Prof Javier Borda Elejabarrieta
Dr. Ingeniero Industrial, Msc Math models, MBA y Presidente de Sisteplant
La estrategia energética de un país pasa hoy por tener:
Este equilibrio de fuentes permite, particularmente en España, una independencia energética total, incluyendo la del Uranio a condición de que se explote la mina de Retortillo en Salamanca, cercana a nuestra pionera industria ENUSA fabricante de barras de combustible nuclear para reactores.
Adicionalmente, induce a crear agrupaciones de carácter rural de generación energética que se auto-apoyen en rendimiento y fiabilidad. Y con la inminente llegada de los MINI REACTORES nucleares modulares prefabricados, SMR, las ventajas se multiplican, pues ese equilibrio que mencionaba antes se da TAMBIÉN de FORMA GEOGRÁFICAMENTE DISTRIBUIDA, ahorrando en menores pérdidas reactivas y de Joule en la red por una distribución más equilibrada con el consumo regional.
Adicionalmente, la llamada España vacía” tiene la oportunidad de reindustrializarse con calidad, dado que esas plantas -y especialmente sus agrupaciones o “clústeres”- tienen una tecnología electromecánica y electrónica sofisticada. Llamaré un RAEC (“Rural Area Energy Cluster”) a una agrupación que combine varias plantas entre SMR, BioCH4, Green H2, eólica (si factible) y solar. En la siguiente figura detallo un resumen de sus ventajas, su lay-ot conceptual, y el papel de cada unidad generadora en la agrupación.
Cuadro 1: RAECS
Observemos que existen dos casos, la cercanía o no a una central nuclear existente (NPP).
Esta integración de roles supone interdependencia;
A continuación vemos un esquema de los sistemas empleados y de su flujo de información (cuadro 2).
CBM includes Motors, valves, cabling, sensors, piping: online monitoring of vibration, flow-meters, cos φ, real-time visual inspections by robots, etc.
The primary loop is between Prisma/Promind and the SCADA, and integrate predictive indicator from ILCCpm, S = MTTR/MTBF , and efficiency.
Some key parameters for the ILCCpm analysis are:
| SMR | Core temp, pressure, refrig, T, P, kW grid, radiation in sec. Loop. |
| BIO Gas | Core T, P, CH4 flow and pressure CO2%, KW grid, battery. |
| H2 Green | kW/m3 H2 + O2 |
| FV | kW grid, back up battery. |
CUADRO. 2 Integración de Sistemas en un RAEC
Fig. 2: Planta H2 Green
Cada planta tiene una naturaleza diferente:
No deja de ser un Reactor nuclear, y aunque compacto y simplificado en dos lazos, para ello la vasija y la contención primaria acojan el lazo de calor 1, lo que las acompleja. Deben utilizarse las mismas técnicas de Mantenimiento que en las NPP (centrales nucleares convencionales) que se basan en la gestión predictiva de la curva de bañera global, deducida de la de sus elementos más críticos (ILCCpm), algo que requiere una sofisticación de los sistemas tecnológicos, informáticos y de gestión [1]. El software de Machine Learning, con regresión simbólica, es esencial.
Su lógica de proceso es asimilable a un SMR con mucha menor criticidad y complejidad tecnológica y mayor tolerancia a desviaciones. Sin embargo, las necesidades de ajuste de parámetros de procesos en función de las propiedades de los materiales entrantes es continua, así como la buena condición de los sistemas automáticos de manipulación y transporte tanto de sólidos como de gas. Diríamos que puede abordarse adecuadamente por un Mantenimiento tradicional de industrias de proceso, pero con la conocida metodología TPM para esa parte automatizada de manipulación de batches.
Su concepto central es de “caja negra” compacta y simple, la electrólisis, con requerimientos muy estandarizados de operación y mantenimiento. Es muy importante que las acciones tengan un reflejo trazable en la variación del rendimiento de la planta en términos de volumen de H2/gasto eléctrico, fuera de esto es un tema simple de transporte y almacenamiento de un flujo de gas.
Dada la complejidad mecánica de los molinos, tiene sentido hablar de un ILCCpm como en el caso nuclear, pero enfocado al rendimiento eólico porque una torre funciona o se para. Es pues una predicción de un equipo complejo partiendo de sus componentes, y tiene sentido, como con los SMR’s, la gestión predictiva de la curva de bañera auxiliada por “Machine Learning”, aunque aquí la regresión simbólica no es tan necesaria.
El mantenimiento es muy sencillo, puro y tradicional preventivo de motores e instalaciones eléctricas, y correctivo de fallo de mecanismos de movimiento.
Vemos pues que, por orden de complejidad y criticidad:
Ahora bien, cuando todos o varios de ellos se reúnen en un “clúster”, el problema de su Mantenimiento cambia cualitativamente, porque aparece un objetivo de orden superior: el funcionamiento seguro, fiable y eficiente del conjunto. Hay una equivalencia con un flujo en una fábrica, debe hacerse sólido”, protegido para mantener ininterrumpidos:
Por lo tanto, esto significa que deben establecerse jerarquías entre los distintos generadores del “clúster” en base a 2 criterios:
Por lo tanto, aparece una “logística energética” de la agrupación, de forma que la PRIORIDAD de cualquier fuente atrás en la figura es proteger el suministro fiable de:
1º. El SMR, y si ya lo está…
2º. La inmediata siguiente (p.e. la eólica, el biogás y la solar, la eólica).
Eso significa un set de baterías de tamaños adecuados como buffers de protección. Tener llenas estas baterías es prioritario al suministro a Red.
Lo mismo ocurre con las políticas de Mantenimiento:
Ambas, por concepto implícito en la ILCCpm son integradas.
Todo ello implica una especial complejidad del Mantenimiento pero más por combinación de problemas potenciales que, salvo en el SMR y algo en Biogás, por complejidad tecnológica intrínseca.
Por ello, aunque el Machine Learning sea de utilización obligatoria en los SMR y conveniente en Biogás, puede tener una vertiente de uso puramente estadística (sin regresión simbólica) para afrontar la predicción del fallo combinatorial del conjunto del “clúster”, difícil de dominar por medios tradicionales de GMAO’s.
Dada la previsible proliferación de “clusters” RAECS en Europa y USA (y especialmente en España) es preciso tener un sistema de gobernanza de eficiencia y fiabilidad como conjunto de la agrupación, lo que supone un replanteamiento de las políticas de mantenimiento individuales de las plantas implicadas en ellos.
[1]. Puede verse en el artículo “Una buena implantación y explotación de SMR’s” en la web de Sisteplant
[2]. Puede verse en el artículo sobre Mantenimiento de “Offshore windfarms” en la web de Sisteplant
