Conferencia Internacional 2016 sobre Los Avances en Ingeniería Eléctrica, Electrónica y de Sistemas, 14-16 Nov 2016, Putrajaya, Malasia

Uso de controladores de red electrónica de potencia

multifuncional en sistemas de distribución
inteligente

F. Fazliana Centro S. M. Zali R.Norfadilah Mohd Alif Ismail

de Estudios del Diploma
Universidad Malasia Perlis
fazlianafadzail@unimap.edu.my
Escuela de Ingeniería de
Sistemas Eléctricos
Universidades Malasia
Perlis
samila@unimap.edu.my
Escuela de Ingeniería de
Sistemas Eléctricos
Universidades Malasia
Perlis
norfadilah@unimap.edu.my
Escuela de Ingeniería de
Sistemas Eléctricos
Universidades Malasia
Perlis
alifismail@unimap.edu.my

Resumen- El objetivo de esta investigación es diseñar un modelo
dinámico de célula de red de distribución (DNC) utilizando el
enfoque de la red neuronal artificial (ANN). El desarrollo del
modelo dinámico utilizando la inteligencia artificial (IA) se ha
incrementado a lo largo delaño, lo que es más complicado el
método de IA como elsistema difuso que necesita una regla
difusa para desarrollar el modelo. Por lo tanto, hay necesidad de
otro método que sea más simple ypreciso. En este proyecto, el
modelo DNC utilizando ANN se desarrolló utilizando la
programación de MATLAB. Estarebúsqueda consta de dos
modelos que son para la potencia activa y reactiva basada
en la frecuencia y el voltaje deentrada. Las respuestas de
potencia activas y reactivas del modelo ANN se compararon con la
respuesta del modelo DNC completo en varios tipos de
perturbación. La respuesta del modelo DNC completo se obtuvo
del modelo de red de distribución de 11 kV del Reino Unido. El
modelo fue desarrollado utilizando el software DigSILENT
PowerFactory. El rendimiento del modelo ANN se validó
calculando el valor del error cuadrado de medios raíz (RMSE) y
el mejor valor de ajuste. Más tarde, el rendimiento del modelo
ANN también se comparó con el modelo difuso y el modelo de
identificación del sistema. Los resultados obtenidos muestran que
el modelo ANN era más simple, ya que no había parámetros
involucrados en el desarrollo del modelo equivalente. La eficiencia
también fue buena basada en el alto valor de ajuste mejor en
comparación con el modelo de sistema difuso y el modelo de
identificación del sistema. En conclusión, el modelo dinámico
equivalente de DNC basado en el enfoque del sistema ANN
se desarrolló con éxito.
Un Sistema de Inferencia Difusa (FIS) utiliza la
experiencia humana almacenando sus componentes esenciales
en una base de reglas, y realizar razonamientodifuso para inferir
el valor de salida general [4]. El sistema difuso es uno de los
métodos de IA. Aparte del sistema difuso, la red artificial neural
(ANN) es también uno de los tipos de enfoque inteligente
artificial. Método inteligente artificial se vuelve popular y se ha
utilizado cada vez más entre los investigadores debido a su
función que podría hacerse cargo del trabajo estresante y
complejo quelosseres humanos pueden luchar o no pueden
hacer.
La red neuronal artificial (ANN) se denomina como un tipo
de red que ve los nodos como "neuronas artificiales". 1 muestra
una neurona artificial que consiste en entradas que se
multiplican por pesos (fuerza de lasseñales de respetoive), y
luego calculado por una función matemática que determina la
activación de la neurona. Otra función calcula la salida de la
neurona artificial [5].
Pesos
Salidas
Entradas Función
de
activació
1. Neurona artificial [5].

Palabras clave: dinámica mo del de lacélula de red de
distribución; inteligente artificial; red neuronal artificial
I. I NTRODUCTION
El modelado dinámico de carga es cada vez más importante
porque la dependencia de voltaje y frecuencia de la carga del
sistema de potencia afecta a su comportamiento dinámico [1].
Muchos arqueros de resehan desarrollado un modelo dinámico
utilizando un método diferente. 2 ha desarrollado un modelo
dinámico de célula de red de distribución utilizando el método
de identificación del sistema. Mientras tanto, [3] ha
desarrollado un modelo dinámico de red de distribución
utilizando un sistema difuso.
Las redes neuronales son una herramienta poderosa para la
identificación de sistemas que normalmente se encuentra en los
campos de dinámica estructural. La red neuronal fue
desarrollada originalmente para simular la función del cerebro
humano o del sistema neuronal [6&7]. La red neuronal artificial
es básicamente un modelo computacional paralelo masivo que
imita el cerebro humano. Este método no resolvió con precisión
los problemas en un
484
modelado matemático, pero son un método de relajación que da
una solución aproximada a los problemas [6]. ANN funciona
bien cuando se somete a los entornos complejos [7]. Su
capacidad se basa en la calidad de las señales aplicadas para el
entrenamiento y el performance de los algoritmos de
entrenamiento y sus parámetros no contienen información que
pueda ser entendida directamente por el operador humano o que
pueda estar relacionada con el propiedades físicas del sistema
que se va a modelar [4].
En este proyecto, el modelo dinámico equivalente de una
célula de red de distribución se desarrolla utilizando el enfoque
de red neuronal artificial (ANN). El modelo ANN de la célula
de red de distribución se desarrolló utilizando la programación
MATLAB que consiste en un modelo de espacio de estado no
lineal de sieteós.[2]. Las salidas de este modelo son de potencia
activa y reactiva, que se relaciona con el voltaje y la frecuencia
como la entrada. Después de eso, las respuestas de salida del
modelo desarrollado utilizando el sistema ANN se compararon
con lasrespuestas medidas s de la red de distribución completa
con el fin deevaluar el rendimiento del modelo dinámico
equivalente de DNC. La comparación se realiza calculando el
valor de Root Means Square Error (RMSE) y el valor de ajuste
más adecuado. El resultado del modelo ANN se compara conel
modelo difuso y el sistema deidentificación para ver el
rendimiento del modelo ANN.
II. UnNN MODEL PARA DYNAMIC MODEL OF
DISTRIBUTION NETWORK CELL
El modelo ANN del modelo dinámico para la célula de red
de distribución se crea mediante la programación MATLAB. 2
muestra el modelo ANN para la potencia activa que consta de
dos entradas de frecuencia y voltaje donde la salida representa
el valor de potencia activo o reactivo que containing 10 capas
ocultas y de salida respectivamente.
Fig. 2. Modelo ANN.
La red de conexión de 10 tamaños de capa oculta se crea
utilizando el comando MATLAB como se muestra a
continuación;
fitnet(10,'trainlm');
La división de datos para las pruebas de validación de
entrenamiento se configura de la siguiente manera;
net.divideParam.trainRatio.7;net.dividePara
m.valRatio.15;net.divideParam.testRatio.15;
La red se entrena usando el comando abajo;
[net,tr]-train(net,input,target);
485
Los valores de entrada se pueden denominar frecuencia y
voltaje de la célula de red de distribución completa, mientras
que los valores de destino se pueden denominar respuestas de
datos de potencia activa o reactiva de la red de distribución
completa.
La red se prueba usando el comando abajo; output-
net(input); error-gosubtract(target,output);performance-
perform(net,target,output);
El modelo ANN se puede ver mediante el comando siguiente;
view(net);
El objetivo de este modelo ANN es minimizar el error
cuadrado entre la respuesta medida, que es la respuesta de la red
de distribución completa y la calculada desde el modelo ANN.
Los datos de respuesta medidos para este proyecto se obtienen
del mod el de lared de distribución de 11 kV del Reino Unido
[2]. Se consideran diferentes estudios de caso para identificar
varias respuestas dinámicas posibles de la célula de la red de
distribución.
3 muestra una caja de herramientas de entrenamiento de redes
neuronales que incluye el proceso realizado a través de varias
iteraciones. Al mismo tiempo, se calcula la suma del error
cuadrado para la potencia activa entre la respuesta de salida
simulada y medida correspondiente. El proceso de iteración
continúa hasta que la suma del error cuadrado ( s) entre las
respuestas de salida medidas y lasrespuestas de datos simuladas
obtenidas del modelo ANN es cercana a cero.
3. Caja de herramientas de entrenamiento de redes neuronales.
El proceso de validación se desarrollamediante el rendimiento
de toda la red DNC al modelo dinámico equivalente del DNC
en el sistema de modelo ANN. La comparación de ambos
modelos se puede analizar trazando los resultados de potencia
activa y reactiva para ambos modelos. El
Resultado se traza utilizando la programación de MATLAB, Que Es 20
Datos de
creado en M-file; 15 formación
Salida

Potencia activa
10

plot(times,target,'r',times,output,':');legend('Training 5

(MW)
Data','ANN Output'); 0

-5
La precisión del modelo se evalúa calculando el valor de Error 1 1,5 2
veces (seg)
2,5 3 3,5

cuadrado medio raíz (RMSE). RMSE se calcula para medir la 50

Datos de
diferencia entre los datos de entrenamiento del modelo DNC

potencia reactiva (Mvar)

40 entrenamiento
Ann Salida
completo y la salida ANN model. RMSE se calcula utilizando 30

el comando MATLAB como se muestra a continuación; 20

10
rmseá sqrt( suma((destino de salida).-2) / n); 0
1 1,5 2 2,5 3 3,5
veces (seg)

La salida hace referencia a la salida del modelo ANN y el 5. Respuesta de potencia activa y reactiva para topologías 1, modelo de carga
destino hace referencia a los datos de entrenamiento del modelo Z y modelo de carga dinámica M1 (fallo en el bus 2) para el
modelo ANN
DNC completo. El número total de datos indicadoscomo n.
El rendimiento del modelo dinámico equivalente de la célula 6 muestra una comparación gráfica entre las respuestas
de red de distribución se evalúa calculando el valor de ajuste dinámicas de potencia activas y reactivas para la misma
más adecuado para cada caso individual. Un valor de mejor perturbación que en la Fig. 5 con el fin de comparar la respuesta
ajuste es un valor porcentual que muestra la precisión y dinámica real de toda la red DNC (datos de entrenamiento) con
precisión del modelo de response de salida simulada coincide una respuesta estimada del modelo del sistema difuso (salida
con las respuestas desalida medidas. El mejor valor de ajuste se ANFIS) [3]. La línea sólida roja representa la respuesta
puede calcular utilizando el comando MATLAB como se indica dinámica real dela red DNC completa y la respuesta del modelo
a continuación; del sistema vellográfico f de estimación se representa mediante
la líneadiscontinua azul.
media(suma(objetivo)/n);
a(sum (abs(target-output)))/n; b-(sum
(abs(target-mean))/n;best_fit(1-(a/b))*(100) 50
Datos de
potencia reactiva (Mvar)

40
formació
III. RESULTS 30

4 y 5 muestran una comparación gráfica para las respuestas 20

dinámicas de potencia activas y reactivas para una perturbación 10

específica. El gráfico siguiente compara la respuesta dinámica 0

1 1,5 2 2,5 3 3,5
real de la red DNC completa (datos de entrenamiento) con el veces (seg)

modelo de sistema ANN estimado response (salida ANN)

20
construido para una perturbación específica. La línea sólida roja
representa la respuesta dinámica real de la red DNC completa y 15
forma
Potencia activa

10
la estimación de la respuesta del modelo del sistema ANN se
5
representa mediante la línea discontinua azul. Los gráficos se
(MW)

trazan utilizando MATLAB programming. 0

-5
1 1,5 2 2,5 3 3,5
veces (seg)

100
Datos de formación 6. Respuesta de potencia activa y reactiva para topologías 1, modelo de carga Z y

80 Ann Salida Modelo de carga dinámica M1 (fallo en bus 2) para modelo difuso [ref saya]
activo (MW )

60

40 Los resultados muestran que el modelo ANN capturó la

Pow Er

20 respuesta DNC muy precisa, tanto para las respuestas de

0 potencia activas como reactivas en la Fig. 4 y la Fig. 5. La
respuesta de potencia activa en
-20
1 1.5 2 2.5 3 3.5 el modelo ANN coincide con el DNC ligeramente menos
veces (seg)
preciso incluso la respuesta se oscila durante la perturbación (1
100
a 1,5 segundos) y después de la perturbación en la Fig. 5 en
comparación con el modelo de sistema difuso que se muestra
potencia reactiva (Mvar)

80
Salida Ann
60 en la Fig. 6 que no se captura precisamente durante la response
40 oscilado.
20 La Tabla 1 a continuación ilustra el rango de resultados del
0
valor RMSE para el modelo ANN, mientras que la Tabla 2
1 1.5 2 2.5 3 3.5
veces (seg) muestra el resultado de comparación de mejor ajuste entre el
modelo ANN, el modelo difuso [3] y el modelo equivalente
DNC desarrollado en Ref. [2].
4. Respuesta de potencia activa y reactiva para topologías 3, modelo de
486
carga estática ZIP y modelo de carga dinámica M1 (fallo en el bus 1)
para el modelo ANN

487
 TABLA 1 siguen siendo altos. Los mejores valores de ajuste del modelo ANN están
RANGE DE RMSE VALUE RESULTS PARA UNNN todavía dentro del rango de 80-100 % para todos los casos. El modelo
MODEL ANN muestra el valor de ajuste más alto en comparación con el modelo y
Casos Potencia activa Potencia reactiva
Fallo en el 0.2669 – 6.1386 0.0541 – 5.9557
el modelo difusos
autobús 1 de un sistema de identificación que indica que el modelo ANN
Fallo en el 0.1414 – 0.1747 0.0297 – 0.0621
autobús 2 desarrollado ha demostrado un buen rendimiento.
Fallo en el 0.0713 – 0.1070 0.0225 – 0.0637
autobús 3 V. CONCLUSION
Fallo en el 0.0733 – 1.1254 0.0178 – 1.8991 En conclusión, el modelo ANN es menos complicado en
autobús 4
Fallo en el 0.2192 – 0.4123 0.0525 – 0.0770 comparación con el modelo difuso, ya que no hay más reglas y
autobús 5 parámetros involucrados en el desarrollodel modelo. Además,
la eficiencia del modelo es buena en función del alto valor de
TABLA 2 ajuste. En conclusión, el modelo dinámico equivalente de DNC
BEst Feso VALUE COMPARISON RESULT basado en el enfoque del sistema ANN se desarrolla con éxito.
Ajuste
Casos mejor (%)
Modelo difuso Modelo de Modelo Ann
identificación VI. REFERENCES
del sistema [1] J. V. Milanovic y S. Mat Zali, "Validation of Equivalent Dynamic Model
Activo Reactiva Activo Reactiva Activo Reactiva of Active Distribution Network Cell", Power Systems, IEEE
Poder Poder Poder Poder Poder Poder Transactions on, vol. 28, pp.2101-2110.
Culpa 83.87 - 80.74 - 86.84 - 90.34 - 90.70 - 89.39 - [2] F. Fazliana, S. M.Zali, Z.Arizadayana, " DinámicoModelo de célula de
es Bus 96.35 94.98 89.25 92.70 98.96 99.80 red de distribución mediante enfoque de inteligencia artificial",2014
1 IEEE International Power Engineering and Optimization Conference
Culpa 56.91 - 94.17 - 80.44 - 90.27 - 95.94 - 99.51 - (PEOCO2014), Langkawi, The Jewel of KedahMalasia.
en Bus 65.55 94.66 82.46 93.56 96.78 99.78 [3] José Antonio Barros Vieira, Fernando Morgado Dias, Alexandre Manuel
2 Mota,"Comparación entre redes neuronales artificiales y sistemas
Culpa 58.04 - 94.63 - 80.92 - 90.91 - 97.79 - 99.46 -
neurodifusivos en modelado y control: un caso práctico".
en Bus 65.41 94.90 83.01 92.54 98.27 99.73
[4] Carlos Gershenson,"Redes Neuronales Artificiales para Principiantes".
3
[5] José Antonio Barros Vieira, Fernando Morgado Dias, Alexandre Manuel
Culpa 61.79 - 80.62 - 80.13 - 90.20 - 89.77 - 90.14 -
en Bus 82.14 96.15 81.09 91.99 98.15 99.83 Mota,"Comparación entre redes neuronales artificiales y sistemas
4 neurodifusivos en modelado y control: un caso práctico".
Culpa 57.99 - 94.44 - 81.05 - 92.05 - 94.63 - 99.55- [6] Olivera Jovanovic, "Identification of Dynamic System using Neural
en Bus 66.20 94.91 84.35 93.40 95.38 99.66 Network", 1998.
5 [7] Alexandr G.Parlos, KilT. Chong & Amir F. Atiya, "Application of the
Recurrent Multilayer Perceptron in Modeling Complex Process
Basado en la Tabla 1, el rango de valores RMSE para el Dynamics", IEEE Transactions on Neural Networks Vol 5, No 2, marzo
modelo ANN tiene baja expectativa de falla en el bus 1 y 4. Sin de 1994.
embargo, los valores de ajuste más adecuados de la falla en los
autobuses 1 y 4 son altos. Los mejores valores de ajuste en el
modelo ANN para potencia activa y reactiva son altos en
comparación con el sistema de identificación difuso y modelo.
Por lo tanto, este modelo muestra una buena respuesta en
comparación con otros. Este modelo es aceptable debido a los
valores de ajuste más altos aunque el valor RMSE de falla en el
bus 1 y 4 sea alto.

IV. DISCUSSION
El objetivo de este research es desarrollar un modelo
dinámico de DNC utilizando el enfoque ANN. El modelo
dinámico de DNC utilizando el enfoque ANN se desarrolla
utilizando una programación MATLAB.
Los resultados de simulación obtenidos muestran que las
respuestas del modelo ANN se emparejaron excelentemente
con los results obtenidos utilizando el modelo DNC completo
para varios tipos de estudios de perturbación, aunque la
respuesta se oscila en comparación con el modelo de sistema
difuso.
La validación del modelo difuso desarrollado se realiza
calculando el RMSE y el valor de ajuste más adecuado. El valor
RMSE más bajo y los valores de mejor ajuste más altos dieron
como resultado el rendimiento más alto del modelo dinámico.
Por lo tanto, las prestaciones del modelo equivalente dependen
del RMSE y del valor de ajuste más adecuado. A partir de los
resultados obtenidos, el valor de RMSE para el modelo ANN es
bajo except para falla en el bus 1 y el bus 4.Sin embargo,el
mejor valor de ajuste para la falla en el bus 1 y el autobús 4
488