DESARROLLO DE UN MODELO PARA LA LOCALIZACIÓN DE FALLAS EN UNA LÍNEA DE TRANSMISIÓN DE ENERGÍA ELÉCTRICA UTILIZANDO RED NEURONAL ARTIFICIAL Ortiz Aes Reynaldo, Tuxtla Gutiérrez, Chiapas
[email protected]
1. Introducción 1.1 Antecedentes Cuando se presenta una falla en un Sistema Eléctrico de Potencia, los esquemas de protección que se encuentren instalados en las subestaciones deben actuar sobre los respectivos equipos de interrupción para aclarar la falla. Lo anterior produce un impacto sobre el sistema que debe ser analizado por los centros de control no solo con el fin de definir pautas adecuadas para su restablecimiento. La energía que se suministra a través de las redes eléctricas posee características de voltaje, frecuencia, distorsión armónica y continuidad. Establecidas bajo norma de acuerdo a los diferentes procesos en las que se encuentra, esto es producción, transmisión y distribución. Cuando se cumplen estas características la energía suministrada cumple con los estándares de calidad. Sin embargo, estos valores se ven alterados desde un pequeño porcentaje del valor total, hasta valores muy grandes pueden provocar mal funcionamiento respectivamente a los equipos que alimenta. Esta alteración es provocada por la incorporación de un número de convertidores electrónicos implementados en las fuentes de alimentación primarias de equipos de uso cotidiano, como de conexión y desconexión de altas cargas eléctricas lineales y no lineales. Así como disturbios disturbios y fallas en líneas de transmisión transmisión y redes de distribución distribución donde se generan perturbaciones en la red de suministro eléctrico los cuales deterioran la calidad de la energía y ocasionan mal funcionamiento y daño en equipos de alta tecnología. Tales como computadoras, controladores de procesos automatización, dispositivos médicos y de soporte vial. Los disturbios eléctricos que suceden con mayor frecuencia en las redes de energía son, la depresión de voltaje con rango de amplitudes de 0.1 a 0.9 p.u. y una distorsión de medio ciclo hasta un minuto, el incremento de voltaje con rango de 1.1 a 1.8 p.u. con una duración desde medio ciclo hasta un minuto. Ambos medidos en y la distorsión armónica de la forma de onda originada por la alimentación de cargas no lineales. Estos disturbios eléctricos que afectan a la calidad de la energía eléctrica, se clasifican de acuerdo al tipo y duración de los mismos. Se pueden medir para su identificación de acuerdo al estándar internacional. Pero su identificación no es la más precisa para los disturbios eléctricos.
1.2 Estado del Arte Hassan Nikkhajoei, Reza Iravani, Isfahan University of technology, Iran, Diseño una red de comunicaciones para la monitorización de disturbios eléctricos en sistemas de potencia. Su característica principal es que utiliza líneas telefónicas como medio de transmisión, almacena registros de disturbios de cinco terminales todos conectada a una computadora central [1]. D. Yazdani, A. Bakhshai, Department of Electrical and Computer Engineering, Queen’s University, Kingston, Canadá, desarrollo en el simulador interactivo de sistemas de estudio de sistemas eléctricos de potencia, un sistema de potencia ante colapso de voltaje [2]. G. Joos, Department of Electrical and Computer Engineering, McGill University, Montreal, Canadá, diseño dispositivos ópticos digitales para medición y protección en sistemas de alta tensión. Se caracteriza por la utilización de transformadores denominados ópticos, los efectos ópticos son la base de los mismos logrando un gran porcentaje de efectividad [3]. M. Mojiri, Department of Engineering, Faculty of Electrical Engineering, University of Kashan, Kashan, Iran, Diseño e implemento del compensador estática serie para el mejoramiento de la calidad de energía en redes eléctricas. Su principal es un esquema de control de voltaje capaz de mitigar los principales problemas a los disturbios suscitados en las redes de suministros de energía [4]. Josep M. Guerrero, L.Hang, J. Uceda, Department of Automatic Control and Computer Engineering, Technical University of Catalonia, Spain, diseñaron un control de la ininterrumpí distribuido de alimentación. Su principal característica es que utilizaron técnicas de intercambio de carga activa que describen los enfoques de control de inclinación [5]. Lo que aquí se presenta como proyecto, las bases a diseñar un algoritmo neuronal en la detección de disturbios eléctricos denominados interruptores de voltajes. Así mismo caracterizar y entrenar la red neuronal propuesta para la detección del disturbio, ya que este provoca una cantidad de perturbaciones en las ondas de tensión y corriente del sistema eléctrico nacional.
1.3 Justificación Lo que aquí se diseña son los parámetros a emplear en la red para caracterizar y entrenar la red neuronal propuesta para la detección al disturbio. Validar la matemática para el modelado del algoritmo y así poder identificar cuando se presenten los disturbios eléctricos que suceden frecuentemente. Así mismo es importante destacar que las redes neuronales han sido aplicadas para resolver diversos problemas en ingeniería.
1.4 Objetivo Diseñar un algoritmo Neuronal Artificial Backpropagation, para la detección del disturbio eléctrico denominado “Interruptor de Voltaje”. Por medio del software Toolbox de Redes Neuronales de MATLAB con parámetros de acuerdo a las interrupciones de voltaje. Y así evitar los disturbios eléctricos que son consecuentes y dañino para la red eléctrica.
1.5 Metodología Red de energía eléctrica
Sensor de frecuencia PKT-4035
Sensor de voltaje ST-303U
Sensor de corriente TMP102
Acondicionador de señales
Pantalla despliegue de incidencias disturbios eléctricos
Computador a Red Neuronal
Fig . 1.1Diagrama de bloques del hardware.
En este diagrama podemos observar la ubicación de los elementos a utilizar en este proyecto. Primero tendremos lo que es la red de energía eléctrica, es donde se empezara el censado de disturbios. Utilizaremos un sensor de frecuencia PKT4035 utilizaremos esta marca ya que tiene amplio rango de medición. Este sensor indicara la amplitud de oscilación de impulsos en un tiempo definido. Siguiendo la estructura de nuestro diagrama utilizaremos un sensor de voltaje ST303U con este sensor de voltaje censaremos las variaciones del voltaje entrante, a fin de mantener el voltaje constante alejado de disturbios. También usaremos un sensor de corriente TMP102 este nos permitirá medir la corriente y regular la cantidad de corriente, monitorizará la corriente.
Con el acondicionador de señales nos servirá como protección, para evitar daños a la computadora y a los equipos que utilizaremos. Convertiremos la señal de entrada de la red de energía eléctrica a una señal adecuada. Obtendremos el nivel adecuado de la señal. Computador a red neuronal, ahí se encontrará el programa ya entrenado y funcionando bien para que detecte los disturbios de la red que se irán presentando. Pantalla de despliegue de incidencias de disturbios eléctricos, esta pantalla tendrá una comunicación con el computador. En ella se podrán observar los disturbios de incidencia que estará presentando. Se creará una interfaz entre el computador, y la pantalla para qué siempre estén en sincronía. Y siempre pueda observar las incidencias de disturbios.
Voltajes de red de energía eléctrica
Red
Algoritmo de red
Neuronal
Backpropagation
Artificial
Señal de incidencia identificada
F i g . 1.2 diagrama de bloques de software .
En este diagrama de bloques del software podemos observar que estructura tendrá el sistema a implementar con la Red Neuronal Artificial. Esto funcionara así, en la entrada de voltajes de disturbios se recibirán las señales de los voltajes con disturbios. Estas señales vendrán del centro de cargas para empezar el procedimiento. El software contara la red neuronal artificial backpropagation. Esta RNA se acondicionará para que detecte una señal de disturbio de voltaje. Es decir, cuando detecte la presencia de disturbio la RNA no permitirá el paso de voltaje. Por lo siguiente tendremos un algoritmo de aprendizaje, será un proceso por donde ajustaremos los parámetros de la red neuronal. Los adaptaremos a través de un proceso de estimulación por el ambiente en el cual la red se encuentra inmersa. Aplicaremos tres tipos de aprendizajes, el aprendizaje supervisado, aprendizaje no supervisado y el aprendizaje por reforzamiento. Así también comprenderá dos componentes base que son las neuronas y las interconexiones. Las definiremos en tres aspectos básicos que son la entrada, la capa oculta y la salida que ser el procesamiento final. En la salida tendremos la señal de incidencias identificadas. Después de haber pasado por todo el procedimiento de identificación, ahí tendremos las señales identificadas. Podremos observar todos los disturbios eléctricos, cuáles fueron los disturbios eléctricos que se presentaron con más frecuencia y cada cuanto se presentó un disturbio eléctrico.
2. Fundamento Teórico 2.1 La Red Backpropagation El método backpropagation es basado en la generación de la regla delta, a pesar de sus limitaciones, ha cumplido de forma considerable el rango de aplicaciones de las redes neuronales. En si la técnica backpropagation requiere el uso de neuronas cuya función de activación sea continua, y por lo tanto diferenciable. Generalmente, la función utilizada será del tipo sigmoidal. De forma simplificada, el funcionamiento de la red Backpropagation consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dadas. Primero se aplica un patrón de entrada como estímulo para la primera capa de neuronas de la red, se va propagando a través de todas las capas superiores asta generar una salida, se compara el resultado obtenido en las neuronas de salida con la salida que se desea obtener, y se calcula un valor del error para cada neurona de salida. Este proceso se repite capa por capa, hasta que todas las neuronas de la red hayan recibido un error que describa su aportación relativa al error total. Basándose en el valor del error recibido, se reajustan los pesos de conexión de cada neurona, de manera que en la siguiente vez se presente el mismo patrón, la salida esté más cerca de la deseada; es decir, el error disminuya. La importancia de la red Backpropagation consiste en su capacidad de auto adaptar los pesos de las neuronas de las capas intermedias para aprender la relación que existe entre un conjunto de patrones dados como ejemplos y sus salidas correspondientes. Después el entrenamiento, puede aplicar esta misma elación a nuevos vectores de entrada con ruido o incompletas, dando una salida activa si la nueva entrada es parecida a las presentadas. Esta característica importante, que se exige a los sistemas de aprendizaje, es la capacidad de generalización, entendida como la facilidad dar salidas satisfactores a entradas que el sistema no ha visto nunca en su fase de entrenamiento. La red debe encontrar una representación interna que le permita generar las salidas deseadas cuando se le dan representación interna que le permita generar las salidas deseadas cuando se le dan las entradas de entrenamiento. En una red Backpropagation existe una capa de entrada con n neuronas y una capa de salida con m neuronas y amenos una capa oculta de neuronas internas. Cada neurona de una capa recibe entradas de todas, las neuronas de la capa interior y envía su salida a todas las neuronas de la capa posterior. Más a delante observaremos la conexión del algoritmo. La aplicación del algoritmo tiene dos fases, una hacia delante y otra hacia atrás. Durante la primera fase el patrón de entrada es presentado a la red y propagado a través de las capas hasta llegar a la capa de salida. Obtenidos los valores de salida de la red, se inicia la segunda fase, comparándose éstos valores con la salida esperada para así obtener el error. Se ajustan los pesos de la última capa proporcionalmente al error.
Se pasa a la capa anterior con una retropopagación del error, ajustando los pesos y continuando con este proceso hasta llegar a la primera capa. De esta manera se han modificado los pesos de las conexiones de la red para cada patrón de aprendizaje del problema, del que conocíamos su valor de entrada y la salida deseada que debería generar la red ante dicho patrón.
Fig . 2.1Conexión entre una neurona de una capa oculta con una neurona de salida.
El método sigue la regla delta generalizada para ajustar los pesos es actualizarlos de forma proporcional a la delta o diferencia entre la salida deseada y la obtenida. S=salida deseada-salida obtenida. Dada una neurona y la salida que produce el cambio que se produce en el peso de la conexión que une la salida de dicha neurona con la unidad para un patrón de aprendizaje p determinado es (2.1) Donde el subíndice p se refiere al patrón de aprendizaje concreto y α es la constante o tasa de aprendizaje, esta fórmula es como la de la regla delta, excepto en lo que se refiere a la derivada de la función de transferencia. Este término representa la modificación que realiza en la entrada que recibe la neurona j. En el caso en que la neurona no sea de salida, el error que se produce estará en función del error que se cometa en las neuronas que reciban como entrada la salida de dicha neurona. En la siguiente figura se observa las conexiones entre neuronas de capa oculta y de salida. Primero tendremos un capa de entrada, que tiene las variables que de ahí se dirige hacia la capa oculta con variable y esta se dirigirá a la capa de salida con variables ya que estará constituida os capas de salida. La siguiente figura 2.2 muestra la estructura de una conexión entre neuronas de capa oculta y de salida.
Fig . 2.2 Conexiones entre neuronas de capa oculta y de salida.
Para saber el número de capas que tienen que haber en la capa de entrada, deberemos hacer algunos cálculos. Así también para saber la capa oculta hacia a capa de salida, en el caso de que no sea una neurona de salida. El error que se produce está en función del error que se comete en las neuronas que reciben como entrada la salida : (2.2) Donde el rango k cubre todas aquellas neuronas a las que está conectada la salida de . De esta forma, el error que se produce en una neurona oculta es la suma de los errores que se producen en las neuronas a las que está conectada la salida de esta, multiplicando cada uno de ellos por el peso de la conexión.se deberá efectuar dicha ecuación para saber el rango que k cubrirá.
2.2 Sensor de Efecto Hall Los sensores basados en efecto Hall cuentan de un elemento conductor o semiconductor y un imán. Cuando un objeto ferromagnético se aproxima al sensor, el campo que provoca el imán en el elemento se debilita. Así se puede determinar la proximidad de un objeto, siempre que sea ferromagnético. Las aplicaciones de sensores de efecto Hall. Una de las aplicaciones de los sensores por efecto Hall que más se ha instalado en la industria, en especial en la automotriz. Dado que el sensor por estar implementado por un semiconductor, tiene la capacidad de poseer electrónica integrada la señal que sale de los sensores por efecto Hall. Para uso como detectores de proximidad por lo general ya está amplificada y acondicionada, de modo que su utilización es mucho más directa, fácil y económica por ello se utiliza. Ahora hablamos más sobre su funcionamiento. El sensor de efecto Hall se basa en la tensión transversal de un conductor que está sometido a un campo magnético. Colocando un voltímetro entre dos puntos transversales de un cable se puede medir esa tensión, para ello hay que hacer circular por el cable una intensidad fija y acercar un imán. Los electrones que pasan por el cable se verán desplazados hacia un lado.
Entonces aparece una diferencia de tensión entre los dos puntos transversales del cable, al separar el imán del cable la tensión transversal desaparece. Para poder utilizar la tensión transversal es necesario amplificar, porque el valor es muy reducido. Un sensor de efecto Hall utilizado en automoción se compone de, un generador electromagnético, un módulo electrónico y una corona metálica con ventanas para irrumpir el campo.
Fig . 2.3 Sensor Efecto Hall.
La corona metálica se intercala entre el imán fijo y el modulo electrónico y está unida a un ele con giro. Según la posición de la corona, el campo magnético del imán llega hasta el modulo electrónico. La tensión obtenida a la salida del módulo electrónico, una vez tratada y amplificada corresponde con un valor alto de 5 a 12 volts cuando la corono tapa el campo magnético y un nivel bajo cuando la corona cubre el imán.
2.3 Acondicionadores de señal Los acondicionadores de señal, adaptadores o amplificadores, son elementos de medida que ofrecen, a partir de una señal de salida de un sensor eléctrico. Una señal apta para ser presentada o registrada que simplemente permita un procesamiento posterior. Las funciones de estos dispositivos se pueden dividir en las siguientes, amplificación, filtrado, adaptación a impedancias y modulación y de modulación. Así por ejemplo, cuando se requiere un conversor A/D para convertir una señal analógica en otra digital. Normalmente se hace uso de acondicionadores de señal que adaptan la señal analógica a las características de entrada del conversor. El filtrado es todo dispositivo que separa señales con su frecuencia u otro criterio. Si los espectros frecuencia les de la señal y las interferencias no se solapan. Un acondicionador se puede comportar como un amplificador cuando se comporta como un dispositivo que, mediante la utilización de energía magnifica la amplitud de un fenómeno. Aunque el término se aplica principalmente al ámbito de los amplificadores electrónicos, también existen otros tipos de amplificadores. Es de gran utilidad utilizar un acondicionador de señal para red de línea eléctrica.
Fig . 2.4 Acondicionador.
La característica de un amplificador operacional ideal es, la ganancia de entrada debe ser alta, idealmente infinita. Su impedancia de salida debe ser baja o idealmente a cero. Con esto podemos ver que nos será útil utilizar un acondicionador de señales, para que se transmite la red al computador y ver el disturbio provocado para supervisarlo.
Referencias [1] Laurene Fausett Fundamentals of Neural Networks, New yersey, IEEE Transactions US 2000. [2] Rockerfeller G.D. Wagner, “Adaptive transm ission relaying conceptos for Improved performance” IEEE Transactions on Power Delivery. October 2001. [3] M. Mojiri and A. Bakhshai, “Estimation of n frequencies using adaptive notch filter,” IEEE Trans. Circuits Syst. II , pp. 338 –342, Apr. 2007. [4] Undrill, J.M.: ‘Dynamic stability calculations for an arbitrary number of interconnected synchronous machines’, IEEE Trans. Power Appl. Syst.,pp. 835– 844 [5] G. M. Lee, D. C. Lee, and J. K. Seok, “Control of series active power filters compensating for source voltage unbalance and current harmonics,” IEEE Trans. Ind. Electron., vol. 51, no. 1, pp. 132 –139, Feb. 2004.
