Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
Capa de
salida
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 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
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
1
0. 5
0
-0. 5
-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
[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.