Presentado a
LA UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
Para obtener el título de
INGENIERO ELECTRÓNICO
por
Gabriel Esteban Rojas Dueñas
CONTRIBUCIÓN EN LA DETECCIÓN DE PÉRDIDAS NO TÉCNICAS
EN REDES ELÉCTRICAS
Sustentado el 2 de junio de 2016 frente al jurado:
Composición del jurado
- Asesor: Juan Carlos Bohórquez Reyes, Profesor Asociado, Universidad de Los Andes
- Jurados : Néstor Peña Traslaviña, Profesor Titular, Universidad de Los Andes
Fredy Enrique Segura Quijano, Profesor Asociado, Universidad de Los Andes
Contenido
1 INTRODUCCIÓN ... 4
2 OBJETIVOS ... 5
2.1 Objetivo General ... 5
2.2 Objetivos Específicos ... 5
2.3 Alcance y productos finales ... 5
3 DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO ... 6
4 MARCO TEÓRICO ... 7
4.1 Pérdidas no técnicas ... 7
4.2 Análisis de Datos. Big Data ... 7
4.3 Identificación de pérdidas no técnicas ... 8
5 DEFINICION Y ESPECIFICACION DEL TRABAJO ... 10
5.1 Definición ... 10
5.2 Metodología ... 10
6 SENSORES INALAMBRICOS PARA LA MEDICIÓN DE ENERGÍA ELÉCTRICA ... 12
6.1 Sensor en base a pulsos ... 12
6.2 Sensores Microelectromecánicos ... 14
6.3 Sensores Magnéticos Basados en Superficie de Onda Acústica ... 15
6.4 Comparación entre las tecnologías ... 16
7 TRABAJO REALIZADO ... 18
7.1 Criterios para la ubicación de los sensores en la red ... 18
7.2 Algoritmo para identificar las pérdidas no técnicas ... 19
8 VALIDACIÓN DEL TRABAJO ... 24
8.1 Sistema de prueba ... 24
8.2 Implementación de algoritmo en Matlab ... 26
8.3 Ejecución del algoritmo en distintos casos ... 28
8.3.1 Escenario 1 ... 29
8.3.2 Escenario 2 ... 30
8.3.3 Escenario 3 ... 31
8.4 Especificaciones del sistema de medición ... 32
9 CONCLUSIONES ... 34
10 REFERENCIAS ... 35
Índice de tablas
Tabla 1. Comparación entre las distintas tecnologías de medición ... 16
Tabla 2. Resultados Escenario 1 ... 37
Tabla 3. Resultados Escenario 2 ... 38
Tabla 4. Resultados Escenario 3 ... 39
Índice de figuras
Figura 1. Procedimiento del proyecto... 11Figura 2: Circuito de Panoramic Power. Tomado de [1] ... 13
Figura 3: Diagrama de bloques del diseño final. Tomado de [1] ... 13
Figura 4: MEFM implementado en laboratorio [2] ... 14
Figura 5. Esquema de un dispositivo SAW. Tomado de [12] ... 15
Figura 6. Ubicación de sensores en la red ... 19
Figura 7. Algoritmo para detección de pérdidas no técnicas ... 20
Figura 8. Consumo de energía de usuarios normales (arriba) y fraudulentos (abajo) [6] .... 23
Figura 9. Sistema de prueba [17] ... 25
Figura 10. Perfil de carga normalizado de los usuarios ... 26
Figura 11. Perfil de carga de usuario fraudulento ... 29
Figura 12. a) Perfil de carga; b) Codificación del perfil de carga ... 29
Figura 13. Mensajes en Matlab. Escenario 1 ... 30
Figura 14. Mensajes en Matlab. Escenario 2 ... 31
1
INTRODUCCIÓN
Este documento de proyecto de grado, presenta el proceso que se realizó para identificar dispositivos, tecnologías, algoritmos y metodologías pertinentes para poder identificar perdidas no técnicas en las redes de distribución de energía eléctrica. La motivación principal es el hecho de que los hurtos de energía significan grandes pérdidas económicas para los entes encargados de la distribución de la misma.
Primero que todo, se realiza un análisis comparativo entre tres tecnologías de medición inalámbrica de potencia que existen en la actualidad y las cuales pueden ser implementadas en las líneas de transmisión para obtener la información del consumo. A partir de lo anterior, se establecen restricciones y especificaciones para el sensor de medición, con el fin de que sea adecuado para la aplicación que se propone y que garantice ciertos requerimientos propuestos.
En adición a lo anterior, se presenta una metodología donde a partir de la información de los sensores pasivos ubicados en la red, se ejecuta un algoritmo que permite identificar si existen perdidas no técnicas, y si las hay, se determina la localización y el tipo de robo que ocurre. El algoritmo que se presentara, es realizado a partir de bibliografía y estrategias de ‘machine learning’.
Por último, en este documento se presentan diferentes escenarios de prueba y la ejecución del algoritmo en software computacional, donde las simulaciones representan el comportamiento de una red eléctrica y es posible ubicar los hurtos en la red, para la posterior identificación de los mismos con un código implementado.
2
OBJETIVOS
2.1 Objetivo General
Aportar en la exploración de una estrategia para detectar pérdidas no técnicas en el vínculo transformador cliente.
2.2 Objetivos Específicos
Evaluar diferentes alternativas de dispositivos y tecnologías que permitan realizar una medición inalámbrica de la potencia que fluye por una línea de distribución.
Diseñar un algoritmo que permita localizar la ubicación de las pérdidas no técnicas en una red de distribución.
Realizar una ubicación adecuada de los dispositivos de medición en la red.
2.3 Alcance y productos finales
En la propuesta de proyecto de grado, se estableció que se esperaba tener conocimiento de las tecnologías existentes y que son adecuadas para la medición de energía eléctrica y posterior detección de pérdidas no técnicas en redes de distribución. Efectivamente se encontraron tres tecnologías diferentes, las cuales involucran diferentes conceptos pero que pueden realizar una medición inalámbrica sobre las líneas de transmisión. Así mismo, a partir de estas tecnologías, se estableció la metodología para ubicarlos en la red y para posteriormente analizar los datos que se recolectan a partir de los mismos. El algoritmo se implementó en Matlab, donde se realiza una co-simulación con DSSim para establecer un comportamiento real del sistema de potencia.
3
DESCRIPCIÓN DE LA PROBLEMÁTICA Y JUSTIFICACIÓN DEL TRABAJO
En la actualidad, un problema muy común en las redes de distribución de energía eléctrica son las pérdidas no técnicas que obedecen al uso clandestino del servicio por parte de particulares, esto implica pérdidas económicas a las compañías de distribución de energía. Estas pérdidas no son fáciles de identificar puesto que los medidores se encuentran en los transformadores de baja tensión y en las acometidas de los usuarios finales, por lo que se puede realizar una conexión ilegal a la red en el tramo de línea entre estos dos elementos.Para solucionar este problema, se propone un algoritmo para ubicar sensores pasivos en la red eléctrica de tal forma que no exista la necesidad de que todos los usuarios tengan un sensor instalado en su acometida, ya que económicamente representa un gran costo. Después de la ubicación de sensores, se realizaran simulaciones de diferentes escenarios donde existan hurtos de energía eléctrica en la red y se verificara mediante una serie de algoritmos orientados por el análisis de Big Data, donde hay hurto de electricidad y si efectivamente hay un sensor que está midiendo este comportamiento.
La solución de este problema se justifica desde un punto de vista económico, ya que la solución que se plantea, la cual consiste en instalación de sensores pasivos de bajo costo, puede evitar grandes pérdidas monetarias para las empresas de distribución de energía. Por lo que si se implementa un algoritmo eficaz que permita identificar estos hurtos, el beneficio económico será grande en comparación a la inversión necesaria, teniendo en cuenta que no se necesitarían medidores AMI instalados en todos los hogares.
4
MARCO TEÓRICO
4.1 Pérdidas no técnicas
Primero que todo, es necesario definir en que consiste el hurto de electricidad. En la mayoría de sistemas a nivel mundial, el porcentaje de hurto es aproximadamente el 2% de la electricidad generada en toda la red. Y aunque puede parecer poco, financieramente representa una gran pérdida económica para los diferentes agentes involucrados en el mercado eléctrico. La pérdida de ingresos derivada de las pérdidas no técnicas puede tener como consecuencia que las empresas no hagan inversiones para mejorar la red eléctrica o para expandir la red de transmisión ya que con ese dinero tienen que compensar las pérdidas.
Existen diferentes tipos de pérdidas no técnicas que son realizadas por los infractores y estas son las siguientes:
• Conexión directa a la línea
• Manipulación del contador mediante elementos externos
• Perforación de agujeros en medidores de energía electromecánicos • Depósito de un fluido viscoso en los contadores
• Utilización de imanes fuertes en contadores • Cambio de polaridad en el medidor
• Resetear el mecanismo de lectura del medidor • Calibración ilegal
• Conexión fase a fase
A nivel mundial es un gran problema, aunque ciertos países tienen mayor porcentaje de pérdidas que otros. El país con un mayor porcentaje de estas pérdidas que se han identificado es India, donde supera el promedio de hurtos a nivel mundial. Diferentes políticas y tecnología se han implementado para reducir la pérdida, sin embargo, los porcentajes de robo de energía eléctrica han bajado poco en los últimos años. [1]
4.2 Análisis de Datos. Big Data
Para comprender el tema que se abordara, es importante identificar la naturaleza de los datos que se van a extraer de la red de distribución de energía eléctrica. Este es un análisis guiado por Big Data. Este término describe las grandes cantidades de datos (estructurado o no estructurado) que está presente día a día. Por lo general, se tienen grandes cantidades de datos que deben son recolectados y posteriormente se deben analizar para tomar acciones correctivas o que mejoren el desempeño de cierta actividad. Unos de los beneficios que se pueden obtener de esto son reducciones en costos, reducción en tiempos, desarrollo de nuevos productos y la toma de decisiones inteligentes.
Por lo general, el análisis de Big Data se hace, ya que la información generada por si sola (redes inalámbricas de sensores, ID tags, micrófonos, cámaras, etc.) y esta es compleja y en grandes cantidades. Mucha de esta información es redundante, por lo
que no se necesita y genera ineficiencias en el momento de realizar un análisis de toda la información. Almacenar los datos es económico, sin embargo, estos por si solos no significan nada, por lo que es completamente necesario hacer un análisis de los mismos, el cual puede resultar muy arduo y costoso. Debido al boom de Big Data, el desarrollo de algoritmos para extraer y analizar los datos eficientemente cada vez es mayor [2].
El Big Data como un servicio, tiene tres niveles diferentes que le brinda a los usuarios, los cuales son: Infraestructura, plataforma y análisis. En este documento, el principal foco será el análisis cuantitativo y cualitativo de los datos obtenidos, orientados hacia una aplicación específica que es la de detectar perdidas no técnicas de energía eléctrica (Hurtos). En este caso, se busca una distribución eficiente de una red de sensores inalámbricos que permitirán establecer el lugar en donde efectivamente se está efectuando el robo. Esto se hace, para ahorrar costos en la instalación y consumo energético de los sensores, sin sacrificar el objetivo final de los mismos que es detectar las perdidas en la red [3].
4.3 Identificación de pérdidas no técnicas
Ahora bien, diversos autores han aplicado la teoría de Big Data Analytics para solucionar problemas orientados a la identificación de pérdidas no técnicas en las redes de distribución. Estos estudios principalmente se han llevado a cabo en India, y parten del supuesto que todos los usuarios tienen instalados medidores AMI (Advanced Metering Infrastructure) y que se tiene un control de las mediciones en tiempo real.
Cárdenas y Amin [4] proponen un mecanismo de detección de hurtos basado en teoría de juegos. Es un esquema basado en AMI y parte del éxito de este modelo es que las mediciones se toman cada quince minutos. El modelo realizado consiste en un juego donde el objetivo del infractor que pretende hurtar energía es robar una cantidad determinada mientras minimiza las chances de que sea detectado; por otra parte, el objetivo de la utilidad eléctrica es maximizar la probabilidad de detección. Para encontrar la solución, se toma en cuenta el equilibrio de Nash y se encuentran las probabilidades y valores que lo cumplen. Luego, mediante técnicas de optimización se encuentra que usuarios son los fraudulentos.
Los autores Cárdenas y Mashima [5], proponen el algoritmo de detección de anomalías “Local Outlier Factor (LOF)”. Este algoritmo se basa en encontrar comportamientos diferentes a los comunes que se rigen por un patrón determinado, y localiza el objeto que es diferente o que está aislado de su vecindario. Es importante aclarar, que para poder llevar a cabo esta técnica, es indispensable tener un histórico de las mediciones para realizar una predicción efectiva del comportamiento de consumo. Y para esto, el proceso es dado por los siguientes pasos:
1. Creación de un vector que contenga las mediciones de energía eléctrica consumida en todo un día.
2. Para todos los días en un conjunto de datos ‘entrenado’ crear los vectores de la misma manera.
3. Crear un conjunto con los vectores obtenidos en 1 y 2, y aplicar LOF.
4. Si el LOF de prueba es menor que una constante determinada previamente, que concluye que las mediciones de 1 son normales y se aborta.
5. Si el promedio de las mediciones obtenidas en 1, es menos que el promedio de las mediciones de 2, entonces se activa una alarma.
Si únicamente el puntaje LOF es mayor a la constante, no se puede determinar si es una perdida no técnica, únicamente se puede hacer con los promedios.
Autores como Nagi [6], Dangar o Reddy [7], se basan en el aprendizaje de máquinas (Machine Learning) para identificar patrones en los consumidores y posteriormente encuentran los infractores de la red de distribución eléctrica. Dangar se vale del ‘Extreme Machine Learning (EML)’ en un algoritmo donde encuentra el perfil de carga de cada usuario mediante una selección, separación y normalización de los datos del consumidor, posteriormente se procede a detectar, clasificar y predecir el comportamiento del usuario, generando alertas cuando es pertinente. Nagi plantea algoritmos genéticos para encontrar el hurto, donde requiere del consumo de los últimos dos años de cada usuario para así modelar su perfil y luego compararlo con el consumo actual, se comparan los dos casos y en situaciones donde existan grandes desviaciones, entonces se identifican los usuarios que están cometiendo fraude. Reddy, al igual que los otros dos autores, usa el principio de Machine Learning, pero en este caso, utiliza redes neuronales en la identificación de usuarios y los clasifica en tres tipos diferentes según el tipo de infracción o detección que se hizo.
5
DEFINICION Y ESPECIFICACION DEL TRABAJO
5.1 Definición
Se delimitan las especificaciones que se requiere para realizar la medición inalámbrica de energía eléctrica en distintos puntos de una red de distribución. Lo que implica, los parámetros con que debe cumplir el dispositivo de medición que se utilice, con el fin de que sea apto de proveer de información a un centro de datos que va a procesar los mismos. A partir de las mediciones de energía eléctrica que se tengan de la red, se requiere de un algoritmo que permita procesar los datos y realizar un análisis donde se identifiquen los hurtos que ocurren en la red, específicamente el lugar y el tipo. Es importante aclarar que este mecanismo solo proveerá la información de los usuarios que están cometiendo fraude en la red eléctrica, y no propone castigos para los mismos.
5.2 Metodología
Para solucionar el problema planteado, es necesario seguir los pasos que se presentan a continuación:
1. Estado del arte: En esta parte se procede a enumerar las distintas tecnologías existentes en la actualidad, que permiten medir la energía eléctrica sobre una línea de transmisión. Así como la identificación de métodos para identificar las pérdidas no técnicas en una red.
2. Hardware: Se muestran tres tipos de sensores que se pueden utilizar y se realiza una comparación para determinar cuál es el más adecuado en esta aplicación.
3. Análisis de datos: Se propone un algoritmo que permita identificar a los usuarios que representan pérdidas no técnicas para la red eléctrica.
4. Ubicación de sensores: En esta etapa, se establecen criterios para la ubicación de los sensores en la red, teniendo en cuenta que deben favorecer un correcto análisis de los datos.
5. Pruebas: Se realizan pruebas pertinentes sobre un caso concreto para comprobar que el algoritmo propuesto es efectivo.
6. Especificaciones del sensor de medición: Finalmente, y a partir de las necesidades de recolección de datos del algoritmo, se plantea una seria de especificaciones con las que debe cumplir el sensor que se use.
En la Figura 1 se evidencia el proceso que se lleva a cabo para la solución del problema.
6
SENSORES INALAMBRICOS PARA LA MEDICIÓN DE ENERGÍA ELÉCTRICA
Este capítulo muestra tres diferentes tipos de sensores con distintas tecnologías, que tienen la capacidad de medir la energía consumida que fluye por una línea. Se presentan las principales características de estos, así como su estado actual y finalmente se realiza una comparación entre los tres. Estos dispositivos son parte fundamentales para lograr detectar las pérdidas no técnicas en una red, puesto que proveen la información necesaria para identificar esto.6.1 Sensor en base a pulsos
El primer dispositivo de medicion inalámbrica evaluado es uno fabricado por la empresa Panoramic Power Ltd. [8], la cual realizó el diseño y fabricación de instrumentos para medidas de consumo de potencia. Cada uno de estos tiene la capacidad de transmitir los datos medidos. Mediante un protocolo de comunicaciones, se pueden obtener las señales y así identificar la potencia consumida en cada una de las líneas inspeccionadas. Por otra parte, el diseño plantea que el sensor tenga la capacidad para autoalimentarse.
El diseño consta de un transformador de corriente que recibe la energía del núcleo de la línea y la transforma para poder realizar las mediciones. A la salida de este transformador se encuentra elemento de sensado que es una resistencia, el voltaje de la misma se muestrea con por medio de un conversor A/D y para identificar un pico, el proceso requiere de numerosas repeticiones en cada ciclo. Luego de esto, la muestra obtenida se promedia por un número de ciclos y se divide por la resistencia para encontrar el valor de la corriente pico que llega del transformador, se aprecia que en este caso lo que importa es la corriente AC y así identificar su pico para posteriores análisis. Posteriormente, la señal proveniente del transformador es rectificada para que así se alimente un capacitor que servirá para alimentar todo el circuito, incluido el microcontrolador y la sección encargada de la transmisión de la señal. Después de que se tiene el condensador cargado, el comparador manda una señal al controlador DC/DC (transistores que se observan en el esquemático) y se habilitan los interruptores que permiten cargar el capacitor de depósito hasta un nivel establecido, la señal del controlador sirve también para activar el contador de pulsos que se encuentra en el microcontrolador. Es importante aclarar que los pulsos son proporcionales a la corriente, y entre más frecuencia tenga esta señal de pulsos, la corriente que fluye por la línea será mayor. Cada vez que se descarga el condensador de sensado, representa una parte de Amperios-Hora (AH) que fluye por el circuito principal y es por esto que la frecuencia de los pulsos es proporcional a esta corriente. Cuando el comparador detecta un bajo nivel de umbral en el condensador de sensado, se detiene la descarga del mismo. El voltaje del capacitor de depósito es regulado para poder alimentar sin problemas el microcontrolador, control DC/DC, comparador y el transceptor RF. En la Figura 2 y la Figura 3 se observa el circuito así como el diagrama de bloques.
Figura 2: Circuito de Panoramic Power. Tomado de [1]
Figura 3: Diagrama de bloques del diseño final. Tomado de [1]
En la actualidad, estos sensores son usados para aplicaciones de hogar, lo que significa que su instalación se realiza en las líneas que llevan la energía a través de toda una casa. Estos sensores se comunican inalámbricamente con un dispositivo que es capaz de recibir las señales de toda la red de sensores, los datos se envían cada 10 segundos, por lo que la información que se almacena es considerable. Posteriormente, estos datos son analizados por un software que los interpreta y presenta una interfaz gráfica mostrando el consumo de energía en el hogar, mostrando las horas criticas de consumo e informa si llega a existir alguna anomalía. El dispositivo se encuentra cubierto por una protección que evita que este expuesto al ambiente, y este recubre la línea.
6.2 Sensores Microelectromecánicos
Cyrus Shafai [9] y su grupo de investigación diseñaron un sistema microelectromecánico para medir el campo eléctrico en sistemas de potencia. Este instrumento mide tanto campos en AC como en DC. Esta tecnología ofrece las ventajas del tamaño, peso, fabricación y demás aspectos que hacen que su aplicación a sistemas de potencia resulte de gran utilidad.
El dispositivo MEFM usa un obturador (1 mm2) que se mueve periódicamente y permite exponer los electrodos del sistema a un campo eléctrico incidente. Actuadores térmicos están conectados al obturador usando un mecanismo de palanca, la corriente eléctrica provoca el calentamiento del sensor y esto conlleva a que se expandan los actuadores y mueven el obturador sobre los electrodos de sensado. Estos electrodos se encuentran en dos arreglos (a la derecha y a la izquierda del obturador), esto se hace para no poner una tierra de referencia en la medición de la corriente ya que se realiza una medición diferencial. Entonces cuando un arreglo es expuesto al campo eléctrico de la línea, el otro no lo está y así la corriente es inducida en los electrodos y posteriormente convertida a voltaje. En la Figura 4 se observa el circuito microelectromecánico. El sensor únicamente requiere un consumo de 70µW para su operación en líneas de transmisión de potencia.
Figura 4: MEFM implementado en laboratorio [2]
En la patente US 2011/0050214 A1 [10] se presenta el diseño de un sistema para realizar la medición del campo electromagnético utilizando un resonador mecánico, el cual tiene una frecuencia de resonancia que cambia dependiendo del campo magnético que incide en la zona donde el aparato se encuentra instalado. Este resonador es sometido a un movimiento mecánico cuando recibe el campo magnético, posteriormente este movimiento es percibido por un detector de movimiento, el cual genera una señal que es convertida y amplificada, y a continuación se realiza la conversión de corriente a voltaje como se mencionó anteriormente.
Esta tecnología no está presente en la actualidad en el mercado, sin embargo, se han hecho pruebas de laboratorio que comprueban su funcionamiento. El sensor es posicionado sobre una línea de transmisión de media tensión, y dos metros bajo él se encuentra un esquema de medición y de interrogación que es el encargado de extraer la información que el dispositivo MEFM se encuentra sensando. Al someterse a diferentes campos electromagnéticos que fluyen por la línea, la respuesta del sensor vario proporcionalmente a estos cambios, lo que evidencia su funcionamiento. Un inconveniente de esta tecnología, es que requiere de un interrogador para obtener la información, y este es de un gran tamaño.
6.3 Sensores Magnéticos Basados en Superficie de Onda Acústica
Otra posible alternativa para la medición inalámbrica de la potencia que fluye por las líneas de distribución, son los sensores magnéticos basados en superficie de onda acústica (SAW por sus siglas en ingles). Estos dispositivos básicamente son un transpondedor que requieren de un instrumento que interrogue por una señal al sensor y este refleje una señal modificada en relación a la que se recibió. Este sensor es fabricado en un sustrato piezoeléctrico y consta de un transductor, el cual recibe la señal del interrogador, y de una etiqueta de identificación (ID TAG) que servirá como la salida. Cuando se es interrogado, se acumula carga en el piezoeléctrico y se excita la onda SAW que viaja por el mismo y dependiendo de la aplicación, se tendrá una respuesta donde se obtendrán los resultados requeridos. [11]
Para el caso específico de medición de potencia, se pueden detectar los campos magnéticos y con esto la corriente que fluye por una línea de distribución. Esto se hace conectando un ID TAG a dos magnetoresistores (cada uno al extremo de la línea de retardo del SAW) que generan el cambio de efectividad en el IDT. Sabiendo lo anterior, los campos magnéticos de los magnetoresistores van a tener polaridades opuestas. Cuando el sensor es interrogado, se transmite una señal y debido a la línea de SAW y a los magnetoresistores, se reflejaran pulsos que no van a ser necesariamente iguales en el dominio del tiempo, y el tratamiento hecho a esta información es encontrar una proporción entre el pulso enviado y el reflejado, para así obtener la corriente. [12]
Para este tipo de medición, es fundamental que exista un interrogador, ya que a partir de este, es que se generan los cambios en el dispositivo SAW, para posteriormente encontrar la corriente que fluye a través de la línea de transmisión. Esto implica, que la distancia entre interrogador y el dispositivo no debe ser muy grande para que las señales que se envían y se reciben no se vean alteradas y que el ruido no sea muy significativo.
En la práctica, este sensor ha sido implementado en severas ocasiones, sobretodo para aplicaciones de medir temperatura. Sin embargo, propiamente en líneas de transmisión no existe el registro de dispositivos que han sido fabricados únicamente con el propósito de sensar la corriente que fluye por la línea. Aunque se han realizado experimentos controlados para medir el campo magnético, en este caso, se utiliza la tecnología RFID, y es necesario establecer una impedancia adecuada para la medición [13]; en este caso se plantea la medición de cuatro dispositivos SAW al mismo tiempo, por parte de un solo interrogador, aunque cabe aclarar que las distancias que existen entre estos no deben ser muy grandes [14].
6.4 Comparación entre las tecnologías
Luego de haber explicado e identificado tres alternativas para realizar la medición inalámbrica de la energía eléctrica en una red de transmisión, es pertinente realizar una comparación entre estas y esta se encuentra en la Tabla 1.
Tabla 1. Comparación entre las distintas tecnologías de medición
Concepto Sensor en base a
pulsos [8]
Sensor
Microelectromecánico [9]
Sensor SAW [13]
Funcionamiento
Se muestrea el voltaje de la línea, y a partir de una resistencia de medición se encuentra la corriente que fluye por el conductor.
Respuesta mecánica de un sensor que genera un cambio en la frecuencia de resonancia, la cual esta correlacionada con el campo que fluye por la línea.
Al ser interrogado, se acumula carga en un piezoeléctrico y se genera una onda SAW, donde la frecuencia dependerá de la corriente.
Elementos presentes
- Transformador de corriente - Capacitor de
alimentación - Interruptores - Microcontrolador - Transmisor de radio
frecuencia
- Obturador - Actuador - Palanca de conexión
- Sensor - Soporte - Substrato Piezoeléctrico - Transductor Interdigital (IDT) - Película magnética
- Electrodos - Magnetoresistor
Consumo de energía Mínimo 6W de entrada 70µW para el obturador Pasivo
Requiere
interrogador No Si Si
ID TAG Si No Si
Protocolo de comunicación
WLAN / Wi-Fi / ZigBee
/ PLC / GPRS / CDMA IEEE 802.15.4
No específica, pero se transmite usando
BPSK Frecuencia de
transmisión 915 MHz 3,9kHz 900MHz
Comunicación con
otros sensores No No No
Estado actual Comercial Desarrollo Desarrollo
Patente US2013/0285645 A1 US 2011/0050214 A1 No hay
Invasivo No No No
Precisión 99% No especifica Dependiente de la
7
TRABAJO REALIZADO
El trabajo realizado consistió primero en establecer las consideraciones que se deben tener en cuenta para la ubicación de los sensores en la red de distribución de energía eléctrica, y que, a partir de esto, se pueda establecer un algoritmo que identifique los usuarios fraudulentos en la red.
7.1 Criterios para la ubicación de los sensores en la red
Para efectos de la identificación de consumidores fraudulentos, estos serán clasificados en tres categorías que son [7]:
• Clase A: Son los clientes de los que no se tiene registro de pérdidas no técnicas. • Clase B: Usuarios a los cuales se les debe hacer seguimiento, debido a sospechas de hurto.
• Clase C: Clientes de los que se tiene certeza que son o han sido fraudulentos
Es necesario determinar la ubicación de los sensores de medición de corriente, de tal forma que se identifique dónde está ocurriendo el robo con el mínimo número de estos. Para realizar esta ubicación, se parte de las siguientes premisas:
- Todos los transformadores de MT/BT tendrán instalado el dispositivo en el lado de media tensión.
- A los infractores previamente identificados, se les instalara un sensor en la acometida
- Al menos los dos tercios de la red de baja tensión deben ser monitoreados por los sensores
- Los usuarios se agruparán por ramales, y la medición siempre se realizara en el extremo del mismo. (P.e. una cuadra que tiene 10 usuarios conectados)
- El ramal o cuadra donde se encuentre un infractor identificado, tendrá instalado el sensor correspondiente.
- Se instalaran sensores en todas las bifurcaciones de la red
En la siguiente figura se observa cómo sería la distribución de estos sensores en una pequeña red eléctrica.
Figura 6. Ubicación de sensores en la red
Cada residencia o usuario, está identificado según el tipo de usuario. Los cuadros rojos representan un sensor de medición. Se observa que por cada transformador, se está sensando aunque sea el 66% de los usuarios para identificar el lugar del hurto, si es que este ocurre. Es evidente, que los usuarios clase C tienen en su acometida el sensor instalado, al igual que en su ramal. Los usuarios nuevos o de los que no se tiene historia de consumo, se les asignan los sensores de manera aleatoria, siempre y cuando se cumpla la premisa de que el 66% de la red este siendo sensada. Adicionalmente, para elegir en que ramal instalar el sensor, el criterio a utilizar es el tipo de usuario, y el orden de importancia para ubicarlo será desde los usuarios clase C hasta los clase A.
7.2 Algoritmo para identificar las pérdidas no técnicas
Luego de haber determinado la localización de los sensores en la red de distribución, el siguiente paso es que a partir de los mismos, se pueda encontrar el punto donde está ocurriendo el hurto de la energía eléctrica, con la posterior identificación y clasificación del usuario según se mencionó anteriormente. El algoritmo propuesto se muestra en la Figura 7 y se basa en diferentes métodos que al juntarlos sirven para encontrar el punto de hurto en la red eléctrica.
Figura 7. Algoritmo para detección de pérdidas no técnicas
En la anterior figura se aprecia que el algoritmo propuesto se divide en varios pasos los cuales dependen uno del otro. A continuación se explicara cómo se realizara cada uno de estos, para poder cumplir con el objetivo final que es el de clasificar a los usuarios según su comportamiento en el consumo de energía.
Recolección de información:
Este paso consiste en reunir los datos del consumo de energía eléctrica de los últimos dos años de todos los usuarios en la red. Esto se realiza con el propósito de tener una base histórica y una tendencia acerca del comportamiento de cada cliente en la red de distribución. Para propósitos d este proyecto de grado, se realizara una simulación de dos años en el software DSSIM en la red, para obtener los datos. Con el fin de asemejarse al caso colombiano, las mediciones serán una vez al mes como se suele realizar en Bogotá. El problema radica, es que solo con una medición por mes no se logra establecer el comportamiento del usuario, por lo que se hace un estimado con el factor de carga del mismo. Adicionalmente, también se hará el mismo proceso pero con mediciones diarias con el fin de hacer una comparación efectiva.
Adicionalmente, después de tener los perfiles de carga de cada usuario, estos se van a agrupar por ramales con el propósito de encontrar el consumo de energía por ramal.
Filtrar clientes y separar infractores:
Esta etapa del proceso, consiste en un filtrado de clientes con el fin de ahorrar memoria computacional en la realización de cálculos innecesarios y porque en algunos casos, los datos no son representativos estadísticamente, por lo que no ayudaran en el reconocimiento de los infractores. Los usuarios con las siguientes características serán eliminados del análisis [6]:
- Consumidores con menos de dos años en la red - Usuarios inactivos
- Remoción de usuarios con datos faltantes
Por otra parte, se separan los usuarios infractores de los no infractores. Esto se realiza porque a los usuarios fraudulentos, o clase C tienen dispositivos instalados directamente en su punto de consumo, por lo que una parte del análisis será diferente para este tipo de clientes.
Codificación de la información:
Debido a la cantidad de información que se maneja (en una red grande) y a la complejidad de esta, los datos se pueden codificar de tal manera que sigan representando los mismos resultados pero teniendo un menor impacto en los tiempos de procesamiento y en la capacidad de almacenamiento requerida.
Basados en la codificación que realiza Reddy [7], se busca que mediante esta técnica, las irregularidades en el consumo de energía de los clientes se hagan más evidentes. Para este proceso, los puntos donde el consumo fue nulo se reemplazan con cero y los demás se cambian por uno. Evidentemente, los consumos de todos los consumidores van a cambiar y posteriormente el número de mediciones se divide en tres grupos, donde la primera entrada se multiplica por 4, la segunda por 2 y la tercera por 1 y finalmente se suman estos valores, habiendo reducido el número de entradas a un tercio. Luego, se agrupan los datos por zonas horarias en el día, ya que el consumo cambia de una a otra y a estas se les añade un peso específico. A partir de esto, se
calcula el promedio original de consumo de los clientes y a partir del mismo, se encuentra el CPC (Probabilidad calculada de consumo) de un consumidor en particular y se compara con la actual hasta tener un cálculo acertado.
Para propósitos del algoritmo a implementar, este paso no será necesario ya que al no ser una gran red de distribución, la cantidad de datos no es tan grande y adicionalmente como en Bogotá, no se tienen instalados aun medidores AMI entonces el proceso no es posible.
Comparación de energía medida en los sensores:
Este paso del proceso, únicamente se realiza con los usuarios que han sido identificados previamente como fraudulentos. Ya que estos tienen los sensores de medición instalados en su punto de consumo. Básicamente, este proceso consiste en que se tienen tres puntos (A, B y C), que es donde se encuentran instalados los dispositivos de medición. Al tener estas tres medidas, se comparan entre las tres y si son coherentes respecto a las pérdidas estimadas y al consumo entonces no hay hurto en la red, pero si alguna es diferente a las otras en un margen considerable, se identifica el tramo en el que ocurrió el robo e inmediatamente se clasifica al usuario como clase C. En la Figura 15 de la sección de anexos se observa el algoritmo propuesto para este paso. Los usuarios que no presentan irregularidades, se les somete posteriormente al proceso con los clientes no identificados como infractores [15].
Comparación de mediciones en contador y sensor:
Este paso del algoritmo, consiste en básicamente en la detección a anormalidades en el contador presente en los usuarios finales. Las mediciones del contador de energía de la empresa se comparan con lo medido en el sensor, y en caso de tener resultados diferentes, el usuario o grupo de usuarios será calificado en la clase B y se someterá a revisión debido a esta irregularidad.
Así mismo, se realiza el proceso pero en el transformador MT/BT, se compara la medición obtenida en el sensor del lado de media con la suma de las mediciones de todos los usuarios que este alimenta y si son diferentes entonces es que existe un hurto de energía y esa zona requiere de una revisión inmediata por parte de los operarios.
Análisis de la curva de carga:
Este paso del algoritmo, es donde a partir de la curva de carga de los usuarios o grupos de usuarios, se encuentra si existe alguna irregularidad en el comportamiento. Tomando como referencia a Nagi, cuando se tienen datos históricos acerca de los patrones de consumo de los usuarios, es posible identificar un comportamiento y si la muestra es estadísticamente representativa, entonces ante variaciones, es posible identificar un hurto de energía en el sistema. En la siguiente figura se muestra como es el comportamiento de un cliente normal y otro que suele robar energía eléctrica.
Figura 8. Consumo de energía de usuarios normales (arriba) y fraudulentos (abajo) [6]
Las gráficas de arriba muestran que un cliente que no hurta a la red, tiene un comportamiento constante durante el día y muy pocas variaciones. Mientras que el usuario fraudulento, por lo general tiende a robar energía intermitentemente y es por eso que se evidencian los picos y los no consumos en ciertas horas del día, como lo muestra la gráfica de abajo.
A partir de los datos históricos, los datos actuales, y algoritmos inteligentes (Machine Learning) se encontrara al usuario que presenta un patrón de consumo diferente al histórico y que tiene estas variaciones en su perfil de carga que son representativas. Al identificar este tipo de usuario, será clasificado como clase B.
Estimación de Pérdidas Técnicas:
Este es el último paso para poder identificar a los clientes que cometen robos de energía en la red de distribución. Consiste básicamente en una estimación de las pérdidas técnicas para realizar una comparación con las perdidas reales que existen en el sistema y determinar si la diferencia es lo suficientemente grande como para que sea una perdida no técnica. Para este paso, es necesario estimar la resistencia en las líneas de la red eléctrica ya que de esto no se tiene certeza, luego de realizar la estimación, se calculan las pérdidas para finalmente compararlas con las que el usuario tiene y clasificarlo según el resultado de esta evaluación [16].
8
VALIDACIÓN DEL TRABAJO
Para realizar la comprobación del algoritmo propuesto en el capítulo 7 de este documento, se hicieron diferentes pruebas en los que el algoritmo se somete a diferentes escenarios con diferentes perdidas no técnicas, y con una ubicación de los sensores diferente. Se utilizó Matlab en co-simulación con DSSim para ejecutar el mismo. A partir del software computacional DSSim, es posible encontrar el consumo de energía eléctrica en la red en los distintos puntos que se desee, y a partir de esto se realiza el procesamiento de los datos y la ejecución del algoritmo mediante un código hecho en un script de Matlab, el cual se encuentra adjunto a este documento.
8.1 Sistema de prueba
El software DSSim-PC, el cual es la interfaz de usuario del programa OpenDSS, permite realizar simulaciones de redes eléctricas de distribución y a partir de esto, seleccionar las variables de salida que se quieren evaluar, para este caso en específico, únicamente se tendrá en cuenta la energía consumida por cada usuario (kWh) y los pasos para la simulación serán de 1 minuto, controlados desde Matlab para poder extraer los datos para su posterior análisis.
El sistema que se utilizara para realizar las pruebas, viene por defecto en el software al instalarlo y es el caso de prueba IEEE de 37 nodos. Se escogió este sistema porque representa adecuadamente la topología de una red de distribución en Bogotá, adicionalmente el sistema cuenta con usuarios residenciales e industriales, lo que permite realizar diferentes escenarios de prueba para desarrollar el algoritmo. Aunque esta red tiene una tensión nominal de 4,8kV, y las redes de distribución de Bogotá son de 120V en el vínculo transformador-cliente, esto no tendrá un mayor impacto porque lo que se pretende evaluar es el consumo de energía, el cual dependerá de las características de consumo de las diferentes cargas y no del voltaje. El sistema cuenta con 30 cargas en total, donde algunas se encuentran en el mismo nodo y otras completamente separadas.
Como se mencionó en la sección 7.1, es necesario determinar la ubicación de los sensores en la red. Para el caso IEEE 37 nodos, las bifurcaciones más relevantes para el análisis tendrán un sensor instalado, al igual que los dos extremos del transformador alimentador de la red, esto quiere decir que se tendrán 17 sensores de medición de energía instalados en la red, sin contar los que tienen los usuarios clasificados como infractores.
En adición a lo anterior, para la modelación de la conexión ilegal como una perdida no técnica que tiene que ser identificada, se instalaron ocho cargas en diferentes zonas de la red, las cuales simularan el hurto en una línea de distribución en la red. Inicialmente, no habrá consumo de energía en estas cargas, pero dependiendo del escenario que se quiera simular, esto puede se puede cambiar para probar la identificación de un usuario fraudulento que se conecta ilegalmente a la red.
De acuerdo a las anteriores especificaciones y restricciones, se observa en la Figura 9 el sistema donde se realizaran las diferentes pruebas y escenarios del algoritmo propuesto.
Figura 9. Sistema de prueba [17]
En la figura se evidencian tres diferentes convenciones:
Rojo: Hace referencia a las cargas presentes en el sistema, las cuales son 30 y se encuentran distribuidas en toda la red.
Azul: Estos son los puntos en donde ocurren las conexiones ilegales, y que se pretende identificar como perdidas no técnicas en el algoritmo.
Verde: Sensor de medición de energía eléctrica presente en la red, el cual mide la energía que fluye por el mismo
Cada carga referenciada con color rojo, tiene diferente nivel de consumo, sin embargo, dependiendo del tipo de usuario, estas tendrán un perfil de carga determinado. En la siguiente figura se observa el perfil diario normalizado de carga utilizado para los usuarios residenciales y los industriales.
Figura 10. Perfil de carga normalizado de los usuarios
8.2 Implementación de algoritmo en Matlab
En cinco scripts de Matlab que se encuentran en los adjuntos del proyecto de grado, se evidencia el código que se realizó para identificar las pérdidas no técnicas que ocurren en la red.
Teniendo en cuenta la naturaleza del sistema, y que se tiene en cuenta específicamente el caso de Bogotá, hay ciertos pasos del algoritmo que es necesario omitirlos para poder llevar a cabo la correcta identificación. Uno de estos pasos que no se usara en este ejemplo en concreto es el que se propone utilizar métodos de machine learning para poder identificar cambios en la curva de carga. Esto no es posible, ya que en un caso como el colombiano, no se cuenta con la información histórica de los últimos dos años del consumo de los usuarios (únicamente se tiene el dato mensual), por lo que es imposible tomar datos de fechas anteriores para hacer una comparación, entonces lo que se hizo en este caso fue simular un día el sistema sin ningún tipo de hurto, y tomar los datos obtenidos como el caso base de estudio, a partir del cual se va a realizar el análisis para determinar irregularidades en el consumo de los usuarios. Igualmente, no se toma en cuenta el filtrado de usuarios ya que se asume que se tiene conocimiento de la actividad de todos durante los últimos años, y por tanto ya están clasificados (A, B, C). Por último, el paso que contempla la comparación de las medidas entre sensor y contador presente en los hogares, no se simulara ya que en DSSim no es posible simular dos mediciones diferentes.
Al realizar la co-simulación con DSSim, se implementó un código que controla la simulación en este programa, de tal forma que se establece el número de pasos y de mediciones que son necesarias para este caso. De esta manera, se estableció que los pasos fueran de un minuto, para un tiempo total de 24 horas en el día. Idealmente, se busca que los pasos sean de un segundo para tener mediciones más acertadas, sin embargo, el tiempo de la simulación se extiende en gran medida y es por esto que se deja en un minuto. Luego de que la co-simulación haya finalizado, el siguiente paso es
el de extraer los datos únicamente cada tres horas, ya que la frecuencia de interrogación al sensor será de 8 veces al día. Para esto, se filtra los datos de salida para obtener únicamente los de las 3:00, 6:00, 9:00, 12:00, 15:00, 18:00, 21:00 y 24:00.
Como DSSim, únicamente permite la medición de energía consumida en las acometidas (usuarios finales) entonces para encontrar el consumo de cada sensor, es necesario sumar las mediciones de los usuarios de la bifurcación en la cual se encuentra el sensor, por ejemplo, para el sensor 14, se suma la información del consumo en las cargas 22 y 23. Al tener la información de cada sensor, esta se organiza en una matriz de 17(sensores) x8(mediciones) y se almacena. Adicionalmente, el consumo en las cargas se guarda en una matriz diferente de 30(cargas) x8(mediciones).
Al tener las respectivas mediciones del consumo de energía eléctrica en la red, se procede a realizar todo el análisis de datos. Para esto, se van a contemplar tres métodos diferentes que son los siguientes:
1. Todos los usuarios tienen un sensor de consumo en su acometida
2. Solo los usuarios de clase C tienen instalado sensor que miden su consumo 3. Los usuarios de clase B y C tienen el sensor de medición de energía eléctrica
A partir de los anteriores casos, se realizan tres análisis diferentes que pueden generar resultados diferentes, y con ello se busca evaluar la efectividad de cada método que se implementa y así llegar a una localización efectiva de los sensores en la red de baja tensión. Por ende, se requiere un vector de entrada (1x30) que indica el tipo de usuarios para cada carga, ya sea A, B o C. Los pasos que se mencionan a continuación ocurren para cada método.
Luego de esto, se ejecuta una codificación del algoritmo como menciona el algoritmo, aunque esta no es completamente necesaria ya que el nivel de datos que se maneja es poco (únicamente 8 mediciones por carga). Este paso, se hace para tener una identificación mucho más fácil del usuario que está alterando su perfil de carga, ya que los picos de consumo se detectan con mayor facilidad y son menos sensibles.
Posteriormente a esto, se realiza una exploración de las mediciones en los sensores y en los usuarios a los que se les está realizando medición de energía eléctrica. En este caso, se realiza el algoritmo donde se comparan diferentes puntos en la red para identificar en que segmento ocurre el robo de energía eléctrica, por ejemplo, se compara la medición del sensor 2, con la suma de las mediciones en los sensores 3, 4, 5 y 6 para establecer diferencias y el lugar del hurto. Así, se hace una exploración por toda la red para determinar la localización en la que puede ocurrir una perdida no técnica y si es posible, determinar el usuario fraudulento.
El siguiente paso, es a partir de la información que se codifico, identificar si existe una alteración evidente en el perfil de carga que haga suponer que existe un robo en la red. Como no se tiene información histórica, se tomara un caso base que servirá como comparación y este será en el que no existe ningún hurto en el sistema. A partir de
esto, se comparara el consumo de energía en los distintos puntos de la red que tienen sensor para así determinar donde hay comportamiento irregular, y que tipo de anomalía es la que ocurre, ya sea una disminución abrupta en el perfil de carga por poco tiempo o una disminución prolongada durante todo el día. Dependiendo del tipo de usuario, se emitirán alertas acerca de si se trata de un hurto o si se requiere una mayor revisión a esa carga.
Por último, teniendo en cuenta la información de las líneas de distribución, se estiman las pérdidas no técnicas en toda la red de manera teórica, y se realiza una comparación con las medidas en cada sensor. Si al realizar la comparación, se detecta una anomalía y esta no fue detectada por el primer método, se emite una alerta en el programa que indica la posible ubicación del robo de energía eléctrica.
Para presentar los resultados, mientras el código es ejecutado, se construye una tabla y cada vez que se identifica un usuario fraudulento, se agrega una fila. La tabla consta de los siguientes parámetros:
Ubicación: El usuario o la zona del sensor donde se identificó el hurto
Tipo: Se diferencia que tipo de perdida no técnica fue (según las que se presentaron en la sección 4.1)
Hora Inicial: Hora inicial del hurto
Hora Final: Hora final del hurto
Método de detección: Se establece si fue el método 1, 2 y/o 3.
Acción sugerida: Dependiendo del tipo de usuario, el tipo de hurto y la zona donde ocurrió la perdida no técnica, se sugiere si revisar o actuar de inmediato.
Adicionalmente, cada vez que se identifique un hurto, se mostrara un mensaje en el cuadro de dialogo de Matlab, que mencionara donde es el hurto, el método de detección, las horas en que ocurrió y el tipo de robo.
8.3 Ejecución del algoritmo en distintos casos
Primero que todo, es necesario explicar cómo se van a simular los robos de energía eléctrica en el software computacional DSSim, para que posteriormente sean identificados en Matlab. En cuanto a la conexión ilegal, estas cargas son conectadas al sistema y se establece que van a estar conectadas a la red entre las 8:00 y 11:00, y entre las 19:00 y 21:00. Esta conexión se realiza manualmente desde el software, y basta con cambiar el perfil de carga para que se ejecute esto.
En cuanto al cambio en el perfil de carga, en este escenario, se cambia el perfil de tanto de usuario residencial como industrial, dependiendo del caso que se quiera evaluar. En la siguiente figura, se aprecia cómo queda la curva de carga diaria de cada tipo de usuario cuando se asume que existe una alteración en el perfil de carga.
Figura 11. Perfil de carga de usuario fraudulento
Ahora bien, se mencionó que se realizaría una codificación de los datos entrantes por parte de los usuarios. Esta codificación se hizo a partir de las ocho mediciones que se obtienen en un día, y se hace principalmente para obtener una curva normalizada donde se realiza la identificación del usuario fraudulento. En la figura que se muestra a continuación, se observa el comportamiento de la nueva curva después de haber hecho el tratamiento de los datos de entrada.
Figura 12. a) Perfil de carga; b) Codificación del perfil de carga
En la figura se evidencia que al normalizar el perfil, se identifica con mayor facilidad el cambio en el perfil de carga del usuario que está hurtando energía a la red.
8.3.1 Escenario 1
El primer escenario de prueba, contempla la conexión ilegal por parte de tres tipos diferentes de usuario, los cuales serían A, B y C. Según la Figura 9, se habilita la
conexión ilegal 31, 34 y 37, y se asume que el consumidor 13 es de clase C (infractor), el 4 es de clase B (posible infractor) y el 23 es de clase A (no infractor). Teniendo en cuenta esta situación, se corre el código en Matlab y la tabla de resultados obtenidos se muestra en la sección de anexos (Tabla 2). Adicionalmente, los mensajes que se muestran en pantalla se observan en la Figura 13.
Figura 13. Mensajes en Matlab. Escenario 1
A partir de los resultados, es evidente que a partir del primer método se detectan los tres hurtos, aunque la acción sugerida en este caso es de revisar ya que no se tiene la certeza el tipo de usuario infractor y por ende no es necesario generar una alerta instantáneamente. Por el segundo método, únicamente se obtiene que el usuario fraudulento es el 13, ya que este es tipo C, y este método establece que solo se deberá instalar sensores de medición en este tipo de clientes. Finalmente, mediante el tercer método, se obtuvo la detección de los usuarios 13 y 4, es evidente que no se identifica el robo por parte del usuario 23, ya que al ser de clase A, este no se incluye en los elementos que deben ser sensados.
De este escenario, se concluye que la detección de los usuarios fraudulentos cuando realizan una conexión ilegal, depende del tipo de clientes que estos son y de donde es la ubicación del hurto. No es posible dar una probabilidad de acierto de cada método, excepto del primero que es del 100%, esto es porque dependiendo de la red y de los usuarios, la ubicación de los dispositivos de medición van a cambiar de lugar.
8.3.2 Escenario 2
En este escenario se simulan hurtos de energía eléctrica por concepto de un cambio en el perfil de carga, más específicamente, un cambio abrupto en el perfil, lo que genera un pico en la carga. Se cambió el perfil de las cargas 4, 13 y 23; esto con el fin de observar la solución del algoritmo por los tres diferentes métodos ante pérdidas no técnicas por parte de clientes de diferente tipo. En la Tabla 3 de la sección de anexos, se observan los resultados de la simulación, y en la figura que se muestra a continuación, se evidencian los mensajes que muestra Matlab al detectar los usuarios fraudulentos.
Figura 14. Mensajes en Matlab. Escenario 2
A partir de los resultados, se aprecia que por medio del método 1, son detectadas las anomalías de los usuarios a los cuales se les cambio el perfil de carga, como lo son el 4, 13 y 23; adicionalmente, se especifica que se debe actuar puesto que el comportamiento es típico de un consumidor que realiza hurto de energía, como el que se observa en la Figura 8.
Para el caso del perfil de carga, únicamente se implementan los dos primeros métodos. Al observar los resultados, se tiene que por este método, no es posible detectar los usuarios infractores, sin embargo, se detectan los sensores presentes en la red que han detectado este cambio en el perfil de carga. Y se tiene que se encuentra un comportamiento irregular en los sensores 8 y 14, que son cubren la zona de las cargas 13 y 23 respectivamente. Por lo que, mediante este análisis se encuentra el 66% de usuarios fraudulentos que existen en la red.
8.3.3 Escenario 3
Este escenario, es una combinación de los dos primeros, ya que se simularan tanto conexiones ilegales en la red, como cambios abruptos en el perfil de carga de los usuarios. Se establecen que los robos de tipo conexión ilegal estarán en los puntos 31 y 35. Por otra parte, se establece que los usuarios 12 (clase A) y 26 (clase C) cambian el perfil de carga. Se realizan las simulaciones, y los resultados se observan en la Tabla 4 de la sección de anexos.
Al analizar los resultados, se tiene que mediante el método 1, se detectan todos los tipos de hurto en la red, sin importar si estos son de conexión ilegal o cambio en el perfil de carga. Por otra parte, al utilizar el método 2, no es posible identificar la conexión ilegal que ocurre en el punto 35, y esto se debe a que las cargas que se encuentran en esta zona, son de clase A, por lo que no se realiza la medición del consumo de energía eléctrica de estas. En cuanto a los cambios en el perfil de carga, el método 2 encuentra las zonas en las que se encuentran los usuarios fraudulentos, como lo son el área del sensor 9 (carga 12) y sensor 16 (carga 26), aunque no determina con exactitud el cliente que cometió el hurto.
8.4 Especificaciones del sistema de medición
Después de haber realizado el algoritmo para la detección de pérdidas no técnicas y de haber evaluado el estado del arte de los diferentes tipos de medición que existen actualmente, se llega a las consideraciones finales del diseño de un dispositivo de medición de energía eléctrica que sirva para proveer de información al algoritmo. El esquema de medición debe garantizar que la entrada de datos al sistema de análisis de datos, será aunque sea de ocho mediciones diarias de la energía eléctrica que se ha consumido.
El dispositivo de medición deberá satisfacer las siguientes especificaciones:
- Transmitir inalámbricamente la información de consumo de energía eléctrica. - La información debe transmitirse mínimo 8 veces al día.
- Cada uno deberá poseer un ID TAG para identificar de que sensor proviene la información.
- El sensor debe ser pasivo, o aprovechar la energía que fluye por la línea para su funcionamiento.
- Los sensores deben tener la capacidad de comunicarse entre ellos, con el fin de saber si alguno de estos dejo de funcionar.
- El dispositivo deberá estar ubicado sobre una línea de transmisión y deberá tener un empaque que lo cubra contra el clima y contra posibles robos.
- Deberá tener una de las siguientes cinco interfaces para comunicarse: Óptica, RS232, RS485, CS o RS422. Con el objetivo de que se pueda comunicar inalámbricamente con los contadores (Landis-GYR-E550) que se encuentran instalados en las acometidas de los usuarios industriales.
- El volumen no puede ser muy grande para facilitar la instalación y evitar la detección.
- El sensor debe tener la capacidad de enviar la información a un punto central, o responder ante un interrogador que puede ser un trabajador de la empresa de energía.
- Se deberá permitir una fácil reubicación del mismo, en caso de que se quiera tener los datos de otros tramos en la red eléctrica.
- Se debe tener flexibilidad en cuanto al protocolo de comunicación que se implemente, ya que ante cambios en tecnologías debe ser posible seguir usando los sensores.
- La precisión debe ser mínimo del 95% para así tener mediciones confiables y que el análisis de datos no se vea alterado.
Dadas estas especificaciones, un sensor fabricado siguiendo estos lineamientos, será adecuado para las mediciones y el procesamiento de la información que se requiere para identificar las pérdidas no técnicas. Adicionalmente, se quiere que su costo no
sea excesivo y que la fabricación del mismo no sea compleja, para que así se garantice la repetibilidad y por ende, una fabricación de un gran número de estos.
En adición al dispositivo de medición, se requiere otro que lo interrogue y que recopile la información que este sensa para posteriormente enviar esta información y usarla con el propósito de analizar los datos
Después de haber realizado el algoritmo para la detección de pérdidas no técnicas y de haber evaluado el estado del arte de los diferentes tipos de medición que existen actualmente, se llega a las consideraciones finales del diseño de un dispositivo de medición de energía eléctrica que sirva para proveer de información al algoritmo. El esquema de medición debe garantizar que la entrada de datos al sistema de análisis de datos, será aunque sea de ocho mediciones diarias de la energía eléctrica que se ha consumido.
9
CONCLUSIONES
A partir del proceso realizado y de los resultados obtenidos, se concluye que es posible identificar las pérdidas no técnicas en un sistema de distribución de energía eléctrica, siempre y cuando se cuente con la tecnología adecuada. Encontrar un dispositivo acorde a las necesidades del algoritmo y del sistema es fundamental, pues este es el que provee la información para la posterior ubicación de las pérdidas.
En lo que concierne al análisis de datos, se realizó un algoritmo basado en distintas técnicas de detección de hurtos para así identificar si en la red hay perdidas no técnicas, e identificar el sitio. Luego de haber realizado las diferentes pruebas para detectar los robos, se llegó a la conclusión de que mínimo un 70% de los usuarios deben tener instalado un sensor de medición, ya que con esto se garantiza una alta precisión para encontrar donde hay conexiones ilegales en la red. Para hallar las perdidas por concepto de cambios en el perfil de carga, basta con los dispositivos de medición que se encuentran en las bifurcaciones de la red de distribución eléctrica.
Posteriormente al análisis de datos, se establecieron las especificaciones propias que debe tener un dispositivo para que funcione eficazmente para esta aplicación. En base a las tecnologías estudiadas en el documento, a la información que se requiere y a las características típicas de una red de distribución de energía, se logró identificar los aspectos necesarios para medición inalámbrica de energía eléctrica. Es importante mencionar que estas son únicamente consideraciones que se deben tener en cuenta para un diseño, mas no es un diseño de un prototipo que debe ser implementado, pueden haber variaciones, siempre y cuando se cumplan con las especificaciones dadas.
La dificultad que se presenta es que actualmente no se encuentra comercialmente un dispositivo con las especificaciones mencionadas anteriormente. Por lo que surge la necesidad de su diseño y fabricación teniendo en cuenta que este tiene que ser viable económicamente para que pueda ser instalado. En caso de no ser posible diseñar un elemento para esta aplicación, el más adecuado para medir la energía y que cumple la mayoría de las especificaciones dadas es el de pulsos, y adicionalmente este ya se distribuye comercialmente, por lo que no sería un inconveniente tenerlo.
10
REFERENCIAS
[1] T. B. Smith, «Electricity Theft: A Comparative Analysis,» Energy Policy, pp. 2067-2076, 2004.
[2] N. Yu, S. Shah, R. Johnson y R. Sherick , «Big data analytics in power distribution systems,» de 2015 IEEE Power & Energy Society Innovative and Smart Grid Technologies Conference, Washington, DC, 2015.
[3] Z. Zheng, J. Zhu y M. Lyu, «Service-generated Big Data and Big Data-as-a-Service: An Overview,» de IEEE International Congress on Big Data, Hong Kong, 2013. [4] A. Cardenas, S. Amin, G. Schwartz , R. Dong y S. Sastry , «A Game Theory Model
for Electricity Theft Detection and Privacy-Aware Control in AMI Systems,» Ohio, US, 2013.
[5] A. Cardenas y D. Mashima, «Evaluating Electricity Theft Detectors in Smart Grid Networks,» Fujitsu Laboratories of America, Georgia, United States, 2013.
[6] J. Nagi, K. S. Yap y S. K. Ahmed, «Detection of Abnormalities and Electricity Theft Using Genetic Support Vector Machines,» de TENCON 2008 - IEEE Region 10 Conference, Hyderabad, 2008.
[7] S. Reddy, «Modeling, Detection, and Prevention of Electricity Theft for Enhanced Performance and Security of Power Grid,» The University of Toledo, Ohio, United States, 2012.
[8] A. Shamir, D. Wijsboom y D. Almagor.Estados Unidos de America Patente US20130285645A1, 2013.
[9] G. Wijeweera, B. Bahreyni , C. Shafai, A. Rajapakse y D. Swatek, «Micromachined Electrc-Field Sensor to Measure AC and DC Fields in Power Systems,» de IEEE Transactions on Power Delivery, 2009.
[10] B. Bahreyni y C. Shafai, «System and Method for Measuring Magnetic Field Strength Using a Mechanical Resonator». Estados Unidos Patente US 2011/0050214 A1, 03 03 2011.
[11] B. Li, H. Al Rowais y J. Kosel, «Surface Acoustic Wave Based Magnetic Sensors,» de
Modeling and Measurement Methods for Acoustic Waves and for Acoustic Microdevices, InTech, 2013, pp. 355-380.
[12] L. Reindl, G. Scholl, T. Ostertag , H. Scherr y F. Schmidt, «Theory and Application of Passive SAW Radio Transponders as Sensors,» IEEE Transactions on Ultrasonics, Ferroelectrics and Frequency Control, vol. 45, nº 5, pp. 1281-1292, 1998.
[13] D. Malocha, M. Gallagher, B. Fisher, J. Humphries y N. Kozlovski , «A Passive Wireless Multi-Sensor SAW Technology Device and System Perspectives,» Sensors,
vol. 13, pp. 5898-5922, 2013.
[14] A. Rowais, B. Li, S. Green y Y. Gianchandani, «Development of a passive and remote magnetic microsensor with thin-film giant magnetoimpedance element and surface acoustic wave transponder,» Journal of Applied Physics, vol. 109, nº 7, 2011. [15] A. Chauhan, «Non-Technical Losses in Power System and Monitoring of Electricity
Computing and Communication Engineering, 2015.
[16] D. Nikovski, Z. Wang, A. Esenther , H. Sun, H. Sugiura y T. Muso, «Smart Meter Data Analysis for Power Theft Detection,» Mitsubishi Electric Research Laboratories, Broadway, Massachusetts, 2013.
[17] Distribution System Analysis Subcommittee, «37-bus Feeder,» IEEE Power & Energy Society, California, 2012.
11
ANEXOS
Figura 15. Algoritmo de comparación de energía consumida
Tabla 2. Resultados Escenario 1
'Ubicación' 'Tipo' 'Hora Inicial' 'Hora Final' 'Método de Detección' 'Acción Sugerida'
'Sensor 3' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 4' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 6' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 8' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 13' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 14' 'Conexión Ilegal' '05:59:00,000' '09:00:00,000' '1' 'Revisar' 'Sensor 3' 'Conexión Ilegal' '09:00:00,000' '11:59:00,000' '1' 'Revisar' 'Sensor 4' 'Conexión Ilegal' '09:00:00,000' '11:59:00,000' '1' 'Revisar' 'Sensor 6' 'Conexión Ilegal' '09:00:00,000' '11:59:00,000' '1' 'Revisar' 'Sensor 8' 'Conexión Ilegal' '09:00:00,000' '11:59:00,000' '1' 'Revisar' 'Sensor 13' 'Conexión Ilegal' '09:00:00,000' '11:59:00,000' '1' 'Revisar'
