APLICACIN DE LAS REDES NEURONALES EN INGENIERA Y ECONOMA

Fernando Villada(1), Wilson Muoz(1), Mara Anglica Henao(2)

Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL,
(1) Facultad de Ingeniera, Universidad de Antioquia, Colombia.
(2) Facultad de Ingeniera, Instituto Politcnico Jaime Isaza Cadavid, Colombia.
RESUMEN
En este trabajo se presenta la revisin bibliogrfica de las aplicaciones ms importantes de las

redes neuronales en diferentes reas de la Ingeniera y la Economa. El estudio se

complementa con la exposicin de los resultados de dos proyectos de investigacin
realizados en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica
GIMEL- de la Universidad de Antioquia, donde se muestra la viabilidad de aplicar esta
tcnica de la inteligencia artificial en las disciplinas mencionadas.
Palabras clave: Redes neuronales, sistemas de potencia, protecciones elctricas, diagnstico
de fallas, economa, inflacin, mercado de divisas.
1. INTRODUCCIN
En los ltimos aos, se ha notado un aumento apreciable de las aplicaciones de los mtodos
de la inteligencia artificial en las diferentes reas de la ingeniera y la economa. Estos
mtodos como los sistemas expertos, la lgica difusa y las redes neuronales artificiales,
necesitan una base de datos que describa el funcionamiento del sistema junto a un anlisis
lgico, en lugar del anlisis matemtico, para el control del sistema y facilitar la toma de
decisiones.
Uno de estos mtodos es el empleo de las redes neuronales artificiales (ANN) que imitan el
funcionamiento del cerebro humano. Las redes neuronales se han usado para el

reconocimiento de las imgenes y sonidos, para el procesamiento de los datos y seales, y

como clasificadores. Las aplicaciones en la ingeniera van el mantenimiento y diagnstico
de equipos y sistemas industriales [1-3] hasta el anlisis de los sistemas elctricos de
potencia donde se tienen investigaciones para aplicar la tecnologa de las redes neuronales
en el anlisis de la seguridad, la estabilidad y las protecciones [4-5]. En economa, se tienen
aplicaciones en el mercado de valores [6-7], pronstico de variables macroeconmicas [8] y
mercado de divisas [9].
El objetivo de este trabajo es realizar una bsqueda bibliogrfica de las aplicaciones ms
importantes de las redes neuronales en diferentes reas de la Ingeniera y la Economa.
Luego se presentarn los resultados de dos proyectos de investigacin realizados en el
Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL, donde se
muestra la viabilidad de aplicar esta tcnica de la inteligencia artificial en las disciplinas
mencionadas.
2. REDES NEURONALES ARTIFICIALES
Una red neuronal es un sistema que permite establecer una relacin lineal o no lineal entre
las salidas y las entradas. Sus caractersticas estn inspiradas en el sistema nervioso lo que
les da varias ventajas tales como su capacidad de aprendizaje adaptativo, son autoorganizativas, pueden funcionar en paralelo en tiempo real y ofrecen tolerancia a fallos por
la codificacin redundante de la informacin.
Desde el punto de vista de solucionar problemas, las redes neuronales son diferentes de los
ordenadores convencionales que usan algoritmos secuenciales, mientras que las redes
neuronales actan como el cerebro humano, procesando la informacin en paralelo, y
tambin pueden aprender y generalizar a situaciones no incluidas en el proceso de
entrenamiento. Las redes neuronales pueden procesar informacin de forma ms rpida que
los ordenadores convencionales, pero tienen la desventaja de que no podemos seguir su
respuesta paso a paso como se puede hacer al ejecutar un programa convencional en un
ordenador por lo que no resulta fcil detectar los errores.

Las redes neuronales artificiales son muy efectivas para resolver problemas complicados de
clasificacin y reconocimiento de patrones. La ms utilizada es la llamada de propagacin
hacia adelante. La figura 1 muestra una red de propagacin hacia delante con dos capas
ocultas. El nmero de entradas es directamente dependiente de la informacin disponible
para ser clasificada mientras que el nmero de neuronas de salida es igual al nmero de
clases a ser separadas. Las unidades de una capa se conectan unidireccionalmente con las
de la siguiente, en general todas con todas, sometiendo a sus salidas a la multiplicacin por
un peso que es diferente para cada una de las conexiones.

X1
(.)
(.)

X2
(.)

X3

(.)

O1

(.)

O2

(.)
(.)

X4

(.)
(.)

X5
Nudos de entrada

1 capa oculta

2 capa oculta

Capa de salida

Figura 1. Red neuronal de propagacin hacia adelante

Otro tipo de red neuronal conocida por su habilidad para manejar seales variables en el
tiempo es la FIRANN [10]. Su modelo de neurona es basado en filtros de respuesta
impulsional finita (FIR), los cuales le permiten ser aplicadas al procesamiento temporal. El
modelo de red neuronal FIRANN mostrado en la figura 2 presenta una estructura simple de
una red 2-2-2 con tres unidades de retardo de tiempo en cada neurona. Ntese que el
nmero de unidades de retardo de tiempo debe ser igual para todas las neuronas ubicadas
en una misma capa, sin embargo, este nmero de retardos puede ser diferente en las otras

capas.

Y1 (t -2)

Y1 (t -3)

FIFO

. ..

X1 (t-1)
X1 (t)

Y1 (t -3)

FIFO

X1 (t-n)

Y1 (t -2)

Y 1 (t -1)

(.)

1
Y1 (t )

Y 1 (t -1)

(.)

2
Y1 (t )

(.)

y1

X2 (t-n)

. ..

X2 (t-1)
X2 (t)

Y 2 (t -2)

Y 2 (t -3)

FIFO

FIFO

Y 2 (t -3)

2
2

Y (t -2)

Y2 (t -1)

X3 (t-n)

. ..

(.)

1
Y2

(t )

Y2 (t -1)

(.)

2
Y2

(t )

(.)

y2

X3 (t-1)
X3 (t)
Capa de entrada
Cada una tiene n
unidades del retardo

Dos capas ocultas

Cada una tiene 3
unidades del retardo

Capa de
salida

Figura 2. Red neuronal con filtros de respuesta impulsional finita (FIRANN)

3. APLICACIONES DE LAS REDES NEURONALES EN LA INGENIERA

En la bsqueda bibliogrfica se encontraron diversas aplicaciones de las redes neuronales
en las diferentes reas de la ingeniera como son la operacin confiable de procesos
productivos, diagnstico de equipos elctricos y sistemas de potencia. A continuacin se
describirn algunas de ellas.
En la operacin confiable de procesos productivos, Minchao [1] presenta un sistema de
monitoreo en lnea para una turbobomba de alimentacin de combustible a un motor de
reaccin. El autor entrena una red neurona-difusa para identificar y aislar tres clases de
fallas ocasionadas por la apertura anormal de vlvulas, utilizando la informacin de un
vector de ocho parmetros de entrada compuesto por presiones y velocidades en diferentes
puntos, cuyas tendencias de cambio con el tiempo son similares para diferentes tipos de
fallas.

El trabajo realizado por Chow [2] presenta una forma econmica de diagnosticar motores
de induccin pequeos en tiempo real para detectar fallas incipientes en los devanados y
problemas en los rodamientos; mostrando la factibilidad de usar redes neuronales
artificiales en situaciones industriales reales. Las entradas corresponden a las seales de
corriente (I) y velocidad del motor (), ambas en estado estacionario; las salidas son las
tres condiciones indicativas del estado del motor: bueno, regular y pobre respectivamente.
De esta forma con 35 datos para entrenamiento y 70 para verificacin, Se entren una
estructura convencional de red neuronal con entradas de corriente y velocidad; ms una de
orden superior con las entradas anteriores, su valor elevado al cuadrado y el producto entre
las mismas. Con esta ltima se consigui reducir el tiempo de entrenamiento y el
rendimiento en la prediccin de los resultados. Los resultados en general mostraron un buen
desempeo en el 95% de los casos.
Por otro lado Randy [3] propone la utilizacin de redes neuronales para aprender las
caractersticas del espectro de corriente de un motor en buen estado operando en lnea. La
condicin de falla es encontrada comparando el estado actual con la condicin previa de la
mquina. Esta prediccin de fallas en lnea es posible con este sistema sin requerirse
informacin del motor o caractersticas de la carga.
El anlisis clsico del espectro de corriente del motor viene afectado tanto por las barras
rotas del rotor y las curvaturas en el eje como por la variacin de cargas y desequilibrios
mecnicos; por esta razn se requiere de un experto para analizar dicha informacin. Con el
sistema propuesto por Randy, no se requiere de expertos y por lo tanto se pueden aprender
los patrones espectrales de cada mquina y monitorizar sus cambios, los cuales pueden ser
sntomas de fallas.
En este ltimo trabajo se introduce un sistema experto basado en reglas el cual sirve de
filtro para obtener los componentes de frecuencias importantes, y a la vez los clasifica en 4

niveles desde clase 1 para frecuencias de caractersticas especficas que estn directamente
relacionadas con patrones de fallas hasta clase 4 que pueden ser omitidos. Las reglas del
sistema experto permiten clasificar las frecuencias de barras rotas, excentricidades, caras
interna y externa de los rodamientos, ms algunos criterios para la amplitud y variacin de
las mismas con el paso del tiempo.
En seguridad de los sistemas de potencia, Sidhu [4] present el diseo, la implementacin y
la prueba de una red neuronal para la estimacin de la direccin del fallo en un sistema de
potencia. Las ondas de las tensiones y de las corrientes se muestrearon a una frecuencia de
24 kHz, luego se procesaron usando un filtro

de cuarto orden pasabajos, un filtro

antisobrelapamiento y un filtro de respuesta impulsional finita (FIR) de tres puntos. Luego

se volvieron a muestrear a una frecuencia de 1,2 kHz y finalmente estos valores se
aplicaron a una red neuronal con retardos de tiempo. La red neuronal resultante utiliz
cinco unidades de retardo de tiempo en la capa de entrada, y una estructura de tres capas
con 12, 4, y 1 neuronas respectivamente. Su implementacin se realiz mediante una tarjeta
DSP obtenindose una respuesta muy rpida y buenos resultados al detectar fallos de alta y
baja impedancia, altas y bajas relaciones de la impedancia de la fuente respecto a la lnea
(SIR), prdidas de datos, datos errneos y diferentes tipos de fallos.
Otra rea crtica de los sistemas elctricos de potencia son las protecciones donde la
velocidad de respuesta juega un papel decisivo en la seguridad de los equipos. Aqu se
tienen aplicaciones como la propuesta por Orille [5] donde se disea una red neuronal de
respuesta impulsional finita encargada de la proteccin diferencial de un transformador de
potencia. Las entradas de la red corresponden a las tensiones y corrientes entrantes y
salientes del transformador; la salida corresponde a una seal indicadora de la presencia o
no de fallo interno. En la prueba de la red se encontr como ante todos los eventos de falla
interna en el transformador la respuesta de la red neuronal (seal de disparo) siempre fue
inferior a 4 ms, que en todos los casos es muy inferior al tiempo de respuesta de las
protecciones tradicionales.

4. APLICACIONES DE LAS REDES NEURONALES EN LA ECONOMA

La inteligencia artificial y en especial los sistemas expertos y las redes neuronales
artificiales han mostrado ser promisorias en aplicaciones a los mercados de valores,
pronstico de variables macroeconmicas y mercado de divisas.
Freedman [7] represent mediante hojas electrnicas de clculo un sistema experto basado
en casos y una red neuronal como herramientas para tomar decisiones en el mercado de
valores. La diferencia entre estas dos tcnicas se tiene en la forma como representan el
conocimiento; mientras que en las redes neuronales el conocimiento existente es utilizado
para entrenar la red, en el razonamiento basado en casos el conocimiento es un componente
permanente de la hoja electrnica de clculo. Estas hojas proporcionan informacin visual
y amigable a los usuarios permitindoles un mayor dominio de su entorno computacional y
tener una mayor confianza en sus resultados.
Misas [8] justific la aplicacin de las redes neuronales en el pronstico de la inflacin
dadas las caractersticas no lineales de esta variable. Su trabajo se llev a cabo con
informacin trimestral correspondiente a la primera diferencia del logaritmo de las series
IPC, M1, M3 y abarcando el perodo comprendido entre el primer trimestre de 1969 y el
segundo trimestre del 2001; realizando varias pruebas con diferentes modelos. En el primer
modelo el conjunto de variables explicativas o variables de entrada considera los primeros
8 rezagos de la inflacin, en el segundo y tercer modelo se consideran variables monetarias
como explicativas con los primeros 6 rezagos. En el cuarto y quinto modelo incluyen
rezagos de inflacin y dinero en su conjunto de informacin y tienen en cuenta el mismo
nmero de rezagos que se consider para los tres primeros modelos, slo que en el cuarto
modelo la variable monetaria es M1 mientras que en el quinto es M3.
Los resultados del trabajo de Misas demostraron el potencial que tienen los modelos de
redes neuronales en el pronstico de la inflacin, al competir y en algunos casos superar a
los modelos lineales tradicionales. Con estos resultados se ampla y mejora la familia de

modelos de que hoy se dispone para pronstico de la inflacin y, en particular, se fortalece

el trabajo de los modelos que incluyen como insumo variables monetarias.
Una aplicacin al pronstico en el mercado de divisas de corto plazo la presenta el Banco
de Canad en su documento de trabajo 2000-23 [9] donde se combinan 2 nuevos enfoques:
las redes neuronales y la microestructura del mercado para la determinacin de la tasa de
cambio y las fluctuaciones que sta presenta, incluyendo una serie de variables
macroeconmicas que explican los movimientos de la tasa de cambio entre el Dlar
Americano y el Dlar Canadiense.
En este ltimo trabajo se estudiaron dos modelos con redes neuronales donde se incluan
siete (7) rezagos de tiempo en la tasa de cambio y combinaciones de otras variables como
son el flujo de rdenes de transacciones con clientes comerciales, las transacciones con
clientes extranjeros, las transacciones interbancarias, la diferencia entre las tasas de inters
para depsitos a 90 das entre Estados Unidos y Canad, y el precio del crudo. Se utilizaron
redes neuronales de propagacin hacia adelante con 3 y 4 neuronas en su capa oculta;
donde un 60% de los datos fue usado para entrenamiento, un 30% para la validacin y el
otro 10% fue utilizado para validacin (pronstico del tipo de cambio).
Los resultados mostraron que el pronstico dentro de la muestra con redes neuronales son
mejores comparados con los modelos lineales y de caminos aleatorios. El pronstico fuera
de la muestra y para un da, los resultados obtenidos fueron exitosos en un 72% de los
casos, mientras que los obtenidos con los modelos de caminos aleatorios fueron exitosos en
un 55%. En conclusin, los resultados muestran que los modelos con redes neuronales son
mejores que los modelos lineales y producen mejores pronstico fuera de la muestra.
5. PROYECTOS REALIZADOS EN NUESTRO GRUPO DE INVESTIGACIN
A continuacin se presentan los resultados de dos proyectos de investigacin desarrollados
en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL de la
Universidad de Antioquia, en los cuales se aplican redes neuronales a dos casos especficos

de la ingeniera y la economa.
5.1 DISEO DE UNA RED NEURONAL PARA LA PROTECCIN DIFERENCIAL DE
UN GENERADOR SINCRNICO
En este trabajo se propuso un nuevo esquema para la proteccin diferencial de generadores
sincrnicos basado en redes neuronales con filtros de respuesta impulsional finita
(FIRANN) [11]. El entrenamiento de las redes neuronales se realiz con patrones
escogidos aleatoriamente de un grupo de simulaciones de fallos internos en la mquina.
La mquina usada para generar los patrones de entrenamiento del esquema de proteccin
propuesto corresponde a un generador sincrnico real de polos salientes de 150 MVA a 13.2
kV, 50 Hz. Las simulaciones se realizaron utilizando un modelo de mquina sincrnica el
cual cubre todas las condiciones posibles de operacin, tipos de fallas para diferentes
instantes de tiempo y diferentes tipos de carga [12].
El subconjunto de patrones de las simulaciones para entrenar la red neuronal se seleccion
aleatoriamente, utilizando el 25% del conjunto total de simulaciones. De esta forma se
usaron 5022 conjuntos de datos para entrenar la red neuronal de un total de 19728, lo que
demuestra la gran habilidad de generalizacin de las redes neuronales. De cada simulacin
seleccionada se tom una ventana de datos equilibrada con respecto al instante de fallo, es
decir, se tomaron los intervalos de tiempo antes del fallo y despus del fallo iguales. As
con una frecuencia de muestreo de 2 kHz, una ventana de una simulacin consta de 80
muestras, 40 muestras antes del fallo, 5 muestras de transicin inmediatamente despus del
fallo y por ltimo 35 muestras despus de la transicin. Las 5 muestras de transicin
inmediatamente despus del fallo estn pensadas para una respuesta de la proteccin de 2.5
ms, lo cual significa que es ms rpida que cualquier otra proteccin presentada hasta el
momento.
La estructura del esquema de proteccin que present un mejor comportamiento es
mostrada en la figura 3. El esquema se compone de tres bloques paralelos FIRANN, cada
uno dedicado a la proteccin de un tipo de falla. Las entradas de las redes FIRANN son las

corrientes simuladas entrando y saliendo de los devanados del estator; estas corrientes son
representadas por ian, ibn, y icn para las tres fases al lado del neutro; iat, ibt, y ict representan
las corrientes en las tres fases en los terminales de la mquina.

R N1
L-N

i cn i bn i an

i ct i bt i at

..
.

..
.

..
.

..
.

..
.

+1 FALLO

R N2

+1 FALLO

-1 NORMAL

L-L-L

-1 NORMAL

..
.
R N3
EXT.

+1 FALLO
-1 NORMAL

Fig. 3 Estructura de proteccin con tres redes FIRANN.

5.1.1 Bloque detector de fallas internas entre fases y tierra

El bloque detector de fallas internas entre una fase y tierra (RN1) consta de 4 capas. La
capa de entrada recibe 6 seales correspondientes a las corrientes de fase que entran y salen
de los devanados del estator y 6 unidades de retardo de tiempo en cada entrada. La primera
capa oculta tiene 12 neuronas con 3 unidades de retardo de tiempo mientras que la segunda
capa oculta tiene 7 neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que
ha sido entrenada para ser igual a +1 en el caso de presentarse una falla interna entre
cualquier fase y la tierra e igual a 1 en cualquier otra situacin.
5.1.2 Bloque detector de fallas internas entre fases

El bloque detector de fallas internas entre dos fases, entre dos fases y tierra o entre las tres
fases (RN2) consta de 4 capas. La capa de entrada recibe 6 seales correspondientes a las
corrientes de fase que entran y salen de los devanados del estator y 6 unidades de retardo de
tiempo en cada entrada. La primera capa oculta tiene 15 neuronas con 3 unidades de retardo
de tiempo mientras que la segunda capa oculta tiene 7 neuronas con 3 unidades de retardo
de tiempo. Se tiene una salida que ha sido entrenada para ser igual a +1 en el caso de
presentarse una falla interna entre fases e igual a 1 en cualquier otra situacin.
5.1.3 Bloque detector de fallas externas
El bloque detector de fallas externas (RN3) consta de 4 capas. La capa de entrada recibe 6
seales correspondientes a las corrientes de fase que entran y salen de los devanados del
estator y 6 unidades de retardo de tiempo en cada entrada. La primera capa oculta tiene 12
neuronas con 3 unidades de retardo de tiempo mientras que la segunda capa oculta tiene 7
neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que ha sido entrenada
para ser igual a +1 en el caso de presentarse una falla externa e igual a 1 en cualquier otra
situacin.
Finalmente se realiz la prueba de la red neuronal con las simulaciones no incluidas en el
grupo de patrones de entrenamiento. La figura 4 muestra las corrientes para una falla
interna entre la fase A y tierra y la respuesta del bloque detector RN1, donde ian , representa
la corriente entre el punto de falla y tierra e iat corresponde a la corriente entre el punto de
falla y el terminal de la fase A. La falla fue aplicada cubriendo el 80% del devanado a partir
del neutro, cuando el generador estaba trabajando en un 90% de su carga nominal. Todas
las dems respuestas de los bloques de proteccin fueron similares a las mostradas en la
figura 4, donde la transicin de 1 a un nivel de falla (+1) ocurre en menos de 4 muestras
(2.0 ms) a partir de la aplicacin de la falla.
De las pruebas realizadas a nuestro esquema de proteccin diferencial compuesto de tres
redes neuronales artificiales FIRANN, se corroboran las ventajas ya conocidas de las redes
neuronales artificiales como son su inmunidad al ruido, gran capacidad de generalizacin y

alta velocidad de respuesta debida al procesamiento en paralelo. Adicionalmente se mostr

su mejor desempeo con respecto a los algoritmos de proteccin diferencial existentes, al
poder detectar fallos internos muy cercanos al punto del neutro, tener un buen
comportamiento ante ruidos y errores en las relaciones de transformacin de los
transformadores de intensidad y no dar seales errneas de disparo por cambios bruscos en
la carga.

1
0. 5
0
-0. 5

Salida de la red RN1

-1
5

10

15

20

0. 5

25

30

35

40

45

50

55

60

25

30

35

40

45

50

55

60

i at

0
-0. 5
5

10

15

20

0. 5

i an
0

Fig.4 Respuesta
de la red RN1 para un fallo interno entre la fase A y tierra.
-0. 5
5

10

15

20

25

30

35

40

45

50

55

60

Nmero de muestras

5.2 APLICACIN EN PRONSTICOS EN EL MERCADO DE DIVISAS

En este trabajo se demuestra la factibilidad de utilizar las redes neuronales para modelar el
comportamiento del mercado de divisas mediante una aplicacin a la tasa de cambio entre
el Yen japons y el Dlar americano [13].
El conjunto de redes neuronales se entren con la base de datos histrica de la tasa de
cambio del yen japons con respecto al dlar en el periodo comprendido entre el 1 de enero
de 2002 y el 30 de septiembre de 2003, obtenindose un total de 521 datos diarios de los
cuales se reservaron 40 para prueba quedando 481 para entrenamiento. Se probaron
diferentes estructuras de redes neuronales con una y dos capas ocultas y variando el nmero

de neuronas en cada capa e incluyendo tambin retardos de tiempo en la entrada.

Finalmente se encontr como mejor estructura de red neuronal la representada en la figura
5 con las siguientes caractersticas:
8 entradas: 6 retardos de tiempo (ret n), 1 secuencial (sec) y 1 entrada peridica
(per) que representa el da de la semana al que pertenece el dato.
12 neuronas en la capa oculta, la cual tiene funcin de transferencia tangente
sigmoide.
Funcin purelin o identidad en la capa de salida.
Algoritmo de entrenamiento: trainlm del Matlab.

Figura 5. Estructura de red neuronal utilizada

La figura 6 muestra el comportamiento de la red neuronal entrada con los ltimos 300 das
con el objetivo de hacer prediccin para los 40 das siguientes,
Aunque los resultados mostrados son prometedores, el desempeo de las redes neuronales
puede mejorarse si se dispone de una buena fuente de informacin que incluya las
expectativas de los indicadores econmicos del mercado y los flujos de dinero
especulativos que tambin modifican sustancialmente las tasas de cambio. Por lo tanto, este
trabajo es la base para futuros proyectos de prediccin de la tasa de cambio, abarcando

otras divisas o conjunto de estas.

Figura 6 Simulacin y prediccin de la tasa de cambio

7. CONCLUSIONES
En este trabajo se present una revisin bibliogrfica de las aplicaciones de las redes
neuronales en la Ingeniera y la Economa. Tanto los diferentes trabajos consultados como
los resultados de dos proyectos realizados en el Grupo de Investigacin en Manejo
Eficiente de la Energa Elctrica GIMEL mostraron la potencialidad de aplicacin de las
redes neuronales en aquellos campos donde se requieran analizar el comportamiento de
sistemas no lineales y con dificultad de ser modelados matemticamente.
REFERENCIAS
[1] Minchao, H., Quzhi, C., Fuzzy Direction Neural Networks and its Application to Fault
Detection and Isolation, 13th ISPE/IEE International Conference of CAD/CAM Robotics
and Factories of the Future, Pereira, 1997, pp.1007.
[2] Chow, M., Mangum, P., Yee, M., A Neural Network Approach to Real-Time Condition
Monitoring of Induction Motors, IEEE Transactions on Industrial lectronics, Vol. 38,
No.6, December 1991, pp 448-453.

[3] Randy, R.S., Brian, K.L., Thomas, G.H., Jay, H.S., Samir, F., An Unsupervised, OnLine System for Induction Motor Fault Detection Using Stator Current Monitoring, IEEE
Transactions on Industry Applications, Vol. 31, No. 6, November-December 1995, pp 12801286.
[4] Perez, L. G., Flechsig, A.J., Meador J.L., and Obradovic, Z., Training an artificial
neural network to discriminate between magnetizing inrush and internal faults, IEEE trans.
on Power Delivery, vol. 9, no. 1, pp. 434-441, 1994.
[5] Orille, A. L., Khalil, N., and J. A. Valencia, A FIRANN as a Differential relay for
Three Phase Power Transformer Protection, IEEE Trans. On Power Delivery, Vol. 16, No.
2, pp. 215-218, April 2001.
[6] Trippi, R.R. and Turban, E.; Neural Networks in Finance and Investing, McGrawHill, 1996.
[7] Freedman, R.S., Frail, R.P.; Expert Systems in Spreadsheets: Modeling the Wall User
Domain, IEEE International Conference on Artificial Intelligence, 1991, pp. 296-301.
[8] Misas, M., Lpez, E., Querubn, P., La inflacin en Colombia: una aproximacin desde
las redes neuronales artificiales, Borradores de Economa, Banco de la Repblica,
Colombia, Febrero de 2002.
[9] Gradojevic, N., Yang, J., The application of artificial neural networks to exchange rate
forecasting: the role of market microstructure variables, Working Paper 2000-23, Bank of
Canada, December 2000, ISSN 1192-5434.
[10] Haykin, S., NEURAL NETWORKS a comprehensive foundation, Macmillan College
Publishing Company, 1994.
[11] Villada, F., Aplicacin de las redes neuronales en la proteccin diferencial de
generadores sncronos, Tesis Doctoral, Departamento de Ingeniera Elctrica, Universidad
Politcnica de Catalua, Terrassa, Barcelona, Espaa 2001.
[12] Muoz, W., Redes neuronales: una aplicacin al mercado de divisas, Monografa
para optar al ttulo de Ingeniero Electrnico, Universidad de Antioquia, 2003.