Modelo de Mantenimiento Predictivo de Transformadores de Tracción en Subestación Ferroviaria para optimización del consumo energético y del nivel de emisiones CO2

Indicadores y procesos de mejora

Los indicadores principales de un transformador de tracción en subestaciones de un gran operador del sector ferroviario en España son:

-Cargabilidad del transformador: corrientes históricas, valores en tiempo real de corrientes, planificación de las cargas (frecuencia de trenes)
-Temperatura del transformador: valores históricos y en tiempo real.

Con estos dos indicadores se puede:

-Identificar, antes de que ocurran, patrones de aumento de cualquiera de los dos parámetros,
-Anticiparnos a estos eventos podemos corregir estos escenarios con las brigadas de mantenimiento o una planificación de explotación diferente.

El objetivo es optimizar el uso de recursos, reduce costes y tiempo de inactividad. Pero, sin duda alguna, una de las grandes ventajas es el aumento en la seguridad ambiental: los fallos en los transformadores de potencia pueden tener consecuencias graves, como incendios, daños a la infraestructura y riesgos para la seguridad de las personas.

Cuantificación/Estimación reducción consumo

Medición Directa: En este proyecto ya se habían instalados equipos de medición de consumo energético que han recopilado datos iniciales, y la monitorización continua ha permitido evaluar mejoras a largo plazo. Un análisis identificó problemas nocturnos con factor de potencia bajo (0,25) que afectan la eficiencia y la vida útil del sistema.

Extensión de la Vida Útil: Al prolongar la vida útil de un transformador, se reducen los impactos ambientales relacionados con la fabricación y el uso de recursos como cobre y hierro, así como materiales refrigerantes potencialmente perjudiciales.

Reducción de la Huella de Carbono: Mejorar la eficiencia y reducir el consumo energético disminuye las emisiones de gases de efecto invernadero,

De acuerdo con los registros del operador ferroviario, se estima un ahorro del 2% en el consumo energético. Para ponerlo en perspectiva, si el consumo anual se sitúa en 8.915.588 kWh/año, la reducción estimada sería de 178.311 kWh/año.

Cuantificación/Estimación reducción emisiones CO2

Eficiencia energética: Los transformadores bien mantenidos tienen menores pérdidas de energía, lo que reduce el consumo eléctrico.

Consumo de energía: Transformadores en mal estado consumen más electricidad debido a pérdidas de energía

Vida útil extendida: El mantenimiento predictivo prolonga la vida útil de los transformadores, reduciendo la necesidad de fabricar y reemplazarlos, disminuyendo las emisiones relacionadas con la producción

Emisiones de CO2 relacionadas con la producción: La fabricación de transformadores emite CO2 debido a la extracción de materias primas, producción de componentes y transporte. El mantenimiento predictivo reduce la frecuencia de reemplazo, disminuyendo las emisiones de producción

Dada la estimación de reducción de consumo de 178.311 kWh/año para este gran operador ferroviario, convertimos esta energía anual a toneladas equivalentes de CO2 según 1kWh = 0.138 kg CO2 en 2021, lo cual produce una reducción de emisiones de CO2 de 24.607 Kg

Innovación aplicada y buenas prácticas

Equipos SICA con Trayectoria: Estos equipos creados por SICA tiene una trayectoria probada de más de 25 años en el mercado y se adhieren a normativas de alto calibre, como la EN 50160.

Plataforma de Control Central WINCC OA: Núcleo tecnológico de la plataforma WINCC OA, la misma usada por instituciones líderes en investigación como el CERN.

Integración y Comunicación: Empleo innovador del estándar IEC 61850, que destaca por su capacidad de interoperabilidad, eficiencia en costes y optimización de procesos.

Enfoque Predictivo en Tiempo Real: Aplicando modelos avanzados que procesan datos al instante, este proyecto se anticipa a situaciones adversas. Utilizando técnicas de machine learning, logra predicciones de alto acierto, con márgenes de error menores al 8%.

Relevancia y Aporte al Sector: Uniendo tecnología puntera, vasta experiencia y técnicas predictivas, este proyecto se erige como un estandarte de excelencia y práctica ejemplar en el ámbito eléctrico y ferroviario

Uso de tecnologías (TICs)

Tecnológicamente la solución se basa en las plataformas analíticas IBM CP4D e IBM Watsonx, que permite entrenar y desplegar los modelos de IA en toda la organización, incluyendo modelos fundacionales y  de aprendizaje automático, con datos confiables, gobernanza y rapidez, en un solo lugar y en cualquier entorno de nube.

La plataforma es visual y permite crear flujos de datos de manera comprensible. La combinación de SPSS Modeler y notebooks Jupyter con código Python facilita la integración de resultados con otros servicios analíticos.

La elección de una plataforma analítica en la nube se justifica por su capacidad de integración con tecnología operativa y su escalabilidad en almacenamiento y procesamiento. Los modelos a nivel horario para 100 activos generan una gran cantidad de datos, y la escalabilidad es esencial, especialmente si se considera una frecuencia más alta, como minutos.