Daniel Santamargarita y David Molinero

“Nuestro proyecto se basa en el diseño y la puesta en marcha de un convertidor de potencia que permita realizar una conexión entre la catenaria ferroviaria y diferentes cargas o redes”

Daniel Santamargarita y David Molinero son investigadores del grupo de Ingeniería Electrónica Aplicada a los Sistemas de Energías Renovables (GEISER) de la Universidad de Alcalá, y han creado una inteligencia artificial que permite realizar el diseño de un transformador 30 veces más rápido.

Ambos son un ejemplo de que, con tenacidad y esfuerzo, se pueden alcanzar las metas propuestas. Daniel Santamargarita (Coria, Cáceres, 1995), colegiado de Guadalajara, ha completado su Doctorado en Ingeniería Electrónica, en 2023, en la Universidad de Alcalá. Su actividad investigadora se centra en la aplicación de técnicas de optimización avanzadas para el diseño de convertidores de potencia de media tensión y transformadores de media frecuencia, empleando simulaciones de elementos finitos y redes neuronales.

David Molinero (Alcalá de Henares, 1998), colegiado también de Guadalajara, prepara actualmente su Doctorado en la citada universidad. Su investigación se centra en el desarrollo y la optimización de un convertidor de media tensión basado en semiconductores SiC. Desde 2023, trabaja, además, como ingeniero de control de convertidores de potencia en Gamesa Electric.

La investigación que han llevado a cabo estos dos ingenieros, en materia de inteligencia artificial, les ha permitido ganar el segundo premio al mejor artículo científico de todo 2023 en una de las mejores revistas internacionales del sector, del Institute of Electrical and Electronics Engineers (IEEE), con sede corporativa en Nueva York.

¿Cómo fueron los inicios de la investigación que habéis llevado a cabo? ¿De dónde partió la idea?

Daniel Santamargarita (D.S). – La investigación surgió a partir de un proyecto cuyo objetivo principal era establecer una interconexión entre la catenaria ferroviaria de Media Tensión DC, la red AC y diversas cargas aisladas, con el fin de aprovechar la extensa capilaridad de la red ferroviaria en este país.

Actualmente, existen convertidores de potencia capaces de realizar esta conexión; sin embargo, requieren grandes espacios y costosas instalaciones. Esta investigación logró reducir significativamente el tamaño del convertidor, transformándolo en un sistema plug and play, lo que elimina la necesidad de instalaciones complejas y costosas, permitiendo así maximizar el aprovechamiento de la red ferroviaria. Entre los usos más relevantes y beneficiosos de esta solución se encuentra la posibilidad de crear una red de puntos de recarga para vehículos eléctricos distribuida por todo el país.

Con el propósito de optimizar al máximo el convertidor de potencia, se identificó que el elemento más limitante era el transformador de media frecuencia, siendo la gestión térmica su principal desafío. Para abordar este problema, se observó que los modelos térmicos existentes eran demasiado precisos pero lentos, o bien poco precisos y más rápidos. Esto llevó a la necesidad de desarrollar un nuevo modelo, integrando redes neuronales artificiales y simulaciones por elementos finitos (FEM) para alcanzar un equilibrio entre precisión y rapidez en la gestión térmica del sistema.

¿En qué consiste básicamente el proyecto desarrollado?

D.S.– El proyecto se basa en el diseño y la puesta en marcha de un convertidor de potencia que permita realizar una conexión entre la catenaria ferroviaria y diferentes cargas o redes.

El proyecto desarrollado se encuentra dentro de mi tesis doctoral, que abarca todos los aspectos del diseño del convertidor de potencia. No se limita únicamente al transformador de media frecuencia, sino que también incluye el diseño y la gestión térmica de los semiconductores, la selección de condensadores de filtrado, el diseño de las conexiones entre componentes para minimizar las inductancias parásitas, el control, y la optimización de los diferentes modos de operación. La complejidad del diseño y la cantidad de variables del mismo, al final, llevó a realizar una optimización por fuerza bruta; esta optimización requería estudiar 1,6 millones de posibles combinaciones, lo cual hace inviable el uso de cualquier modelo relativamente lento. Las simulaciones de elementos finitos empleadas para validar térmicamente el diseño requieren 5 minutos por cada una de ellas, lo que implicaría 15 años para generar el diseño final usando esta técnica.

Gracias al modelo creado, se ha podido reducir el tiempo de diseño mediante optimización por fuerza bruta a 1,6 días (asumiendo que se tiene que crear el modelo de 0 en cada nuevo diseño). Esta disminución del tiempo es debido a que las redes neuronales creadas son capaces de ejecutarse en el orden de los milisegundos, obteniendo resultados con un error inferior al 1%.

El documento que resume el trabajo realizado está disponible en línea para todo el mundo en la biblioteca de la UAH (https://ebuah.uah.es/dspace/handle/10017/56822).

¿Cuáles son las principales innovaciones de dicha investigación y qué aportan de relevante con respecto a otras utilidades similares?

David Molinero (D.M). – En concreto el premio viene derivado de la creación de una red neuronal a partir de datos de simulaciones térmicas de elementos finitos. Como se comentó anteriormente, estas simulaciones son muy lentas pero muy precisas, y en muchos casos quedan relegadas al proceso de validación, una vez se tiene un diseño final.

Dada la complejidad del sistema al que nos enfrentábamos, nosotros necesitábamos utilizar estas simulaciones en el proceso de diseño, por lo que necesitábamos una herramienta mucho más rápida que las simulaciones FEM. Esta fue la motivación que nos llevó a recurrir a la inteligencia artificial, en concreto, a las redes neuronales. Las redes neuronales ya se han utilizado con anterioridad en el campo de la Electrónica de Potencia, ya sea para calcular pérdidas de componentes o para controlar el funcionamiento de equipos, pero hasta ahora no se había trabajado en un modelo térmico basado en redes neuronales tan detallado como el nuestro. Un modelo térmico basado en redes neuronales combina lo mejor del resto de modelos: la precisión de los modelos FEM y la velocidad de los modelos analíticos.

Esta tecnología innovadora tiene el potencial de transformar por completo el paradigma del diseño de transformadores de media frecuencia. ¿Cuándo se podría comenzar a implementar?

D.M.- Nosotros esperamos que pronto, por lo menos en el campo de la investigación. Adaptar esta tecnología a la industria es algo más difícil porque las empresas ya cuentan con procesos muy definidos en las etapas de diseño, y suele costar actualizarse a nuevas herramientas, sobre todo por falta de tiempo. Aun así, en el campo de la Electrónica de Potencia todo avanza muy rápido y es obligatorio actualizarse a las últimas novedades tecnológicas, por lo que las empresas del sector privado también apuestan, cada vez más, por la Inteligencia Artificial. Por tanto, esperamos que nuestra investigación motive al sector a utilizar la IA y las redes neuronales como una herramienta más.

¿Cómo afectaría su implementación al sector?

D.S.- La metodología propuesta responde a la necesidad creciente de soluciones más compactas, eficientes y escalables en sectores como la movilidad eléctrica, la generación y almacenamiento de energía renovable, así como en la electrificación ferroviaria y sistemas híbridos de potencia.

Además, el diseño acelerado mediante el uso de redes neuronales térmicas ofrece a los ingenieros una herramienta poderosa que no solo reduce significativamente los tiempos de desarrollo, sino que también simplifica la toma de decisiones durante las etapas iniciales de diseño. Esto les permite explorar múltiples configuraciones en un tiempo récord, optimizando aspectos críticos como la gestión térmica, las pérdidas y la densidad de potencia, sin necesidad de realizar numerosas simulaciones lentas por elementos finitos (FEM).

¿Pensáis que generará nuevos empleos relacionados con la creación y el procesamiento de los datos necesarios para entrenar esta inteligencia artificial?

D.S.- Consideramos que la implementación de la metodología propuesta impulsará la generación de nuevos empleos en áreas clave relacionadas con el uso de inteligencia artificial, especialmente en el diseño térmico de sistemas de potencia, identificado como un aspecto crítico en estos proyectos. Esto provocará una creciente demanda de especialistas en simulaciones FEM para la creación y procesamiento de datos, ingenieros en machine learning para entrenar y optimizar redes neuronales, y profesionales capaces de integrar ambas herramientas y aplicarlas en el diseño. Asimismo, será necesario contar con técnicos que validen experimentalmente los modelos y expertos en infraestructura de datos que gestionen los recursos computacionales. En conjunto, esta tecnología promoverá el desarrollo de perfiles híbridos que combinen inteligencia artificial, diseño eléctrico y térmico, así como optimización, acelerando la transformación digital en el sector energético.

¿Hasta dónde pensáis que se puede llegar, en términos de investigación, con los avances de la inteligencia artificial (IA)?

D.M.- Hay factores que invitan a ser muy optimistas. En 2024 hemos visto cosas que hace 5 años pensábamos que estaban muy lejos y serían cosa del futuro, como ChatGPT o las IA de generación de imágenes, vídeo o audio. Estas son una muestra de la capacidad computacional que ya tiene la IA, por lo que en la investigación está suponiendo una herramienta nueva muy potente a la que todavía nos estamos adaptando, y estamos encontrando nuevas aplicaciones cada día. Sin embargo, todavía no es la utopía que muchos piensan que es. De momento, la IA no es capaz de sustituir al 100% el trabajo de una persona, y todavía queda un largo camino para ello. Hacen falta personas cualificadas que sean capaces de analizar de manera crítica el comportamiento y los resultados de la Inteligencia Artificial. De momento, nosotros la tratamos como una herramienta que nos facilita el trabajo y nos ahorra mucho tiempo.

Como investigadores, ¿tenéis otros proyectos en mente?

Sí, seguimos explorando posibles aplicaciones de la inteligencia artificial en el ámbito de la electrónica de potencia. En nuestras publicaciones más recientes, hemos presentado usos innovadores de las redes neuronales de visión artificial, como la generación de imágenes térmicas a partir de mapas de pérdidas (https://ieeexplore.ieee.org/document/10696942), y la estimación de parámetros que no pueden ser medidos directamente. Por ejemplo, hemos desarrollado métodos que permiten determinar la temperatura máxima en el interior de un componente inaccesible para un sensor térmico, a partir de mediciones simples con sensores de bajo coste (https://ieeexplore.ieee.org/abstract/ document/10230880).

Además, estas redes neuronales no se limitan únicamente a los modelos térmicos; actualmente las estamos utilizando para optimizar el comportamiento de los convertidores. Esto incluye la generación de nuevas estrategias de modulación que, debido a su alta complejidad, son imposibles de desarrollar mediante modelos matemáticos tradicionales. Estas aplicaciones destacan el potencial de la inteligencia artificial para superar los límites de las metodologías convencionales en el diseño y operación de sistemas de potencia (https://ieeexplore.ieee.org/abstract/ document/10509195).