Patente nacional por "PROCEDIMIENTO DE ESTIMACIÓN DEL RÉGIMEN DE FUNCIONAMIENTO DE UN SISTEMA A PARTIR DE LA FIRMA DE SU CONSUMO ELÉCTRICO"

Reivindicaciones:
+ ES-2959540_A11.- Procedimiento de estimación del régimen de funcionamiento de un sistema (1) a partir de la firma de su consumo eléctrico, estando el sistema (1) alimentado con trifásica y comprendiendo uno o más equipamientos gestionados mediante unas señales de control, comprendiendo el procedimiento una primera etapa de entrenamiento de modelos, que comprende las subetapas de: - captura de unas señales analógicas (2) de tensión, intensidad y ángulo de desfase entre ambas, de cada una de las fases de la alimentación trifásica del sistema (1) ; - captura de unas señales digitales (3) de las señales de control del sistema (1) , que determinan qué equipamientos del sistema (1) están activados y desactivados; - entrenamiento de un modelo de inteligencia artificial (7) , a partir de las señales analógicas (2) y las señales digitales (3) , para determinar unos estados discretos (5) en los que se encuentra el sistema (1) en cada momento, siendo cada estado discreto (5) del sistema diferente para cada combinación de equipamientos activados; - entrenamiento, a partir de los estados discretos (5) determinados en el modelo de inteligencia artificial (7) , de un modelo de secuenciación de estados (8) ; una segunda etapa, de estimación del régimen de funcionamiento del sistema (1) , que comprende las subetapas de: - captura de señales analógicas (2) de tensión, intensidad y ángulos de desfase de cada una de las fases de la alimentación trifásica del sistema (1) ; - predicción síncrona del estado discreto (5) en el que se encuentra el sistema (1) en cada momento, a partir de las señales analógicas (2) y el modelo inteligencia artificial (7) previamente entrenado; - secuenciación y segmentación de los estados discretos (5) del sistema (1) , utilizando el modelo de secuenciación de estados (8) , obteniéndose un conjunto de subsecuencias (6) ; y - obtención de un conjunto de tendencias de comportamiento del sistema (1) a partir del conjunto de subsecuencias (6) , su duración y su repetibilidad. 2.- El procedimiento de la reivindicación 1, que comprende adicionalmente una etapa de captura de señales complementarias (4) para el entrenamiento del modelo de inteligencia artificial (7) y para la predicción síncrona del estado discreto (5) del sistema (1) . 3.- El procedimiento de la reivindicación 2, que comprende una etapa final adicional de obtención de un estado operativo (9) del sistema (1) a partir de las tendencias de comportamiento y las señales complementarias (4) . 4.- El procedimiento de la reivindicación 2, en que una señal complementaria (4) es la potencia consumida por el sistema (1) . 5.- El procedimiento de la reivindicación 1, en el que el modelo de inteligencia artificial (7) es un modelo basado en modelos de regresión. 6.- El procedimiento de la reivindicación 1, que comprende una etapa adicional final de almacenamiento y envío de un conjunto de datos obtenidos en cada una de las etapas del procedimiento. 7.- Programa de ordenador configurado para ejecutar las etapas del procedimiento de acuerdo con cualquiera de las reivindicaciones 1 a 6. 8.- Unidad de almacenamiento configurada para almacenar el programa de ordenador de acuerdo con la reivindicación 7.

Los productos y servicios protegidos por este registro son:
G06N 20/00 - G06N 5/00 - G01D 4/00

Descripciones:
+ ES-2959540_A1 PROCEDIMIENTO DE ESTIMACIÓN DEL RÉGIMEN DE FUNCIONAMIENTO DE UN SISTEMA A PARTIR DE LA FIRMA DE SU CONSUMO ELÉCTRICO OBJETO DE LA INVENCIÓN Se trata de un procedimiento de identificación del estado de un sistema alimentado por energía eléctrica y cuyo régimen de funcionamiento pueda ser descrito por un conjunto finito de estados discretos, empleando para ello nueve valores que en un sistema trifásico quedan definidos por los tres componentes de la tensión, los tres de la intensidad de corriente y los tres ángulos de desfase tensión-corriente. El procedimiento permite la identificación, para cada valor medido de las variables de entrada, del estado del sistema. A partir de la evolución temporal de los estados del sistema, el procedimiento permite identificar secuencias o grupos de estados que describen comportamientos agregados del sistema (ciclos de operaciones regulares, respuestas a incidencias, etc.) . ANTECEDENTES DE LA INVENCIÓN La identificación de sistemas consiste en construir modelos matemáticos de sistemas dinámicos a partir de determinados datos de entrada. Estos modelos y sus abstracciones pueden verse como la interfaz entre el mundo real de las aplicaciones y el mundo matemático de la teoría de control. La identificación de sistemas es un tema muy amplio, con diferentes técnicas que dependen del carácter de los modelos a estimar: lineales, no lineales, híbridos, no paramétricos, etc., aunque globalmente la taxonomía más habitual reconoce las técnicas de caja negra y caja gris, entendiendo esta última como en la que los datos son complementados con algún conocimiento del proceso que sigue el sistema que se desea modelar. La identificación del sistema también incluye el diseño óptimo de experimentos para generar de manera eficiente datos informativos para ajustar dichos modelos, así como la reducción de modelos. Un enfoque común es comenzar con mediciones del comportamiento del sistema y las influencias externas (entradas al sistema) y tratar de determinar una relación matemática entre ellas sin entrar en muchos detalles de lo que realmente sucede dentro del sistema. Este enfoque se denomina identificación del sistema de caja negra. En este contexto se entiende por "estado de un sistema" un modo de operación del sistema que se caracteriza por la operación de determinados equipos o elementos del sistema y la parada de otros. Cada modo de operación debe ser intrínsecamente diferente de los restantes estados posibles. Particularmente, la identificación de sistemas en estados discretos de operación es un procedimiento de utilidad en múltiples campos de aplicación, sistemas y equipos industriales, pues permite extender el ámbito del mantenimiento basado en condición y la supervisión de los mismos. La identificación de sistemas puede verse como la interfaz entre el mundo real de las aplicaciones y el mundo matemático de la teoría de control y las abstracciones de modelos. Como tal, es una necesidad omnipresente para aplicaciones exitosas. Al mismo tiempo, el área puede caracterizarse por un pequeño número de principios rectores, por ejemplo, buscar descripciones sostenibles mediante decisiones adecuadas en el triángulo de complejidad del modelo, contenido de información en los datos y validación efectiva. El área tiene muchas facetas y hay muchos enfoques y métodos. Hoy en día, existen herramientas maduras y económicas para crear buenos modelos para sistemas dinámicos lineales, si bien, desafortunadamente, muchos sistemas reales no son lineales y requieren herramientas de modelado más avanzadas. Concretamente, la identificación de sistemas desde el consumo eléctrico se centra en desarrollar perfiles detallados de consumo de energía eléctrica de sus componentes, de modo que las compañías eléctricas pueden utilizarlas para ayudar a nivelar las cargas máximas y planificar la capacidad futura. El problema es que la medición convencional de aparatos o componentes individuales es costosa e inconveniente para el consumidor. Estos costes aumentan rápidamente a medida que los requisitos de datos se vuelven cada vez más complejos. El alto coste de los equipos, la limitada confiabilidad y flexibilidad, incluyendo la intrusión en las actividades e instalaciones del cliente, continúa limitando la cantidad de datos de uso que las empresas de servicios públicos pueden recopilar. Para hacer frente a estas preocupaciones, las empresas de servicios públicos han buscado una forma de determinar el historial operativo de una carga eléctrica a partir de mediciones realizadas únicamente en la entrada del servicio de servicios públicos de un edificio. Como resultado, se desarrollaron sistemas de monitoreo de carga no intrusivos. Los monitores de carga no intrusivos NILM (Non-intrusive Load Monitoríng, monitorización de carga no intrusiva) están destinados a determinar el programa operativo de las principales cargas eléctricas en un edificio a partir de mediciones realizadas en la entrada del servicio público. Los esquemas de monitoreo de carga convencionales requieren conexiones o equipos de medición separados para cada carga de interés. Se ha demostrado la viabilidad del enfoque de monitoreo no intrusivo para fines residenciales. Sin embargo, las limitaciones fundamentales en el diseño del NILM residencial dificultan su capacidad para operar en un edificio comercial o industrial, donde los equipos se encienden y apagan con frecuencia y se realizan esfuerzos sustanciales, por ejemplo, corrección del factor de potencia, para homogeneizar el comportamiento de estado estable para las diferentes cargas. Una rama del NILM se centra en el campo del aprendizaje automático (ML, Machine Learning) , que ha introducido una perspectiva única de monitoreo de electricidad conocida como monitoreo de carga no intrusivo (NILM) o carga de dispositivo no intrusivo seguimiento (NIALM, Nonintrusive Applicance Load Monitoring) . La práctica actual ampliamente aceptada es dividir NIALM en dos tareas diferentes, es decir, desagregación de energía e identificación de carga. La desagregación energética es un proceso de separación de firmas eléctricas de electrodomésticos individuales de la carga agregada de una casa. Este proceso debe realizarse sin utilizar contadores de energía para aparatos individuales. La desagregación de energía es útil de varias maneras. Este proceso motiva a los usuarios a controlar su consumo de energía y aprovechar los incentivos ofrecidos por los proveedores. Esta técnica puede rastrear el evento, el tipo de aparato y la falla en el sistema. Las técnicas NILM, como se han utilizado tradicionalmente, constan de cuatro pasos elementales: medición de señal, detección de eventos, extracción de características y desagregación de energía. Se han propuesto métodos de desagregación de energía de última generación utilizando algoritmos de aprendizaje automático como K-Nearest-Neighbours, máquina de vectores de soporte, técnicas de Random Forest, redes neuronales profundas, métodos de transferencia profunda y/o transformadores. Son conocidos también documentos de patente que han hecho aportaciones relevantes, como, por ejemplo, el documento US5483153A, que proporciona un detector de eventos transitorios para su uso en un sistema de monitorización de carga eléctrica no intrusivo en un sitio monitorizado que tiene al menos una carga eléctrica. El detector de eventos transitorios incluye una porción de adquisición de datos para adquirir y almacenar datos de patrones transitorios de potencia de arranque asociados con cada carga eléctrica que se monitorea; un monitor para monitorear continuamente los datos de patrones de carga de potencia total en el sitio; y un procesador para correlacionar los datos de patrones transitorios con los datos de patrones de carga de potencia total con el fin de identificar cada carga eléctrica. Asimismo, el documento EP2801792B1 describe un aparato y un método de monitorización no intrusiva de la carga (NILM) que detecta el cambio de estado de una carga utilizando un factor de potencia del consumo de energía como característica, o detecta el cambio de estado de una carga utilizando tanto un factor de potencia como una potencia aparente, e identifica la carga utilizando la teoría de la superposición. El aparato NILM incluye una unidad de sensor para recoger información sobre el consumo de energía de los electrodomésticos, y un controlador que detecta los eventos relacionados con el consumo de energía que se producen en los electrodomésticos basándose en la información sobre el factor de potencia entre la información de consumo de energía recogida por la unidad de sensor. Además, el documento WO2011104661A1 describe un método para identificar el estado de los aparatos conectados a una instalación eléctrica, por ejemplo, un estado que indica si el aparato está encendido o apagado. La identificación se obtiene midiendo uno o más valores eléctricos de la instalación eléctrica, como tensiones, potencia y corriente en diversas formas. Los valores medidos se comparan con las firmas del aparato obtenidas previamente para obtener una coincidencia con una de las firmas. Una coincidencia positiva se utiliza para establecer un estado de uno de los aparatos. Un estado puede ser el consumo de energía actual o el consumo de energía puede determinarse posteriormente a partir del estado. Dado que las firmas de los aparatos pueden depender de la tensión de alimentación, una firma puede contener una pluralidad de tensiones de alimentación y un parámetro eléctrico, por ejemplo, el consumo de energía, para cada una de las tensiones. Las firmas pueden obtenerse durante un proceso de entrenamiento en el que la tensión suministrada al aparato se varía de forma controlada. Sin embargo, la mayoría de las contribuciones existentes, ya sean académicas o de patentes, tienen que ver con la identificación de los equipos activos, pero utilizando para ello la medida del consumo de energía (evolución de la demanda de potencia en el tiempo) . Otra dificultad adicional que se debe gestionar es la limitada existencia de conjuntos de datos etiquetados para poder desarrollar modelos agnósticos basados en datos o híbridos que utilicen datos de un modo supervisado. Por ello también ha habido propuestas que con éxito limitado han tratado de utilizar técnicas no supervisadas, mientras que el grueso de contribuciones han seguido las propuestas descritas en los apartados anteriores. DESCRIPCIÓN DE LA INVENCIÓN La invención consiste en un procedimiento de estimación del régimen de funcionamiento de un sistema alimentado por energía eléctrica cuyo régimen de funcionamiento pueda ser descrito por un conjunto finito de estados discretos, a partir de la firma de su consumo eléctrico. La diferencia esencial de la presente invención con los documentos del estado de la técnica es que en el procedimiento de la invención no se va a utilizar la potencia como elemento que debe discriminar el estado del sistema, sino que ese trabajo se realizará en un espacio de dimensión superior (nueve dimensiones preferentemente) compuesto por las componentes de tensión, intensidad y ángulo de desfase entre ambas de cada fase de la red trifásica que alimenta el sistema. Esto implicará la aplicación de diferentes modelos de inteligencia artificial de identificación de estados y, a la postre, permitirá utilizar posteriormente la potencia, no tanto como elemento predictor en tiempo real sino como elemento complementario de respuesta, que puede indicar tendencias y por tanto convertirse en una fuente de valor añadido para el análisis cuando se considera en el tiempo (energía) . Por otro lado, otra diferencia significativa entre el procedimiento propuesto en esta invención y los sistemas NILM (monitorización de carga no intrusiva, Non-intrusive Load Monitoríng) habituales es que en éstos se busca "reconocer" el funcionamiento de electrodomésticos o elementos individuales, por lo que una de las tareas más difíciles para ellos es, cuando aparecen consumos de más de un elemento a la vez, desambiguar a quién corresponde cada contribución, para lo que suelen emplear clasificadores o bien basados en ML (Machine Learning, aprendizaje máquina) o bien bayesianos, utilizando la curva nominal de potencia/consumo de cada elemento individual. En el procedimiento de la invención, el estado correspondiente a operación de dos elementos simultáneos es otro estado y no se pretende tratar de desambiguar la procedencia, al menos de modo primario. La razón proviene del hecho de que en sistemas industriales la componente aleatoria de inicio asíncrono de elementos, aunque posible, es mucho menos frecuente. Precisamente, el interés es el estudio de las secuencias de estados y de las secuencias de secuencias de los mismos, ya que facultan, analizando los tiempos de ocurrencia y otras variables asociadas como consumos etc., para diagnosticar y/o pronosticar el estado del activo (asset managemenf) . El procedimiento puede hacer uso de un dispositivo modular de elementos físicos y lógicos, algunos de ellos opcionales o de uso esporádico en alguna de las etapas, y donde el dispositivo se puede conectar al cuadro eléctrico principal del sistema a monitorizar. Cuando la complejidad del mismo sea excesiva, se puede descomponer recursivamente y aplicar el mismo principio a los subsistemas principales, ubicando esos elementos en sus respectivos cuadros eléctricos delegados. Concretamente, el procedimiento comprende las etapas de: - captura de señales de entrada analógicas (tensiones, intensidades y ángulos de desfase entre ambas) de cada una de las fases de la corriente trifásica que alimenta el sistema; - captura de señales digitales de las señales de control de cada uno de los equipos que componen el sistema; - opcionalmente, captura de señales complementarias del sistema; - predicción síncrona de un estado discreto del sistema a partir de las señales analógicas, digitales y complementarias, utilizando un modelo de regresión basado en inteligencia artificial previamente entrenado; - secuenciación y segmentación de los estados discretos del sistema, utilizando un modelo de secuenciación de estados previamente entrenados, obteniéndose un conjunto de subsecuencias de más alto nivel; - obtención de un conjunto de tendencias de comportamiento del sistema a partir del conjunto de subsecuencias, su duración y su repetibilidad; - obtención de un estado operativo del sistema a partir de las tendencias de comportamiento y las señales complementarias; - opcionalmente, almacenamiento y envío de un conjunto de datos obtenidos en cada una de las etapas del procedimiento. Como se puede observar, el dispositivo no precisa explícitamente la medida de ninguna potencia para determinar el estado operativo del sistema. Algunas de las ventajas que presenta el procedimiento son: - el modelo de regresión basado en inteligencia artificial no requiere para su operativa la comparación con patrones preexistentes de consumo de energía de cada elemento individual del sistema; - el procedimiento resuelve la acuciante necesidad de disponer de datos de estados etiquetados para los datos de entrenamiento, al utilizar los valores de las señales digitales obtenidas de las señales de control de un cuadro eléctrico del sistema; - el procedimiento de identificación de estados objeto de la invención no requiere un profundo conocimiento del proceso para identificar el estado, así como tampoco para identificar las subsecuencias; y - el procedimiento permite vincular secuencias de estados de un sistema con variables adicionales del mismo o de otros elementos de la cadena de valor, de modo que su análisis se puede beneficiar de la agregación automatizada de operaciones que se propone, lo que puede facilitar el seguimiento en tiempo del estado del mismo, tanto en aspectos de operación como de mantenimiento, de modo que puede facilitar aspectos prospectivos. DESCRIPCIÓN DE LOS DIBUJOS Para complementar la descripción que se está realizando y con objeto de ayudar a una mejor comprensión de las características de la invención, de acuerdo con un ejemplo preferente de realización práctica de la misma, se acompaña como parte integrante de dicha descripción, un juego de dibujos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente: Figura 1.- Muestra un diagrama de flujo de las etapas del procedimiento. Figura 2.- Muestra una gráfica con la tensión multifásica. Figura 3.- Muestra una gráfica con la potencia demandada. Figura 4.- Muestra una gráfica con los distintos estados en cada día para algunos de los diferentes estados. Figura 5.- Muestra una gráfica comparativa entre los estados medidos y los predichos por el modelo durante cinco minutos. Figura 6.- Muestra una gráfica comparativa entre los estados medidos y los predichos por el modelo durante quince minutos. Figura 7.- Muestra una gráfica con el detalle de las señales de salida y las predicciones del modelo en instantes concretos. Figura 8.- Muestra una tabla con un ejemplo de aplicación para la búsqueda de subsecuencias. REALIZACIÓN PREFERENTE DE LA INVENCIÓN Se describe a continuación, con ayuda de las figuras 1 a 8, una realización preferente del procedimiento de estimación del régimen de funcionamiento de un sistema (1) gestionado mediante unas señales de control de un conjunto de equipamientos, a partir de la firma de su consumo eléctrico. El sistema (1) se alimenta por medio de una red de trifásica. En la figura 1, se muestra un diagrama de flujo de las distintas etapas del procedimiento. El procedimiento puede comprender una etapa previa de entrenamiento de modelos, que comprende las subetapas de: - captura de señales de entrada analógicas (2) , particularmente de tensiones, intensidades y ángulos de desfase entre ambas, de cada una de las fases de la red trifásica de alimentación del sistema (1) ; - captura de señales digitales (3) de las señales de control del sistema (1) , que determinan qué equipamientos del sistema (1) están activados y cuáles están desactivados; - opcionalmente, captura de señales complementarias (4) del sistema (1) ; - entrenamiento de un modelo de inteligencia artificial (7) basado en regresión preferentemente, a partir de las señales de entrada analógicas (2) , las señales digitales (3) y, opcionalmente, las señales complementarias (4) , para determinar un estado discreto (5) en el que se encuentra el sistema (1) en cada momento; - entrenamiento de un modelo de secuenciación de estados (8) basado en los estados discretos (5) determinados por el modelo de inteligencia artificial (7) . Teniendo los modelos entrenados, el procedimiento comprende las etapas de: - captura de señales de entrada analógicas (2) , concretamente tensiones, intensidades y ángulos de desfase entre ambas, de cada una de las fases de la alimentación trifásica del sistema (1) ; - opcionalmente, captura de señales complementarias (4) del sistema (1) ; - predicción síncrona del estado discreto (5) en el que se encuentra el sistema (1) en cada momento a partir de las señales analógicas (2) , señales digitales (3) y señales complementarias (4) , utilizando el modelo de inteligencia artificial (7) , siendo cada estado discreto (5) del sistema (1) diferente para las distintas combinaciones de equipamientos activos; - secuenciación y segmentación de los estados discretos (5) del sistema (1) , utilizando el modelo de secuenciación de estados (8) previamente entrenado, obteniéndose un conjunto de subsecuencias (6) de más alto nivel; - obtención de un conjunto de tendencias de comportamiento del sistema (1) a partir del conjunto de subsecuencias (6) , su duración y su repetibilidad; - obtención de un estado operativo (9) del sistema (1) a partir de las tendencias de comportamiento y las señales complementarias (4) ; - opcionalmente, almacenamiento y envío de un conjunto de datos obtenidos en cada una de las etapas del procedimiento. A continuación, se pasa a describir un ejemplo de sistema (1) discreto que, sin pérdida de generalidad, permita evaluar la funcionalidad del procedimiento de la invención. Se ha escogido como sistema (1) de referencia un equipo lava ruedas alimentado con trifásica. Durante el procedimiento se determinan la combinación de señales digitales (3) que indican qué equipamientos del sistema (1) se activan y cuáles permanecen inactivos en cada momento en el que se miden las señales de tensión, intensidad y ángulo de fase. En el caso del presente sistema (1) se obtienen 64 estados diferentes, pues algunas señales digitales (3) siempre se desenvuelven por parejas. En la figura 2 se observa la estructura de la señal de tensión en cada una de las fases de la alimentación trifásica del lava ruedas, y que debe relacionarse con un estado discreto (5) de los 64 posibles en cada instante de tiempo, según sea etiquetado el mismo por el modelo de inteligencia artificial (7) a la vista del estado de las señales digitales (3) . En la figura 3 se representa la demanda de potencia eléctrica que desarrolla el sistema (1) . En este caso esta señal corresponde con la etapa de obtención de señales complementarias (4) , ya que, aunque la obtención de la potencia no es necesaria para el procedimiento, puede resultar de utilidad para usos específicos. En la implementación del lava ruedas, otras señales complementarias (4) podrían ser, por ejemplo, el nivel de floculante para adicionar y acelerar el proceso de sedimentación en las balsas, o el nivel de fangos en las balsas de decantación en cada momento en el tiempo, teniendo en cuenta que la frecuencia de muestreo para esta variable no precisa ser tan elevada como la de la tensión o la intensidad. Durante las primeras etapas de captura de datos se puede estudiar la distribución muestral de estados en el tiempo. Así se muestra en la figura 4, en la que se presenta el número de estados discretos (5) en cada día para algunos de los diferentes estados (12, 19, 31 y 32) . En cada uno de los estados representados se activan uno o más equipamientos del lava ruedas. Por ejemplo, en la gráfica superior se representa el estado 32, en el que se activa una bomba balsa. En la gráfica inferior, que representa el estado 31, se activan dos bombas de inmersión, dos bombas de retroalimentación y una bomba de floculante. Además de poder observar la heterogeneidad en el número de ocurrencias de los diferentes estados discretos (5) en el rango diario, también se puede observar cómo la demanda de potencia en cada estado discreto (5) no es constante, como se podría haber supuesto. Adicionalmente se observa uno de los aspectos diferenciales ya indicados con anterioridad, y es que existen estados compuestos por la operativa simultánea de diferentes equipamientos (bombas, por ejemplo) sin que el interés sea específicamente identificar al elemento individual. Además, el procedimiento comprende una etapa de entrenamiento de un modelo de inteligencia artificial (7) y de un modelo de secuenciación de estados (8) . En el presente ejemplo se han utilizado aproximadamente dos millones de muestras (señales) con un grado de desbalanceo moderado, donde se ha descartado el estado 0 `sin carga, es decir, con un módulo de intensidad menor de veinticinco milésimas de amperio, de modo que se tenga cobertura suficiente de todos los estados discretos (5) de interés. El modelo de inteligencia artificial (7) de clasificación multiestado con 9 dimensiones en la entrada que se ha utilizado está basado en aprendizaje automático basado en inteligencia artificial sin ingeniería de atributos específica. Para ello se ha segmentado el espacio muestral en un conjunto de entrenamiento y otro de validación, obteniéndose una precisión del 98% sobre el conjunto de test. Una vez construido el modelo de inteligencia artificial (7) , éste se ha ensayado durante varias semanas ya sin ningún reentrenamiento, y mantiene la misma tasa de precisión sobre datos medidos y no observados ni recolectados con anterioridad, por lo que ha sido introducido en el flujo de datos del proceso de almacenamiento de los datos recibidos, de tal modo que a la hora de insertar las variables leídas en una base de datos especializada en aplicaciones IoT (Internet of Things, Internet de las Cosas) , se ejecuta el modelo y se inserta en la misma tanto los datos de entrada como la predicción de estado del modelo, quedando ya listo para ser consumido por procesos posteriores. En el caso particular de esta aplicación, el modelo de inteligencia artificial (7) se podría haber ejecutado en modo local, si bien por cuestión de diseño se ha decidido ubicar en la nube. A la hora estudiar el comportamiento del modelo de inteligencia artificial (7) se observa que los estados discretos (5) del sistema (1) son predichos correctamente, pero se ha buscado una región particularmente afectada por fallos puntuales (figuras 5-7) para tratar de comprender mejor las razones de esas fallas. El detalle que mejor le explica se presenta en la figura 7 donde se observa que en el instante 12:35-12:36 aproximadamente el modelo de inteligencia artificial (7) de predicción de estado se aparta del estado discreto (5) realmente observado. Ese fallo en la estimación del estado discreto (5) , si se observa con más atención, no es tal, sino que, en realidad se ha producido porque en esos instantes no hay predicción del modelo (no existe línea discontinua en esos instantes de tiempo) . Dada la ausencia de estimación en los instantes señalados en el párrafo anterior, se acude en esa misma ventana temporal a las intensidades medidas en cada una de las fases y se observa que existe para esos instantes una falla en la información leída de la fase 2, es decir, que para esos instantes no se dispone de los datos de entrada del modelo y este no puede pues ejecutarse satisfactoriamente. De este modo se constata que la fuente primaria de discrepancia entre el modelo y el estado real del sistema (1) es la ausencia puntual de alguno de los valores de entrada de las fases que alimentan al sistema (1) , lo que implica la incapacidad del mismo para llevar a cabo su predicción por inconsistencia en los datos de entrada, siendo totalmente preciso en otras situaciones. Una vez validadas las prestaciones del modelo de inteligencia artificial (7) de predicción de estado del sistema (1) en tiempo real ya se puede prescindir de la etapa de adquisición de eñales digitales (3) a la hora de implantar el procedimiento en otros productos de la misma gama, pudiéndose utilizar el estado discreto (5) predicho o la secuencia de estados discretos (5) para elaborar información agregada que describa la operativa del sistema (1) o su régimen de funcionamiento. Por último, en relación con la etapa de secuenciación y segmentación de los estados discretos (5) del sistema (1) , el interés será, dada una serie temporal entendida como una secuencia ordenada y continua de estados discretos (5) en intervalos de tiempo equiespaciados, buscar subpatrones similares dentro de la serie temporal (subsecuencias) . La aplicación de esta etapa permite encontrar diferentes subsecuencias, así como sus niveles de repetición, todo ello de un modo agnóstico y sin un conocimiento preciso del sistema (1) o de los procesos que están detrás. De este análisis se observa que existen algunos componentes primarios de las secuencias (17, 19, ...) , (32, 49, ...) y que, dado que el sistema (1) opera en régimen síncrono, pero con eventos asíncronos, se producen algunas sutiles variaciones en las secuencias de estados discretos (5) , por ejemplo, la aparición del estado 14 en la secuencia 3, que la distingue de la 1, o el intercambio de los estados 19 y 29 entre las secuencias 7 y 8, etc. Este nivel de agregación semántica sí que precisa de un análisis más técnico para poder valorar el significado de las diferentes subsecuencias de estados discretos (5) , pero aún con el mantenimiento del nivel máximo de agnosticismo es posible llevar a cabo estudios de valoración del comportamiento de variables auxiliares a lo largo del tiempo, vinculadas a cada uno de esos estados discretos (5) , ya sea en términos de valores de alguna o algunas magnitudes físicas del sistema (1) , o bien de la duración de las secuencias, de modo que se puedan estudiar tendencias de comportamiento que reflejen monotonía estructural (creciente, o decreciente) y para las que sea posible estimar una tasa de variación. Esta es la función de la etapa de obtención de tendencias de comportamiento. Finalmente, y dependiendo de qué otras variables auxiliares vinculadas al o a los procesos que desarrolla el sistema (1) se haya decidido monitorizar, se podrán cruzar los estados discretos (5) y/o las subsecuencias con la evolución de esas variables adicionales (4) , sus duraciones o incluso con relaciones más complejas como el consumo de energía en determinados regímenes en la etapa de obtención del estado operativo del sistema (1) . Como simple ejemplo se han utilizado las secuencias de arranque del proceso para contabilizar a nivel semanal y mensual las operaciones realizadas por el sistema (1) y disponerlas en el cuadro de mandos vinculado al estado, dándose la paradoja que este método es más exacto que un contador de barrera láser que incorpora el sistema (1) lava ruedas, pues cuando dos camiones entran muy juntos la barrera no puede discriminarlos. En este caso se observa, en la figura 8 y de un modo muy visual, el régimen de operación que el sistema (1) desarrolla, así como los agregados mensuales, tanto los que `cuenta el sensor físico de barrera (medidas) , como los que realmente ha realizado el sistema (1) teniendo en cuenta las subsecuencias de señales que se movilizan al paso del vehículo (corregidas) , donde se ve que el efecto para nada es menor (8, 9%) , pudiendo llegar a tener un impacto económico significativo en función del régimen de explotación y, sobre todo, un impacto en las operaciones de mantenimiento, tanto del sistema (1) en sí, como de los residuos generados en el proceso, que debe atender a la operativa real del mismo. Como se ha indicado, esta invención permite con muy poco conocimiento a priori llevar a cabo la identificación del estado operativo del sistema (1) en función de la expresión de los niveles de tensión, intensidad y ángulo de desfase en cada una de las fases, para aquellos sistemas (1) que operan en un número finito de estados y donde la fuente primaria que define el estado es la energía eléctrica. Esto abre el campo de aplicación a muchos sistemas y equipos, particularmente en el ámbito industrial, que tradicionalmente implementan estrategias de control basadas en situaciones lógicas y valores puntuales de variables, permitiendo un estado de agregación de mucho más alto nivel que facilita la contabilización en ese mismo nivel, dado que se tiene total trasparencia sobre los estados más de detalle. Así, múltiples equipos instalados en ubicaciones fijas de plantas de proceso o en ubicaciones móviles pueden pasar a disponer en tiempo real de una identificación de estado que puede ser usada para valorar la eficiencia de su operación, las necesidades futuras de mantenimiento, las tendencias función del desgaste, a proporcionar un nivel de monitorización más integrado (contabilizando las operaciones, por ejemplo, o proporcionando información útil en términos de ciberseguridad, desde la dimensión OT (Operational Technology, tecnología operacional) del proceso. La no dependencia de la invención para determinar el estado de variables agregadas como la potencia demandada se convierte en una ventaja al quedarse como variable independiente que puede ser cruzada con el estado o la subsecuencia y con, quizás, otras variables auxiliares, que contribuyan a una mejor gestión del sistema (1) . Incluso la aplicación presenta utilidad para varias partes interesadas. Por un lado, para el propietario del sistema (1) , dado que así puede integrarlo mejor, desde el punto de vista de mantenimiento y operación, pero también de planificación en su mapa de flujo de valor. Pero, por otro lado, también para el fabricante de los sistemas, ya sea porque puede vincular mejor las recomendaciones de mantenimiento a su uso (si tiene un contrato de mantenimiento con el propietario) , ya sea porque puede plantearse operar el activo como un servicio, o simplemente porque desea tener un mejor conocimiento del uso que cada propietario hace de su equipo.

Publicaciones:
ES2959540 (26/02/2024) - A1 Solicitud de patente con informe sobre el estado de la técnica
Eventos:
En fecha 28/07/2022 se realizó Registro Instancia de Solicitud
En fecha 28/07/2022 se realizó Admisión a Trámite
En fecha 28/07/2022 se realizó 1001P_Comunicación Admisión a Trámite
En fecha 29/07/2022 se realizó Superado examen de oficio
En fecha 21/09/2022 se realizó Realizado IET
En fecha 27/09/2022 se realizó 1109P_Comunicación Traslado del IET
En fecha 28/11/2022 se realizó PETEX_Petición de examen sustantivo
En fecha 26/02/2024 se realizó Publicación Solicitud
En fecha 26/02/2024 se realizó Publicación Folleto Solicitud con IET (A1)
Pagos:
14/07/2022 - Pago Tasas IET