Artículos TécnicosMéxicoNoticias

Nuevo algoritmo para protección diferencial de reactores basado en análisis de componente principal y redes neuronales artificiales

Se agradece al ing. Genaro Daniel Herrera Reyes, investigador del Instituto Tecnológico de Ciudad Madero, Tamaulipas. México por el valioso aporte.

Si desea difundir su trabajo de investigación con la comunidad y de esta forma hacer contactos y unir fuerzas con otros investigadores, puede contactarnos por mensaje privado.

Técnicas de Inteligencia Artificial aplicada a protección diferencial para la detección de corrientes de Inrush en elementos de control de potencia reactiva mediante reconocimiento de patrones.

Genaro Daniel Herrera Reyes

Ingeniería Eléctrica en Sistemas Eléctricos de Potencia

Instituto Tecnológico de Ciudad Madero, Tamaulipas. México.

arduinomatlab@hotmail.com

tec madero logo (2)

RESUMEN:

     Este artículo está basado en el proyecto de ingeniería realizado en el XXV Verano de Investigación Científica en las instalaciones de FIME-UANL del 29 de junio de 2015 al 22 de agosto 2015.

   A continuación se presenta el desarrollo de un nuevo algoritmo para protección diferencial de reactores shunt. El algoritmo tiene como función servir como método de control para el bloqueo u operación del relevador diferencial ante la presencia de fallas internas y la condición de energización. El objetivo es utilizar la técnica de análisis de componente principal para reconocimiento de patrones de la corriente diferencial y se propone una red neuronal artificial como método discriminante entre fallas internas y energización, así como llevar a cabo el control necesario para cada evento.

   El desarrollo de esta investigación se basó en los datos obtenidos de la simulación de un banco de reactores shunt en un sistema eléctrico de potencia en PSCAD. Posteriormente, se trabajó con la información obtenida para realizar un Análisis de Componentes Principales al conjunto de variables involucradas en la simulación para determinar patrones recurrentes en las formas de onda de las corrientes de falla y de energización y, a su vez, obtener las variables que mejor describen el sistema sin perder información valiosa. Estas variables primordiales servirán para entrenar una red neuronal artificial, que será la encargada de realizar las acciones de control de disparo o bloqueo del relevador ante cada escenario adverso.

 

PALABRAS CLAVE:

Reactores shunt, falla interna, energización, análisis de componentes principales, redes neuronales artificiales.

 

1.- Introducción:

     Uno de los aspectos fundamentales de todo sector energético es la calidad de la energía suministrada a los usuarios de manera confiable, segura y rápida. Desde el punto de vista de los sistemas eléctricos de potencia, los reactores shunt desempeñan un papel fundamental en el control de parámetros en líneas de transmisión, corrientes de cortocircuito, y estabilidad, ya que una de sus funciones primordiales es regular el exceso de potencia reactiva en las líneas de transmisión, asegurando un perfil de voltaje adecuado para los consumidores. Sin embargo, como todo elemento en un S.E.P., es propenso a sufrir fallas y cortocircuitos en los cuales los esquemas de protección salvaguardan la integridad de estos aparatos. Dichos esquemas se conforman principalmente de relevadores diferenciales, cuya naturaleza permite proteger al reactor contra corrientes simétricas y asimétricas, fallas entre espiras y cortocircuitos que ocurran dentro de este. A pesar de que la protección diferencial es la indicada para proteger zonas cerradas, es propensa a fallar cuando existen condiciones de energización en el reactor, es decir, conexión o reconexión de un banco de reactores a la red, pues en este proceso se producen, por naturaleza inductiva del reactor, corrientes de magnetización o Inrush, cuya duración es muy limitada pero sin embargo alcanza valores pico superiores a los registrados en corrientes de falla, con lo que se realizaría una operación en falso del relevador, sin ser la corriente de Inrush una falla como tal. Esto es importante pues se necesita un esquema de protección que no saque del sistema a los reactores cada que se reconecten a la red, llevado a cabo por un correcto bloqueo de la señal de disparo del relevador.

El objetivo de este artículo es mostrar el desarrollo de un nuevo método de bloqueo para protección diferencial.

 

1.2.- Hipotesis:

     Las técnicas actuales para bloqueo del relevador consisten en la restricción de armónicos presentes en la corriente de inrush, especialmente la segunda componente armónica. Sin embargo estos métodos no siempre resultan los más adecuados cuando se tienen formas de onda muy simétricas, factor que depende del momento de energización del reactor, el cual es no controlado. Es necesario contar con un método o técnica que sea capaz de registrar la naturaleza de la corriente de inrush de modo que no dependa del momento de la energización o cualquier otra variable, pues se tendría una imagen, espectro o firma de la misma sin depender de perturbaciones externas. Una técnica que cumple con estas características es el reconocimiento de patrones, la cual es un beneficio que se obtiene al aplicar Análisis de Componentes Principales como técnica para tratar datos multivariantes. Se considera aplicar dicha técnica a los valores registrados de la simulación en PSCAD para determinar qué variables son las que mejor describen el sistema, así como la clasificación de estas según su componente principal.

 

 

2.- Materiales y métodos:

     La primera etapa del desarrollo de la investigación consistió en obtener bibliografía referente la técnica de Análisis de Componentes Principales así como estudiar y realizar ejemplos básicos de este para su mayor comprensión. Esta fase se llevó a cabo desde el día 21 de junio del 2015 hasta el 1 de julio del mismo año, fecha en la que se realizaba a la par la simulación en el software PSCAD, todo lo anterior en las instalaciones de la Facultad de Ingeniería Mecánica y Eléctrica de la UANL. En esta etapa solo se necesitó de bibliografías sobre estadística multivariante y computadora portátil.

 

2.1.- Simulación:

     En lo que respecta a la simulación, en su primera versión se modeló un sistema de potencia sencillo desde generación, transmisión y distribución de la energía, con reactores integrados a las líneas de transmisión. Se simula un sistema de potencia con generación de 35 kV, un bloque de líneas de transmisión con acoplamiento doble de 400 km, es decir, presencia de efecto capacitivo entre líneas y líneas a tierra, con el fin de observar los sobrevoltajes ocurridos en la línea y poder hacer uso de la compensación de potencia reactiva por parte de los reactores. Los reactores instalados constan de una inductancia de 2.6525 H, instalados como banco trifásico en conexión estrella con aterrizamiento sólido. Dentro del software se realizó la simulación de un escenario de energización en tiempo cero, así como otra simulación donde se registra una falla interna y los resultados obtenidos se guardaron en ficheros .txt para su uso posterior en MATLAB. Dentro del software se realizó también el modelo del relevador diferencial mediante lógica de bloques, simulando tres relevadores, uno por cada fase de cada reactor dentro del banco.

 

2.2.- Análisis de Componentes Principales.

     El análisis de componentes principales tiene como propósito la reducción de la dimensionalidad de datos multivariantes, describiendo con precisión los valores de p variables por un pequeño subconjunto r<p a costa de una pequeña perdida de información. Dicho de otra manera, dada n observaciones de p variables, se analiza si es posible representar adecuadamente esta información con un número menor de variables construidas como combinaciones lineales de las originales.

El análisis de componentes principales se llevó a cabo en MATLAB con una matriz de datos de 12 x4001, donde 12 es el número de variables totales registradas en ambos eventos y 4001 representa el número de muestras. Una vez que el algoritmo de ACP ha concluido, se observó que las variables con más peso dentro del experimento son las corrientes trifásicas de falla y energización, vistas desde el relevador, descartando así las corrientes senoidales que se presentan en los reactores.

Esta tapa se llevó a cabo desde el día 1 de Julio 2015 hasta 17 de Julio de 2015. A pesar de ser una técnica cuyos comandos se encuentran de manera didáctica en el software, se hicieron diferentes pruebas con diferentes conjuntos de variables, así como diversas gráficas para obtener la mejor representación del sistema para un mayor entendimiento.

El ACP arroja como datos secundarios la magnitud de los eigenvalores y eigenvectores presentes en la matriz principal de datos. Dichos elementos son una representación gráfica y digital de las formas de onda de falla e Inrush, de manera que servirán como base para el entrenamiento de la red neuronal que será descrita posteriormente.

PCA ILUSTRADO

 

2.3.- Redes Neuronales Artificiales:

     Se entiende por Neuroredes a elementos virtuales programables que son capaces de aprender mediante datos de entrenamiento para reproducir salidas de una manera inteligente semejante a la llevada a cabo por un humano. La naturaleza del aprendizaje de la RNA consiste en aprender funciones binarias que sean linealmente separables, de tal forma que la solución corresponda a una salida determinada. En general, las salidas son binarias, por lo que se utilizan neuronas de umbral, y las salidas que se obtienen bipolares o unipolares.

Al mejorar el proceso de aprendizaje de la red, se reduce el número de errores de clasificación y las modificaciones de los pesos de interconexión se vuelven menos frecuentes. Una tasa efectiva de aprendizaje puede hacer que el proceso de aprendizaje sea lento, y esto aumente el número de iteraciones.

Continuando con la investigación, el primer prototipo de la red neuronal consistía en un perceptrón simple, el cual lleva a cabo tareas de separación de patrones por un hiperplano, sin embargo se observaron resultados poco confiables.

Se diseñó después una red neuronal feedforward multicapa con aprendizaje backpropagation, el cual consiste en la convergencia del error cuadrático medio a un valor de error definido. Las redes feedforward son las más utilizadas en el campo de las aplicación es de redes neuronales debido a la flexibilidad que ofrecen en cuanto a la clasificación de patrones e inclusive la unión con sistemas difusos. Dicha red, fue implementada en MATLAB. La red tiene las características 2:7:1:1, es decir dos entradas, siete neuronas en la primera capa, una neurona en la última capa y una salida. La estructura de la red fue seleccionada después de un proceso de prueba y error para observar que tipo de red arrojaba el mejor resultado y con una mejor clasificación de patrones.

red

2.4.- Retroalimentación con el software de simulación:

     Una vez obtenida la respuesta de la red neuronal artificial, se retroalimentaba la señal de salida al software PSCAD para observar el comportamiento del relevador virtual ante la presencia de una falla interna o corriente de energización. Se realizó una modificación al modelo a bloques de la protección diferencial para poder involucrar la salida de la red con la señal de disparo del relevador virtual.

 

3.- Resultados:

 

3.1.- Resultados de la simulación del S.E.P.

     En la figura 1 se observa el sistema de potencia simulado en PSCAD, donde se aprecia la generación de 35 KV a 60Hz, un conjunto de líneas de transmisión de 400 Km trifásica tipo PI doblemente acoplada, esto es para poder representar el efecto capacitivo que los reactores serán capaces de contrarrestar. Al final de la línea de transmisión se modela una carga, ya que la acción de compensación reactiva de los reactores se da en condiciones de carga ligera Como se muestra, el banco de reactores es trifásico con aterrizamiento sólido a tierra.

 

sep
Figura 1.- Sistema de Potencia simulado en PSCAD.

 

 

3.1.- Resultados de Análisis de Componentes Principales:

   Los datos obtenidos en cada una de las simulaciones fueron guardados en ficheros .txt y exportados a MATLAB para trabajar con el algoritmo de ACP, dando los siguientes resultados:

  • Se tienen 3 componentes principales, de los cuales se graficaron las variables distribuidas entre los ejes del primer, segundo y tercer componente principal, tal como se muestra en la figura 2.
  • Las variables más cercanas al eje de las componentes principales fueron las corrientes de operación trifásicas para energización y para falla interna vistas desde el relevador, es decir, solamente 6 de las 12 variables que se tenían originalmente. (Véase Figura 3).
pca 1
Figura 2.- Variables distribuidas en los tres primeros componentes principales. Una regla simple consiste en seleccionar solo las variables mas cercanas al eje del primer componente principal.
pca2
Figura 3.- Variables localizadas cerca del primer componente principal

 

 

 

Estas variables se introducirán a la red neuronal diseñada anteriormente para su entrenamiento y prueba ante nuevos datos de entrada.

 

 

4.1.- Resultados de la aplicación de Inteligencia Artificial

     La red neuronal fue entrenada con las seis variables seleccionadas por el análisis de ACP, obteniendo los siguientes resultados. En la figura se observa que la red fue capaz de clasificar correctamente ambos escenarios en dos clúster diferentes separados por un hiperplano.

La imagen 4 muestra que el aprendizaje de la red dio lugar a un entendimiento por parte de esta de la naturaleza de ambas condiciones de falla y su separación una de otra.

rna 1
Figura 4.- La red neuronal artificial logro clasificar correctamente ambos eventos.

 

La neurored diseñada no fue solo capaz de clasificar ambos escenarios sino que arrojó una respuesta muy favorable. Se le entrenó para que al censar parámetros propios de una falla interna (escenario 1), la red arroje un bit lógico 1. En cambio, si se registra una condición de energización (escenario 2), la red neuronal arroja un 0 lógico, tal como se muestra en la figura 5.

rna 22
Figura 5.- Respuesta de la red neuronal artificial. Al ocurrir una falla interna ( 1 ), la red neuronal arroja un bit lógico 1. En caso de presentarse una corriente de Inrush (2), la red neuronal arroja un 0.

 

Estas señales lógicas fueron trasladadas al modelo virtual del relevador, con lo que se hizo a siguiente modificación a los bloques de control del relevador. Si la señal de entrada al bloque es 1 (falla interna), la señal de operación se multiplica por 1. Al no alterar su naturaleza se mantiene en el mismo estado de operación, superando a la señal de referencia, lo que indica una operación del relevador. Si la señal de entrada es 0, la señal de operación se multiplica por este valor y se reduce a un valor nulo, con lo que la señal de referencia es mayor y el relevador ha entrado en bloqueo. (Véase figura 6).

retro
Figura 6.- Retroalimentación de la respuestra de la R.N.A. hacia la lógica del relevador diferencial.

4.- Discusión:

La inteligencia artificial actualmente se encuentra en un estado de re-descubrimiento, ya que en la década de los 70’s, el desarrollo de estas así como sus aplicaciones se vieron limitados por opiniones contarías entre científicos e investigadores. La mayoría de las aplicaciones subyacen en los campos de medicina, milicia, sistemas expertos, entre otros. Sin embargo, en el campo de la ingeniería se encuentran infinitas posibilidades para aplicaciones de esta misma, así como el desarrollo de nuevas técnicas de inteligencia artificial convencional. Técnicas como redes neuronales artificiales, lógica difusa y algoritmos genéticos han sido implementadas recientemente para resolver problemas relacionados con el sector energético, como la predicción de carga a largo plazo, automatización y control de potencia, protecciones eléctricas, sistemas de generación y sistemas SCADA. La aplicación que se le dio en este artículo de investigación no solo consistió en convertirlas a un sistema de control inteligente, sino que permiten una personalización tal que se asemeje a las acciones que llevaría a cabo un ser humano en determinados escenarios.

5.- Conclusiones:

     En este artículo se demostró la factibilidad del algoritmo propuesto para discriminación entre corriente de Inrush y falla interna en un reactor. El análisis de componentes principales demostró que las variables a considerar podían ser linealmente separables y, con ello, se pude implementar un proceso de clasificación de patrones.

Se demostró la facilidad de involucrar técnicas de inteligencia artificial como método clasificador de patrones y como algoritmo de control cuando se requiere un censo fino de variables involucradas. Los resultados obtenidos demuestran que el algoritmo hace una correcta discriminación entre corrientes de falla y corrientes Inrush. Como trabajos posteriores se comprobará el algoritmo con datos reales obtenidos de reactores en funcionamiento. Los resultados obtenidos en el presente artículo fueron presentados en la Exposición de Carteles VERANO F.I.M.E. 2015 en las instalaciones de la U.A.N.L. el día 29 Julio 2016.

 

6.-Recomendaciones:

     Cabe señalar que la investigación realizada como parte del XXV Verano de Investigación Científica 2015 se enfoca en el desarrollo de un nuevo método de bloqueo teórico para relevadores diferenciales, por lo que los alcances de este articulo subyacen en resultado obtenidos por simulaciones en el ordenador, utilizando PSCAD para el diseño del S.E.P. y MATLAB para la parte de procesamiento de datos, entre otros softwares como POWERWORLD y ETAP para comprobación de resultados de la compensación de potencia por parte de los reactores. En vista a lo ya mostrado en lo que respecta a los resultados, el proyecto sigue en pie para aplicarse, posteriormente, en lenguaje propio de relevadores digitales, evitando así la interfaz Reactor-Tarjeta de Adquisición de Datos-Ordenador-Relevador. Esta es solo la parte de simulación experimental dentro de ordenadores en la cual se obtuvo la prueba de que las técnicas aquí utilizadas son seguras y confiables en la práctica.

 

7.- Agradecimientos:

Al Dr. Ernesto Vázquez Martínez, asesor de la investigación, por guiarme sabiamente en el desarrollo de este proyecto, así como proporcionarme el apoyo moral y académico necesario. En orabuena.

 

8.- Implicaciones:

Uno de los objetivos de esta investigación era comprobar que su uso en esquemas de protección es seguro, flexible y moderno.

 

9.- Bibliografía:

1.- Pedro Ponce Cruz; Inteligencia artificial con aplicaciones a la ingeniería, abril 2015

2.- James A. Anderson; Redes neuronales, noviembre 2014.

3.- Ever Benjamín Huerta Leija; Ernesto Vázquez Martínez; Gima María Idarraga Ospina; Algoritmos de localización de fallas en líneas de transmisión, Revista Ingenierías UANL enero-marzo 2015, Vol. XVIII No.66.

4.-Jacek M. Zurada; Introduction to Artificial Neural Systems; 1992, pp 115-207.

5.-Xabie Basogain Olabe; Redes neuronales artificiales y sus aplicaciones; pp 25-38.

6.- Ernesto Vázquez Martínez; Oscar Leonel Chacón Mondragón; Protección de sistemas eléctricos mediante reconocimiento de patrones de onda viajera; Revista Ingenierías enero-marzo 2006, Vol. IX, No. 30.

7.- Theodore Wildi; Máquinas eléctricas y sistemas de potencia; sexta edición; México 2007; pp 731-734.

8.- William D. Stevenson; Análisis de sistemas eléctricos de potencia; segunda edición; México 1975; pp. 90-91.

1917105_924595927588907_9075774191623210922_n
Genaro Daniel Herrera Reyes Ingeniería Eléctrica por parte del Instituto Tecnológico de Ciudad Madero, Tamaulipas. En México. Cursó la especialidad de Sistemas Eléctricos de Potencia. Ha participado en diversos eventos de inovación tecnológica tales como ExpoCiencias México, Encuentro Tamaulipeco de Jóvenes Investigadores y Congreso Nacional de Investigadores de México. Realizó una estancia de Investigación en la Universidad Autónoma de Nuevo León con el proyecto: Inteligencia Artificial aplicada a relevadores diferenciales. Actualmente se encuentra realizando su estancia de residencias profesionales nivel licenciatura en el Instituto de Investigaciones Eléctricas, en México, con temáticas de Redes Eléctricas Inteligentes (Smart Grids) y monitoreo de flujos de carga en tiempo real por sistemas expertos.

 

Etiquetas

Genaro Daniel Herrera Reyes

Ingeniería eléctrica en Sistemas Eléctricos de Potencia Temas de interes: Inteligencia Artificial Redes neuronales y logica difusa Operacion y despacho económico de sistemas eléctricos de potencia Protecciones eléctricas Redes Eléctricas Inteligentes

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba
Cerrar