Desarrollo metodológico para la optimización del coste eléctrico en fábricas de cemento, mediante inteligencia artificial, operando sobre coste eléctrico del mercado

  1. Manuel Parejo Guzmán 1
  2. Benito Navarrete Rubia 1
  3. Pedro Mora Peris 2
  4. Rafaela Alfalla-Luque 1
  1. 1 Universidad de Sevilla
    info

    Universidad de Sevilla

    Sevilla, España

    ROR https://ror.org/03yxnpp24

  2. 2 Universidad Politécnica de Madrid
    info

    Universidad Politécnica de Madrid

    Madrid, España

    ROR https://ror.org/03n6nwv02

Revista:
Dirección y organización: Revista de dirección, organización y administración de empresas

ISSN: 1132-175X

Año de publicación: 2021

Número: 74

Páginas: 5-19

Tipo: Artículo

DOI: 10.37610/DYO.V0I74.598 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Dirección y organización: Revista de dirección, organización y administración de empresas

Resumen

Las fábricas de cemento presentan importantes consumos energéticos: el 70 % del coste variable se dedica a energía -33 % térmica y 37% eléctrica-. Este trabajo supone la segunda fase de una investigación para optimizar el coste eléctrico en cementeras mediante técnicas de inteligencia artificial. Tras una revisión sistemática de la literatura, encuestas y panel de expertos a un total de 42 profesionales del sector (primera fase), se ha desarrollado una metodología para optimizar la compra de electricidad. Para ello se propone el uso de Redes Neuronales Artificiales y del algoritmo Backpropagation, de cara a predecir el precio eléctrico spot.

Referencias bibliográficas

  • Alfalla-Luque, R., Medina-Lopez, C & Prasanta Kumar Dey (2013) Supply chain integration framework using literature review, Production Planning & Control: The Management of Operations, 24:8-9, 800-817, DOI: 10.1080/09537287.2012.666870.
  • Andrés, C., Maheut, J., 2020. Secuenciación con almacenes limitados. Una revisión de la literatura]. Dirección y Organización (64), pp. 5-35.
  • Andrew Ng (2017) Artificial Intelligence is the New Electricity. Newstex Global Business Blogs.
  • Andrew Ng and Tong Zhang (2017). The Optimistic Promise of Artificial Intelligence; how AI is going to be like electricity, transforming every industry. Wall Street Journal on line (ISSN: 2574 9579).
  • Azadeh, A., Sohrabi P. y Saberi ,M. (2015). A unique meta-heuristic algorithm for optimization of electricity consumption in energy-intensive industries with stochastic inputs. International Journal of Advanced Manufacturing Technology (ISSN: 1443-3015).
  • Barbosa, M., & Grayson, D. (2009). Site visits: Assessing and improving the climate for women in physics. In Harline, B. K., Horton, K. R., & Kaicher, C. M. (Eds.), AIP conference proceedings (Vol. 1119, pp. 14–15). American Institute of Physics doi:10.1063/1.3137748.
  • Bramer, M. Principles of Data Mining, London: Spriger, Marc, 2007.
  • Chaoqun Ma. M. y. Jianhong. Wu. G. Gan, Data Clustering Theory, Algorithms and Applications, United States of America, 2007.
  • Castañón, S., A.M. García-Granda, A. Guerrero , M.P. Lorenzo y S. Angulo. Energy and environmental savings via optimisation of the production process at a Spanish cement Factory, (2014). Journal of Cleaner Production Elsevier (ISSN: 0959-6526).
  • Curbelo, A. D., Municio, Á.M.G., Delgado, F.M., 2020. Herramientas para la gestión de riesgos en cadenas de suministro: Una revisión de la literatura. Dirección y Organización. (64), pp. 5-35.
  • Cronin, P., Ryan, F., & Coughlan, M. (2008). Undertaking a literature review: A step-by-step approach. British Journal of Nursing, 17(1), 38–43.
  • Eurostat Estadísticas de precios eléctricos. Recuperada de: https://appsso.Eurostat.ec.€pa.eu/nui/ submitViewTableAction.do, 2019.
  • Fabbe-Costes, N., Jahre, M., and Roussat, C., 2009. Supply chain integration: the role of logistics service providers. International Journal of Productivity and Performance. Management, 58 (1), 71-91.
  • Gilvonio Alegría, Leoncio Rubén & Inche Mitma, Jorge Luis. (2005). El Ahorro de Energía en la Industria Cementera como Estrategia de la Excelencia Operativa (Tesis doctoral). Universidad Mayor de San Marcos, Lima, Perú.
  • Hemingway, P., & Brereton, N. (2009). What is a systematic review? Series (2nd Ed.). Newmarket, UK: Hayward Medical Communications. Hernández, J. Ma. Ramírez, y C. Ferri, Introducción a la minería de datos, Madrid: Pearson Educación, 2004. http://www.energiaysociedad.es/manenergia/manual-de-laenergia/
  • Hurtado Moreno, Laura; Quintero Montoya, Olga Lucía y García Rendón, John Jairo (2014). Estimación del precio de oferta de la energía eléctrica en Colombia mediante inteligencia artificial. Revista de Métodos Cuantitativos para la Economía y la Empresa (ISSN: 1886-516X).
  • Khotanzad, AI (2018). Using artificial intelligence to develop electricity load forecasts. Power Magazine, Jun.2018,Vol162, Issue 6, pag 1-1. (ISSN 032-5929). Lara, J. Minería de datos, Madrid: Centro de Estudios Financieros, 2014.
  • Nagi, J. An intelligent system for detection of non-technical losses in Tenaga Nasional Berhad (TNB) Malaysia low voltage distribution network, Malasia: Universiti Tenaga Nasional, 2009.
  • Oakley, A. (2003). Research evidence: Knowledge management and educational practice: early lessons from a systematic approach. London Review of Education, 1(1), 21–33.
  • OFICEMEN (2019). “Informes Estadísticos Avance Nacional Diciembre 2019”. Recuperada de: https://www.oficemen.com/shop/
  • Pacheco, E.A., Rodríguez, M.V., Rodríguez, 2011. Assessment of the readiness of the strategic human capital through a model to prioritize the strategic competences: A literature review. Dirección y Organización. 43, pp. 78-89.
  • Pavlos S. Georgilakis (2007). Artificial intelligence solution to electricity price forecasting problema Applied Artificial Intelligence (ISSN 0883-9514).
  • Pereira, L. y otros, “Multilayer Perceptron Neural Networks Training Through Charged System Search and its Application for Non-Technical Losses Detection,” IEEE PES, ISGT Latin America, 2013.
  • Pérez, C. Minería de datos técnicas y herramientas, Madrid: Thomson, 2007.
  • Pezzutto, S., Grillli, G., Zambotti,S. Dunjic, S. (2018). Forecasting Electricity Market Price for End Users in EU28 until 2020—Main Factors of Influence. Energies 11(6),1460; 2018 by the authors. (ISSN: 19961073).
  • Provost, F., and Fawcett, T. Data Science for Business. United States of America. O´Reilly Median Inc.. 2013. Quinlan, K. M., Kane, M., & Trochim, W. M. K. (2008).
  • Evaluation of large research initiatives: Outcomes, challenges, and methodological considerations. In (Series Ed.) & C. L. S. Coryn, &M. Scriven (Vol. Eds.), New directions for evaluation, No. 118: Reforming the evaluation of research (pp. 61–72).
  • Ramos, C. y otros, “A New Approach for Nontechnical Losses Based on Optimum-Path Forest,” IEEE Transactions on Power Systems, vol. 26, nº 1, pp. 181- 189, 2011.
  • Shaohog Jing, Wemeng Xu y Xiaohong Wang (2012). Research on the Key Technology of Energy Management and Optimization in Cement Enterprises. Advanced Materials Research (ISSN 1662-8985).
  • Swanepoel, Jan Adriaan, Mathews, Edward Henry, Vosloo, Jan, Liebenberg, Leon. Integrated energy optimisation for the cement industry: A case study perspective. Energy Conversion and Management (ISSN: 0196-8904), 2013.
  • Swanepoel, J.A., (2013). Modeling for Integrated Energy Optimization In Cement Production. Energy Conversion and Management (ISSN: 0196-8904).
  • Szkuta, BR; Sanabria, LA; Dillon, TS Previsión de precios de electricidad a corto plazo utilizando redes neuronales artificiales. IEEE Trans. Power Syst. 1999 , 14 , 851– 857.
  • Torghaban, SS; Motamedi, A .; Zareipour, H .; Tuan, LA Previsión de precios de electricidad a mediano plazo. En Actas del Simposio de Energía de América del Norte 2012 (NAPS 2012), Champaign, IL, EE. UU., 9-11 de septiembre de 2012; pp. 1-8.
  • Tranfield, D., Denyer, D., & Smart, P. (2003). Towards a methodology for developing evidence-informed management knowledge by means of systematic review. British Journal of Management, 14(3), 207–222.
  • Wellesley, Mass (2011) EnvaPower's New Artificial Intelligence Software Makes Managing Electricity a No-Brainer. PR Newswire, NY.
  • Zhang, Jun y Cheng, Chuntian (2008). Day-ahead electricity price forecasting using artificial intelligence. IEEE Electrical Power & Energy Conference.
Fuente de los datos: Dialnet