de pequeñas y diversas fuentes de energía y operan de forma paralela o autónoma con respecto a la red principal, con el objetivo de obtener un suministro eléctrico que pueda ser más fiable, de gran eficiencia y que pueda aportar una mayor calidad en el servicio eléctrico, además de hacerlo seguro y sostenible tanto en las zonas rurales como urbanas. A día de hoy en el sector industrial, para realizar una instalación con este tipo de tecnología, la entidad interesada ha de adquirir el contenedor de frío o calor y contratar un servicio de ingeniería a un integrador de sistemas de control automático. El control y la regulación de estos sistemas se realiza durante la fase de puesta en servicio, donde se realizan los ajustes de los bucles de regulación y la parametrización. Esto permite al operador tener un dispositivo de almacenamiento térmico funcional para la explotación de la instalación. Una vez la instalación es operacional, es habitual que, en base a la experiencia de uso y el análisis de los datos recopilados, el equipo de mantenimiento realice periódicamente ajustes en la regulación del sistema para mejorar los procesos de carga y descarga y probar estrategias nuevas de uso. La naturaleza de estas lógicas fijas de los PLC restringe la capacidad para adaptarse a situaciones cambiantes y mejorar su rendimiento, lo que conduce a oportunidades perdidas para la eficiencia energética y la optimización continua del sistema. Las instalaciones de almacenamiento térmico industrial no cuentan con algoritmos de predicción específicos que propongan estrategias de explotación y optimicen los procesos productivos. Descripción de la invención El objetivo de la solicitud es ofrecer un método predictivo para la operabilidad de los almacenamientos térmicos que garantice su uso de la forma más eficiente, asegurando las siguientes funciones: 1. La planificación predictiva de uso en función de los diferentes actores involucrados, como, por ejemplo: tarifa energética, disponibilidad de fuentes de energía renovables, la demanda de producción, datos meteorológicos, etc. 2. La optimización del proceso productivo de frío o calor de forma automática: maximizando los ciclos de carga y descarga y evitando así ineficiencias operativas (subutilización o sobre exigencia del sistema) . A través de la implementación de técnicas avanzadas, el método permite una gestión proactiva de la energía contenida dentro del almacén térmico maximizando los ciclos de carga y descarga y proponiendo estrategias de uso en función de los diferentes actores involucrados. Permitiendo al operador optimizar sus operaciones, aumentar la productividad y reducir costes. Con el fin de alcanzar los objetivos propuestos, la invención propone un método para la planificación y optimización de almacenes térmicos en instalaciones industriales de producción de agua fría y/o caliente, que tiene las características de la reivindicación 1. El método objeto de esta invención está dividido de dos fases independientes basadas en sendos algoritmos predictivos que realizan: 1. Una fase de planificación: Esta fase propone al operador estrategias de uso a través de predicciones basadas en el análisis de los diferentes actores presentes en la instalación. 2. Una fase de optimización: Esta fase utiliza un algoritmo basado en inteligencia artificial con el objetivo de optimizar los ciclos de carga y descarga de los acumuladores térmicos. Consideraciones previas: Los sistemas de control industriales están basados generalmente en plataformas compuestas por PLC + SCADA. Estos SCADA son intrínsecamente sistemas de adquisición de datos (DAQ) y generalmente disponen de una base de datos para guardar los estados y medidas de las variables leídas desde los equipos y la instrumentación de campo. Este sistema de historización se asume existente en la instalación. En caso contrario, es necesario integrar previamente un sistema de adquisición de datos. Los algoritmos de las dos fases que conforman este método se ejecutan sobre un procesador estándar de un PC industrial. La fase de planificación ofrece al usuario un gráfico de Gantt con las previsiones de utilización del almacén térmico para un intervalo de tiempo predefinido (el intervalo de tiempo es definido en función de la naturaleza del proceso) . Para poder ejecutar este planificador el algoritmo necesita los datos de entrada, a saber: - Tarificación horaria, proveniente del distribuidor (s) de la red. - Recepción de consignas emitidas por el distribuidor eléctrico. - Disgregación de la naturaleza de las fuentes de energía disponibles. - Predicción de consumo, basado en el histórico diario o en función de las campañas de producción. - Los datos meteorológicos de la ubicación. - Restricciones del operador. El algoritmo se ejecuta bajo demanda del operador. Los pasos que sigue esta fase para la correcta ejecución del algoritmo son: a) Adquisición de los datos de tarificación eléctrica para el intervalo de tiempo fijado por el proceso. Esta información se adquiere directamente desde la web del distribuidor a través de Internet. b) Adquisición de la composición del mix energético. En el caso de ser la red eléctrica la única fuente de energía disponible, los datos son recuperados únicamente desde la propia web del distribuidor de energía. En el caso de ser un sistema de gestión energía más complejo, con diferentes fuentes disponibles, los datos de la red son completados con los de sistema de gestión de energía (EMS) . c) Adquisición de las consignas del distribuidor. En función de la tecnología implantada estas consignas pueden ser adquiridas desde internet o bien desde la propia acometida de la red eléctrica (contadores inteligentes) . d) Adquisición de los datos meteorológicos. Esta información se adquiere directamente desde la web a través de los servicios de meteorología de la ubicación donde se encuentre la instalación. e) Predicción del consumo. La predicción del consumo se hace en base a datos históricos de la instalación que se hallan en la base de datos del sistema de explotación. En función de la instalación la demanda de frío o calor puede seguir un patrón diario o con un período x, en función de la campaña de producción. f) Evaluación de las restricciones introducidas por el operador. El operador tiene a disposición una herramienta web a través de la cual, y gracias a un planificador horario, puede forzar el paro o la utilización del almacenamiento por motivos de mantenimiento u otros. g) Ejecución del algoritmo de planificación. h) Despliegue de la planificación. Este despliegue se muestra al operario a través de un navegador web. Una vez ejecutada la fase de planificación, esta se vuelve a ejecutar periódicamente a una frecuencia fijada por el operador. Esto quiere decir que los pasos descritos anteriormente se vuelven a ejecutar de manera secuencial, proporcionando al operario una planificación actualizada en todo momento. La fase de planificación también puede actualizarse de manera autónoma si detecta un cambio en los parámetros de entrada. Esto se debe a que dicha fase está vigilando en permanencia que no haya cambios en los datos de entrada: líneas rojas introducidas por el operador, demandas del distribuidor, etc. En caso de detectar un cambio en los datos de entrada la fase de planificación ejecuta el algoritmo para obtener la nueva planificación. Formular un modelo implica representar un problema del mundo real mediante expresiones matemáticas que describan de manera precisa y exacta la situación que se pretende modelizar. La fase de planificación utiliza una modelización matemática centrada en la optimización del uso del almacén térmico. Este tipo de modelos están compuestos por: - Variables de decisión: las variables decisión se identifican como los elementos sobre los que se tiene control y sobre los que se toma una decisión. - Función objetivo: La función objetivo (F.O.) es una expresión matemática que representa el objetivo de maximizar la utilización del almacén. - Restricciones: las restricciones son expresiones matemáticas cuya función es limitar los valores que pueden tomar las variables decisión. A continuación, se presenta la formulación que permite la planificación de recursos de nuestro caso. • Parámetros: o i: que va de 1 a m, donde m es el número de restricciones existentes. o j: que va de 1 a n, donde n es el número de variables existentes. o bi. Disponibilidad del recurso. Puede ser una limitación o requerimiento. o ac Coeficientes técnicos. o Cj: Coeficientes de las variables en la función objetivo. • Variables decisión: o Xi: Variables de decisión. • Función Objetivo: o Z: Valor de la función objetivo. Restricciones: La fase de optimización incluye dos algoritmos que tratan de optimizar los valores óptimos para la mayor eficacia en los ciclos de descarga y de carga del almacén térmico. Con lo cual tenemos: El algoritmo de carga. El algoritmo de descarga. Los dos algoritmos de la fase de optimización implementan un modelo de regresión lineal múltiple junto con un método de cuadrados ordinarios para reducir la función de costes (error entre los valores predichos y los reales) . El modelo de regresión lineal múltiple es un algoritmo de la familia de algoritmos del Machine Learning. El Machine Learning es una rama de la Inteligencia Artificial que hace posible el aprendizaje autónomo de las máquinas, sin necesidad de ser programadas expresamente para ello. Este modelo es el que mejor se adapta a nuestra necesidad de optimización de recursos. La fase de optimización trata de hallar las relaciones existentes entre cada parámetro de configuración y la eficiencia de la máquina. La implementación operacional de estos algoritmos de aprendizaje automático se diseña en dos fases: a. La fase de entrenamiento. b. La fase operacional. Para la fase de entrenamiento es necesario disponer de un dataset (conjunto de datos) con los valores de los captores, sondas y equipos industriales que intervienen en los procesos. Estos datos se obtienen del sistema de explotación disponible en la instalación con los datos recopilados durante la fase de puesta en servicio y calificación operacional. Estos datos se hayan almacenados en la base de datos del sistema de adquisición. A partir de estos datos históricos se construye el primer modelo. La ventaja de modelar estos ciclos de carga y descarga consiste en encontrar una relación entre la calidad de la carga o descarga y cada una de las variables de entrada. La tabla siguiente describe los parámetros de entrada y el índice de calidad medido para cada ciclo: * kWf/c: kilovatio de frío En segunda instancia, en la fase operacional, el modelo se pone en ejecución. A partir de este momento, el modelo genera una valoración sobre el ciclo de carga y/o descarga en curso ofreciendo al operador variaciones de parámetros para optimizar el proceso. Una vez el ciclo ha concluido, el modelo utiliza estos nuevos datos para realizar un nuevo aporte al modelo. El algoritmo se ejecuta bajo demanda del operador. Los pasos que sigue esta fase para la correcta ejecución del algoritmo son: a) Detección de inicio de ciclo de carga o descarga. Esta señal se recupera desde el sistema de control y/o supervisión a través de una interface de comunicación en protocolo OPC UA. El protocolo industrial OT utilizado puede variar en función de la conectividad de la instalación. b) Adquisición en tiempo de ejecución de los valores de entrada en el modelo. A través de la misma interface de comunicación del paso 1. c) Ejecución del modelo. La ejecución del modelo, evalúa los valores del ciclo de carga o descarga en curso y proporciona al operador una predicción de eficiencia para el proceso, mostrado la desviación de los parámetros en curso al modelo más eficiente. d) Una vez el ciclo está finalizado, el modelo integra los valores del ciclo para autocompletarse. Entre las ventajas del método de la presente invención cabe destacar las siguientes: - Enfoque en instalaciones industriales específicas: Este método está especializado en un tipo particular de instalación industrial que actualmente no dispone de mecanismos de optimización avanzados. - Precisión y personalización: El algoritmo está diseñado para adaptarse y optimizar de manera más precisa a las necesidades y características específicas de cada instalación industrial en función de la instrumentación y el número de equipos involucrados. - Eficiencia en tiempo real: El algoritmo es capaz de proporcionar resultados y predicciones en tiempo real, de manera que el operador pueda realizar las acciones correctivas de forma inmediata. - Escalabilidad: Esta herramienta permite estar conectado a un sistema de gestión energética de nivel superior, aumentando así el número de estrategias a implementar sobre el uso del almacén térmico. - Seguridad y confidencialidad: Esta herramienta no depende de servicios en la nube, lo cual garantiza la confidencialidad y la protección de la información de los clientes. - Gestión de costes: La herramienta permite gestionar el ahorro económico realizado, así como cuantificar el CO2 no consumido y por tanto conocer el retorno de la inversión.

Publicaciones:
ES2955464 (01/12/2023) - A1 Solicitud de patente con informe sobre el estado de la técnica
Eventos:
En fecha 13/09/2023 se realizó Registro Instancia de Solicitud
En fecha 13/09/2023 se realizó Admisión a Trámite
En fecha 13/09/2023 se realizó Aceptación Tramitación CAP
En fecha 13/09/2023 se realizó 1001P_Comunicación Admisión a Trámite
En fecha 21/09/2023 se realizó Superado examen de oficio
En fecha 19/11/2023 se realizó Realizado IET
En fecha 23/11/2023 se realizó 1109P_Comunicación Traslado del IET
En fecha 01/12/2023 se realizó Publicación Solicitud
En fecha 01/12/2023 se realizó Publicación Folleto Solicitud con IET (A1)
En fecha 23/01/2024 se realizó 5215P_Observaciones del solicitante al IET, Opinión Escrita y/o alegaciones a observaciones de terceros
En fecha 20/02/2024 se realizó Validación petición y/o pago de examen sustantivo conforme
En fecha 26/04/2024 se realizó El solicitante ha contestado pero existen nuevas objeciones a la concesión de la solicitud
En fecha 26/04/2024 se realizó Elaboración de examen sustantivo
En fecha 26/04/2024 se realizó 6120P_Notificación de examen sustantivo
Pagos:
13/09/2023 - Pago Tasas IET