Parametrización de un volante de inercia para la estabilización energética entre una turbina eólica y una planta desaladora
Barra lateral del artículo
Contenido principal del artículo
Resumen
El acceso a agua potable es un desafío global, particularmente en regiones áridas y costeras. La desalinización por ósmosis inversa ha surgido como una solución efectiva, aunque depende tradicionalmente de energías fósiles. En este contexto, las energías renovables, como la eólica, han ganado protagonismo gracias a su madurez y costo reducido. No obstante, la variabilidad de los recursos renovables plantea desafíos operativos, requiriendo soluciones como almacenamiento en baterías, modularidad de plantas o estabilización mediante volantes de inercia.
Este trabajo se enmarca en el Proyecto INERTIA que busca desarrollar un sistema innovador de volantes de inercia de bajo costo con gestión inteligente, para optimizar el uso de energía eólica en plantas desalinizadoras. Como primer paso, se presenta la parametrización mecánica de un prototipo de volante de inercia, analizando variables críticas como par torsor, velocidad angular, vibraciones y/o tensiones mecánicas en la periferia del volante originadas por la variabilidad de la velocidad del mismo para ajustarse a la inherente variabilidad del viento. Este desarrollo permitirá garantizar la estabilidad dinámica y eficiencia energética, contribuyendo a una transición sostenible hacia energías renovables en sistemas de desalinización.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
N. Alexandratos, J. Bruinsma, World Agriculture Towards 2030/2050: The 2012 Revision, (2012).
J. González, P. Cabrera, J.A. Carta, Wind Energy Powered Desalination Systems, in: Desalination: Water from Water, 2nd ed., John Wiley & Sons, Inc., Hoboken, NJ, USA, 2019: pp. 567–646. https://doi.org/10.1002/9781119407874.ch14.
J.A. Carta, P. Cabrera, J. González, Wind Power Integration, Comprehensive Renewable Energy (2022) 644–720. https://doi.org/10.1016/B978-0-12-819727-1.00102-3.
J.A. Carta, J. González, V. Subiela, Operational analysis of an innovative wind powered reverse osmosis system installed in the Canary Islands, Solar Energy 75 (2003) 153–168. https://doi.org/10.1016/S0038-092X(03)00247-0.
J.A. Carta, J. González, V. Subiela, The SDAWES project: an ambitious R&D prototype for wind-powered desalination, Desalination 161 (2004) 33–48. https://doi.org/10.1016/S0011-9164(04)90038-0.
V. Subiela, J.A. Carta, J. González, The SDAWES project: lessons learnt from an innovative project, Desalination 168 (2004) 39–47. https://doi.org/10.1016/j.desal.2004.06.167.
M. Mahmoud, M. Ramadan, A.G. Olabi, K. Pullen, S. Naher, A review of mechanical energy storage systems combined with wind and solar applications, Energy Convers Manag 210 (2020) 112670. https://doi.org/10.1016/j.enconman.2020.112670.
K.R. Pullen, The Status and Future of Flywheel Energy Storage, Joule 3 (2019) 1394–1399. https://doi.org/10.1016/j.joule.2019.04.006.
O. Schmidt, S. Melchior, A. Hawkes, I. Staffell, Projecting the Future Levelized Cost of Electricity Storage Technologies, Joule 3 (2019) 81–100. https://doi.org/10.1016/j.joule.2018.12.008.
C. Gamarra, J.M. Guerrero, E. Montero, A knowledge discovery in databases approach for industrial microgrid planning, Renewable and Sustainable Energy Reviews 60 (2016) 615–630. https://doi.org/10.1016/j.rser.2016.01.091.
J.; Hernández-Orallo, M.J.; Ramírez, C. Ferri, Introducción a la Minería de Datos, PRentice Hall, 2004.
C.J. Matheus, G. Piatetsky Shapiro, P.K. Chan, Systems for Knowledge Discovery in Databases, IEEE Trans Knowl Data Eng 5 (1993) 903–913. https://doi.org/10.1109/69.250073.
Z.H. Zhou, Ensemble methods: Foundations and algorithms, CRC Press, 2012. https://doi.org/10.1201/b12207.
U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, From Data Mining to Knowledge Discovery in Databases, AI Mag 17 (1996) 37–54.
L. Breiman, Random forests, Mach Learn 45 (2001) 5–32.
T. Hastie, R. Tibshirani, J.H. (Jerome H.) Friedman, The elements of statistical learning: data mining, inference, and prediction, n.d.
L. Breiman, Bagging predictors, Mach Learn 24 (1996) 123–140. https://doi.org/10.1007/bf00058655.
Inc. The MathWorks, Statistics and {M}achine {L}earning {T}oolbox {U}sers {G}uide, (2016).
J.A. Carta, P. Cabrera, J.M. Matías, F. Castellano, Comparison of feature selection methods using ANNs in MCP-wind speed methods. A case study, Appl Energy 158 (2015) 490–507. https://doi.org/10.1016/j.apenergy.2015.08.102.
H. Douairi, J.C. Torres-Bordón, J.A. Carta, P. Cabrera, Modelo lineal de pérdidas de un volante de inercia, in: J.E. Sierra García, M. Peñacoba Yagüe, P.J. Cabrera Santana (Eds.), XIX Simposio CEA de Control Inteligente. Libro de Actas, Universidad de Burgos, Burgos, 2025. https://doi.org/10.36443/9788418465970.