INSTITUTO POLITÉCNICO NACIONAL

(1)

INSTITUTO POLITÉCNICO NACIONAL

Escuela Superior de Ingeniería Mecánica y Eléctrica

Sección de Estudios de Posgrado e Investigación

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

ALGORITMO DE PROTECCIÓN CON

RECONOCIMIENTO DE PATRONES USANDO

UNA RED NEURONAL PARA LÍNEAS DE

TRANSMISIÓN

TESIS

QUE PARA OBTENER EL GRADO DE:

MAESTRO EN CIENCIAS CON ESPECIALIDAD EN

INGENIERÍA ELÉCTRICA

PRESENTA

Francisco Javier Villanueva Limón

(2)

(3)

(4)

(5)

CARTA CESIÓN DE DERECHOS

En la Ciudad de México, D.F. el día 26 del mes de Noviembre del año 2015, el que suscribe FRANCISCO JAVIER VILLANUEVA LIMÓN alumno del Programa de Maestría en Ciencias en Ingeniería Eléctrica, con número de registro B130743, adscrito a la Sección de Estudios de Posgrado e Investigación de la ESIME-Zacatenco del IPN, manifiesta que es el autor intelectual del presente trabajo de Tesis bajo la dirección del Doctor Germán Rosas Ortiz y cede los derechos del trabajo titulado “ALGORITMO DE PROTECCIÓN CON RECONOCIMIENTO DE PATRONES USANDO UNA RED NEURONAL PARA LÍNEAS DE TRANSMISIÓN”, al Instituto Politécnico Nacional para su difusión, con fines académicos y de investigación.

Los usuarios de la información no deben reproducir el contenido textual, gráficas o datos del trabajo sin el permiso expreso del autor y/o director(es) del trabajo. Este puede ser obtenido escribiendo a las siguientes direcciones [email protected] y [email protected]. Si el permiso se otorga, el usuario deberá dar el agradecimiento correspondiente y citar la fuente del mismo.

Francisco Javier Villanueva Limón

INSTITUTO POLITÉCNICO NACIONAL

(6)

(7)

Resumen

Tanto la detección como la clasificación de fallas en sistemas de potencia es un área de interés en investigación para la implementación de sistemas basados en técnicas con inteligencia artificial (IA). Hoy en día el diagnóstico, pronóstico y reconocimiento de patrones usan ampliamente redes neuronales, esto hace de esta técnica un área de investigación de interés en el área de protección de sistemas eléctricos de potencia.

El principal objetivo de este trabajo es desarrollar una técnica basada en Redes Neuronales Artificiales (RNA), la cual muestra la aplicabilidad de la propuesta de reconocimiento de patrones para la detección, clasificación y localización de fallas. La técnica empleada se basa en el hecho de que cuando existe una falla, se da lugar a un cambio significativo en la estructura del sistema que nos trae como consecuencia, cambios en la amplitud y fase de las señales de voltajes y corrientes de línea que recibe el relevador. Se desarrolla un sistema de protección basado en Redes Neuronales capaz de diagnosticar fallas, para lo cual es entrenado de modo que pueda detectar los cambios antes mencionados como indicadores de la ocurrencia de una falla. Este detector emplea valores instantáneos de esas señales para llevar a cabo la toma de decisiones.

Se explica además, el uso de las Redes Neuronales como clasificadores de patrones para la detección de fallas en sistemas de potencia y se presenta un algoritmo basado en Redes Neuronales y su método de simulación para la detección, clasificación y localización de fallas.

Los resultados de evaluación de esta técnica nos demuestran que es rápida, segura y lo suficientemente selectiva, además de indicar la posibilidad de aplicación dentro de un tipo de esquema de protección adaptable y de alta velocidad

(8)

(9)

Abstract

Classification and fault detection in power systems is an interesting area of investigation to implementation of based systems in Artificial Intelligence techniques (AI). Nowadays, neural networks are used in diagnosis, forecast and pattern recognition, which is the reason to research in this techniques for implementing in the protection of power system area.

The principal purpose of this thesis is develop an Artificial Neural Network technique, which is show its applicability of the pattern recognition proposal to detect, classify and locate faults. The technique employ is based on the fact, when occur a fault, the structure of the system suffer significant change and it bring as consequence changes in the width and phase of voltages and currents line signals that the relay receive. It is worked up a protection system based on capable Neural Networks to diagnostic faults, for which is training to can detect changes before mentioned as indicators of fault happens. This detector use instantaneous values of those signals for taking decisions.

The Neural Networks applicability is explained like pattern sorter for fault detection in power systems, also it is present a design based in Neural Nets and its method to simulate to detect, classify and locate.

The evaluation results of this technique show a great performance, it is shown its fast, secure and selective, also indicate the possibility to apply inside the high speed, and adaptable protection scheme.

(10)

(11)

Dedicatoria:

MIS PADRES

JAVIER Y DALILA

MI HERMANA

DACIA

(12)

(13)

Agradecimientos

A mi madre, por enseñarme que lo que se comienza debe terminarse, que la

dedicación y perseverancia es el camino para alcanzar las metas.

A mi padre, por su incansable optimismo y apoyo incondicional, sin su ayuda

esto jamás hubiera sido posible.

A toda mi familia por su cariño, apoyo y palabras de aliento.

A Blanca Ivonne Cortés Bretón por toda su paciencia, por jamás soltar mi mano

su incansable apoyo, además de todas sus enseñanzas e infinito cariño y amor,

además de un agradecimiento especial a su familia por todo su apoyo.

A mi asesor, por su infinito apoyo, por el tiempo brindado, todos sus consejos,

conocimientos y sabiduría, además de su trato afable y por una relación más allá

de lo académico y laboral.

A la comisión revisora y comité tutorial, por los consejos y revisiones hechas a

este trabajo, gracias a ellos se culminó de la mejor manera.

A los profesores de la SEPI, por su tiempo y dedicación en pro de mi formación

profesional, sus consejos y conocimientos así como las buenas charlas que nos

brindaron.

A mis compañeros y amigos de la SEPI, por sus enseñanzas, aprendizaje

conjunto, tiempo e invaluable amistad.

Al personal de apoyo a la educación (PAE’s) por su amable atención, gran

paciencia y siempre hacer más sencillos los tramites a realizar.

Al Consejo Nacional de Ciencia y Tecnología (CONACYT ) y al Instituto

Politécnico Nacional por brindarme un apoyo económico para llevar a cabo mis

estudios de posgrado y ser un aliciente más para poder superarme en mis objetivos

académicos a seguir, así como sus invaluables conocimientos para forjarme de

manera profesional.

(14)

(15)

Índice General

Resumen ... vii Abstract ... ix Dedicatoria: ... xi Agradecimientos ... xiii Índice General ... xv

Índice de Figuras ... xvii

Índice de Tablas ... xviii

Nomenclatura ... xix Simbología ... xxi Capítulo 1 Introducción ... 1 1.1 Introducción ... 1 1.2 Objetivos ... 2 1.3 Justificación ... 2 1.4 Limitaciones y alcances ... 3

1.5 Estado del Arte ... 3

1.6 Estructura de la tesis ... 11

Capítulo 2 La protección de sistemas eléctricos de potencia ... 13

2.1 Introducción ... 13

2.2 Criterios de diseño para la protección por relevadores. ... 14

2.2.1 Simplicidad ... 14 2.2.2 Selectividad ... 14 2.2.3 Economía ... 15 2.2.4 Confiabilidad ... 15 2.2.5 Velocidad de operación ... 16 2.3 Protección de sobrecorriente ... 17 2.4 Protección diferencial. ... 19 2.5 Protección de distancia ... 20

2.5.1 Zonas de protección de los relevadores de distancia ... 21

2.5.2 Criterios de ajuste para los relevadores de distancia ... 21

2.6 Descripción de un relevador digital. ... 23

(16)

2.6.3 Procesamiento de datos. ... 25

2.7 Reconocimiento de patrones usando redes neuronales artificiales... 26

2.8 Redes Neuronales Artificiales ... 27

2.8.1 Definición ... 27

2.8.2 Arquitectura de RN’s ... 30

2.8.3 Características de las redes neuronales artificiales. ... 32

2.8.4 Modo de operación ... 33

2.8.5 Tipos de aprendizaje ... 34

Capítulo 3 Desarrollo del algoritmo de protección con reconocimiento de patrones. ... 43

3.2 Sistema de prueba ... 43

3.3 Red neuronal para la detección y clasificación de fallas ... 47

3.3.1 Obtención del conjunto de datos de entrenamiento y prueba ... 47

3.3.2 Formación de los conjuntos de patrones y entrenamiento de la red ... 49

3.3.3 Fase de entrenamiento ... 56

3.3.4 Generalización ... 59

3.3.5 Resultados de la generalización ... 60

3.4 Red neuronal para la localización de fallas ... 63

3.4.1 Obtención del conjunto de datos de entrenamiento y prueba ... 63

3.4.2 Formación de los conjuntos de patrones y entrenamiento de la red ... 64

3.4.3 Entrenamiento ... 67

3.4.4 Generalización ... 67

3.4.5 Resultados de la generalización ... 69

Capítulo 4 Prueba y análisis de resultados del algoritmo de protección propuesto. ... 71

4.2 Sistema de prueba en Simulink ... 71

4.3 Resultados de la red neuronal de detección y clasificación de fallas ... 78

4.4 Resultados de la red neuronal de localización de fallas ... 84

(17)

Índice de Figuras

Figura 1.1 Diagrama unifilar típico de la conexión de un relevador al sistema de potencia. 3

Figura 1.2 Diagrama de bloques de un relevador digital. ... 5

Figura 2.1 Curvas de tiempo corriente para cada característica de operación. Adaptado de [25]. ... 18

Figura 2.2 Protección diferencial. Adaptado de [25] ... 19

Figura 2.3 Ajustes de un Relevador de Distancia. Adaptado de [33] ... 23

Figura 2.4 Diagrama de bloque de un relevador digital. ... 23

Figura 2.5 Acondicionamiento de señales en TC’s y TP’s. ... 24

Figura 2.6 Esquema simplificado de una neurona. Adaptado de [49]. ... 28

Figura 2.7 Modelo de una neurona. Adaptado de [49]. ... 29

Figura 2.8 Redes neuronales a) Con conexiones de propagación hacia adelante “Progresiva”, b) Con conexiones de propagación hacia delante y hacia atrás “Recursiva”. ... 30

Figura 2.9 Red neuronal de retropropagación de tres capas. Adaptado de [55]. ... 31

Figura 2.10 Distintos tipos de funciones de activación. a) Función Escalón. b) Hard limiter. c) Función Rampa. d) función sigmoidal unipolar. e) función sigmoidal bipolar o tangencial. Adaptado de [51] ... 34

Figura 3.1 Diagrama de bloques del relevador propuesto. ... 44

Figura 3.2 Diagrama unifilar del modelo de prueba. ... 44

Figura 3.3 Red de prueba. ... 45

Figura 3.4 Modulo para extracción de resultados. ... 49

Figura 3.5 Proceso de generación de patrones. ... 49

Figura 3.6 Ventana de datos para una sola señal de falla. ... 51

Figura 3.7 Ventana de datos para las señales de voltajes y corrientes para formar un patrón. ... 51

Figura 3.8 Vector que representa los valores de voltajes y corrientes de falla de un patrón. ... 52

Figura 3.9 Patrón de falla monofásica en AG. ... 53

Figura 3.10 Patrón de falla bifásica en BCG ... 53

Figura 3.11 Patrón de falla bifásica en AC. ... 54

Figura 3.12 Patrón de falla trifásica en ABC. ... 54

Figura 3.13 Red de dos capas. ... 57

Figura 3.14 Red de dos capas. ... 57

Figura 3.15 Red de tres capas. ... 58

Figura 3.16 Falla detectada y clasificada en A. ... 60

Figura 3.17 Falla detectada y clasificada en ACG. ... 61

Figura 3.18 Falla detectada y clasificada en AB. ... 61

Figura 3.19 Falla detectada y clasificada en ABC. ... 62

Figura 3.20 Falla detectada y clasificada en Condición Normal. ... 62

Figura 3.21 Patrón de localización de falla a -50% de la línea. ... 65

Figura 3.22 Patrón de localización de falla a 5% de la línea. ... 65

Figura 3.23 Patrón de localización de falla a 150% de la línea. ... 66

Figura 3.24 Valores esperados de localización de falla. ... 69

Figura 3.25 Diferentes Localizaciones de falla con patrones de validación. ... 69

Figura 4.1 Sistema de prueba en Simulink. ... 72

Figura 4.2 Seleccionador de diferentes fallas y localizaciones de las mismas. ... 73

(18)

Figura 4.6 TC’s y TP’s, señales primarias y secundarias de voltajes y corrientes. ... 75

Figura 4.7 Redes neuronales de detección y clasificación, y de localización. ... 76

Figura 4.8 Contenido del bloque de normalización. ... 77

Figura 4.9 Bloque para la formación de ventana de datos. ... 77

Figura 4.10 Relevador propuesto ... 78

Figura 4.11 Falla Monofásica AG. ... 80

Figura 4.12 Falla Bifásica ABG. ... 81

Figura 4.13 Falla Bifásica BC. ... 82

Figura 4.14 Falla Trifásica ABC. ... 83

Figura 4.15 Falla localizada a -50% de la línea. ... 85

Figura 4.16 Falla localizada a -5% de la línea. ... 86

Figura 4.17 Falla localizada a 5% de la línea. ... 87

Índice de Tablas

Tabla 3.1 Parámetros de las fuentes. ... 46

Tabla 3.2 Parámetros de las líneas. ... 46

Tabla 3.3 Parámetros empleados para la generación de los casos de falla. ... 47

Tabla 3.4 Tiempos de inicio de falla. ... 48

Tabla 3.5 Parámetros utilizados en la generación de patrones. ... 50

Tabla 3.6 Resultado de una clasificación de falla bifásica a tierra del tipo ABG. ... 55

Tabla 3.7 Desempeño de diversas arquitecturas de redes neuronales de dos capas. ... 58

Tabla 3.8 Desempeño de diversas arquitecturas de redes neuronales de tres capas. ... 59

Tabla 3.9 Parámetros para la generación de la base de datos de la prueba 1 para la detección y clasificación de fallas. ... 59

Tabla 3.10 Parámetros para la generación de la base de datos de la prueba 2 para la detección y clasificación de fallas ... 60

Tabla 3.11 Parámetros empleados para la generación de los casos de falla. ... 63

Tabla 3.12 Parámetros utilizados en la generación de patrones. ... 64

Tabla 3.13 Graduación de las salidas para la red de localización de fallas. ... 66

Tabla 3.14 Parámetros para la generación de la base de datos de la prueba 1 localización de fallas. ... 68

Tabla 3.15 Parámetros para la generación de la base de datos de la prueba 2 localización de fallas. ... 68

(19)

Nomenclatura

RNA – Redes Neuronales Artificiales IA – Inteligencia Artificial

RN – Red Neuronal

RN’s – Redes Neuronales

ANN – Artificial Neural Networks AI – Artificial Intelligence

NN – Neural Networks

SEP’s – Sistemas Eléctricos de Potencia TC’s – Transformadores de Corriente

AIEE – American Institute of Electrical Engineers (por sus siglas en inglés) IEEE – Institute of Electrical and Electronics Engineers (por sus siglas en inglés) TP’s – Transformadores de Potencial

CPU – Central Processing Unit (por sus siglas en inglés) RAM – Random Access Memory (por sus siglas en inglés) ROM – Read Only Memory (por sus siglas en inglés) DSP – Digital Signal Processing (por sus siglas en inglés) ADC – Analog to Digital Conversor (por sus siglas en inglés) DFT – Discrete Fourier Transform (por sus siglas en inglés) A – Amperes

V – Volts

KHz – Kilo Hertz KV – Kilo volts KA – Kilo amperes

(20)

MVA – Mega Volts Amperes CD – Corriente Directa

FFT – Fast Fourier Transform (por sus siglas en inglés) SIR – Source Impedance Ratio (por sus siglas en inglés) FIR – Finite Impulse Reponse (por sus siglas en inglés) RTDS – Real Time Digital Simulator (por sus siglas en inglés)

EPROM – Erasable Programmable Read Only Memory (por sus siglas en inglés) MFANN – Multilayer Feedforward Artificial Neural Network

(21)

Simbología

I1 –Corriente uno I2 – Corriente dos NR –Bobina de restricción Nop – Bobina de operación Hz – Hertz Xc – Reactancia capacitiva R – Resistencia Alc – Ganancia de voltaje mV – Mili volts

Xi – Entradas de la red neuronal

Wi – Pesos de la red neuronal

Θ – Umbral de la red neuronal y – Salida de la red neuronal

𝑓 – Función de activación

𝑛 – Número de entradas a la neurona

𝐼_𝑘 – Señal de entra al sistema (red neuronal) 𝑑_𝑘 – Salida deseada del sistema (red neuronal)

k – Número de patrón; entrada–salida de entrenamiento. Número de entrada en la

primera capa. Número de nodo de entrada

p – Número total de pares de entrada–salida para el entrenamiento de la red

𝑥_𝑞 – Entrada total recibida por la neurona “q” q – Número de neurona

(22)

i – Número de neurona de la capa salida de la red

η – Coeficiente de aprendizaje

𝛿_𝑖 – Señal de error en la neurona i-esima de la capa de salida Ω – ohms

(23)

Capítulo 1 Introducción

1.1 Introducción

Un sistema de protección debe ser capaz de detectar cualquier tipo de falla por incipiente que ésta sea, mientras que debe ser inmune ante condiciones de operación normal. De igual manera, el sistema de protección debe ser selectivo, para determinar el lugar o elemento fallado y operar para aislarlo, al realizar una desconexión mínima de elementos del sistema eléctrico.

La mayoría de los algoritmos de protección presentes en los relevadores numéricos de última generación tienen una lógica bien establecida (ajustes de configuración) que operan adecuadamente cuando las condiciones de operación del sistema eléctrico no cambian de manera significativa, es decir, se mantienen los valores nominales del sistema al cual fueron ajustados dichos algoritmos. Sin embargo, las condiciones del sistema eléctrico varían constantemente. Para estas condiciones de operación sería muy provechoso que los algoritmos de protección incluyeran algún grado de aprendizaje para poder adaptarse y proteger de una mejor manera a los elementos del sistema eléctrico de potencia.

Las redes neuronales artificiales (RN’s) son algoritmos computacionales que emulan de una forma simple el comportamiento del cerebro humano en términos de las capacidades de generalización, aprendizaje y conocimientos. Usando estas técnicas en un algoritmo de protección se puede por tanto cumplir la condición de hacer al sistema de protección más adaptable a las condiciones cambiantes del sistema eléctrico y obtener una acción más rápida y segura.

Las RN’s son reconocidas como una poderosa herramienta para aprender y reproducir sistemas en muchos campos de aplicación. Estas están basadas en el comportamiento del cerebro humano y consiste en una o varias capas de neuronas (ó unidades de cálculo), unidas mediante conexiones. Cada neurona artificial recibe un valor de las neuronas de la capa de entrada o de la capa previa. La principal característica de una red neuronal es su capacidad para aprender de los datos.

(24)

Los algoritmos de inteligencia artificial como las redes tienen la ventaja de obtener una relación entre los parámetros que se puede medir y las decisiones que hay que tomar sin necesidad de usar métodos matemáticos sofisticados que requieren tiempo y capacidad de procesamiento (como el cálculo de fasores) y, también, pueden implementarse mediante circuitos electrónicos y microprocesadores.

En este trabajo se usan un par de redes neuronales artificial que emulan a un relevador numérico de protección o basado en microprocesador, de modo que se comportan como un algoritmo de protección para reconocer las señales de entrada y detectar condiciones anormales de operación en la red eléctrica.

1.2 Objetivos

 Proponer un principio de protección que use una red neuronal con retropropagación del error para su aplicación en una línea de transmisión.

 Evaluar el principio de protección desarrollado usando el software Simulink de Matlab.

1.3 Justificación

El crecimiento continuo del sistema eléctrico de potencia en conjunto con la exigencia de tener una mejor calidad del suministro de energía eléctrica, además de las condiciones variantes de operación de el mismo, han obligado a que los sistemas eléctricos de potencia cuenten con mejores diseños de sus esquemas de protección y coordinación en términos de velocidad y seguridad en su operación ante fallas.

La mayoría de los algoritmos de protección presentes en los relevadores numéricos de última generación tiene una lógica bien establecida, ajustes de configuración, los cuales hacen que los relevadores operen adecuadamente mientras que las

(25)

Para estas condiciones de operación sería muy provechoso que los algoritmos de protección incluyeran algún grado de aprendizaje para poder adecuarse y proteger de mejor manera al sistema eléctrico de potencia.

1.4 Limitaciones y alcances

El presente trabajo propone desarrollar un algoritmo de protección con reconocimiento de patrones usando redes neuronales artificiales. Estas RNA’s solo serán usadas como herramientas de apoyo y decisión en el algoritmo de protección propuesto, y no se pretende desarrollar ni modificar ningún modelo de RNA existente.

1.5 Estado del Arte

Desde los inicios de los SEP se tuvo la necesidad de proveer una protección adecuada ante fallas para cada uno de los dispositivos eléctricos. De aquí surge el desarrollo de las protecciones. Las tecnologías de los relevadores de protección han ido evolucionando desde sus orígenes con protección mediante fusibles, para posteriormente pasar a la etapa de los relevadores electromecánicos, que en su tiempo fueron sumamente eficientes.

En la figura 1.1 se observa el diagrama unifilar típico de un relevador y el modo en que este mide las señales de voltaje y corriente auxiliándose de transformadores de instrumento (TP’s y TC’s) [1], [2].

(26)

El desarrollo de los relevadores electromecánicos trajo significantes mejoras en la protección de sistemas de potencia, ya que estos relevadores proveen medios para controlar los tiempos de operación y la opción para el recierre de circuitos. Estas características mejoraron la sensibilidad y selectividad de los esquemas de protección. Actualmente, un gran número de relevadores electromecánicos aún se encuentran en operación [3].

Posteriormente los relevadores de estado sólido se introdujeron en los años 70’s, inicialmente no eran aceptados por los usuarios porque sus diseños aunque adecuados sufrían por los componentes electrónicos, los cuales tenían un alto índice de falla. Los circuitos integrados permitieron desarrollar dispositivos de adquisición de datos e implementar los relevadores basados en microprocesador. Estos avances permitieron el desarrollo de relevadores de tipo digital [3].

Un relevador digital es un dispositivo basado en un microprocesador, que mediante un código procesa señales para la implementación de la lógica del relevador. El diagrama general de bloques de la operación de un relevador digital se muestra en la Figura 1.2. Las señales que salen de los transformadores de instrumento, llegan al relevador en el cual se les da un acondicionamiento, ya que se escalan y se aíslan eléctricamente, asimismo, pasan a través de un filtro pasabajos para evitar el problema de aliasing ó traslape, definido por el bloque llamado filtro en la misma figura. Posteriormente, viene la etapa de adquisición de datos en donde internamente existen circuitos de muestreo y retención (Circuito S/H), multiplexores y convertidores analógico-digitales. Una vez que se obtienen las señales digitales, éstas alimentan al procesador en donde mediante una lógica se evalúa si existen condiciones de falla o de operación normal para mandar las señales de salida que pueden ser alarmas o comandos de disparo a los interruptores de potencia

(27)

Figura 1.2 Diagrama de bloques de un relevador digital.

Con el avance de la tecnología de las computadoras y el aumento de sus capacidades de procesamiento, el avance de los sistemas digitales y los dispositivos de procesamiento digital de señales (DSP), se ha aumentado la posibilidad de implementar sistemas de protección cada vez más complejos. Para el cálculo de fasores, la mayoría de los métodos matemáticos dependen directamente del análisis de Fourier que necesita al menos medio ciclo después de que se inicia la falla para tener un valor correcto del fasor.

En esta parte se hace una revisión cronológica rápida de los artículos más recientes en el campo de protecciones de sistemas eléctricos de potencia, especialmente en las líneas de alta tensión. Un gran número de algoritmos han sido propuestos para simular un relevador de protección usando redes neuronales. A continuación se mencionan brevemente algunos de ellos.

En 1992. Fedirchuk [4], presenta una red neuronal para detectar las fallas de alta impedancia con arco y distinguir entre ellos y las cargas que tienen características similares, como las soldaduras con arco eléctrico y las lámparas fluorescentes.

(28)

En 1993 Jones y otros [5], propusieron el uso de una red neuronal para un restaurador adaptativo. Se han procesado las ondas de tensión y corriente en el punto del relevador usando la transformada rápida de Fourier (FFT) antes de aplicarla a la red neuronal para identificar la presencia del arco.

En 1994 Yang y otros [6], propusieron el uso de las redes neuronales para mejorar, para identificar el lugar de la falla usando la información grabadas por los registradores.

En 1995 Sachdev y otros [7], propusieron el diseño, la implementación y la prueba de una red neuronal para la estimación de la dirección de la falla. Las ondas de las tensiones y de las corrientes se muestrearon a una frecuencia de 24 kHz, luego se procesaron usando un filtro de cuarto orden pasabajos, un filtro antitraslape y un filtro de respuesta a impulsos finitos de tres puntos. A continuación se volvieron a muestrear a una frecuencia de 1,2 k Hz y finalmente estos valores se aplicaron a una red neuronal con retardo de tiempo. La red neuronal tiene cinco unidades de retardo de tiempo en la capa de entrada, y una estructura con 12 y 1 neuronas respectivamente. La salida de la red neuronal es +1 para fallas hacia adelante y -1 para fallas hacia atrás. Esta red neuronal se ha implementado mediante una tarjeta DSP obteniendo una respuesta rápida. El estimador propuesto dio una buena respuesta frente a las fallas de alta y baja impedancia, altas y bajas relaciones de la impedancia de a fuente respecto a la línea (SIR), pérdidas de datos, datos erróneos y diferentes tipos de fallas. Desafortunadamente los autores no han mostrado la respuesta de la red neuronal frente a la saturación de los TC’s y los arcos dinámicos. El hecho de que los autores en su trabajo sólo hayan usado las muestras obtenidas posteriormente a la falla puede afectar negativamente a la generalización de la red neuronal.

(29)

Dalstein y otros [8], en 1995 presentan el uso de una red neuronal para la clasificación de la falla. En su trabajo mostraron las ondas de tensión y corriente a 1 kHz y las normalizaron para tener un valor entre +1 y -1, y luego aplicaron dichos valores directamente a una red neuronal con cinco unidades de retardo de tiempo, y una arquitectura de tres capas, con 20, 15 y 11 neuronas respectivamente. A cada una de las salidas le corresponde un tipo de falla. El tiempo de respuesta de esta red neuronal varía entre 5 y 7 ms. Adicionalmente emplean una red neuronal para distinguir entre las fallas francas y las fallas con arcos como apoyo de los restauradores. Además los autores en su trabajo incluyeron durante el entrenamiento fallas con arcos y la saturación de los TC’s. Sin embargo no se muestra la respuesta de la red neuronal bajo estas últimas condiciones. Tampoco han usado un modelo de arco dinámico, sino simplemente una onda cuadrada superpuesta a la onda de tensión en el punto de la falla, y no han tenido en cuenta la respuesta de la RN ante cambios bruscos de la carga, el cambio de la relación entre la impedancia de la fuente respecto a la de la línea (SIR), los datos erróneos y la pérdida de datos. El tiempo de respuesta de la red neuronal que detecta las fallas con arco es muy grande, entre 1,3 y 3 ciclos, y es inestable.

En 1996 Saha y otros [9], [10], propusieron el uso de las redes neuronales para mejorar el alcance de los relevadores de distancia y localizar el lugar de las fallas en las líneas con condensadores en serie.

En 1996 L. Van der Sluis y otros [11], propusieron el uso de las redes neuronales para adaptarse el ajuste de los relevadores de distancia para los circuitos de transmisión que contengan líneas dobles en paralelo. Los autores calculan un índice para corregir el valor de la impedancia vista por el relevador, a fin de distinguir correctamente entre las fallas de primera y segunda zona cuando una línea está fuera de funcionamiento.

En 1996 Jones y otros [12], presentaron una red neuronal para seleccionar la fase afectada por la falla, y diseñar un restaurador unipolar usando los ruidos de alta frecuencia generados por la falla.

(30)

En 1996 Kamwa y Grondin, proponen un algoritmo de red neuronal recurrente para la detección de fasor e identificación adaptiva del mismo en sistemas de potencia de control y protección.[13].

Dalstein; Sobajic y otros, en 1996 propusieron una RN para la estimación de la dirección de la falla. Las señales de tensión y corriente muestreadas a 1 KHz. y normalizadas se aplicaron a una red neuronal sin preprocesamiento. La red neuronal se ha entrenado para distinguir entre fallas hacia adelante (+1), fallas hacia atrás (-1) y fallas en la línea paralela a la ubicación del relevador (0). La estructura de la RN empleada es de tres capas con 20, 12 y 1 neuronas respectivamente. El tiempo mínimo de respuesta de la RN es de 5 ms. No aportan información sobre el comportamiento de la RN en caso de la respuesta con la saturación de los TC’s, de armónicos en las señales de corriente, de datos erróneos. Tampoco han mostrado la respuesta de la RN para fallas de campos cruzados, ni para las fallas detrás del relevador con alimentación desde un solo extremo.

En1996 Dalstein y otros [14], propusieron un grupo numeroso de RNA con retardos de tiempo para detectar la zona afectada por la falla, que funcionan como un relevador de distancia para clasificar entre la primera y la segunda zona de la falla. La RN usada tiene 4 unidades de retardo de tiempo en la capa de entrada. Además desarrollan un clasificador que se basa en los métodos de Phadke/Ibrahim[15][29] y Bonard Bastide. Asimismo, emplean una red neuronal por cada tipo de falla, y dependiendo del resultado del clasificador de fallas, se elige la red correspondiente. Cada RN tiene una estructura de 20, 20 y 1 neuronas por cada capa respectivamente. En su trabajo no han incluido la tercera zona de falla. La repuesta de este grupo de RN es parecida a la obtenida mediante métodos numéricos, aunque muchos más rápida.

(31)

En 1999 Khalil [18], desarrollo un relevador de protección basado en una RN tipo FIR, cuyos cometidos son: la detección de la falla, la clasificación de la misma y la estimación de la dirección de la falla en todas la condiciones de operación. El trabajo incluye también un relevador específico para líneas paralelas y una unidad especial para cada subestación que toma todas las salidas de los relevadores de las líneas, la salida de la protección de la subestación y los estados de los interruptores locales, con el fin de poder respaldar la falla de un relevador, asegurar las respuestas de los relevadores y determinar la ruta de la falla. El relevador ha sido entrenado teniendo en cuenta todas las convergencias de la red; saturación de TC’s, arcos dinámicos, variación de la impedancia de las fuentes, etc. presentando un comportamiento excepcional en todos los casos considerados. La desventaja de este relevador es su elevada complejidad, ya que la RN tiene una estructura de dos subcapas dentro de las capas ocultas, que provoca un incremento muy elevado del número de operaciones que realiza, además de un entrenamiento muy complejo.

En 2000, Joorabian trabajó en un artículo para utilizar las redes neuronales como método de localización de falla en líneas de transmisión en extra alta tensión [19]. Iglesias en 2003 [20] desarrolló un sistema de protección para líneas eléctricas de alta tensión que usa las señales de tensión y corriente si filtrarlas, y que sirve como protección de distancia, protección mediante hilos piloto y protección diferencia transversal. El sistema que propuso usó diferente estructuras de RN’s como describimos a continuación:

1- Una RN multicapa con retropropagación y transformada discreta de Wavelet, cuyo objetivo es la detección y clasificación de la falla.

2- Una RN multicapa con retropropagación-PRE, cuya misión consiste en determinar la dirección del flujo en ausencia de falla.

3- Una RN multicapa con retropropagación-DIR, cuya tarea consiste en determinar la dirección de la falla.

4- Tres RN’s multicapas-ZON, una por cada tipo de falla, monofásica, bifásica y trifásica, para determinar la zona de la misma.

(32)

También se llevó a cabo la implementación y la prueba experimental del mismo, labor que se realizó en el departamento de Ingeniería Eléctrica de la Universidad de Bath, Inglaterra, bajo la dirección del profesor R. K. Aggarwal, empleando el sistema RTDS (Real Time Digital Simulator) [21], obteniendo resultados plenamente satisfactorios.

En 2010, Dutta y Kadu, publicaron un trabajo en el cual utilizan el reconocimiento de patrones como método de detección de fallas en líneas de trasmisión en extra alta tensión [22].

En 2014, Ben Hessine, Houda Jouini y Chebbi, publicaron un artículo que realiza la detección y clasificación de fallas en líneas de transmisión utilizando redes neuronales [23].

Dentro de la Sección de Estudios de Posgrado e Investigación de la ESIME Zacatenco, se han realizado diferentes proyectos cuyos temas se relacionan con este trabajo.

Rosas O. presentó en Mayo de 2000 [24], un trabajo de tesis titulado “Detección y clasificación de fallas empleando una red neuronal”, donde se muestra la aplicación de RN’s a las tareas básicas de un relevador como son la detección y clasificación de fallas.

Como es sabido dentro de la SEPI se han realizado diversos trabajos en cuestión de protecciones del sistema eléctrico, así mismo en otros temas implementando técnicas inteligentes, sin embargo son contados los trabajos que se enfocan en el desarrollo de un algoritmo de protección basado en reconocimiento de patrones, una razón más para el desarrollo de este trabajo.

(33)

1.6 Estructura de la tesis

Este trabajo está conformado por cinco capítulos y se encuentra estructurado de la siguiente forma:

 En el capítulo 1, se presentan los antecedentes y la importancia de tener un esquema de protección inteligente y de rápida actuación, así mismo, se presentan los objetivos del trabajo, la justificación y por último las limitaciones y los alcances que tiene ésta investigación.

 En el capítulo 2, se mencionan las características de las protecciones en SEP’s, con el propósito de hacer entender las tareas básicas en los diversos algoritmos de protección, por último se mencionan las características, aplicaciones y formulas empleadas en una red neuronal artificial del tipo perceptron con retropropagación del error.

 En el capítulo 3, se describe el desarrollo del algoritmo de protección, así como la generación de patrones, entrenamiento de las redes neuronales y pruebas de validación

 En el capítulo 4, se presenta el procedimiento de prueba para la validación del algoritmo propuesto así como la configuración final de las redes neuronales para el algoritmo de protección.

 En el capítulo 5, se establecen las conclusiones de este trabajo, así mismo se hacen recomendaciones de trabajos futuros viables mediante esta investigación.

 En los apéndices, se agregan tablas de resultados de las pruebas realizadas y los códigos de los programas utilizados para la generación de patrones de entrenamiento y validación así como para el entrenamiento de las redes neuronales.

(34)

(35)

Capítulo 2 La protección de sistemas eléctricos de potencia

2.1 Introducción

En este capítulo se presenta la teoría básica de protecciones con la finalidad de entender las aplicaciones y funcionamiento de los dispositivos de protección convencionales, en particular de los relevadores digitales, debido a que esto es un apoyo para el desarrollo de la propuesta de algoritmo de protección en capítulos siguientes.

La protección de un equipo consiste en evitar el daño parcial o total mismo, dicha protección se logra al aislar el equipo fallado ante la presencia de algún disturbio en el sistema.

La protección por relevadores es una característica muy importante que se implementa en los diseños de los sistemas eléctricos de potencia, dicha característica está relacionada con mantener tanto la calidad como continuidad del servicio ante eventos adversos como lo son las fallas, esto se logra con un diseño selectivo y coordinado, procurando que estas fallas se presenten durante un tiempo corto con la finalidad de proporcionar confiabilidad y seguridad al sistema y reducir los daños al equipo fallado [25].

La función de la protección por relevadores es desconectar cualquier elemento fallado del sistema de potencia, ya sea porque este sufra un cortocircuito o cuando existe un funcionamiento anormal que pueda ocasionar cualquier daño e interfiera con el funcionamiento del resto del sistema.

Estos esquemas de protección se auxilian de los interruptores de potencia, los cuales son los elementos desconectadores del equipo fallado, además deben estar localizados de modo que cualquier elemento fallado en el sistema pueda ser desconectado de manera total.

Una característica muy importante de los interruptores de potencia, es la selección de la capacidad interruptiva de corriente, ya que debe soportar de manera momentánea la corriente de cortocircuito y poder interrumpir la misma.

(36)

Otra función de la protección por relevadores es la localización y clasificación de falla. Estos datos no solo facilitan la localización y posterior reparación oportuna del elemento fallado, sino que además con ayuda de los datos de falla y su oscilografía, proporcionan medios para mejorar a futuro los dispositivos de protección.

Desde el origen de los relevadores digitales muchos algoritmos han sido propuestos y evaluados; incluso algunos de estos presentan la característica de ser adaptables, lo que significa que se ajustan dentro de cierto margen automáticamente a las condiciones que prevalecen en el sistema de potencia, este tipo de relevadores hacen uso de inteligencia artificial para identificar con mayor eficacia las fallas.

2.2 Criterios de diseño para la protección por relevadores.

Para el adecuado diseño de un sistema de protección deben ser cubiertos ciertos criterios, los cuales permiten dividir en diferentes zonas el sistema eléctrico, teniendo en cada zona un grupo de relevadores y que garantizan cubrir todos los elementos del sistema eléctrico por parte de la protección. Los criterios aplicados al sistema de protección son: simplicidad, selectividad, confiabilidad, economía y velocidad, que se definen como sigue [26]:

2.2.1 Simplicidad

El criterio se basa en el menor uso de equipo posible para que el sistema de protecciones tenga una buena funcionalidad, evitando que una protección o un sistema tenga complejidades innecesarias, ya que la existencia de estás pondrían en riesgo el buen funcionamiento del sistema[26].

2.2.2 Selectividad

(37)

Pero si la falla se ha producido fuera de la zona protegida, la protección debe permitir que sean otras protecciones las que actúen para mitigar la falla, ya que su operación en caso de no ser requerida libraría más circuitos que el prescindible para liberar la falla y, como consecuencia esto implicaría tener un debilitamiento innecesario en el sistema.

Existen diferentes formas de proporcionar está característica a las protecciones. En los relevadores de tipo microprocesado se puede programar para que solamente sean sensibles ante fallas ocurridas en su zona de protección, y por lo tanto, la selectividad resulta ser una característica aunada a la protección; esto sin contemplar los parámetros de los equipos a proteger y la topología de las redes, las cuales en diversas ocasiones proporcionan características como el subalcance o sobrealcance las cuales afectan en las mediciones del relevador[26].

2.2.3 Economía

La valoración económica no recae únicamente en el número de equipos utilizados, también se toma en cuenta el valor del elemento directamente protegido, además de tomar en cuenta las consecuencias que se presentarían debido al funcionamiento anómalo o falla en dicho elemento, en resumen esto es , máxima protección con mínimo costo, tomando en cuenta las consideraciones anteriores[26].

2.2.4 Confiabilidad

Una protección fiable es aquella que responde siempre de modo correcto. Esto significa que la protección debe responder con seguridad y dependabilidad ante cualquier situación que se presente. No se debe confundir la respuesta de la protección con su actuación u operación. La protección está censando de manera continua lo que sucede en el sistema, por lo tanto, está respondiendo en cada instante en función de las condiciones que en él se producen. En consecuencia, la respuesta puede ser tanto de no operar como de operar. Por otra parte, cuando la protección debe actuar, es necesario que todas las etapas involucradas en el proceso de mitigación de la falla sean cumplidas.

(38)

El fallo en cualquiera de ellas, daría como resultado que la orden de actuación dada por la protección no podría ser cumplida como fue programada[26].

2.2.5 Velocidad de operación

Tras haber sido detectada, una falla debe ser mitigada lo más rápido posible. Cuanto menos tiempo se tarde en aislar la falla, menos se extenderán sus efectos y menores serán los daños y alteraciones en los diferentes elementos.

Todo ello se ve reflejado en una disminución de los costos y tiempos de restablecimiento de las condiciones normales de operación, así como de reparación o reposición de equipos dañados[26].

La rapidez con que puede actuar una protección depende directamente del tipo de tecnología empleada en su construcción y de la velocidad de respuesta del mando y control de los interruptores automáticos aunados a la misma. Sin embargo, una excelente mitigación no exige que todas las protecciones que detectan la falla actúen de manera inmediata. En función de esta característica las protecciones se dividen en [27]:

 Protecciones instantáneas. [27]

Son aquellas que actúan tan rápido como es posible si es que una falla se presenta dentro de la zona de protección. Hoy en día se cuentan con tecnologías que permiten una mitigación de falla con un tiempo aproximado de 5 a 6 ciclos (incluyendo la apertura de los interruptores). Si el tiempo de mitigación es menor, la protección se denomina de alta velocidad.

 Protecciones de tiempo diferido o con retraso de tiempo. [27]

Son aquellas en las que de manera intencionada se introduce un tiempo de espera que retrasa su operación, es decir, que retrasa la señal de disparo (inicio

(39)

Los primeros protegen a los equipos interconectados en un sistema de potencia, con base a las zonas de protección. Además estos operan de manera individual o coordinada con otros relevadores dependiendo de la magnitud de la falla.

Los relevadores de protección de respaldo son empleados para ofrecer protección contra cortocircuitos, y solo operan cuando los relevadores de protección primaria fallan.

2.3 Protección de sobrecorriente

La protección de sobrecorriente, en los sistemas de protección es una de las más comunes, debido a que una sobrecorriente es la anomalía que ocurre con mayor frecuencia y es definida de la siguiente manera [27] :

La protección de sobrecorriente es la protección que actúa al existir un aumento de corriente por arriba de los valores nominales de operación; sin embargo, los ajustes de ésta son comúnmente seleccionados para condiciones de sobrecarga o sobrecorriente [28].

El funcionamiento de esquema de protección depende de lo siguiente: a) El nivel mínimo de corriente establecido para su operación (Pick up)

b) El tiempo en el cual la protección opera, es decir, la respuesta que tendrá el esquema de protección con respecto al tiempo.

La protección de sobrecorriente opera de forma instantánea o con retardo de tiempo.

La protección de sobrecorriente instantánea es aquella que actúa, en un intervalo promedio de 2 a 3 ciclos al existir una corriente mayor establecida en los ajustes. Esta protección es utilizada generalmente en los sistemas radiales [1], [2].

La protección de sobrecorriente con retardo de tiempo es aquella que su tiempo de operación varia en forma inversa a la corriente que circula por el relevador, es decir, a mayor corriente menor será el tiempo de operación; a excepción de la protección de tiempo definido, en la cual el tiempo es ajustado por el usuario. Esta característica de operación puede ser:

(40)

 De tiempo inverso

 De tiempo muy inverso

 De tiempo extremadamente inverso

Una vez definida la característica de operación, se buscan las curvas correspondientes, las cuales difieren por el intervalo en el cual el tiempo de operación decrece al aumentar el valor de la corriente.

En la figura 2.1 se muestran los tipos de curvas para cada característica de operación existentes para la protección con retardo de tiempo.

(41)

El esquema de fases es utilizado para que el relevador opere al existir una falla bifásica o trifásica en el SEP, utilizado principalmente en sistemas radiales.

El esquema de neutro es utilizado para que el relevador opere al existir una falla monofásica o bifásica a tierra, se utiliza de igual forma en sistemas radiales pero también en transformadores de potencia.

Cada esquema contempla su protección instantánea y su protección con retardo de tiempo, todo depende de la aplicación.

2.4 Protección diferencial.

La función de la protección diferencial se puede definir como aquella que opera cuando la diferencia vectorial de dos o más cantidades eléctricas similares excede un valor predeterminado [27]. En la mayoría de las aplicaciones de relevadores diferenciales son usados los de tipo corriente diferencial, pero también pueden ser usados los de tipo voltaje diferencial.

Un ejemplo simple de un esquema diferencial es mostrado en la figura 2.2 (que usa un relevador de sobrecorriente instantáneo) durante una falla externa. Si se considera a los TC’s como ideales, la corriente primaria y secundaria en ambos lados del equipo protegido serán iguales. Por lo tanto no existirá corriente (diferencial) de operación.

(42)

Este tipo de relevadores opera únicamente con fallas internas dentro de la zona de protección definida por la ubicación de los TC’s. Por lo tanto, para utilizar este tipo de protección a transformadores de potencia se debe tomar en cuenta las corrientes del transformador.

La protección diferencial puede ser clasificada de acuerdo al tipo de elemento que protege, y es como sigue:

 Transformador

 Generador o máquinas rotatorias

 Línea y barras.

2.5 Protección de distancia

En los relevadores de distancia hay un equilibrio entre tensión y corriente que puede expresarse en función de la impedancia, ya que esta es una medida eléctrica de la distancia en una línea de transmisión, lo que explica su nombre. La protección de distancia tiene capacidad de distinguir entre fallas que ocurren en diferentes partes de un sistema, dependiendo de la impedancia medida. Esencialmente éste compara la corriente de falla vista por el relevador, contra el voltaje en el punto de localización del relevador para determinar la impedancia de la línea hasta la falla.

La ventaja principal del uso de un relevador de distancia es que su zona de protección depende de la impedancia de línea protegida, la cual es virtualmente constante independiente de las magnitudes de voltaje y corriente. Así, el relevador de distancia tiene un alcance fijo, en contraste con las unidades de sobrecorriente donde el alcance varía dependiendo de las condiciones del sistema [29], [30]. Es empleada en los sistemas de transmisión para detectar los disturbios que se presentan en la red de transmisión y distribución [27]. Este tipo de protección utiliza

(43)

Capítulo 2 La protección de sistemas eléctricos de potencia 1. Relevador de distancia tipo reactancia

2. Relevador de distancia tipo impedancia 3. Relevador de distancia tipo mho

4. Relevador de distancia con características poligonales

2.5.1 Zonas de protección de los relevadores de distancia

El relevador de distancia desconectará la línea fallada en un tiempo muy corto, cuando la falla se encuentre dentro del alcance de la zona I del relevador de distancia. Para fallas cercanas al final de la línea y sin canales de comunicación, la falla debe ser liberada por la por la zona II o bien por las protecciones de respaldo local o remota.

2.5.2 Criterios de ajuste para los relevadores de distancia

La protección de distancia es el esquema más empleado en la protección de las líneas de alta tensión [1], [32]. El principio básico de operación de este tipo de relevadores consiste en calcular la impedancia entre el relevador y el punto de falla, a partir de los valores de la tensión y la corriente de la línea. Comparando los valores de la impedancia calculada y de la línea es posible estimar la ubicación de la falla, dado que la impedancia de la línea es directamente proporcional a su longitud. Si la impedancia calculada por el relevador es menor o igual al valor de ajuste, el relevador dispara inmediatamente, y si no, sólo actuará como respaldo de otra protección, una vez transcurrido un tiempo de retardo pre ajustado.

El ajuste ideal es aquél en donde la primera zona del relevador cubre el 100% de la línea. Sin embargo, debido a la existencia de los errores provocados por los equipos de medición, la presencia de arcos eléctricos que acompañan a las fallas, errores de los transformadores de instrumento, así como también en los parámetros de las línea, entonces por todas estas incertidumbres la primera zona se ajusta entre el 80 y 85% de la longitud de la línea, y el 20 o el 15% restante se protege con la segunda zona. Por el otro extremo de la línea, esta última sección es protegida por la primera zona. Por lo tanto, en general se dice que la primera zona del relevador se ajusta en subalcance [31].

(44)

El método más común para proteger una línea, es la protección de distancia escalonada, donde el alcance del relevador está dividido en tres zonas.

a- La primera zona, el relevador tiene que dar una señal de disparo instantánea, cubre entre el 80 y 85% de la línea a proteger.

b- La segunda zona, cubre entre el 120% y el 150% de la línea a proteger. En muchas aplicaciones es una práctica común ajustar a la segunda zona igual a la impedancia de la línea protegida más un 50% de la línea adyacente más corta, los tiempos de operación tienen un retado de tiempo t2. La aplicación

del retardo permite la operación coordinada para la zona I y zona II del relevador ubicado en cada línea.

c- La tercera zona, cubre más allá de la segunda zona. Por lo menos se ajusta a 1.2 veces la impedancia presentada al relevador para una falla en el extremo remoto de las líneas adyacentes. En algunos sistemas las variaciones de las fuentes de alimentación en puntos intermedios (infeed) en el nodo remoto pueden inhibir la aplicación de la protección de la zona 3, sin embargo en sistemas radiales con alimentación en un solo extremo estas dificultades no se presentan. Los tiempos de operación tienen un retado de tiempo t3. La aplicación del retardo permite la operación coordinada para la

zona II y zona III del relevador ubicado en cada línea. La figura 2.3 presenta los ajustes para un relevador de distancia.

(45)

Figura 2.3 Ajustes de un Relevador de Distancia. Adaptado de [33]

2.6 Descripción de un relevador digital.

2.6.1 Diagrama de bloques de un relevador digital.

En la figura 2.4 se muestra el diagrama de bloques de un relevador de protección digital.

(46)

2.6.2 Acondicionamiento de señales.

En este módulo se acondicionan las señales de corriente y tensión que provienen de los TP’s y TC’s del sistema de potencia. El acondicionamiento de las señales se refiere a escalar o atenuar las señales de corriente y tensión, a niveles de voltaje que puedan ser convertidor en cantidades binarias para ser procesadas por un microprocesador, un microcontrolador o un DSP.

Se deben prever en el diseño de un circuito de acondicionamiento de señales, que los valores máximos posibles de voltaje de salida de este circuito no excedan el rango aceptado por el convertidor analógico digital que se esté utilizando.

En la figura 2.5 se muestra la forma de atenuar las señales de los transformadores de tensión y corriente por medio de divisores de tensión.

Figura 2.5 Acondicionamiento de señales en TC’s y TP’s.

El aislamiento galvánico de las señales de tensión y corriente se obtiene a través de los TP’s y TC’s. También, se emplean circuitos con amplificadores de aislamiento o circuitos con opto acopladores para evitar que las señales del sistema de potencia causen daños al relevador (algunas de estas técnicas actualmente se implementan

(47)

2.6.3 Procesamiento de datos.

Las muestras del convertidor analógico digital y otros datos temporales son almacenados en la memoria de acceso aleatorio (RAM) del relevador digital. El algoritmo del relevador digital y datos fijos son almacenados en la memoria (ROM). El algoritmo es procesado en la unidad de procesamiento central (CPU). De acuerdo con la lógica del algoritmo, la CPU activará una salida digital para disparar un interruptor en el caso de que el algoritmo detecte una falla (por ejemplo, un incremento de corriente o voltaje).

Las entradas digitales informan al relevador digital del estado actual del interruptor de potencia. La CPU a través del módulo de comunicaciones envía y recibe información de otros relevadores o de estaciones de monitoreo y control. Valores de corrientes, tensiones, tiempos de disparo, alarmas y otros, es la información que puede enviar un relevador digital. Los datos recibidos por un relevador digital están relacionados con puntos de ajuste y pruebas de funcionamiento.

Hay tres tipos de cálculos que se llevan a cabo en un relevador digital: en línea, fuera de línea y lógica de disparo [34].

Los cálculos fuera de línea se realizan para determinar los parámetros fijos que se usan durante el procesamiento en línea, evitándose de esta manera, cálculos innecesarios durante la operación del relevador. Un ejemplo de estos parámetros son: los coeficientes de los filtros digitales o las tablas de las curvas características. Los cálculos en línea se realizan mientras el relevador está en operación. Por medio de estos cómputos se determinan las magnitudes o fasores de corriente o voltaje actuales; estas magnitudes son obtenidas por medio de algoritmos de procesamiento digital de señales.

La lógica de disparo describe las comparaciones que se hacen durante la operación en línea del relevador, estas son necesarias para generar o no generar una señal de disparo. Las comparaciones se realizan con los resultados de los cálculos en línea (magnitud de una corriente o tensión) contra los valores de los ajustes del

(48)

2.7 Reconocimiento de patrones usando redes neuronales

artificiales

El tema de las redes neuronales comienza con una definición formal para después describir su simbología, sus características y clasificación. Se describe brevemente el modo de aprendizaje usado en este trabajo, el cual es el de retropropagación del error (BP por sus siglas en inglés), regla en la que se basa el mecanismo de aprendizaje empleado para el entrenamiento del relevador.

La aplicación de redes neuronales ya tiene cierto tiempo en el área de la protección de sistemas eléctricos de potencia. Fue introducida para resolver muchos problemas en los SEP’s. Entre estos problemas, se encuentra la protección de los mismos.

En el presente trabajo, la aplicación de las RNA’s en SEP’s para el desarrollo de un algoritmo de protección será mostrada, el cual se enfoca básicamente en la detección, clasificación y localización de fallas.

Como se ha mencionado anteriormente el propósito de este trabajo en primera instancia es detectar una falla en un tiempo breve y aislar la sección fallada, después se clasifica el tipo de falla y se deduce en cuál de las tres fases la falla ocurrió. Finalmente, la localización de la falla también es conseguida con base en los resultados de la segunda red neuronal.

Los datos o patrones de entrada serán primeramente tomados de los valores fundamentales de las mediciones de corriente y voltaje (usando el procesamiento digital de señales mediante la DFT y un filtro para remover la componente decayente de CD).

(49)

Así mismo, las redes neuronales artificiales se pueden interpretar como una extensión de las técnicas convencionales de reconocimiento estadístico de patrones. Con frecuencia, la resolución de un problema de este tipo se realiza de forma más natural y sin esfuerzo por parte de un ser humano, pero su solución en computadoras resulta más complicada, por ello, una red neuronal artificial imita el funcionamiento del cerebro de una manera sencilla tratando de obtener sus mismas ventajas en el procesamiento de información.

Las redes neuronales artificiales, se han implementado perfectamente para el reconocimiento de las imágenes y los sonidos, la clasificación de las señales de radar y el procesamiento y clasificación de los datos [35]. En los sistemas eléctricos de potencia se emplearon las redes neuronales para solucionar el despacho económico [36], la predicción de la carga [37], la estabilidad de los sistemas de potencia [38], la restauración de los sistemas eléctricos de potencia [39], la seguridad de los sistemas eléctricos de potencia [40], la estimación de armónicos [41], [42], la protección diferencial de transformadores [43], [44], [45], [46] y el control de los motores de inducción [47]. También, existen prepatentes de la empresa Siemens para un detector de fallas para líneas de alta tensión [48].

2.8 Redes Neuronales Artificiales

2.8.1 Definición

Las redes neuronales, son modelos numéricos y su estructura se encuentra inspirada en la forma en la que se encuentra configurado el cerebro [49].

El cerebro humano contiene alrededor de diez mil millones de neuronas con unos sesenta billones de conexiones entre sí llamadas sinapsis de las cuales depende su capacidad de memoria. Sin embargo, el cerebro tiene una velocidad lenta en comparación con los semiconductores mientras que en una computadora los tiempos de conexión son del orden de nanosegundos; los de las neuronas son de varios milisegundos. Una red neuronal es un procesador enorme distribuido en paralelo, que puede filtrar y procesar las informaciones y tomar una decisión. Una red neuronal se parece al cerebro en dos ideas básicas:

(50)

1. La red necesita una cantidad de información para entrenarse.

2. Las conexiones entre las neuronas (sinapsis) se usan para almacenar la información.

El proceso utilizado para adaptar las sinapsis se llama el proceso de aprendizaje. El uso de redes neuronales ofrece muchas propiedades como el aprendizaje adaptable, el funcionamiento en paralelo en tiempo real, la tolerancia a los fallos por la codificación redundante de la información y la capacidad autoorganizativa. Las computadoras convencionales usan algoritmos secuenciales mientras que las redes neuronales actúan como el cerebro humano, procesando la información en paralelo. También pueden aprender y generalizar a casos nuevos que no estaban incluidos durante el proceso del diseño.

Las redes neuronales pueden procesar información más rápidamente que las computadoras convencionales, pero tienen la desventaja de que no podemos seguir su respuesta paso a paso como se puede hacer al ejecutar un programa convencional en un ordenador, por lo que no resulta fácil detectar los errores. En la figura 2.6 se muestra una neurona humana típica. En el cuerpo celular se realizan la mayoría de las funciones lógicas de la neurona. El axón es el canal de salida final de la neurona. Las dentritas reciben las señales de entrada de los axones de otras neuronas y se conectan al cuerpo celular por medio de las sinapsis.

(51)

Para imitar las neuronas biológicas mediante neuronas artificiales se deben hacer considerables restricciones, llegándose a un modelo muy simplificado de una neurona artificial que reproduce básicamente la actuación de las neuronas naturales.

En 1943 McCulloch y Pitts construyeron un modelo básico de neurona artificial, con una neurona muy simple a base de un sumador y una función de activación. Las sinapsis de una neurona se consideran como se muestra en la figura 2.7. En ellas las activaciones Xi con unas determinadas intensidades Wi, de otras neuronas, las

sumamos y permitimos que en la salida de la neurona (axón) se origine una actividad siempre que la suma de las Xi Wi supere un valor de umbral θ.

Figura 2.7 Modelo de una neurona. Adaptado de [49].

En la figura 2.7 se observa la estructura de una neurona artificial con múltiples entradas. En esta estructura, se tiene

u = ∑ 𝑤𝑖𝑥𝑖

2.1

Donde:

𝑤𝑖 son los pesos de la neurona (sinapsis).

𝑥𝑖 son las entradas a la neurona.

𝑛 es el número de entradas a la neurona.

y = f(u) = f (∑ 𝑤𝑖𝑥𝑖 𝑛

(52)

Capítulo 2 La protección de sistemas eléctricos de potencia Donde:

𝑦 es la salida de la neurona (axón).

𝑓 es la función de activación, correspondiente a una función no lineal (cuerpo celular).

𝜃 es el valor umbral.

Las redes neuronales, son sistemas dinámicos entrenables y estimadores flexibles, cuya habilidad de aprendizaje, tolerancia al ruido y habilidades de generalización que van ligadas a la estructura de conexiones, su dinámica y su representación distribuida de datos. Las redes neuronales tienen un gran número de unidades de proceso altamente interconectado (neuronas o nodos) las cuales presentan la habilidad de aprender y generalizar a partir de patrones de entrenamiento o datos. Estas simples unidades de proceso, generan colectivamente un comportamiento complejo y no lineal. Fueron desarrolladas para dotar de eficacia computacional, tolerancia a fallas y capacidad de aprendizaje a los sistemas.

2.8.2 Arquitectura de RN’s

En general en cuanto a su arquitectura las redes neuronales se dividen en progresivas y recurrentes con las conexiones hacia adelante y con conexiones que retroalimentan a las neuronas de capas previas respectivamente como se indican en la figura 2.8 a y b.

(53)

Capítulo 2 La protección de sistemas eléctricos de potencia Perceptrón

Perceptrón multicapa Arquitecturas básicas Adaline

Madaline

En la figura 2.9 se observa una red neuronal tipo perceptron multicapa. Hopfield

Kohonen Hamming

Otras arquitecturas Arquitecturas ART Cognitrón

Neocognitrón

Máquina de Boltzman Máquina de Cauchy