Resumen de Calibración de los parámetros de un modelo de horno de arco eléctrico empleando simulación y redes neuronales

Mauricio A. Álvarez López, Carlos Alberto Henao Baena, Jesser James Marulanda Durango

• español

  El 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.

• English

  Electric 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.

• English

  O forno a arco elétrico fornece um meio relativamente simples para a fusão de metais. Ele é usado na produção de ferro de alta pureza, alumínio, cobre, chumbo, e outros metais. No entanto, os fornos a arco são considerados a carga mais prejudicial no sistema elétrico de potência. Por conseguinte, é muito importante dispor de modelos de forno de arco para determinar com um elevado grau de aproximação o comportamento deste tipo de carga, uma vez que poderia avaliar o seu impacto em termos de índices de qualidade de energia para o sistema potencial para o que eles se conectam. Um dos principais problemas que surgem quando se utiliza modelos matemáticos do arco elétrico é a calibração dos parâmetros que descrevem dinâmica do modelo. Este documento apresenta um método para calibrar todos os parâmetros de um modelo de forno de arco elétrico de tensao alterna, dadas as medidas reais de tensões e correntes. Utiliza-se uma rede neural de multicamadas com um emulador de modelo de forno. A rede neural é treinada usando dados de simulação obtidos do modelo de forno usado no ambiente Matlab®-Simulink®. Uma vez seja treinada a rede, os parâmetros de interesse são obtidos através da resolução de um problema inverso. Os resultados obtidos mostram um erro máximo de 4,1 % no valor eficaz correntes de arco elétrico.