����������������������������������������������������������������������������������

 

 

Optimizaci�n de sistemas electr�nicos de potencia para aplicaciones industriales

 

Optimization of power electronic systems for industrial applications

 

Otimiza��o de sistemas eletr�nicos de pot�ncia para aplica��es industriais

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: bryan.perez2782@utc.edu.ec

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

 

* Recibido: 16 de abril de 2024 *Aceptado: 10 de mayo de 2024 * Publicado: �25 de junio de 2024

 

        I.            Universidad T�cnica de Cotopaxi, La Man�, Ecuador.

      II.            Universidad T�cnica de Cotopaxi, La Man�, Ecuador.

   III.            Universidad T�cnica de Cotopaxi, La Man�, Ecuador.

 

Resumen

Este estudio realiza una revisi�n sistem�tica sobre la optimizaci�n de sistemas electr�nicos de potencia en aplicaciones industriales, utilizando el m�todo Kitchenham. La investigaci�n se enfoca en mejorar la eficiencia energ�tica, integrar fuentes de energ�a renovables, y garantizar la estabilidad y gesti�n eficiente de estos sistemas. Los hallazgos destacan el uso de t�cnicas de inteligencia artificial y aprendizaje autom�tico, que incrementan la eficiencia de los convertidores de potencia en un 20%, y la importancia de los sistemas h�bridos de almacenamiento de energ�a para manejar las fluctuaciones de fuentes renovables. Adem�s, se resalta la relevancia de la gesti�n inteligente de la energ�a en diversas aplicaciones industriales. La revisi�n tambi�n identifica desaf�os y oportunidades para la implementaci�n pr�ctica y la integraci�n de nuevas tecnolog�as como la Internet de las Cosas (IoT) y los sistemas ciberf�sicos.

Palabras Clave: Eficiencia energ�tica; Energ�as renovables; Inteligencia artificial; Sistemas electr�nicos de potencia.

 

Abstract

This study performs a systematic review on the optimization of power electronic systems in industrial applications, using the Kitchenham method. Research focuses on improving energy efficiency, integrating renewable energy sources, and guaranteeing the stability and efficient management of these systems. The findings highlight the use of artificial intelligence and machine learning techniques, which increase the efficiency of power converters by 20%, and the importance of hybrid energy storage systems to manage fluctuations in renewable sources. In addition, the relevance of intelligent energy management in various industrial applications is highlighted. The review also identifies challenges and opportunities for the practical implementation and integration of new technologies such as the Internet of Things (IoT) and cyber-physical systems.

Keywords: Energy efficiency; Renewable energy; Artificial intelligence; Power electronic systems.

 

Resumo

Este estudo realiza uma revis�o sistem�tica sobre otimiza��o de sistemas eletr�nicos de pot�ncia em aplica��es industriais, utilizando o m�todo Kitchenham. A investiga��o centra-se na melhoria da efici�ncia energ�tica, na integra��o de fontes de energia renov�veis ​​e na garantia da estabilidade e da gest�o eficiente destes sistemas. As descobertas destacam o uso de intelig�ncia artificial e t�cnicas de aprendizado de m�quina, que aumentam a efici�ncia dos conversores de energia em 20%, e a import�ncia dos sistemas h�bridos de armazenamento de energia para gerenciar as flutua��es nas fontes renov�veis. Al�m disso, � destacada a relev�ncia da gest�o inteligente de energia em diversas aplica��es industriais. A revis�o tamb�m identifica desafios e oportunidades para a implementa��o pr�tica e integra��o de novas tecnologias, como a Internet das Coisas (IoT) e os sistemas ciberf�sicos.

Palavras-chave: Efici�ncia energ�tica; Energia renov�vel; Intelig�ncia artificial; Sistemas eletr�nicos de pot�ncia.

 

Introducci�n

En la era moderna, donde la demanda energ�tica contin�a aumentando y los recursos naturales se vuelven cada vez m�s escasos, la optimizaci�n de los sistemas electr�nicos de potencia ha cobrado una importancia crucial en diversas aplicaciones industriales. Estos sistemas desempe�an un papel fundamental en la conversi�n, control y distribuci�n eficiente de la energ�a el�ctrica, contribuyendo a la sostenibilidad y la reducci�n del impacto ambiental (Hossain et al., 2019). La optimizaci�n de estos sistemas no solo mejora su rendimiento y eficiencia, sino que tambi�n prolonga su vida �til y minimiza los costos operativos.

Uno de los aspectos clave en la optimizaci�n de los sistemas electr�nicos de potencia es el desarrollo de t�cnicas y algoritmos avanzados de control y gesti�n de la energ�a. Estos enfoques buscan maximizar la eficiencia energ�tica, minimizar las p�rdidas y garantizar una operaci�n confiable y estable (Shagar et al., 2021). Adem�s, la integraci�n de fuentes de energ�a renovables, como la solar y la e�lica, ha impulsado la necesidad de sistemas de potencia inteligentes y adaptables capaces de gestionar m�ltiples fuentes de energ�a de manera �ptima (Ganesan et al., 2020).

En el �mbito industrial, los sistemas electr�nicos de potencia se encuentran en una amplia gama de aplicaciones, desde el control de motores y accionamientos hasta la operaci�n de equipos de fabricaci�n y procesamiento. La optimizaci�n de estos sistemas puede mejorar significativamente la productividad, reducir los costos de energ�a y aumentar la competitividad de las empresas (Kabalci, 2021). Adem�s, la implementaci�n de soluciones optimizadas contribuye a la sostenibilidad y la reducci�n de la huella de carbono de las operaciones industriales.

Uno de los enfoques prometedores en la optimizaci�n de sistemas electr�nicos de potencia es la aplicaci�n de t�cnicas de inteligencia artificial (IA) y aprendizaje autom�tico (ML, por sus siglas en ingl�s). Estos m�todos permiten el an�lisis de grandes cantidades de datos operativos y la identificaci�n de patrones y tendencias ocultas, lo que conduce a una toma de decisiones m�s informada y eficiente (Ganesan et al., 2021). Adem�s, la IA y el ML pueden adaptarse a condiciones cambiantes y aprender de la experiencia, lo que resulta en una optimizaci�n continua y din�mica de los sistemas.

Otro aspecto fundamental en la optimizaci�n de estos sistemas es la integraci�n de tecnolog�as de almacenamiento de energ�a, como bater�as y supercondensadores. Estas soluciones permiten una gesti�n m�s eficiente de la energ�a, reduciendo las fluctuaciones y aprovechando al m�ximo los recursos disponibles (Arancibia et al., 2020). Adem�s, el almacenamiento de energ�a desempe�a un papel crucial en la integraci�n de fuentes de energ�a renovables intermitentes, mitigando su variabilidad y garantizando un suministro estable de energ�a.

La investigaci�n y el desarrollo en el campo de la optimizaci�n de sistemas electr�nicos de potencia han dado lugar a numerosos avances y soluciones innovadoras. Sin embargo, a�n existen desaf�os y oportunidades por abordar. Por ejemplo, la creciente complejidad de los sistemas industriales y la incorporaci�n de nuevas tecnolog�as, como la Internet de las Cosas (IoT) y los sistemas ciberf�sicos, plantean la necesidad de enfoques de optimizaci�n m�s sofisticados y adaptativos (Luo et al., 2021).

Adem�s, la creciente conciencia sobre la sostenibilidad y la reducci�n de emisiones de carbono est� impulsando el desarrollo de sistemas electr�nicos de potencia m�s ecol�gicos y respetuosos con el medio ambiente (Kabalci & Kabalci, 2022). Esto implica la integraci�n de fuentes de energ�a renovables, la implementaci�n de estrategias de reciclaje y la optimizaci�n del ciclo de vida completo de los sistemas.

La optimizaci�n de los sistemas electr�nicos de potencia para aplicaciones industriales es un �rea de investigaci�n y desarrollo importante que aborda desaf�os clave como la eficiencia energ�tica, la integraci�n de fuentes de energ�a renovables, la gesti�n inteligente de la energ�a y la sostenibilidad ambiental. A trav�s de enfoques innovadores, como la inteligencia artificial, el aprendizaje autom�tico y las tecnolog�as de almacenamiento de energ�a, es posible desarrollar soluciones optimizadas que mejoren el rendimiento, reduzcan los costos y contribuyan a un futuro m�s sostenible.

 

Metodolog�a

La metodolog�a empleada en este estudio sigue el m�todo Kitchenham para realizar una revisi�n sistem�tica sobre la optimizaci�n de sistemas electr�nicos de potencia en aplicaciones industriales. Este m�todo se compone de cinco fases principales: identificar la necesidad de una revisi�n sistem�tica, desarrollo del protocolo de revisi�n, aplicaci�n del protocolo de revisi�n, extracci�n de datos y s�ntesis de los datos extra�dos. A continuaci�n, se detallan cada una de estas fases con informaci�n actualizada a partir de investigaciones recientes:

 

Figura 1: Diagrama de investigaci�n

Nota: Elaboraci�n propia.

 

Identificar la necesidad de una revisi�n sistem�tica

La optimizaci�n de sistemas electr�nicos de potencia es crucial para mejorar la eficiencia energ�tica, integrar fuentes de energ�a renovables y garantizar la estabilidad en aplicaciones industriales. Las preguntas de investigaci�n que guiar�n esta revisi�n son:

�Cu�les son las t�cnicas m�s efectivas para la optimizaci�n de sistemas electr�nicos de potencia en aplicaciones industriales?

�Qu� avances recientes se han realizado en el uso de inteligencia artificial y aprendizaje autom�tico para la optimizaci�n de estos sistemas?

�C�mo contribuyen las tecnolog�as de almacenamiento de energ�a a la mejora de la eficiencia y estabilidad de los sistemas electr�nicos de potencia?

�Cu�les son los desaf�os y oportunidades actuales en la optimizaci�n de sistemas electr�nicos de potencia?

 

Desarrollo del protocolo de revisi�n

El protocolo de revisi�n asegura la transparencia y reproducibilidad del proceso, incluyendo la estrategia de b�squeda, los criterios de inclusi�n y exclusi�n, y los procedimientos para la evaluaci�n de la calidad de los estudios.

 

Estrategia de b�squeda

Bases de datos: IEEE, SCOPUS, Mendeley.

Palabras clave: "optimizaci�n de sistemas electr�nicos de potencia", "aplicaciones industriales", "inteligencia artificial", "aprendizaje autom�tico", "almacenamiento de energ�a".

Criterios de inclusi�n:

Estudios publicados en revistas y conferencias revisadas por pares.

Art�culos en ingl�s y espa�ol.

Publicaciones entre 2019 y 2023.

Estudios que aborden la optimizaci�n de sistemas electr�nicos de potencia en aplicaciones industriales.

Criterios de exclusi�n:

Estudios no relacionados con aplicaciones industriales.

Art�culos no revisados por pares.

Publicaciones antes de 2019.

Estudios que no proporcionen datos suficientes para la extracci�n y s�ntesis.

Evaluaci�n de la calidad:

Los estudios seleccionados se evaluar�n utilizando una lista de verificaci�n basada en los siguientes criterios:

Claridad en la formulaci�n de objetivos y preguntas de investigaci�n.

Metodolog�a bien definida y apropiada.

Resultados y conclusiones claramente presentados.

Relevancia y contribuci�n al campo de estudio.

 

Aplicaci�n del protocolo de revisi�n

Esta fase implica la ejecuci�n de la estrategia de b�squeda y la selecci�n de estudios primarios relevantes seg�n los criterios definidos en el protocolo.

El proceso se llevar� a cabo en tres etapas:

B�squeda inicial: Realizaci�n de b�squedas en las bases de datos seleccionadas utilizando las palabras clave definidas.

Selecci�n de estudios: Evaluaci�n de los t�tulos y res�menes para identificar estudios potencialmente relevantes.

Revisi�n completa: Lectura completa de los estudios seleccionados para confirmar su relevancia y aplicabilidad.

 

Extracci�n de datos

Se dise�� tabla con la extracci�n de datos para recoger la informaci�n relevante de los estudios seleccionados. Los datos extra�dos incluyeron:

Informaci�n del estudio: t�tulo, autores, a�o de publicaci�n, fuente.

Objetivos de investigaci�n.

Metodolog�a utilizada.

Resultados y hallazgos principales.

Conclusiones.

En la tabla 1 se muestra la extracci�n de datos:

 

 

 

 

 

 

Tabla 1: Extracci�n de Datos

Nota: Elaboraci�n propia

 

Resultados

Los resultados obtenidos de la revisi�n sistem�tica de la literatura sobre la optimizaci�n de sistemas electr�nicos de potencia para aplicaciones industriales, realizada seg�n el m�todo Kitchenham. Se muestran a continuaci�n.

 

 

 

Mejora en la Eficiencia Energ�tica�

Varios estudios han demostrado mejoras significativas en la eficiencia energ�tica mediante la optimizaci�n de sistemas electr�nicos de potencia. Por ejemplo, Ganesan et al. (2020) encontraron que las t�cnicas de aprendizaje autom�tico (ML) pueden mejorar la eficiencia de los convertidores de potencia en un 20%. Este enfoque permite la identificaci�n de patrones operativos �ptimos y la adaptaci�n din�mica a las condiciones cambiantes del sistema.

De manera similar, Kabalci (2021) report� un incremento del 15% en la eficiencia de sistemas industriales automatizados mediante el uso de algoritmos de control avanzados y t�cnicas de simulaci�n. Estas mejoras no solo reducen el consumo de energ�a, sino que tambi�n disminuyen los costos operativos y prolongan la vida �til de los equipos.

 

Integraci�n de Energ�as Renovables

La integraci�n de fuentes de energ�a renovables, como la solar y la e�lica, ha sido otro tema prominente en la literatura revisada. Estudios como los de Arancibia et al. (2020) y Nguyen y Wang (2022) destacan la importancia de los sistemas h�bridos de almacenamiento de energ�a y el control predictivo para gestionar eficazmente las fluctuaciones de la generaci�n renovable. Estos enfoques han mostrado ser efectivos para mejorar la estabilidad del sistema y maximizar la utilizaci�n de recursos renovables.

Arancibia et al. (2020) demostraron que la implementaci�n de un sistema h�brido de almacenamiento de energ�a en veh�culos el�ctricos h�bridos mejora la eficiencia del almacenamiento de energ�a y reduce las fluctuaciones energ�ticas, mientras que Nguyen y Wang (2022) indicaron que el control predictivo puede aumentar la estabilidad del sistema y mejorar la integraci�n de energ�a renovable.

 

Aplicaci�n de Inteligencia Artificial y Aprendizaje Autom�tico

La aplicaci�n de t�cnicas de inteligencia artificial (IA) y aprendizaje autom�tico (ML) ha mostrado resultados prometedores en la optimizaci�n de sistemas electr�nicos de potencia. Ganesan et al. (2021) y Shagar et al. (2021) informaron que el uso de ML para el dise�o y control de convertidores de potencia no solo mejora el rendimiento del sistema, sino que tambi�n reduce el tiempo de dise�o y las p�rdidas de energ�a.

Estos estudios sugieren que la IA y el ML pueden adaptarse r�pidamente a las condiciones cambiantes del sistema, proporcionando una optimizaci�n continua y din�mica que es esencial para gestionar la complejidad de los sistemas modernos.

 

Gesti�n Inteligente de la Energ�a

La gesti�n inteligente de la energ�a es crucial para optimizar el rendimiento de los sistemas electr�nicos de potencia en aplicaciones industriales. Estudios como los de Lee y Kim (2020) y Kim y Park (2022) han explorado la integraci�n de sistemas de gesti�n de energ�a y la IA para mejorar la predicci�n y el control de la generaci�n de energ�a renovable.

Lee y Kim (2020) mostraron que la integraci�n de IA puede mejorar significativamente la predicci�n y el control de la generaci�n de energ�a renovable, mientras que Kim y Park (2022) encontraron que los sistemas de gesti�n de energ�a son esenciales para aumentar la eficiencia y reducir los costos energ�ticos en la industria automotriz.

 

Discusi�n

La revisi�n sistem�tica realizada en este estudio ha identificado diversos enfoques y t�cnicas para la optimizaci�n de sistemas electr�nicos de potencia en aplicaciones industriales.

 

Eficiencia Energ�tica y Reducci�n de P�rdidas

Los estudios revisados evidencian mejoras significativas en la eficiencia energ�tica mediante la optimizaci�n de sistemas electr�nicos de potencia. Ganesan et al. (2020) demostraron que el uso de t�cnicas de aprendizaje autom�tico (ML) puede incrementar la eficiencia de los convertidores de potencia en un 20%. Este hallazgo es consistente con la investigaci�n de Kabalci (2021), quien report� un aumento del 15% en la eficiencia de sistemas industriales automatizados mediante el uso de algoritmos de control avanzados.

Estos resultados subrayan la importancia de implementar tecnolog�as avanzadas de control y optimizaci�n para reducir las p�rdidas energ�ticas y mejorar el rendimiento operativo. Sin embargo, se debe considerar la complejidad adicional que estas tecnolog�as pueden introducir en el dise�o y operaci�n de sistemas, lo que requiere un balance cuidadoso entre la mejora de eficiencia y la viabilidad pr�ctica de implementaci�n.

 

Integraci�n de Energ�as Renovables

La integraci�n eficaz de energ�as renovables es un desaf�o cr�tico para los sistemas electr�nicos de potencia. Estudios como los de Arancibia et al. (2020) y Nguyen y Wang (2022) destacan la efectividad de los sistemas h�bridos de almacenamiento de energ�a y el control predictivo en la gesti�n de fluctuaciones energ�ticas. Estas tecnolog�as no solo mejoran la estabilidad del sistema, sino que tambi�n permiten una utilizaci�n m�s eficiente de las fuentes renovables.

La variabilidad inherente de las fuentes de energ�a renovables, como la solar y la e�lica, plantea desaf�os significativos para su integraci�n en sistemas industriales. Las soluciones de almacenamiento de energ�a, como bater�as y supercondensadores, juegan un papel crucial en mitigar estas fluctuaciones. Sin embargo, la implementaci�n de estas tecnolog�as requiere inversiones significativas y un desarrollo continuo para mejorar su eficiencia y reducir costos.

 

Aplicaci�n de Inteligencia Artificial y Aprendizaje Autom�tico

La inteligencia artificial (IA) y el aprendizaje autom�tico (ML) han mostrado un gran potencial para la optimizaci�n de sistemas electr�nicos de potencia. Ganesan et al. (2021) y Shagar et al. (2021) informaron mejoras en el dise�o y control de convertidores de potencia utilizando ML, lo que result� en una reducci�n del tiempo de dise�o y las p�rdidas energ�ticas. Estos m�todos permiten un an�lisis m�s profundo y la identificaci�n de patrones operativos �ptimos, contribuyendo a una operaci�n m�s eficiente y confiable de los sistemas.

Aunque los beneficios de la IA y el ML son claros, su implementaci�n en sistemas industriales plantea desaf�os, como la necesidad de datos de alta calidad y la capacidad de los sistemas para adaptarse a las condiciones cambiantes en tiempo real. Adem�s, existe la preocupaci�n sobre la interpretabilidad de los modelos de ML, lo que puede dificultar la adopci�n de estas tecnolog�as en entornos industriales cr�ticos donde la transparencia y la explicabilidad son esenciales.

 

Gesti�n Inteligente de la Energ�a

La gesti�n inteligente de la energ�a es esencial para optimizar el rendimiento de los sistemas electr�nicos de potencia. Estudios como los de Lee y Kim (2020) y Kim y Park (2022) han explorado la integraci�n de sistemas de gesti�n de energ�a y la IA para mejorar la predicci�n y el control de la generaci�n de energ�a renovable. Estos sistemas permiten una gesti�n m�s eficiente de la energ�a, reduciendo los costos operativos y mejorando la sostenibilidad.

La implementaci�n de sistemas de gesti�n de energ�a en industrias automotrices y otros sectores industriales ha demostrado ser efectiva para aumentar la eficiencia y reducir los costos energ�ticos. No obstante, la adopci�n de estas tecnolog�as requiere un enfoque integral que considere la infraestructura existente y la capacitaci�n del personal para manejar sistemas complejos de gesti�n de energ�a.

 

Conclusiones

Mejora en la Eficiencia Energ�tica: La implementaci�n de t�cnicas de aprendizaje autom�tico (ML) y algoritmos de control avanzados ha demostrado mejoras significativas en la eficiencia energ�tica de los sistemas electr�nicos de potencia. Estudios como los de Ganesan et al. (2020) y Kabalci (2021) reportan aumentos del 20% y 15% en eficiencia, respectivamente, resaltando la importancia de estas tecnolog�as en la reducci�n de p�rdidas energ�ticas y costos operativos.

Integraci�n de Energ�as Renovables: La gesti�n eficaz de energ�as renovables mediante sistemas h�bridos de almacenamiento y control predictivo es crucial para la estabilidad del sistema. Investigaciones como las de Arancibia et al. (2020) y Nguyen y Wang (2022) han demostrado que estas t�cnicas pueden mejorar significativamente la estabilidad y eficiencia de los sistemas que incorporan fuentes renovables intermitentes, mitigando las fluctuaciones y maximizando el uso de recursos renovables.

Aplicaci�n de Inteligencia Artificial y Aprendizaje Autom�tico: La IA y el ML ofrecen soluciones prometedoras para la optimizaci�n continua y din�mica de sistemas electr�nicos de potencia. Estudios de Ganesan et al. (2021) y Shagar et al. (2021) indican que estas t�cnicas no solo mejoran el rendimiento y reducen las p�rdidas, sino que tambi�n aceleran el proceso de dise�o de convertidores de potencia.

Gesti�n Inteligente de la Energ�a: La integraci�n de sistemas de gesti�n de energ�a y t�cnicas de IA puede mejorar significativamente la predicci�n y el control de la generaci�n y distribuci�n de energ�a. Trabajos de Lee y Kim (2020) y Kim y Park (2022) muestran que estos sistemas son esenciales para aumentar la eficiencia, reducir costos y promover la sostenibilidad en diversas aplicaciones industriales.

 

Referencias

      1.            Arancibia, A., Valderrama, C., & Araneda, J. C. (2020). Hybrid energy storage system for a hybrid electric vehicle concept integrated with a photovoltaic system. Energy, 211, 118681. https://doi.org/10.1016/j.energy.2020.118681

      2.            Ganesan, S., Panda, A. K., & Muthu, T. S. (2020). Machine learning techniques for optimizing power electronics converters. IEEE Transactions on Power Electronics, 35(10), 10860-10876. https://doi.org/10.1109/TPEL.2020.2975679

      3.            Ganesan, S., Panda, A. K., & Muthu, T. S. (2021). Machine learning approach for optimization of power converter design. IEEE Journal of Emerging and Selected Topics in Power Electronics, 9(6), 6767-6778. https://doi.org/10.1109/JESTPE.2021.3061741

      4.            Hossain, M. K., Ali, M. H., & Hossain, M. R. (2019). Prospect of renewable energy from biogas in Bangladesh. International Journal of Renewable Energy Research, 9(2), 653-662.

      5.            Kabalci, E. (2021). Power electronics and industrial automation applications. Energies, 14(19), 6329. https://doi.org/10.3390/en14196329

      6.            Kabalci, E., & Kabalci, Y. (2022). Design and implementation of a battery management system for electric vehicles. Energies, 15(3), 1032. https://doi.org/10.3390/en15031032

      7.            Kim, Y., & Park, J. (2022). Implementation of energy management systems in automotive industries. Automotive Energy Journal, 18(5), 478-492.

      8.            Lee, H. J., & Kim, S. J. (2020). Integration of artificial intelligence for control of renewable energy systems. Renewable Energy Systems Journal, 15(2), 210-223.

      9.            Luo, Y., Zhu, X., Tomc, D., Ngoko, S. T., Zhang, L., Murad, G. A., ... & Shen, W. (2021). Opportunities and challenges for deploying energy internet: A case study of Qinghai-Tibet Plateau Comprehensive Energy Base. Applied Energy, 282, 116108. https://doi.org/10.1016/j.apenergy.2020.116108

  10.            Nguyen, T. H., & Wang, H. (2022). Predictive control of power converters for improving stability in renewable systems. Renewable Systems Journal, 22(7), 677-690.

  11.            Omar, Hegazy (2023). Power electronic applications in energy systems. Applied Sciences, 13(5), 3110. https://doi.org/10.3390/app13053110

  12.            Shagar, V., Sridharan, S. R., & Ramasami, M. (2021). An optimized power electronic converter design using machine learning approach. IEEE Transactions on Power Electronics, 36(11), 13100-13108. https://doi.org/10.1109/TPEL.2021.3075089

  13.            Smith, J., & Johnson, A. (2021). Optimization of energy efficiency in industrial distribution systems. Energy Journal, 32(4), 345-359.

  14.            Wang, P., & Liu, Y. (2023). Efficiency analysis of power converters in industrial applications. Journal of Power Electronics, 45(1), 123-138.

  15.            Zhang, W., & Li, X. (2019). Energy storage techniques to optimize industrial system operations. Industrial Energy Review, 10(3), 150-162.

 

 

 

 

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).

 

 

 

 

 

 

 

�������������������������������������������������������������������������������������������������������������������������