DESARROLLO DE UN MODELO PARA LA LOCALIZACIÓN DE FALLAS EN

UNA LÍNEA DE TRANSMISIÓN DE ENERGÍA ELÉCTRICA UTILIZANDO RED

NEURONAL ARTIFICIAL
Ortiz Aes Reynaldo, Tuxtla Gutiérrez, Chiapas
Rey_jackass@hotmail.com

1. Introducción
1.1 Antecedentes
Cuando se presenta una falla en un Sistema Eléctrico de Potencia, los esquemas
de protección que se encuentren instalados en las subestaciones deben actuar
sobre los respectivos equipos de interrupción para aclarar la falla. Lo anterior
produce un impacto sobre el sistema que debe ser analizado por los centros de
control no solo con el fin de definir pautas adecuadas para su restablecimiento.
La energía que se suministra a través de las redes eléctricas posee características
de voltaje, frecuencia, distorsión armónica y continuidad. Establecidas bajo norma
de acuerdo a los diferentes procesos en las que se encuentra, esto es producción,
transmisión y distribución. Cuando se cumplen estas características la energía
suministrada cumple con los estándares de calidad.
Sin embargo, estos valores se ven alterados desde un pequeño porcentaje del valor
total, hasta valores muy grandes pueden provocar mal funcionamiento
respectivamente a los equipos que alimenta. Esta alteración es provocada por la
incorporación de un número de convertidores electrónicos implementados en las
fuentes de alimentación primarias de equipos de uso cotidiano, como de conexión y
desconexión de altas cargas eléctricas lineales y no lineales.
Así como disturbios y fallas en líneas de transmisión y redes de distribución donde
se generan perturbaciones en la red de suministro eléctrico los cuales deterioran la
calidad de la energía y ocasionan mal funcionamiento y daño en equipos de alta
tecnología. Tales como computadoras, controladores de procesos automatización,
dispositivos médicos y de soporte vial.
Los disturbios eléctricos que suceden con mayor frecuencia en las redes de energía
son, la depresión de voltaje con rango de amplitudes de 0.1 a 0.9 p.u. y una
distorsión de medio ciclo hasta un minuto, el incremento de voltaje con rango de 1.1
a 1.8 p.u. con una duración desde medio ciclo hasta un minuto. Ambos medidos en
y la distorsión armónica de la forma de onda originada por la alimentación de
cargas no lineales.
Estos disturbios eléctricos que afectan a la calidad de la energía eléctrica, se
clasifican de acuerdo al tipo y duración de los mismos. Se pueden medir para su
identificación de acuerdo al estándar internacional. Pero su identificación no es la
más precisa para los disturbios eléctricos.
1.2 Estado del Arte
Hassan Nikkhajoei, Reza Iravani, Isfahan University of technology, Iran, Diseño una
red de comunicaciones para la monitorización de disturbios eléctricos en sistemas
de potencia. Su característica principal es que utiliza líneas telefónicas como medio
de transmisión, almacena registros de disturbios de cinco terminales todos
conectada a una computadora central [1].

D. Yazdani, A. Bakhshai, Department of Electrical and Computer Engineering,

Queen’s University, Kingston, Canadá, desarrollo en el simulador interactivo de
sistemas de estudio de sistemas eléctricos de potencia, un sistema de potencia ante
colapso de voltaje [2].

G. Joos, Department of Electrical and Computer Engineering, McGill University,

Montreal, Canadá, diseño dispositivos ópticos digitales para medición y protección
en sistemas de alta tensión. Se caracteriza por la utilización de transformadores
denominados ópticos, los efectos ópticos son la base de los mismos logrando un
gran porcentaje de efectividad [3].

M. Mojiri, Department of Engineering, Faculty of Electrical Engineering, University of

Kashan, Kashan, Iran, Diseño e implemento del compensador estática serie para el
mejoramiento de la calidad de energía en redes eléctricas. Su principal es un
esquema de control de voltaje capaz de mitigar los principales problemas a los
disturbios suscitados en las redes de suministros de energía [4].

Josep M. Guerrero, L.Hang, J. Uceda, Department of Automatic Control and

Computer Engineering, Technical University of Catalonia, Spain, diseñaron un
control de la ininterrumpí distribuido de alimentación. Su principal característica es
que utilizaron técnicas de intercambio de carga activa que describen los enfoques
de control de inclinación [5].

Lo que aquí se presenta como proyecto, las bases a diseñar un algoritmo neuronal
en la detección de disturbios eléctricos denominados interruptores de voltajes. Así
mismo caracterizar y entrenar la red neuronal propuesta para la detección del
disturbio, ya que este provoca una cantidad de perturbaciones en las ondas de
tensión y corriente del sistema eléctrico nacional.

1.3 Justificación
Lo que aquí se diseña son los parámetros a emplear en la red para caracterizar y
entrenar la red neuronal propuesta para la detección al disturbio. Validar la
matemática para el modelado del algoritmo y así poder identificar cuando se
presenten los disturbios eléctricos que suceden frecuentemente. Así mismo es
importante destacar que las redes neuronales han sido aplicadas para resolver
diversos problemas en ingeniería.
1.4 Objetivo
Diseñar un algoritmo Neuronal Artificial Backpropagation, para la detección del
disturbio eléctrico denominado “Interruptor de Voltaje”. Por medio del software
Toolbox de Redes Neuronales de MATLAB con parámetros de acuerdo a las
interrupciones de voltaje. Y así evitar los disturbios eléctricos que son consecuentes
y dañino para la red eléctrica.

1.5 Metodología

Red de
energía
eléctrica

Sensor de Sensor de Sensor de

frecuencia voltaje corriente
PKT-4035 ST-303U TMP102

Acondicionador
de señales

Pantalla despliegue
de incidencias Computador
disturbios eléctricos a Red
Neuronal

Fig. 1.1Diagrama de bloques del hardware.

En este diagrama podemos observar la ubicación de los elementos a utilizar en este
proyecto. Primero tendremos lo que es la red de energía eléctrica, es donde se
empezara el censado de disturbios. Utilizaremos un sensor de frecuencia PKT4035
utilizaremos esta marca ya que tiene amplio rango de medición. Este sensor indicara
la amplitud de oscilación de impulsos en un tiempo definido.
Siguiendo la estructura de nuestro diagrama utilizaremos un sensor de voltaje
ST303U con este sensor de voltaje censaremos las variaciones del voltaje entrante,
a fin de mantener el voltaje constante alejado de disturbios. También usaremos un
sensor de corriente TMP102 este nos permitirá medir la corriente y regular la
cantidad de corriente, monitorizará la corriente.
Con el acondicionador de señales nos servirá como protección, para evitar daños a
la computadora y a los equipos que utilizaremos. Convertiremos la señal de entrada
de la red de energía eléctrica a una señal adecuada. Obtendremos el nivel adecuado
de la señal. Computador a red neuronal, ahí se encontrará el programa ya entrenado
y funcionando bien para que detecte los disturbios de la red que se irán presentando.
Pantalla de despliegue de incidencias de disturbios eléctricos, esta pantalla tendrá
una comunicación con el computador. En ella se podrán observar los disturbios de
incidencia que estará presentando. Se creará una interfaz entre el computador, y la
pantalla para qué siempre estén en sincronía. Y siempre pueda observar las
incidencias de disturbios.

Voltajes de Red Algoritmo de red Señal de

red de incidencia
Neuronal Backpropagation
energía identificada
eléctrica Artificial

Fig. 1.2 diagrama de bloques de software.

En este diagrama de bloques del software podemos observar que estructura tendrá
el sistema a implementar con la Red Neuronal Artificial. Esto funcionara así, en la
entrada de voltajes de disturbios se recibirán las señales de los voltajes con
disturbios. Estas señales vendrán del centro de cargas para empezar el
procedimiento.
El software contara la red neuronal artificial backpropagation. Esta RNA se
acondicionará para que detecte una señal de disturbio de voltaje. Es decir, cuando
detecte la presencia de disturbio la RNA no permitirá el paso de voltaje. Por lo
siguiente tendremos un algoritmo de aprendizaje, será un proceso por donde
ajustaremos los parámetros de la red neuronal. Los adaptaremos a través de un
proceso de estimulación por el ambiente en el cual la red se encuentra inmersa.
Aplicaremos tres tipos de aprendizajes, el aprendizaje supervisado, aprendizaje no
supervisado y el aprendizaje por reforzamiento. Así también comprenderá dos
componentes base que son las neuronas y las interconexiones. Las definiremos en
tres aspectos básicos que son la entrada, la capa oculta y la salida que ser el
procesamiento final.
En la salida tendremos la señal de incidencias identificadas. Después de haber
pasado por todo el procedimiento de identificación, ahí tendremos las señales
identificadas. Podremos observar todos los disturbios eléctricos, cuáles fueron los
disturbios eléctricos que se presentaron con más frecuencia y cada cuanto se
presentó un disturbio eléctrico.
 2. Fundamento Teórico
2.1 La Red Backpropagation
El método backpropagation es basado en la generación de la regla delta, a pesar
de sus limitaciones, ha cumplido de forma considerable el rango de aplicaciones de
las redes neuronales. En si la técnica backpropagation requiere el uso de neuronas
cuya función de activación sea continua, y por lo tanto diferenciable.
Generalmente, la función utilizada será del tipo sigmoidal.
De forma simplificada, el funcionamiento de la red Backpropagation consiste en el
aprendizaje de un conjunto predefinido de pares de entradas-salidas dadas. Primero
se aplica un patrón de entrada como estímulo para la primera capa de neuronas de
la red, se va propagando a través de todas las capas superiores asta generar una
salida, se compara el resultado obtenido en las neuronas de salida con la salida que
se desea obtener, y se calcula un valor del error para cada neurona de salida.
Este proceso se repite capa por capa, hasta que todas las neuronas de la red hayan
recibido un error que describa su aportación relativa al error total. Basándose en el
valor del error recibido, se reajustan los pesos de conexión de cada neurona, de
manera que en la siguiente vez se presente el mismo patrón, la salida esté más
cerca de la deseada; es decir, el error disminuya.
La importancia de la red Backpropagation consiste en su capacidad de auto adaptar
los pesos de las neuronas de las capas intermedias para aprender la relación que
existe entre un conjunto de patrones dados como ejemplos y sus salidas
correspondientes. Después el entrenamiento, puede aplicar esta misma elación a
nuevos vectores de entrada con ruido o incompletas, dando una salida activa si la
nueva entrada es parecida a las presentadas.
Esta característica importante, que se exige a los sistemas de aprendizaje, es la
capacidad de generalización, entendida como la facilidad dar salidas satisfactores
a entradas que el sistema no ha visto nunca en su fase de entrenamiento. La red
debe encontrar una representación interna que le permita generar las salidas
deseadas cuando se le dan representación interna que le permita generar las
salidas deseadas cuando se le dan las entradas de entrenamiento.
En una red Backpropagation existe una capa de entrada con n neuronas y una capa
de salida con m neuronas y amenos una capa oculta de neuronas internas. Cada
neurona de una capa recibe entradas de todas, las neuronas de la capa interior y
envía su salida a todas las neuronas de la capa posterior. Más a delante
observaremos la conexión del algoritmo.
La aplicación del algoritmo tiene dos fases, una hacia delante y otra hacia atrás.
Durante la primera fase el patrón de entrada es presentado a la red y propagado a
través de las capas hasta llegar a la capa de salida. Obtenidos los valores de salida
de la red, se inicia la segunda fase, comparándose éstos valores con la salida
esperada para así obtener el error. Se ajustan los pesos de la última capa
proporcionalmente al error.
Se pasa a la capa anterior con una retropopagación del error, ajustando los pesos
y continuando con este proceso hasta llegar a la primera capa. De esta manera se
han modificado los pesos de las conexiones de la red para cada patrón de
aprendizaje del problema, del que conocíamos su valor de entrada y la salida
deseada que debería generar la red ante dicho patrón.

Fig. 2.1Conexión entre una neurona de una capa oculta con una neurona de salida.
El método sigue la regla delta generalizada para ajustar los pesos es actualizarlos
de forma proporcional a la delta o diferencia entre la salida deseada y la obtenida.
S=salida deseada-salida obtenida. Dada una neurona y la salida que produce
el cambio que se produce en el peso de la conexión que une la salida de dicha
neurona con la unidad para un patrón de aprendizaje p determinado es
(2.1)
Donde el subíndice p se refiere al patrón de aprendizaje concreto y α es la constante
o tasa de aprendizaje, esta fórmula es como la de la regla delta, excepto en lo que
se refiere a la derivada de la función de transferencia. Este término representa la
modificación que realiza en la entrada que recibe la neurona j. En el caso en que la
neurona no sea de salida, el error que se produce estará en función del error que
se cometa en las neuronas que reciban como entrada la salida de dicha neurona.
En la siguiente figura se observa las conexiones entre neuronas de capa oculta y de
salida. Primero tendremos un capa de entrada, que tiene las variables que de ahí
se dirige hacia la capa oculta con variable y esta se dirigirá a la capa de salida
con variables ya que estará constituida os capas de salida. La siguiente
figura 2.2 muestra la estructura de una conexión entre neuronas de capa oculta y
de salida.
 Fig. 2.2 Conexiones entre neuronas de capa oculta y de salida.
Para saber el número de capas que tienen que haber en la capa de entrada,
deberemos hacer algunos cálculos. Así también para saber la capa oculta hacia a
capa de salida, en el caso de que no sea una neurona de salida. El error que se
produce está en función del error que se comete en las neuronas que reciben como
entrada la salida :

(2.2)
Donde el rango k cubre todas aquellas neuronas a las que está conectada la salida
de . De esta forma, el error que se produce en una neurona oculta es la suma de
los errores que se producen en las neuronas a las que está conectada la salida de
esta, multiplicando cada uno de ellos por el peso de la conexión.se deberá efectuar
dicha ecuación para saber el rango que k cubrirá.
2.2 Sensor de Efecto Hall
Los sensores basados en efecto Hall cuentan de un elemento conductor o
semiconductor y un imán. Cuando un objeto ferromagnético se aproxima al sensor,
el campo que provoca el imán en el elemento se debilita. Así se puede determinar
la proximidad de un objeto, siempre que sea ferromagnético. Las aplicaciones de
sensores de efecto Hall. Una de las aplicaciones de los sensores por efecto Hall que
más se ha instalado en la industria, en especial en la automotriz.
Dado que el sensor por estar implementado por un semiconductor, tiene la
capacidad de poseer electrónica integrada la señal que sale de los sensores por
efecto Hall. Para uso como detectores de proximidad por lo general ya está
amplificada y acondicionada, de modo que su utilización es mucho más directa, fácil
y económica por ello se utiliza. Ahora hablamos más sobre su funcionamiento.
El sensor de efecto Hall se basa en la tensión transversal de un conductor que está
sometido a un campo magnético. Colocando un voltímetro entre dos puntos
transversales de un cable se puede medir esa tensión, para ello hay que hacer
circular por el cable una intensidad fija y acercar un imán. Los electrones que pasan
por el cable se verán desplazados hacia un lado.
Entonces aparece una diferencia de tensión entre los dos puntos transversales del
cable, al separar el imán del cable la tensión transversal desaparece. Para poder
utilizar la tensión transversal es necesario amplificar, porque el valor es muy
reducido. Un sensor de efecto Hall utilizado en automoción se compone de, un
generador electromagnético, un módulo electrónico y una corona metálica con
ventanas para irrumpir el campo.

Fig. 2.3 Sensor Efecto Hall.

La corona metálica se intercala entre el imán fijo y el modulo electrónico y está unida
a un ele con giro. Según la posición de la corona, el campo magnético del imán llega
hasta el modulo electrónico. La tensión obtenida a la salida del módulo electrónico,
una vez tratada y amplificada corresponde con un valor alto de 5 a 12 volts cuando
la corono tapa el campo magnético y un nivel bajo cuando la corona cubre el imán.
2.3 Acondicionadores de señal
Los acondicionadores de señal, adaptadores o amplificadores, son elementos de
medida que ofrecen, a partir de una señal de salida de un sensor eléctrico. Una
señal apta para ser presentada o registrada que simplemente permita un
procesamiento posterior. Las funciones de estos dispositivos se pueden dividir en
las siguientes, amplificación, filtrado, adaptación a impedancias y modulación y de
modulación.
Así por ejemplo, cuando se requiere un conversor A/D para convertir una señal
analógica en otra digital. Normalmente se hace uso de acondicionadores de señal
que adaptan la señal analógica a las características de entrada del conversor. El
filtrado es todo dispositivo que separa señales con su frecuencia u otro criterio. Si
los espectros frecuencia les de la señal y las interferencias no se solapan.
Un acondicionador se puede comportar como un amplificador cuando se comporta
como un dispositivo que, mediante la utilización de energía magnifica la amplitud de
un fenómeno. Aunque el término se aplica principalmente al ámbito de los
amplificadores electrónicos, también existen otros tipos de amplificadores. Es de
gran utilidad utilizar un acondicionador de señal para red de línea eléctrica.
 Fig. 2.4 Acondicionador.

La característica de un amplificador operacional ideal es, la ganancia de entrada

debe ser alta, idealmente infinita. Su impedancia de salida debe ser baja o
idealmente a cero. Con esto podemos ver que nos será útil utilizar un
acondicionador de señales, para que se transmite la red al computador y ver el
disturbio provocado para supervisarlo.

Referencias

[1] Laurene Fausett Fundamentals of Neural Networks, New yersey, IEEE

Transactions US 2000.
[2] Rockerfeller G.D. Wagner, “Adaptive transmission relaying conceptos for
Improved performance” IEEE Transactions on Power Delivery. October 2001.
[3] M. Mojiri and A. Bakhshai, “Estimation of n frequencies using adaptive notch
filter,” IEEE Trans. Circuits Syst. II, pp. 338–342, Apr. 2007.

[4] Undrill, J.M.: ‘Dynamic stability calculations for an arbitrary number of

interconnected synchronous machines’, IEEE Trans. Power Appl. Syst.,pp. 835–
844

[5] G. M. Lee, D. C. Lee, and J. K. Seok, “Control of series active power filters
compensating for source voltage unbalance and current harmonics,” IEEE Trans.
Ind. Electron., vol. 51, no. 1, pp. 132–139, Feb. 2004.