rie Ekcwciadel esa Monk Cora Tratamiento de la seal yAlgoritmos de uso actual en Reles Microprocesados 1. Introduccién El concepto de relé de proteccién ha ido variando con el tiempo y su significado ha ido adquiriendo un nuevo concepto a medida que sus finciones han sido ampliadasy com- plementadas. Fl primer eancepta de relé lo vemos aso- ciado a una funcién basica, que podemos ejcmplificar de forma sencillaa través del relé de cobrecortionte, dispositive que accionaun relé auxiliar cuando el valor de la corriente medida supera un cierto umbral (relé de sobrecorrionte instanténeo) o cuando supera este umbral durante un cierto tiempo (relé de sobrecorriente temporizado), pudiendo en este Giltime aag ¢l tismspe depender ono del valor de Ia Comente ee Et corto tigi significado, €Bff fase. sobrecorriente a tierra. funcién direccional (dngulo entre fasores tension y corriente durante la falta), funcién diferen- cial (diferencia entre las corrientes de entra- day salida, adecuadamente compensadas, de tun equipo, transformador, motor o generador) fate, A dstac eo agrrgan otras fimneianes, indi cacién de la medida de corrientes de fase, emisi6n de sefiales de arranque, bloqueo del rolé por sofialec externas, cambio de loc parametros de ajuste preseleccionados, ete. Seagregan también sefiales de comunicacién que permiton enviar los valores medidos, por ejemplo de corrientes que circulan por el relé en ese momento o que han sido registradas durante una falta, Le sefial de cumunivaciGn también admite el cambio de los ajustes del rald a distancia. gtape el reld también puede ope- {ares que ademas de comandar cle) disyuntor que controlan, tam- 39‘Meorbts Ge Habs de fsa Canis y TEenica bign operen sobre la bobina de cierre y even- twalmente sefialicen la posicién del mismo. Eltercer concepto de relé, que es en rea Jidad un concepto hacia el cual estan ten- diendo las funciones del mismo, conduce al relé hacia un sistema de proteccién inteli- gente, es decir que pueda decidir las accio- nes a tomar en base a sus experiencias ante- riores, las que le han sido de alguna forma enseiiadas, por ejemplo cambiando los tiem- pos de actuacién cuando interprete que las sefiales que le Hlegan estan distorsionadas por algiin motivo, por ejemplo saturacién de los transformadores de corriente. En este iltimo concepto de relé se in- cosporan ademis las funciones completas de comunicacién internas de Ja subestacion y su comunicacién con los centros de control externos para supervisar y controlar la subestacién en su totalidad o en parte. 2. Funcién de medida en el relé La figura 1 muestra un esquema de las funciones del relé, donde se destaca el diagrama de bloques de las funciones que a te) —L Figura 1 2.1, Circuitos de medida Las sefiales de medida de tensién y co- riente que alimentan al relé son ingresadas a uavés de Uausfouuaduies Ue leusiGu y co 40 se aplican a la sefial medida desde su cn- trada, hasta ef momento en que los datos son entrados al microprocesador. rriente que cumplen las funciones de adaplar las sefiales y de aislar los circuitos internos y externos (Id existencia de estos elementos de aislacién es exigida por algunas normas por ejemplo la ANSI-IEEE 37.90).Estos transformadares forman parte del conjunto de circuitos que servirin para ase- gurar la compatibilidad electromagnética del relé enn el entoma an que serd instalado, de cesta forma podrd ser eliminado el efecto tan- to longitudinal como transversal de ondas do alta toncién y alta frecuencia que so han, acoplado a través de los conductores de co- nexién de los circuitos de medida. a Walrad ce Monte = Dua T.a compatihilidad eletromagnét) también sera requerida para el resto del go= nexionado, fuente, sefiales etc., siendo los requerimientos diferentes dependiendo do la prioridad o importancia de la funcién que se desarrolle, proteccién, medida o comu- nicacién, 3. Tratamiento de las sefales de entrada 3.1. Muestreo de la sefial Una vez transformada la sefial se reali- zaun proceso de muestreo y mantenimiento del valor adquirido, que. permitiré la xealie zaci6n de la conversién andlogo digital y que los valores generados puedan ser leidos por el microprocesador. , de forma que pueda ser lefdayy procesada por el microprocesador. Salvo casos especiales se realizara el muestreo utilizando una frecuencia fija, in- dependiente de las variaciones de Ia frecuen- cia de la red Larftecnencia dermuestreo y lasefiatwrana-"~ ~ lizardehen cumpliralgnnas enndiciones qne ha. ‘cen necesario intercalar filtros entre estas eta- pas, para que la funcién resultante después del murestreo mantenga Ia informacién necesaria, lige lous 20 {LULL Si x(t) es Ia sefial de entrada, x*(t) Ja sefial muestreada y X(s), X*(s) las respecti- vas transformadas de Laplace y § la funcion impulso de Dirao, Ja expresién (1) muestra la rolaclén, entra extas funcinnes. T,, ex el Ena figura 2*, 2b y 2c se muestran res- pectivamente la sefial de entrada. el tren de impulsos de muestreo i(t)y la serie de valo- res muestreados, que pueden expresarse cama fincién del tiempo a del mimern dela muestra. WO ins.) = S18 0-KT,) 4Memes de Tabs de fsa Gets y Tenis. Qua a(h) 3.2. Filtrado de la sefial La transformada de Laplace de x*() puede escribirse de dos formias, (2) y (3). Laexpresién 2) la utilizaremos més ade- lante, la (3) que para funciones x(t) periddi- cas muestra que X*(s) es periodicaen el pla no complejo. X(jo) y X*(@) se representan cen las figuras 3a y 3b respectivamente, y se aprecia claramente el efecto del muestreo sobre el espectro de frecuencia de la seftal de entrada y deja claro su comportamiento pe- riédieo én el plano complejo s 1 XS) = SxGr er = © y= eux + jht,) im B=O El comportamiento de X*(w) es de par- ticular interés y muestra que Ia sefial obto- rida por muestreo puede ser reconstruida totalmente si o,>20,, donde w, es la mayor. frecuencia que pase la sefial de entrada y o,=20/T,. La sefial de entrada x(t) puede conte- ner en su espectro en frecuencia valores no nulos para frecuencias mayores que @,/2. Bn consecuencia es necesario fil- trar la sefial de entrada para que no se pierda informacién, Estos filtros se de- nominan filtros “antialiasing”, y el orite~ rio de limitar la frecuencia maxima de la sefial filtrada a la mitad de la frecuencia de muestreo se denomina criterio de Nyquist. En este caso un simple filtro pasa bajos con frecuencia de corte @,/2 es suficiente. Otros tipos de filtros son posibles.4. Algoritmos 4.1. Calculo de fasores de frecuencia fundamental En redes de corriente alterna todos los cAlculos se realizan utilizando los valores sinusoldales de las tensiones y corrientes a través de nlimeros complejos denominados fasores que reptesentan la funcién sinusoidal ft Figura 4 Si se toman N muestras durante un pe- riodo y los valores de la muestra son y,, el fasor ¥ puede obtenerse como ® u ¥, = D1 y, 00s(42) tt © oo 2kn x & y, sent Wr o 2 1 122 Ye jY,) === ie Bae BE LN La frecuenciaddemuestreo es Nw, yen con- socuoncia 1a cofialideanitrada deberd aor filtra da a Nw, /2 por lo expresado anteriormente. ‘Universidad de Montevideo = Facultad de Ingenta x() Tas facares solamente ectin definidas si Ia red se encuentra en estado estaciona- rio, es decir, los fasores no son validos du- rante el periodo transitorio. Sin embargo puede recurrirse a una definicién de fasor durante un periodo transitorio si se estable- eo una ventana temporal, sc admite que esta, se repite periédicamente y en ella se calcula Ja componente fundamental de la onda, ia f ‘Si el mimero de muestrases un milltipio de. 1/2 laexpresién anterior (obtenida por la Trans- formada discreta de Fourier) coincide con la apenscimacién de minimas enadendas calenla. da cuando la sefial contiene ruido blanco. Rn ciertae aplicaciones derelis digitales la utilizacién de ventanas reducidas (meno- res que un ciclo) son de interés, Ia expre~ eién anterior ee valida aun para medio ciclo si se considera N par. Si la funoién de entrada ec cinusoidal, partiendo de Ia expresién compleja para la determinacién del fasor a partir de los ele- mentos de la muestra 1 Aplicando el criterio de Nyquist para una eotiada sinusvidal de ficcucuvia w, 96 Ultic que la frecuencia minima de muestreo es Bit:Memoria de Taba de Difostn Cincy Tei, Como ejemplo sencillo de aplicacién de a expresiénes (5) y (6) se muestran los valores para el caso de filiros 3w, y 4w,, en este segundo caso se evidencia que alcan- zacon los valores de obtenidos en una ven- tana de meaio cielo para poder calcular et fasor Y. Para relés industriales el valor de N generalmente utilizado es de 12, de modo que para una red de frecuencia 30 Hz se transforma en una frecuencia de muestreo de 600 Hz y en un angulo de muestreo de 30”. [(aaT] N. oe 25. =P Fang ae bbré que considerarla en cada estimacién y en particular cuando se catoule el defasaje ene distintas ondas de teusidn y voniewte, que es lo que realmente tiene un significado fisico importante (figura 5). 4.1.1. Bjemplo 1 A Ios efectos de mostrar el andamiento do la cstimacién del fasor sc han considcrado os tipos de funciones de entrada, fa primera figura (6a) esté compuesta por una funcién sinusvidal que incluye un Wausitorio £ correspondiente @ una exponencial amorti- guada tipica del cierre de un circuito RL. Tre ya es 9+ jn Be Tees p+ jeme) De la expresién anterior y de los ejem- plos de las tablas I y TI queda claro que e1 Angulo del fasor que se obtiene correspon- de al momento en que se toma Ja primera de Jas N muestras. Esta caracteristica ha- 0 0.02 0,04 0,06 0,08 ts) Las figuras (6b) y (6) muestran el mé- dulo y el angulo de la estimacién del fasor resultado de aplicar FI F.‘nero ene mas de la componente fundamental superpone una componente do segund arménica pa vee HEE HHL 6] “ 2 ee 14 IFigura 6b. 1 1V 19 10 WY ze 20 28 1 38 En la figura (6b) se muestra el médulo del fasor en fancién del nimero de la estimacin. Parael célculo se han utilizado 12 mues- tras por ciclo, y se alcanza a apreciar una so- bre estimacién producida por el efecto de la corriente asimétrica de la sefial de entrada. También se percibe una primera zona horizontal debida a la capacidad de esti- macién del método con la utilizacién de muestras correspondientes solamente a media onda. 0 0,02 0,04 0,06. 0,08. 0,4 [Figura 7b 38 4 SREP TS -30 f SpA 7 Yay 30 ‘ ura Be La figura (6c) muestra el céleulo de la fase, la que varia en forma lineal con cada estimavisa, al wiespuuder a la cotinaciGn cl valor de la fase en el instante que corres- ponde al primer valor de la muestra. 4.1.2. Bjemplo 2 En el ejemplo siguiente se ha corisi- dorado una segunda sefial de entrada fic+ ticia figura (7a), que no contiene corrien- te asimétrica, pero que esté compucsta por un uamo de dos clclos donde ade: La figura (/b) muestra el calculo det médulo del fasor utilizando el mismo mé- todo FFT y se puede apreciar que transcu- rrido los instantes del periodo donde in- fluyen los dos tipos de sefiales, donde el célculo del fasor aparece como oscilante, en el resto de las ondas, siendo estaciona- rias, la estimacién es correcta si existe so- lamente la arménica fundamental o si exis- te componente de segunda arménica su- perpuesta. 4.2. CAlculo del faso. de forma recutrente~ dorarse una Voi del fasor; a6 45moras de Trabajo deDifusion Gientfc y Tecnica ciones ejecutadas en la etapa anterior y so- lamente es necesaria la realizacién de un céleulo adicional. El Angulo del fasor que se obtiene de esta forma es el que corresponde al ins- tante de comienzo de la primera mues- tra, EI nuevo fasor calculado, estara defasado respecto al anterior, en nn An- gulo 4, igual al intervalo de muestreo sea 2n/N. a” +N Yot=e 2 ye oa 4,3, Respuesta en frecuencia Si volvemos a la expresién (4), obser- vamos que para caloular loc facoros hemos aplicado una transformacién a lasefial y, que ha suftido el proceso de filtrado, muestreo y sonversién anélogo digital, a partir de la @) aN Estas expresiones permiten calcular los fasores con un numero minimo de operacio- nes, debe considerarse ademés que los produc- tos por niimeros fijo que aparecen en las ex- presiones de célculo no se computan en cada caso v que se tienen en cuenta en los valores de ajuste solamente al momento de fijar la inecuacién que decidiré la actuaci6n del relé. También dehen considerarse cuando se ine can en Ja pantalla del relé los valores medidos © los valores registrados de actuacién. (7) = 37 Onan ~HedO + YC) = Vendo = Fe" cual, con el algoritmo especificado se calcu- Ia el Jasor. Si llamamos T a esta transformacién, que actuara sobre el conyunto de N valores que corresponden a la enésima muestra, y de esta forma admitimos que T es lineal. La expresi6n (4) podré escribirse como en (8). ¥(n) = DIT &, (40)8 (2 —F4)} ken Stademas de [a linealidad se supone que el sistema es invariante es decir si Y(n) es la respuesta a y(n) entonces ¥(n-k) es Ja res- @ nN puesta a y(n-k), y si h,(n) es la respuesta al impulso de orden k en la enésima muestra, podemos escribir (9) nN Yo)=d (kO)T 8 (nk) }= Deen K) Eneste caso la expresi6n (9) puede con siderarse como la convolucién discreta de la funcién x*(t) y la funcién h(n). Desde este punto de vista la transformada de Laplace total se encontraré como el produc- to de las transformadas de Laplace de cada una de las funciones que integran la convolucién. Lam = xO") H(s). transformada de Laplace de h(n) puede considerarse como un filtro que se aplica a la sefial de muestreada x*(t) El estudio de Hi, (jw) nos permitiré eva~ luar la respuesta en frecuencia del filtro que estamos utilizando.44. Filtros sinusoidales a frecuencia fundamental Visto desde este punto de vista el cdleu- lo del fasor ha sido realizado utilizando un filtro sinusoidal, que responde a una exponencial compleja. De esta forma h, (s) puede considerarse como la funcién de transferencia para una entrada muestreada y su evaluacién para s=jw nos indicaré la respuesta en funcién de Ja frecuencia. EI filtro complejo puede con- siderarse como das filtras reales, ana que nos permite calcular Ia parte real y otro Ia parte imaginaria del fasor. Estos serén un filtro tipo cena y un filtro tipo coseno res pectivamente. Usienidad de Menten Pari d ingonirs Las expresiones calculadas una venta- na de muestra de un ciclo para las funciones ‘cosenoy seno respectivamente correspond a las expresiones (11) y (12) ay ney= Oa &) s+0); 2 (2) A(s)= Ore) s+o; La respuesta no es equivalente para los dos tipos de filtros, si bien ambos Tiltran com- pletamente las frecuencias arménicas. La fi- gura (8) muestra el médulo de los filtros seno Y coseno en funcion de la trecuencia. FRECUENCIA W/WO- 47Memoria de Taboos de Diftsin Ceti y Tenia. 4. Uso de filtros sinusoidales para frecuencias arménicas Para Jos tipos de relés més frecuente- mente utilizados es importante el cdlculo de fasores solamente a la frecuencia fundamen- tal ya que a partir de ellos se determinan los Angulns para relés de sohrecorriente direccionales, para relés de impedancia ete. Tas fasnres de lac campanentes armi- nicas se necesitan, por ejemplo, en el caso derrelés diferenciales de transformador por- que actitan como elementos de freno evan. do ocurren transitorios que no corresponden a sitmaciones de falta. En este caso el cAleu- lo de Ia corriente de segunda arménica se utiliza para restringir la actuacién diferen- cial durante la energizacién del transforma- dor y la componente de quinta arménica se utiliza también como freno en el caso de au- ‘mento de la corriente magnetizante que se produce como consecuencia del aumento de Ja tensiAn de Ia red. Algunos de los valores que es necesario calonlar pueden dictingnirce cegrin la fimeién, del relé, sin pretender ser exhaustivo, la tabla Ti muestra alguno de estos parémetros. TABLA FUNCION, “TPARAMETRO 1 [PARAMETRO2_[PARAMETRO3_[PARAMETROZ_ | ‘SOBRECORRIENTE | CORRIENTE ERICAZ, CORPIENTE FUNDAMENTAL ‘SOBRECORRIENTE |CORRIENTE —|CORRIENTE _| TENSION DEFASATE DIRECCIONAL — | EFICAZ PRIMERA PRIMERA. ‘CORRIENTE ARMONICA __|ARMowIcA _| TENSION CORRIENTE | DEFASAJE FUNDAMENTAL | CORRIENTE. i ______ | TENSION DIFERENCIAL "| CORRIENTE~ “| CORRIENTE | SEGUNDA DIFERENCIAL ~|EFICAZDEFASE|ARMONICA | ARMONICA ERICAZ RRECURNCTA FRECUENCTA | BENTTENTR DE LA FRECUENCIA IMPEDANGIA ‘CORRIENTE [TENSION PRIMERA PRIMERA, ARMONICA _|ARMONICA En estos casos se utiliza la Transforma~ da Discreta de Fourier para el célculo de los aundnivos de interés. La forma de caleulo que se ha utilizado para los fasores, tanto de frecuencia fuu- 48 damental como de arménicos implican el pro- cesamiento de la sefial a través de filtros digitalcs. Las expresiones pueden calcularse para tun ventana de mtuestia dc au vislus pasa lasfunvivuss cuscuy y seuu Lespectivamente ¥ para la arménica i como: (13) (14) ay er) “10 6 0 La figura (9) y (10) muestran el médulo de los filtros seno y coseno, para la segunda Y quinta arménica en funcién de la frecuen- cia, Si se tratara de muestras de un tinico pe- riodo de la arménica, la funcién de transfe- rencia seria la misma que para la frecuencia fundamental, sin embargo, considerando que se trata de una ventana a la frecuencia funda- mental, se estén reeogiendo datos correspon- (Unitohl de eis = Fava de nag dierwes a un conjunto de ciclos igual al nome- ro de la arménica que se esté calculando, por Jo que la funcién de transferencia varia. Puede utilizarse, en lugar de dos filtros reales, un filtro complejo, si bien esto es mejor desde el punto de vista del filtrado aumenta la complejidad en el céleulo de los fasores EL filtro para una ventana de media onda presenta resonancia infinita para la frecuen- cia fundamental, por lo que resulta excelen- te para el cdlculo del fasor a frecuencia fun- damental. La misma situacién se repite para todas las arménicas impares. Fs interesante observar que un filtro tipo coseno 0 seno para la arménica n, tomado en un periodo correspondiente a esa armé- nica ne rechaza fac arméninas infor embargo, tal cual se aplica, es decir caleula- do sobre.un ciclo de la frecuencia fundamen: tal, actia eficientemente rechazando las fre ‘cuencias subarménicas inferiores, hasta la fundamental. EL filtro tipo coseno actéia mejor que el filtro seno para las arménicas superiores, pero para las arménisas inferiores a la que se calcula, cl filtro seno acta de manera mas cficiente. 4.5, Aproximacién por minimos cuadrados La aplicacién de Jos filtros coseno seno permite calcular los fasores que re- presentan las sefiales de entrada. Sin em- bargo, debido a que existe un conjunto de factores que pueden alterar las sefales de entrada, como errores en los transfarmado- res de medida intenos y externos al relé, acoplamiento de sefiales en los conducto- reo de alimentacién, existe un error on la 49‘Memerias de Trabajos de Difstn Cems y Tene sefial que llega microprocesador. [1 conjunto de valores de ia muestra a ser procesado se obticne luego de un conjunto de elapas en las que las seflales han ido sufriendo transformaciones y en las cuales se han in troducido errores y en las cuales se han agregado sefiales externas provenientes de otras fuentes, por fo que debe agregarse una fimeidn de errar a(t) a Si T,, es el tiempo entre dos pulsos suvesives duraite ol Gen de pulsus yuc se aplica a la sefial de entrada, y se asu- ae ‘51se considera que la tuncion de entra- da x(t) est constituida por varias frecuen- ccias, estas se incorporardn fuera de la fan cion e(t) Se puede realizar una expresin general contemplando todas las arménicas posibles _ siempre satisfaciendo el criterio de Nyquist. Si definimos un vectores [y], fe] etc, que representan los N valores de fa muestra (17) ” DEBE La matriz [S] podra variar de acuerdo a la expresién que se utilice para la estima- a La distorsign de las seftales puede produ- cirse también por fenémenos propios de lared, por eiemplo arcos producidos por ka falta, £1 conjunto de valores de la muestra re~ presenta in dol tiempo que puede escribirse de varias formas segtin el conoci- miento que se tenga de la misma, en ta for- mia mae sencilla podrd exeribires como (15) na fie ” x(t) =X, cost) +X, sen(ot) + ef) me que la frecuencia de la red es w, co- uucida, el engsimo valor de la muesua yn sera (16) Y, =X, cos(nh) + X, sen(np) + e(nT) cién de la funcién x(t) y tendrd de dimension N.M, donde M es el nimero de elementos diferentes que se utilizan para aproximar x(t). Por ejemplo si se ha utilizado una expresion que abarca hasta la arménica i, sin contem- plar ia componente continua, M serd igual a dos veces i. Si el niimero de muestras es mayor que el niimero de parametros a determinar X, , el miimero de ecuaciones seré mayor que el niimero de incdgnitas v se podra milizar et método de minimos cuadrados para realizar la estimacién. En este caso se deberd minimizar la suma del cuadrado de los errores de cada muestra (18) ” $¢ ERE DESL IDE BET La estimacién de X que minimiza la ex- presién anterior corresponde a: (19) ” EL psreil e161 50 Como ejemplo se ha caleulado para una funcion x() (figura 11) de forma de onda arbitraria, que incluye componentes armé- nicos varios de una onda asimétrica, con una componente continua amortiguada, laestimacién de minimos cuadrados de cada una de las arménicas presentes y cual se- ria la evoluci6n del méduta de ln facnres 3,5 -~>—_ EEE 3 En fa Nigura 12 se aprecia la variacién de la estimacién del médulo de los fasores de frecucncia fundamental y arménicas has- ta la quinta, en funcién del tiempo (comen- zando en el instante en que se completa la primera muestra), Una vez transcurrido el rapido transito- tio superpuesto de un cielo 1a cefial no con tiene ruido, ni arménicas superiores a la quinta, por lo que laestimacién es exacta. Se aprecia la apaticién de un valor de corriente continua estimado, el que se hace ora al desaparecer ol trausivurlo, ‘nerstda estate - aca ae 58 en funcién de las sucesivas muestras. Se ha elegido un mimero N de muestras por cielo de 74 4.6. Método de ventanas méviles Otros algoritmos utilizados utilizan un niimero pequefio de clementos de la muestra para la estimacién de pardmetros, por ejemplo consideremos cl uso de tres elementos consecutivos: Vi Wee Vevey Si suponemos que las muestras. han tomado a intervalos -d, 0. b+ 9=2niN, las muestras pueden ser XP! sadas en funcién de los parametro: estimar como (20)Memoras de Tabsjos de Din Cente y Tenia (20) Vin ve lm] ot ¥, cos(b) sen(p) | * Vest La exprexién (20) es muestra la utiliza- cién de (17) y la forma de célculo de las ma- trices (S), (y) y (&) en 1 X,|_|1+2c0s’) x, Este tipo de soluciones permite una ade- cuada estimacién de los pardmetros X, e X, si se filtran las arménicas superiores w otras perturbaciones aleatorias, debido a que pre- senta oscilaciones en los pardmetros estima- dos cuando la solucién deja de ser sinusoidal Este procedimiento utiliza una ventana de tres muestras para la realizacién de los calculos y se conoce como método de ven- tana mévil, con cada muestra que aparece, Jos datos son actualizados, se agrega un nue- vo valor a la muestra y se descarta el mac Iejano fa figura 13 muestra un esquema de esta disposicién para una funcién coseno. 2 ® (TH Lit AA. gua 3s Durante el proceso de transicién entre Ja situacion normal y la de falta, ef valor 52 a \ Ww cosh) sen) | 0 © La solucién de minimos cuadrados (19) aplicada a la expresién anterior nos permite obtener los valores estimados de X, y X_en funcién de los valores de la muestra (21) {05(6)(en + Ysa) + Ye} 2sen(b) medido fluctiia entre una sinusoide pura y la sefial definitiva, por lo que los parémetros estimados en ese entorno pueden ser osci- Jantes. Como ejemplo en la figura (14a) se ba dibujady una forme de onda ficticia, dividida en tres tramos, primero la sefial es cero, luego la sefial contiene una fuer- Te componente de segunda armonica y luego se transforma en una funcién sinusoidal, Las transiciones se han reali- zado de forma instantanea entre cada si- tuacién eliminando los periodos transi- torios que serfan propios de la respuesta de un circuito transitorio.En la figura (14) se ve claramente que Ia estimacién no es buena ni durante los pe- riudos de qansicion de la estimacion, ni cuando hay una fuerte presencia de segunda arménica. En estos casos Ia estimacién es oscilante, de modo que se puede detectar fécilmente la presencia de estos estados. Sin duda que la necesidad de esperar a que la estimacion sea estable prolonga el periodo de decisién det relé. Otra torma de utilizar ventanas moviles consiste en resolver una ecuacién diferen- cial simplificada del sistema de modo de que utilizando unas pocas muestras conse- cutivas se puedan calcular las derivadas integrales de la funcién medida. Por ejemplo si se intenta determinar el transitorio de energizacién de un transfor- 5.-Redes neurales Recientemente se han comenzado a apli- car en el tratamiento de la sefial técnicas basa- das en algunos principios que imitan el compor- tamiento del cerebro humano. Estas técnicas constituyen lo que se denomina redes neurales atficiales (ANN, artificial neural networks). Unread de Montero - Facultad de Ingenieria mador de potencia puede escribirse la ecua- cién diferencial que determina el flujo mag- nético. Dado que durante el proceso de energizacién las elevadas corrientes transi= toriac y eu alto contenido de arménicos con consecuencia de Ia saturacién del nitcleo, la estimacién del flujo magnético puede ser una medida de que 3 ha producide una situa, cién de este tipo. Un célculo del estilo pue- de ser itl en casos donde, la generacién de allay Wiiisutes anmiuicas puede sor causa~ da por otros motivos y en consecuencia el jento de censar la corriente de se- nSnica nu sea adecuado. Como en para la determinacién del flu- Jo magnetico se necestta un valor del flujo residual, el que no es conocido, una estima- cién de la pendiente de la funcién $(i) pue- de distinguir en forma adecuada una falta de un proceso de cierre del transformador. En este caso se podra distinguir entre una pendiente baja durante la falta o de una pen- diente variable que aparecerd representada en un fenémeno de saturacién. Un proceso de adicién y sustraccién de los valores nuevos puede utilizarse para de- terminar si Ia funci6n es estable o se encuen- tra oscilando. Las teorias sobre ANN se comenzaron a elaborar en Ia década del 40 en estudios del sistema nervioso biolégico y dieron ori- gen a una técnica que se aplica en varias 4reas del conocimiento, en particular se es- tan empezando a aplicar en sistemas de po- 33Momoris do Trabajs de Difasioa Cena yTécner tencia, En Ja actualidad Jas ANN constitu yen en sj una herramienta poderosa que se ‘encuentra en continuo desarrollo y que esta ‘completamente separada de lo que fue su origen, es decir tratar de explicar el funcio- namiento del sistema nervioso biolégico. Las redes neurales operan en forma di- ferente a lo que son los procesadores digitales utilizados en forma generalizada que operan en forma serial. Las redes neurales operan en forma paralela, en pro- cesos cortos, con gran cantidad de intereanevinnes y de forma no lineal Si bien esté apareciendo un hardward especifico, actualmente, en la mayaria de Inc casos la operacién y estudio de las redes neurales se simula en procesadores digitales. 5.1 Neuronas Las ANN estén constituidas porneuronas interconectadas. Una neurona es una unidad x, Figura 15 Varios tipos de funciones de activacién son utilizados. La funcién de Heaviside es utilizada cuando se wats de deteitinnen ui tinite de actuacién (24) 54 de procesamiento de Ia informacién, a la que se inyectnn varias sefiales de entrada x,y cuya suma es procesada en dos etapas a) Se procesa la suma de cada sefial x, afectada de un peso wi Los pesos w, reflejarén la experiencia pasada de la neurona (22) Se agrega una sefial imterna de polar- zacion w,. b)Se aplica una funcién 90), (funcién de activacién), usualmente no lineal, que acta sobre las variables u y w,. El agregado de la polarizacién w, hace que la funcion @() se aplique sobre una variable de la sefial u que no pasa por el origen. y es la sefial de salida de la neurona (23) @ yom(u+w,) 1wvz0 ea oo”) = {a <0 Uni cjemply porsia considerarse como tuna neurona con solamente dos entradas x,‘unmerioaa. ge nortenceo- acuta de muests Fou 16h (v) io riguat0a‘emors de Tabsjos de Dissin Genny Teenica Figura 18 gura 19 56aa se Monn he Faled te gee x0) Xt) m2) X foot) % 0) Z" A | ¥%; wy 4 vy (o) wy ©) 1 gy) =D 09 imho -o—o" by X, (0) ra [50 40 | ow yin) | Figura 20 un nivel de polarizaci6n x,, para la de- ‘terminacién de muestras que se encuentran cada semiplano, figura 17. Otro tipo de funeién de activacién con- siste en una funcién lineal por tramos, por eiemplo puede simular un amplificador li- neal con saturacién (25) (25) Como tercera opeién se utiliza la fun- cién de Sigmoid, para la cual, una de las ‘expresioncs que mas se utiliza cs (26) 5.2 Arquitectura de las redes neurales Como mencionamos las redes consisten en un conjunto de interconexiones de nenronas simples, fiindamentalmente en pa- ralelo, mientras que las conexiones serie se denominan capas, los puntos de entrada no ce coneideran como una capa ya queen esos puntos no se realizan operaciones. Una red de miltiples capas contienan una o més capas ocultas, ya que no se tiene acceso directo por las entradas o las salida La existencia de eapas cacondidas tun procesamiento adicional de:dal obtener estadisticas més complet ‘Una red puede ser total 0 conectada, es totalmente. sus nodos se conectan entre"ert de eos de ilestn Catia y Tc, La forma en que se construye la red dependera fuertemente del tipo de aprendi- ‘ajo que se ntilice. Desde este punto de vista puede decirse que la arquitectura de te red en si misma noes determinante y solo pude considerarse asociada al sistema de apren- dizaje. 5.3 Proceso de aprendizaje Se debe recurrir a un proceso de deter- minacién de los pesos wi, el conjunto de valores obtenidos se refiere como el cono- cimiento adquitido por el sistema. El entrenamiento de la red consiste, en el caso que nos interesa, en que se disponga de un conjunto de medidas, que puedan ser ‘comparadas con seiales de salida deseadas, que les correspondan. El coniunto de observaciones de prueba incluye datos de medidas de campo, que in- cluyen usualmente ruidos y errores debidos al sistema de informacién. En este punto radica la diferencia fun- damental de este método. En un disefio cli- sico, se comienza por formular un modelo matemético de la realidad, se valida el mo- dela con los datos reales v luego se disefia cl equipo basado en el modelo. Fa Ios sistemas ANN el disefio se basa directamente en los datos reales, el modelo queda implicito durante el aprendizaje y de esa forma se realiza el procesamiento de la informacién necesario. EL conjunto de informarin necesario reuniré datos de conjuntos de medidas que reprosenten casos en los cuales el relé debe actuar y eas0c on for cuales no debe actuar En general se consideran cuatro reglas pea la representacién del conccimionto. 58. Regla 1, Las sefiales de entrada, agra- padas en clases deben producir valores “s milares” que determinen los pesos de las neuronas y por lo tanto tendrén salidas den- tro de la misma categoria, por ejemplo para un relé que trata de distinguir un tipo de fal- ‘taen la que aparezca un arco, debe incorpo- rar dentro de Ia misma clase todas las sefia- Jes producidas por faltas donde las particu- laridades de este fenémeno se destaquen, en general, faltas de alta impedancia a tierra. Regla 2. Es Ia regla opuesta a la ante- rior, en este caso el mismo relé tiene que incluir en otra clase las sefiales producidas por transitorios de la red como conexién de condensadores, conexién de carga fria etc. Regla 3. Si un hecho es relevante ha- bré varias neuronas que intervendrn en la doteccién da ese hecho, por ejemplo si se trata de determinar la direccién de una falta para un cortocircuito triftsico proximo al punta de medida, con un valor muy baio de la tensién medida, el procesamiento estas sefiales deberé considerarse especialmente. Regia 4, Lasredes ANN pueden ser sim- plificadas implementando fuera de elas fun- clones especializadas a priogitarias, por gjem- plo actuaciones frente a sefiales de bloqueo. Varios sistemas de aprencizaje. diferentes son utilizados para el entrenamiento de fas re- desncurales, entre ellos se consideran el apren- dizaje por correcei6n de error, apreniliznje ha- sado en la memoria, por criterio de competen- cia etc, En el caso que nos interesa el primer método es el que se encuentra en uso. Este método se utiliza normalmente ea voujunto von lo que 3¢ denomina aprendizaje con un maestro, 0 aprendizaje supervisado. ‘Los sistemas yuc no utilizan este criteria de supervisién se dividen en dos categorias, el primero utiliza un criterio de calificaciéninterna que se basa en Ja observacion de un conjunto de sefiales similares para emitir una accién de refuerzo, o de alta calificacién. En el segundo criterio de aprendizaje sin supervisidn el sistema crea criterios para sin- tonizar Jas regularidades de un conjunto de seffales de entrada y genera eédigos de crea- cién de clases. Un sistema constituido por una tinica neurona puede actuar en reconocimiento de muestras, distinguiendo simplemente entre dos clases, por ejemplo supongamos una neurona con dos entradas x, y x,. T.a fim. cin de salida podra escribirse (27) ©? yep (w.x, +w,x, +B) En este caso red actuard distinguiendo valores en cada uno de lor cemiplanoe de la recta determinada por los pesos w, y W, Y trasladada segin la opcién de polarizacién b. Una neurona imica también puede ac- tuar como filtro de la sefial de entrada. La determinacién de los pesos wi, pue- de realizarse utilizando varios métodos, como ejomply de aplivavion puede peusar~ se en el método de minimos cuadrados. El error a la salida para un conjunto de seftales de culreuamienwo n sera: (28) ® en) =d(n)- y(n) overt ce Mie El valor 7 es un nimero entero conoci= do como relacién de aprendizaje, de él de- penderd la velocidad de aprendizaje, El estudio de la convergencia del méto- do es complicado, pero en general si las muesiras x(n) son independientes y derivan de una distribucién gaussiana de seleccién Ja conversencia esté asegurada. Elmétodo de minimos cuadrados ha sido seleccionado por su simplicidad, sin emhar- go otros métodos presentan mayor sen: lidad a aspectos particulares de las sefiales. En general se consideran capas miilti- ples de neuronas, distinguiéndose en tres ti- pos, lac que reciben Ia cota, lac que produ cen la sefial de salida y un conjunto de ca- pas intermedias denominadas capas ocultas. El método de seleccién de pesos en re- des de capas miiltiples es posible gracias a la utilizacién del método de propagacién de error realimentada. Eu vote vasu oo Gala de minimizar une funcién de“energia” como suma de los cua- drados de los errores producidos en el and- lisis de cada ejemplo. Sin embargo 1a ope- raci6n de minimizar e(n) se realiza utilizan- do varias iteraciones para los pesos de cada neurona manteniendo el conjunto de sefia~ les de entrada x(n) fijas, Luego de finaliza- do el conjunto de iteraciones recién se avan- za a las nuevas sefiales x(n+1) selecciona- Se tratara de minimizar una funcién__das para el entrenamiento. “energia” (29) (30) (31) 9) Ut. En) =e" (nbe(n) BY Be) or) 2), By Te OST = (mela) GD so(r tt) = y(n) ene (eC) El proceso de entrenamiento se detiene cuando se obtiene la mejor solucién para la respuesta a un ejemplo de verificacién que no forma parte del conjunto de sefiales de entrenatniento. Si el entrenamiento se contintia, aunque ‘se obtiene una mejor respuesta cuando se aplioa a las sefiales que se han elegido para 59emia de Tabjos de isi Cate y Tenia el entrenamiento, la respuesta a la sefial de prueba empeora. Una red de capas miltiples entrena- da con el método de propagacién de error realimentada puede verse como una fun- ciGn no lineal entre dos conjuntos de se- fiales. En el caso de una red de tres capas (una capa escondida) se ha demostrado que se pucak apronimar cualquior funeién continua que asigne a una conjunto de variables de entrada una seiial de salida. 5.3 Ejemplos de utilizacion de ANN en relés de Proteccién La aplicacién de ANN en relés de pro- teccién es un tema actual de desarrollo y * son numerosos los casos donde se ha pro- puesto la aplicacién de esta técnica para resolver situaciones que no han podido ser resueltas con algoritmos convencionales de forma sencilla. Hasta el presente no exis- ten versiones comerciales de estos tipos de relés [3]. En este caso de algoritmos se ha utiliza- un tipo particular de ANN, que procesa as valores temporales de las funciones de ntrada y,. Los valores yk forman una serie tem- poral con separacin Tm, de esta forma si cada entrada se agrega un demora kT, se pueden procesar en paralelo las N se~ fiales correspondientes a una muestra, siendo cada uno de los valores yk fa se- fial que alimenta una o varias neuronas. De esta forma la cantidad de neuronas de entrada serd igual al nlimero de muestras de-un periado multiplicado por el mime- ro de sefiales corriente o tensién a proce- sar, figura 20. 6o 5.3.1 Saturacién de transfor- madares de corriente Es bien conocido e caso de la satura- cidn de los transformadores de corriente en fos casos de altas corrientes o cuando éstas presentan valores medios distintos de cero Umante wi transitorio. Em este eaco ce han presentado trabajos que consideran la utili- zaci6n de redes de tres capas que se accio- nan en aay de Uetectarse efectos de oatura cién y que compensan los efectos produci- dos por el transformador. La ventaja de la untllizacion de este sisteana radica on que no se conoce exactamente que transformador sera el instalado y cual serd su respuesta. EL concepto de yeucralizacién inherente a cs- tos sistemas hace posible una mejor respues- ta que la que puede esperarse de un algorit- mo especifico que mouele uni hausfermador n particular. 53.2 Deteccién de faltas a tie- rra de alta impedancia La deteccién de faltas a tierra de alta impedancia representa uno de los aspectos is delicados y de dificil solucién en redes de distribucién ya que en algunas situacio- nes estas no es posible la deteccién de las, mismas 5. Algunas aproximaciones utilizando re- des ANN han sido tratadas con resultados relativamente satisfactorios. En estos casos las seftales de entrada se generan mediante simulaciones y también utilizando registtos de campo abtenidos por relés que poseen la capacidad de registros de transitorios. Se trata de generar varias clases que puedan ser adecuadamente clasificadas por Jared neural, ésta distinguird entre determi nadoe traneitorios con sefiales muy pare:das, que deben ser adecuadamente identifi- cas, por ejemplo Faltas a tierra producidas con la red operativa, Faltas a tierra producidas durante el cie- re de un circuito. ‘Cierre de un circuito sin falta. Concaisn de Laneus de wudeusaduics. 5.3.3 Protecci6n de transforma- dores de potencia Un procedimiento similar al anterior ha sido utilizado para distinguir entre corrien- tes de cierre de transformadores de poten- ciay situaciones de falta _ isa de Matin Fad de air En alguno de estos estudios se han to mado sefiales de entrenamiento provenien- tes de cierree de pequefins transformadores utilizados como modelos. 6. Referencias 1. Truxal 2. Advancements in Microprocessor Based Protection and Communication, IEEE ‘Tatorial cource, PES 97TP120.0, afic 2000 3.P M Anderson, Power System Protection, IEBE pross cores on power engineering, afio 1999 4. Simon Haykin, Neural Networks a comprehensive foundation. Second Edition Prentice Hall, afio 1999