Está en la página 1de 102

UNIVERSIDAD MAYOR DE SAN ANDRS

FACULTAD DE INGENIERA
CARRERA DE INGENIERA ELCTRICA

ESTIMADORES DE ESTADO EN SISTEMAS


ELCTRICOS DE POTENCIA MEDIANTE REDES
NEURONALES ARTIFICIALES
Proyecto de grado para optar el grado acadmico de Ingeniero Elctrico

Por: Juan Carlos Huaquisaca Paye


Tutor: Ing. Ruperto Juan Aduviri Rodrguez

LA PAZ-BOLIVIA
Abril, 2016

UNIVERSIDAD MAYOR DE SAN ANDRS


FACULTAD DE INGENIERA
CARRERA DE INGENIERA ELCTRICA
Proyecto de Grado:

ESTIMADORES DE ESTADO EN SISTEMAS ELCTRICOS


DE POTENCIA MEDIANTE REDES NEURONALES
ARTIFICIALES
Presentado por:

Univ. Juan Carlos Huaquisaca Paye

Para optar el grado acadmico de Ingeniero Elctrico


Nota numeral:
Nota literal:
Ha sido aprobado como:
Ing. Jaime Mariscal Jimnez lvarez
Director de Carrera de Ingeniera Elctrica
Tutor:
Ing. Ruperto Juan Aduviri Rodrguez
Tribunal:
Ing. Rmulo Encinas Laguna
Ing. Gervacio Garca Apaza
Ing. Irma Prado Villarroel

Fecha: 19 de abril de 2016

Dedicatoria

Agradecimientos

IV

NDICE GENERAL
DEDICATORIA ................................................................................................... III
AGRADECIMIENTOS ....................................................................................... IV
NDICE DE TABLAS ......................................................................................... IX
NDICE DE FIGURAS ......................................................................................... X
RESUMEN ......................................................................................................... XI
CAP. I

FUNDAMENTOS GENERALES .................................. 13

1.1.- INTRODUCCIN.- .................................................................................. 13


1.2.- ANTECEDENTES.- ................................................................................ 14
1.3.- PLANTEAMIENTO DEL PROBLEMA.- .................................................. 16
1.4.- OBJETIVOS.- ......................................................................................... 17
1.4.1.- OBJETIVO GENERAL.- ............................................................................. 17
1.4.2.- OBJETIVOS SECUNDARIOS.- .................................................................... 18
1.5.- JUSTIFICACIN: .................................................................................... 18
1.5.1.- JUSTIFICACIN ACADMICA.- ................................................................... 18
1.5.2.- JUSTIFICACIN TCNICA.- ........................................................................ 18
1.5.3.- JUSTIFICACIN METODOLGICA.- .............................................................. 18
1.6.- LIMITES Y ALCANCES:.......................................................................... 19
1.6.1.- ALCANCES.-............................................................................................ 19
1.6.2.- LMITES.- ................................................................................................ 19
CAP. II

MARCO TERICO ......................................... 20

2.1.- DEFINICIONES.- ..................................................................................... 20


2.1.1.- ESTADO.- ............................................................................................... 20
2.1.2.- ESTIMADOR DE ESTADO.- ......................................................................... 20
2.1.3.- NEURONA.-............................................................................................. 20
2.1.4.- SINAPSIS.- .............................................................................................. 20
V

2.1.5.- RED NEURONAL.- .................................................................................... 20


2.2.- FUNDAMENTO DE LOS ESTIMADORES DE ESTADO.......................... 21
2.3.- FUNDAMENTOS DE LAS REDES NEURONALES ARTIFICIALES ........ 22
2.3.1.- APRENDIZAJE ENTRENAMIENTO ............................................................. 22
2.3.1.1.- APRENDIZAJE- ENTRENAMIENTO SUPERVISADO ....................................... 23
2.3.1.2.- APRENDIZAJE- ENTRENAMIENTO NO SUPERVISADO .................................. 23
2.3.2.-CLULAS DE MCCULLOCH-PITTS............................................................... 24
2.3.3.-PERCEPTRON ..................................................................................... 25
2.3.3.1.-DESCRIPCION DEL MODELO................................................................... 26
2.3.4.- ADALINE .............................................................................................. 28
2.3.4.1.- DESCRIPCIN DEL MODELO .................................................................. 29
2.3.5.- PERCEPTRON MULTICAPA ............................................................... 30
2.3.5.1.- ARQUITECTURA DEL PERCEPTRON MULTICAPA .............................. 31
2.3.5.2.-ALGORITMO DE RETROPROPAGACIN .................................................... 33
2.3.5.3.- OBTENCIN DE LA REGLA DELTA GENERALIZADA ................................... 35
2.4.- MODELO DE LOS ELEMENTOS DEL SEP ............................................. 39
CAP. III

MARCO PRCTICO ........................................ 42

3.1.- DIAGRAMA EN BLOQUES DEL ESTIMADOR ....................................... 42


3.2.- APLICACIN AL SEP. DEL NORTE BOLIVIANO EN 115 KV ................. 43
3.2.1.- NODOS DEL SISTEMA .............................................................................. 43
3.2.2.- LNEAS DE TRANSMISIN DEL SISTEMA ..................................................... 43
3.3.-PROGRAMA EN MATLAB PARA EL CLCULO DE FLUJOS DE
POTENCIA ...................................................................................................... 49
3.3.1.-PROGRAMA PARA CALCULAR LOS FLUJOS E INYECCIONES DE POTENCIA A
PARTIR DE LAS TENSIONES Y NGULOS. ................................................................ 49

3.3.1.1.-ARCHIVO SISTEMA A SIMULAR ................................................................. 50


3.3.1.2.-ARCHIVO FLUJCARGA ............................................................................ 50
3.3.1.3.-ARCHIVO FLUJPAC ............................................................................... 50
VI

3.3.1.4.-ARCHIVO FLUJQVAR ............................................................................. 50


3.3.1.5.-ARCHIVO

PWIJ...................................................................................... 50

3.3.1.6.-ARCHIVO

QVAIJ .................................................................................... 51

3.3.1.7.-ARCHIVO SIST NORTE BOL ............................................................... 51


3.4.- RED NEURONAL PROPUESTA ............................................................. 54
3.5.-PROGRAMA EN MATLAB PARA DETERMINAR LOS PESOS Y
UMBRALES

DE LA RED NEURONAL PERCEPTRON

MULTICAPA .................................................................................................... 58
3.5.1.- SIMULACIN DE LA RED ........................................................................... 59
3.5.2.- ENTRENAMIENTO DE LA RED .................................................................... 60
3.5.2.1.- REGLA DELTA GENERALIZADA ............................................................... 60
3.5.3.- MTODOS QUE SE PUEDEN UTILIZAR EN MATLAB PARA MEJORAR LA
CAPACIDAD DE LA GENERALIZACIN DE LA RED ..................................................... 61

3.5.3.1.- REGULARIZACIN ................................................................................. 62


3.5.3.1.1.- FUNCIN DEL ERROR MODIFICADA ..................................................... 62
3.5.3.1.2.- PARADA TEMPRANA .......................................................................... 62
3.6.-BANCO DE DATOS PARA ENTRENAR LA RED NEURONAL ................. 63
3.6.1.-BANCO DE DATOS DE ENTRADA MEDIDOS DEL SISTEMA NORTE BOLIVIANO . 63
3.6.2.-BANCO DE DATOS DE LOS ESTADOS DESEADOS DEL SISTEMA NORTE
BOLIVIANO ......................................................................................................... 68
3.7.- RESULTADOS OBTENIDOS AL CABO DEL ENTRENAMIENTO .............................. 69
CAP. IV

CONCLUSIONES Y RECOMENDACIONES ..................... 74

4.1.- CONCLUSIN ............................................................................................. 74


4.2.- RECOMENDACIONES ................................................................................... 76
CAP. V

BIBLIOGRAFA Y ANEXOS .................................... 77

5.1.- BIBLIOGRAFA ............................................................................................ 77


5.2.- ANEXOS .................................................................................................... 80
VII

5.2.1.- ANEXO A: DEDUCCIN DETALLADA DE LAS ECUACIONES PARA LOS


COMPONENTES DEL SEP...................................................................................... 80

5.2.2.- ANEXO B: CDIGO DE PROGRAMACIN EN MATLAB PARA EL CLCULO DE


FLUJOS E INYECCIONES DE POTENCIA ................................................................... 85

5.2.3.- ANEXO C CDIGO DE PROGRAMACIN EN MATLAB PARA LA ESTIMACIN DE


ESTADO ............................................................................................................. 95

VIII

NDICE DE TABLAS

Tabla 3.1: Nodos del sistema norte boliviano de 115 kV.46


Tabla 3.2: Parmetros del Sistema Norte Boliviano de 115 kV..47
Tabla 3.3 Mtodo de entrenamiento Vs. Tiempo de entrenamiento...56
Tabla 3.4: Magnitud de voltajes medidos......64
Tabla 3.5: Flujos de potencia i-j activa y reactiva medidos......65
Tabla 3.6: Flujos de potencia j-i activa y reactiva medidos........66
Tabla 3.7: Inyecciones de potencia activa y reactiva medidos ...67
Tabla 3.8: Magnitud y ngulo de tensiones nodales....68
Tabla 3.9: Magnitud de tensiones nodales medidos y estimados.69
Tabla 3.10: Flujos de potencia i-j activa y reactiva medidos y estimados.70
Tabla 3.11: Flujos de potencia j-i activa y reactiva medidos y estimados..71
Tabla 3.12: Inyeccin de potencia activa y reactiva medidos y estimados..72

IX

NDICE DE FIGURAS

Figura 1.1: Esquema de un Estimador de Estado y SEP ....14


Figura 1.2: Estructura de una Red Neuronal Artificial..15
Figura 1.3: Diagrama en Bloques de la Solucin Propuesta..17
Figura 2.1: Esquema del entrenamiento supervisado.....23
Figura 2.2: Esquema del entrenamiento no supervisado....24
Figura 2.3: Esquema general de la clula McCulloch-Pitts..25
Figura 2.4: Arquitectura de un PERCEPTRON con dos entradas y una salida....26
Figura 2.5: Separabilidad lineal de clases.....27
Figura 2.6: Arquitectura del PERCEPTRON MULTICAPA.....32
Figura 2.7: Funciones de activacin33
Figura 2.8: Modelo pi de la lnea de transmisin...39
Figura 2.9: Modelo pi del transformador con cambio de tap40
Figura 3.1: Diagrama de bloques del estimador de estado....42
Figura 3.2: Diagrama unifilar del Sistema Norte Boliviano de 115 kV..44
Figura 3.3: Diagrama unifilar simplificado del Sistema Norte Boliviano de 115 kV
.....45
Figura 3.4: Archivos del programa......49
Figura 3.5: Archivo Excel, libro Nodos...51
Figura 3.6: Archivo Excel, libro Lneas ...53
Figura 3.7: Red neuronal propuesta...55
Figura 3.8: Anlisis de sensibilidad en tensiones nodales...57
Figura 3.9: Caractersticas del computador en donde se entren la red neuronal
.....58

RESUMEN

El presente trabajo, introduce una herramienta ms para los


profesionales en uno de los temas importantes en la operacin y
control de los sistemas elctricos de potencia y en la aplicacin de los
mtodos heursticos como las Redes Neuronales Artificiales para
solucionar problemas encontrados en la Ingeniera. El Estimador de
Estado Mediante Redes Neuronales Artificiales desarrollado en el
presente trabajo es aplicado al Sistema Norte Boliviano de 115 kV,
cuyos resultados muestran que es posible la implementacin prctica
a un sistema real.

XI

XII

CAP. I

FUNDAMENTOS GENERALES

1.1.- INTRODUCCIN.-

Los Estimadores de Estados en Sistemas Elctricos de Potencia


(EESEP) juegan un papel muy importante en la operacin de un sistema de potencia.

Si se considera el transporte de la energa a travs de lneas de transmisin desde los


puntos de generacin hasta los puntos de consumo en forma eficiente, cumpliendo
los requerimientos de calidad de servicio, es necesario conocer los estados del sistema
de potencia, esto es conocer las tensiones y ngulos de los nodos ( Vi , Di ).Estas
variables permiten calcular en forma muy fiable los flujos e inyecciones de potencias
activas y reactivas, a partir de esta informacin contenida en una base de datos puede
realizarse los clculos de flujos de potencia ptimo, coordinacin de protecciones,
anlisis de corto circuito, despacho de carga ptima, proyeccin de la demanda de
energa, etc.

Es importante contar con datos fiables por cuanto si estos son errados, darn
resultados errados y por tanto la operacin del sistema de potencia se tornara catica.

Por lo que el proyecto se centra en estimar los estados del sistema de potencia
(Tensin en todos los Nodos tanto en modulo y fase), a partir de las mediciones de
Tensiones, potencias Activas y Reactivas, generando un sistema de ecuaciones sper
determinado (mas ecuaciones que incgnitas), para luego realizar los clculos y
anlisis mencionados anteriormente a partir de los estados estimados mediante la red
neuronal.

13

Vi

Flujos de
Potencia

Despacho
Analisis de
Economico
Estabilidad

Interfaz
deentrada
dedatos

Estimador de Estado
Di

Coordinacion
de Protecciones

Pij y Qij

Pr opuesta
desolucion

Modulo de
Re d
Estados
calculo de flujo
Neuronal
Estimados
de potencia
Artificial

Pij Qij Pi Qi Vi

Vi

Sistema de Medicon (SCADA)

Pi y Qi

Sistema Elctrico de Potencia (SEP)

......................

Pr oyeccon
de la demanda
de energia

Figura 1.1 Esquema de un Estimador de Estado y SEP.


Fuente: Elaboracin propia

1.2.- ANTECEDENTES.-

Una Red Neuronal Artificial (RNA) es un modelo heurstico que copia


la estructura de un sistema neuronal biolgico con el fin de alcanzar una funcionalidad
similar [42]. Es decir permiten obtener un modelo no explcito que relaciona un conjunto
de variables salida con un conjunto de variables entrada. As, estos modelos permiten
predecir cul es el valor o valores de salida, dados unos valores de entrada del modelo,
ver figura 1.2.

El amplio uso de las computadoras digitales ha impulsado la investigacin


neurofisiolgica y desarrollado las Redes Neuronales Artificiales, recin en los ltimos
aos se ha concentrado en la aplicacin de estas redes neuronales en la resolucin
de problemas pertenecientes a las ramas de la ciencia, y muy especialmente en la
ingeniera.

14

Los modelos de las Redes Neuronales Artificiales desarrollados pudieron no tener


importancia neurolgica. Si no ms bien representan modelos matemticos
aproximados sobre el modo de funcionamiento del cerebro.

X1

Y1

Xi
Yn c

n2

n1

Capa deentrada

n3

Capas ocultas

n c1

nc

Xn

Capa desalida

Figura 1.2. Estructura de una Red Neuronal Artificial


Fuente: Elaboracin propia

La referencia histrica ms corriente es la que alude al trabajo realizado por Frank


Rosenblatt en un dispositivo denominado PERCEPTRON, sin dejar de mencionar el
desarrollo del ADALINE por Bernard Widrow.

La programacin de modelos basados en redes neuronales artificiales (RNA) se ha


incrementado en los recientes aos en varios campos como ser industria, medicina,
finanzas y los sistemas elctricos de potencia.

Dentro del amplio rango de posibles aplicaciones de las redes neurales artificiales en
los sistemas elctricos de potencia (SEP). Como ser operacin y procesos de control,
incluyendo el anlisis de estabilidad, proyeccin de las cargas, ESTIMACIN DE
ESTADOS, anlisis de flujos de carga, anlisis de contingencias accin de control de
emergencias. Etc. (Computer Aplications in Power volume 14 Number 3 July 2001).

En cuanto a trabajos realizados en la Carrera Ingeniera Elctrica de la Universidad


Mayor De San Andrs con referentes a la aplicacin de las redes neuronales artificiales
15

en sistemas elctricos de potencia, la carrera no cuenta con un documento que avale


trabajos realizados en este mbito. Pero si existen documentos acerca de estimadores
de estado tradicionales de sistemas elctricos de potencia (Estimador de Estado en
Sistemas de Potencia, Ruperto Juan Aduviri Rodrguez 1992 y Estimador de Estados
en Sistemas Elctricos, Felipe Santiago Quisbert Navarro 2009).

1.3.- PLANTEAMIENTO DEL PROBLEMA.-

Debido a la complejidad y el tamao de un


sistema elctrico de potencia, los centros de despacho de carga requieren del apoyo
de un sistema capaz de monitorear las variables que pueden estar contaminados de
errores y ms an pueden existir perdidas de algunas de ellas, todo ello por efecto de
una mala calibracin de los instrumentos, errores en la lectura y transmisin e incluso
una falla en la lnea de transmisin de datos.

Las mediciones de campo que llegan al centro de despacho de carga deben ser
filtradas y procesadas para obtener los estados ms fiables del sistema elctrico de
potencia. A este mtodo de filtrado de errores y recuperacin de la informacin perdida
la denominaremos ESTIMADOR DE ESTADO EN UN SISTEMA ELCTRICO DE
POTENCIA.

La particularidad especial de los RNA (Redes Neuronales Artificiales) en poder


reconocer y reconstruir patrones nos motiva a utilizar esta tecnologa en los
estimadores de estado.

16

Sistema Elctrico de Potencia (SEP)

Sistema de Medicon (SCADA)

Pij Qij Pi Qi Vi

Vi

Enterfaz
de entrada
de datos

Pi y Qi
Pij y Qij

Modulo de
Re d
Estados
calculo de flujo
Neuronal
Estimados
de potencia
Artificial

Figura 1.3. Diagrama en Bloques de la Solucin Propuesta.


Fuente: Elaboracin propia

Problema encontrado:

Los

estimadores

de

estado

tradicionales,

demandan

un

tiempo

relativamente grande, para estimar los estados del sistema elctrico de


potencia, por lo que para monitorear un sistema en tiempo real no son los
adecuados.

Pregunta de investigacin:

Cmo aplicar la tecnologa de las redes neuronales artificiales para estimar


de estado de un sistema elctrico de potencia?

Propuesta de solucin:

Estudiar e implementar la tecnologa de las redes neuronales artificiales,


para estimar los estados de un sistema elctrico de potencia en tiempo real.

1.4.- OBJETIVOS.-

1.4.1.- Objetivo General.

Utilizar la tecnologa RNA. En los estimadores de estado de un sistema


elctrico de potencia.
17

1.4.2.- Objetivos Secundarios.

Estudiar RNAS orientados al reconocimiento de patrones.

Desarrollar un software en el entorno MATLAB. Para calcular los flujos de


potencia conociendo los estados estimados.

Evaluar el estimador de estado a base de las RNAS en el sistema Norte


Boliviano de 115 kV .

1.5.- JUSTIFICACIN:
El trabajo podr ser aplicado para estimar los
estados en un sistema elctrico de potencia considerando los modelos de lneas de
transmisin, transformadores con tap fuera de su posicin nominal y banco de
capacitores y reactores en paralelo.

1.5.1.- Justificacin Acadmica.La bibliografa de la aplicacin de las RNAS a los


sistemas elctricos de potencia son muy escasos, por lo que el trabajo pretende dar
una gua sobre esta tecnologa en los SEPS.

1.5.2.- Justificacin Tcnica.Contando con un estimador de estado en base a


RNAS se podr mejorar la operacin de los sistemas elctricos de potencia
Implementando un algoritmo alternativo a los tradicionales.
1.5.3.- Justificacin metodolgica.La eleccin de la estructura neuronal ms adecuada
para el problema especfico deber empezar estructurando el entorno del estimador
de estado.

18

1.6.- LIMITES Y ALCANCES:


1.6.1.- Alcances.En el presente trabajo se desarrollara la base terica de la
estimacin de estado en los sistemas elctricos de potencia mediante redes
neuronales artificiales y para mostrar la aplicabilidad del mismo se implementar lo
estudiado en el sistema elctrico de potencia del Norte Boliviano de 115 kV.

Las consideraciones generales del presente trabajo son que:

El algoritmo se implementar en el entorno MATLAB.

Se analizaran los sistemas elctricos de potencia en estado estacionario.

El sistema es observable y tambin se tendr ms datos que ecuaciones.

La red neuronal implementada ser el PERCEPTRON MULTICAPA.

La estimacin de estado del sistema elctrico ser en tiempo real.

1.6.2.- Lmites.-

El algoritmo no se implementara en otros entornos ms que el de MATLAB.

No se analizaran los sistemas elctricos de potencia en estado transitorio.

En los modelos de un sistema elctrico de potencia presentados no se


analizaran los componentes de capacitores en serie, insertos en las lneas
de transmisin.

No se analizaran los sistemas que no sean observables.

19

CAP. II

MARCO TERICO

2.1.- DEFINICIONES.2.1.1.- Estado.Se entiende como estado de un sistema dinmico al conjunto ms


pequeo de variables (variables de estado), de tal forma que el conocimiento de esas
variables de estado en un tiempo

t t o juntamente con la entrada para un tiempo

t t o determina totalmente el comportamiento del sistema para el tiempo t t o [15].


2.1.2.- Estimador de estado.Se entiende como un proceso para determinar el
vector de estado ms probable en un sistema, utilizando para ello todas las medidas
posibles.

2.1.3.- Neurona.La neurona artificial, clula o autmata, es un elemento que posee


un estado interno, llamado nivel de activacin, y recibe seales que le permiten, en su
caso, cambiar de estado [6].

2.1.4.- Sinapsis.Se denomina as a la unin o conexin que existe entre dos


neuronas

2.1.5.- Red Neuronal.Ciertas caractersticas de las fisiologas del cerebro como


base para nuestros nuevos modelos de procesamiento a las cuales les llamaremos
redes neuronales.
20

Las estructuras de las redes neuronales se definen como una coleccin de


procesadores paralelos conectados entre s en la forma de un grafo dirigido,
organizados de tal modo que la estructura de la red sea la adecuada para el problema
que se est considerando.

2.2.- FUNDAMENTO DE LOS ESTIMADORES DE ESTADO

Para entender el proceso de estimacin de


estado en un sistema elctrico de potencia, imaginemos un referencial cartesiano
donde se describe a un cuerpo trazando una trayectoria circular, para determinar esta
trayectoria supongamos que tenemos dos puntos o menos, entonces podemos definir
una cantidad infinita de trayectorias circulares, pero ahora si tenemos 3 puntos,
podemos definir exactamente una sola trayectoria circular, a lo que podemos asimilar
a un clculo de flujos de potencia, lo que es ms, este proceso de tres puntos y una
nica trayectoria circular matemticamente representa a un sistema determinado, esto
es tres ecuaciones con tres incgnitas.
Si los anteriores puntos representan mediciones las cuales evidentemente pueden
contener algn grado de error entonces la trayectoria descrita tendra algn grado de
error.
Razn por la cual se toma ms de tres mediciones que pueden estar contaminados
con error, entonces se puede determinar una trayectoria que pueda minimizar una
cierta funcin de la desviacin entre los valores medidos y calculados, tomando en
consideracin la confianza a cada medida.
Matemticamente este es un sistema superdeterminado, es decir tener ms
ecuaciones que incgnitas. Que es la base de los estimadores de estados en los
sistemas elctricos de potencia [15].
El estimador de estado tambin puede detectar errores importantes o severos, pero
no deja de tener ciertas complicaciones en cmo y dnde se toman las medidas, por
cuanto esto definir la observabilidad o no del sistema, siendo as, para que el

21

estimador pueda converger ser necesario probar inicialmente que el sistema es


observable.
2.3.- FUNDAMENTOS DE LAS REDES NEURONALES ARTIFICIALES
Estudios sobre la anatoma del cerebro humano
determinan que se tienen alrededor de 100.000 millones de neuronas, conectadas
cada una de ellas con alrededor de 10.000, es decir que cada actividad neuronal
afecta a otros 10.000 neuronas, si bien el tiempo de conmutacin es mucho ms lenta
casi un milln ms lenta que un elemento de las computadores actuales, esta es
compensada por cuanto tiene una conectividad miles de veces ms que las
computadoras [6], [7].
Como se vio en las definiciones, la base de una red neuronal es la neurona y la sinapsis
constituyndose de esta manera en la clave del procesado de la informacin.

El funcionamiento de una red neuronal se basa en cmo se comporta cada neurona y


la forma como una neurona enva una seal a otra neurona.

2.3.1.- Aprendizaje Entrenamiento


El aprendizaje o el entrenamiento es la parte ms
importante de la red neuronal artificial, ya que este determina el tipo de problemas que
ser capaz de resolver, se puede indicar que el proceso de aprendizaje o
entrenamiento

consiste en configurar la red neuronal, modificando los pesos

sinpticos de la red para que estos tengan valores precisos que permitan a la red
realizar de forma eficiente y correcta la resolucin del problema para lo cual fue
entrenado [6], [7].
El proceso general de aprendizaje consiste en introducir paulatinamente los patrones
de entrenamiento (ejemplos para aprender) y modificar los pesos sinpticos siguiendo
un algoritmo de aprendizaje que permita determinar salidas optimas deseadas [6].

22

2.3.1.1.- Aprendizaje- entrenamiento supervisado


Este

tipo

de

entrenamiento

requiere

el

emparejamiento de cada vector patrn de entrada con su correspondiente vector de


salida. El aprendizaje consiste en presentar un vector patrn de entrada a la red,
calcular la salida de la red, comparar con la salida deseada, y determinar el error
resultante que se utiliza para realimentar a la red, luego modificar los pesos sinpticos
de acuerdo con un algoritmo tal que este tienda a minimizar el error [6], [7], [9].

Figura 2.1 Esquema del entrenamiento supervisado


Fuente: Adaptacin propia [Isasi Viuela, Galvn Len 2004]

2.3.1.2.- Aprendizaje- entrenamiento no supervisado

Este sistema de aprendizaje no requiere de un vector


de salidas deseadas y por tanto no se realizan comparaciones entre las salidas de la
red y las salidas esperadas. El conjunto de vectores de entrenamiento consiste
nicamente en vectores de entrada, el algoritmo de entrenamiento modifica los pesos
sinpticos de la red de tal forma que produzca vectores de salida consistentes, se
puede indicar que el proceso de entrenamiento extrae las propiedades estadsticas del
conjunto de vectores patrn de entrenamiento y agrupa en clases los vectores
similares [6], [7], [9].

23

Figura 2.2 Esquema del entrenamiento no supervisado


Fuente: Adaptacin propia [Isasi Viuela, Galvn Len 2004]

2.3.2.-Clulas de McCulloch-Pitts

El primer ejemplo que puede considerarse como una


red de neuronas artificiales, al menos estructuralmente, son las clulas de McCullochPitts. Este primer modelo de neurona fue propuesto por Warren McCulloch y Walter
Pitts en 1943. En el modelizaban una estructura y un funcionamiento simplificado de
las neuronas del cerebro [6].
La teora de McCulloch Pitts se basa en cinco suposiciones.
1. La actividad de una neurona es un proceso de todo nada.
2. Es preciso que un nmero fijo de sinapsis sean excitadas dentro de un
perodo de adicin latente, para que se excite una neurona.
3. El nico retraso significativo dentro del sistema nervioso es el retardo
sinptico.
4. La actividad de cualquier sinapsis inhibitoria impide por completo la
excitacin de la neurona en ese momento.
5. La estructura de la red de interconexiones no cambia con el transcurso del
tiempo.
24

La red neuronal as descrita biolgicamente, no nacen preprogramadas con todo el


conocimiento y la capacidades que pudieran tener estas, sino ms bien es un proceso
de aprendizaje que tiene a lo largo de un tiempo modificando de alguna forma a la red
para introducir las nuevas informaciones.
W1
W2

Wn
1 Si X i Wi
S
0 en caso contrario

Figura 2.3 Esquema general de la clula McCulloch-Pitts


Fuente: Adaptacin propia [Isasi Viuela, Galvn Len 2004]

La clula de McCulloch-Pitts recibe como entrada un conjunto de n valores binarios,


de las salidas de otras clulas, o de la entrada a la red, y produce una nica salida
tambin binaria, S. cada clula se caracteriza por n+1 valores reales, de los cuales n
son los pesos de las conexiones ( Wi ) correspondientes a las entradas X i , y el otro
es un valor de umbral , que puede ser distinto para cada clula. La forma de
procesar la entrada es la siguiente [6]:
1 Si Xi Wi
S
0 en caso contrario

2.3.3.-PERCEPTRON
Los primeros estudios sobre las redes neuronales
artificiales datan de los 50, sobre todo con la aparicin del modelo PERCEPTRON.
Este modelo era un sistema capaz de realizar tareas de clasificacin de forma
automtica. La idea bsica era tener un sistema que, a partir de un conjunto de
ejemplos de clases diferentes, fuera capaz de determinar las ecuaciones de las
25

superficies que hacan de frontera dichas clases. La informacin sobre la que se


basaba el sistema estaba constituida por los ejemplos existentes de las diferentes
clases. A los cuales se los denomina como patrones o ejemplos de entrenamiento. El
sistema al final del entrenamiento, era capaz de determinar, para cualquier ejemplo
nuevo, a que clase perteneca [6].

2.3.3.1.-Descripcion Del Modelo

Se trata de una estructura monocapa. En la que hay


un conjunto de clulas de entrada, tantas como sea necesario, y una o varias clulas
de salida. Cada una de las clulas de entrada tiene conexiones con las clulas de
salida, y dichas conexiones determinan las superficies de discriminacin del sistema
[6].

X1
W1

W2

X2

Figura 2.4 Arquitectura de un PERCEPTRON con dos entradas y una salida


Fuente: Adaptacin propia [Isasi Viuela, Galvn Len 2004]
Donde las entradas son X 1 y X 2 , la salida es Y , y los pesos son W1 y W2 . Adems
existe un parmetro adicional llamado umbral y denotado por .
La salida se obtiene de la siguiente forma. Primero se calcula la activacin de la clula
de salida mediante:

26

Y Wi Xi
*

(ec. 2.1)

i 1

La salida definitiva se produce al aplicar la funcin de activacin de la clula. En un


PERCEPTRON la funcin de activacin es la funcin escaln que depende del umbral:

Y F(Y* , )

(ec. 2.2)

1
Si Y*
F(Y* , )
1 en caso contrario

(ec. 2.3)

Pasando el trmino al otro lado de la ecuacin, la salida puede escribirse como:


n

Y F Wi X i
i 1

(ec. 2.4)

Si Y 0
1
Y
1 en caso contrario

(ec. 2.5)

Por tanto:

En el caso de dos dimensiones, la ecuacin 2.4 se transforma en:

W1 X1 W2 X2 0
La ecuacin de la recta 2.6 de pendiente

pasa por

(ec. 2.6)

W1
, y que en el origen de las ordenadas
W2

es definida por la red, dicha ecuacin es la que discrimina las clases.


W1
X2

Clase A
Clase B

X1

Figura 2.5 Separabilidad lineal de clases


Fuente: Elaboracin propia
27

El problema es como determinar la ecuacin de tal recta que separa las clases a partir
de los datos de entrenamiento. Esto es lo que precisamente hace el PERCEPTRON
en su proceso de aprendizaje [6].
El problema se complica cuando en vez de dos dimensiones hay muchas ms. En este
caso no habr que determinar rectas, sino hiperplanos.

Si se llama X

a cada uno de los patrones de entrenamiento y d(X) a su clase

asociada, el proceso de aprendizaje puede describirse de la siguiente manera [6]:


1. Empezar con valores aleatorios para los pesos y el umbral.
2. Seleccionar un vector de entrada X del conjunto de patrones de entrenamiento.
3. Si Y d(X) , la red da una respuesta incorrecta. Modificar

Wi de acuerdo con:

Wi d(X) Xi
4. Si no se ha cumplido el criterio de finalizacin, volver a 2.

2.3.4.- ADALINE
La caracterstica del clasificador del PERCEPTRON
viene dada por la naturaleza de sus salidas, en donde la capa de salida codifica un
valor real en una salida binaria. Al ser binarios, solo pueden codificar un conjunto
discreto de estados. Si las salidas fueran nmeros reales, podra codificar cualquier
tipo de salida y se convertiran en sistemas de resolucin de problemas generales.

Pero la naturaleza de la regla de aprendizaje del PERCEPTRON no permite producir


salidas reales. Esta regla es fundamentalmente una regla por refuerzo en la que se
potencian las salidas correctas y no se tiene en cuenta las incorrectas. No existe
ninguna graduacin en esta regla, tal que indique en qu medida resulta errnea la
salida producida, y refuerce proporcionalmente

a dicha medida del error; por lo

expuesto anteriormente aparece el ADALINE para suplir estas desventajas [6].

28

2.3.4.1.- Descripcin Del Modelo

En el ao 1960, Widrow y Hoff [widrow, 1960]


propusieron un sistema de aprendizaje que tuviera en cuenta el error producido, y
disearon lo que denominaron ADAptive LInear NEuron, o en su acrnimo, ADALINE.
En este caso, el aprendizaje incluye la diferencia entre el valor de la salida de la red
para un patrn de entrada X p y el que debera haber producido dicho patrn d p . A
esta regla de aprendizaje se le conoce con el nombre de REGLA DELTA.
La diferencia fundamental es que el PERCEPTRON utiliza la salida de la funcin
umbral para el aprendizaje; sin embargo, la regla delta utiliza directamente la salida de
la red sin pasarla por ninguna funcin umbral.
Para evaluar el error global de la red se utiliza habitualmente la medida del error
cuadrtico medio, aunque se pueden utilizar otras medidas [6].
n

E ep
p 1

1 n
(d p Yp ) 2

2 p 1

(ec. 2.7)

Al ser esta la medida del error global, la regla delta intenta minimizar este valor por un
proceso iterativo, con lo que se modifica los parmetros de la red, mediante la REGLA
DEL DESCENSO DEL GRADIENTE.
La idea es realizar el cambio en cada peso para el patrn actual, tal que sea
proporcional a la derivada del error, respecto del peso.
p Wj

E p
Wj

(ec. 2.8)

Aplicando la regla de la cadena:


E p
Wj

E p Yp

Yp Wj

(ec. 2.9)

Al ser unidades lineales, sin funcin de activacin en la capa de salida, se cumple:


Yp
Wj

Xj

E p
Yp

(d p Yp )

(ec. 2.10)

Remplazando las ecuaciones 2.10 en 2.9 y luego este en 2.8 se tiene:

p Wj (d p Yp ) X j

(ec. 2.11)
29

El procedimiento de aprendizaje definido por la regla delta ser [6]:


1. Iniciar los pesos de forma aleatoria.
2. Introducir un patrn de entrada.
3. Calcular la salida de la red, compararla con la deseada i obtener la diferencia

(d p Yp ).
4. Para

todos

los

pesos,

multiplicar

dicha

diferencia

correspondiente, y ponderarla por una tasa de aprendizaje

por

la

entrada

5. Modificar el peso restando al valor antiguo la cantidad obtenida en 4.


6. Si no se ha cumplido el criterio de convergencia, regresar a 2; si se han acabado
los patrones, empezar a introducir de nuevo cada uno de los patrones.

2.3.5.- PERCEPTRON MULTICAPA

El

PERCEPTRON

MULTICAPA

es

una

generalizacin del PERCEPTRON simple, y surgi como consecuencia de las


limitaciones de dicha arquitectura en lo referente al problema de separabilidad no
lineal.
Minsky y Papert [Minsky and Papert, 1969] mostraron en 1969 que la combinacin de
varios Perceptrones simples Inclusin de neuronas ocultas-puede resolver ciertos
problemas no lineales, pero los autores no presentaron la solucin para adaptar los
pesos de la capa de entrada a la capa oculta.

Rumelhart,Hinton y Willians en 1986 [Rumelhart et al., 1986b], presentaron una


manera de retropropagar los errores medidos en la salida de la red hacia las neuronas
ocultas, dando lugar a la llamada REGLA DELTA GENERALIZADA, que no es ms
que una generalizacin de la regla delta del ADALINE , para funciones de activacin
no lineal y redes multicapa.

30

Dentro del marco de las Redes Neuronales, el PERCEPTRON MULTICAPA es en la


actualidad una de las arquitecturas ms utilizadas en la resolucin d problemas, estas
redes han sido aplicado con xito para la resolucin en diferentes reas como [6]:

Reconocimiento del habla [Cohen et al., 1993]

Reconocimientos de caracteres pticos [Sackinger et al., 1992]

Reconocimientos de caracteres escritos [Guyon, 1991]

Control de procesos [Werbos, 1989]

Modelizacin de sistemas dinmicos [Narendra and Parthacharathy, 1990]

Conduccin de vehculos [Pomerleau, 1992]

Diagnsticos mdicos [Baxt, 1992]

Prediccin de series temporales [Weiggend et al., 1990], etc.

2.3.5.1.- Arquitectura Del PERCEPTRON MULTICAPA

Su arquitectura se caracteriza por que tiene sus


neuronas agrupadas en capas de diferentes niveles. Cada una de las capas est
formado por un conjunto de neuronas y se distinguen tres tipos de capas diferentes:
la capa de entrada, las capas ocultas y la capa de salida, como se observa en la figura
2.4 [6].
Las neuronas de la capa de entrada no actan como neuronas propiamente dichas,
sino que se encargan nicamente de recibir las seales o patrones que proceden del
exterior y propagan seales a todas las neuronas de la siguiente capa, y las neuronas
de las capas ocultas realizan un procesamiento no lineal de los patrones recibidos, la
ltima capa proporciona al exterior la salida de la red.

Las conexiones del PERCEPTRON MULTICAPA siempre estn dirigidas hacia


adelante, de ah que tambin reciben el nombre de redes feedforward. Las
conexiones entre neuronas llevan asociado un nmero real, llamado peso de la
conexin, adems que todas las neuronas llevan asociado un umbral.

31

X1

Y1

Xi
Yn c

n1

Capa deentrada

n2

n3

Capasocultas

n c1

nc

Xn

Capa desalida

Figura. 2.6 Arquitectura del PERCEPTRON MULTICAPA


Fuente: Adaptacin propia [Isasi Viuela, Galvn Len 2004]

Las funciones de activacin del PERCEPTRON MULTICAPA ms utilizadas son la


funcin Sigmoidal, la funcin Tangente Hiperblica tambin llamada Tansig y la funcin
Lineal tambin llamada Purelin. Dichas funciones poseen como imagen un rango
continuo de valores dentro de los intervalos [0,1], [-1, 1] y [- , ], respectivamente, y
vienen dadas por las siguientes expresiones:

Funcin Sigmoidal:

1
1 e x

(ec. 2.12)

1 e x

1 e x

(ec. 2.13)

f1(x)

Funcin Tangente Hiperblica:

f 2(x)

Funcin Lineal:

f3(x) x

(ec.2.14)

La grafica de estas funciones se presenta a continuacin en la figura 2.7.


32

Figura 2.7 Funciones de activacin


Fuente: Elaboracin propia

2.3.5.2.-Algoritmo De Retropropagacin

Es una regla que se puede aplicar en modelos de


redes con ms de dos capas, adecuadas para capas ocultas.
El mtodo emplea ciclos de propagacin y adaptacin de dos fases:

Primero.Se aplican una secuencia de patrones de entrada y salida deseada, la red neuronal
calcula la salida en base a los datos de entrada, se compara el resultado con la salida
deseada y se calcula el error para cada neurona de salida.
33

Segundo.El error calculado se transmite hacia atrs en forma proporcional partiendo de la capa
de salida capa por capa hasta que todas las neuronas hayan recibido un error que
describa su aportacin relativa al error total, en base al valor porcentual del error
recibido se ajustan los pesos de las sinapsis de cada neurona de tal manera que en la
siguiente vez que se presenten el mismo patrn la salida est ms cercana a la
deseada.

Puesto que el objetivo es que la salida de la red sea lo ms prxima posible a la


deseada, el aprendizaje de la red se formula como un problema de minimizacin del
siguiente modo:

1 N
e(n)
N n 1

(ec. 2.15)

Donde E es la funcin error, N el nmero de patrones o muestras y


cometido por la red para el patrn

e(n) es el error

, dado por:

1 nc
e(n) (si(n) yi(n) )2
2 i1
Siendo

(ec. 2.16)

Y(n) [y1(n) , y2(n) ,......., ync (n) ] y S(n) [s1(n) ,s2(n) ,.......,snc (n) ] los vectores de la

salida de la red y salidas deseadas para el patrn

n , respectivamente.

Aplicando el mtodo de descenso de gradiente estocstico, cada parmetro W de la


red se modifica para cada patrn de entrada

, de acuerdo con la siguiente ley de

aprendizaje:

W(n) W(n 1)
Donde

e(n)
W

(ec. 2.17)

es la razn o tasa de aprendizaje, cuyo valor influye en la magnitud del

desplazamiento en la superficie del error.

34

2.3.5.3.- Obtencin De La Regla Delta Generalizada

Para desarrollar esta regla es necesario distinguir


dos casos, los cuales se describen a continuacin [6]:
1. Para los pesos de la capa oculta C 1 a la capa de salida y para los umbrales
de las neuronas de salida.
2. Para el resto de los pesos y umbrales de la red, puesto que las reglas de
modificacin de estos parmetros son diferentes.
Pesos de la capa oculta C 1a la capa de salida y umbrales de la capa de salida
Sea WjiC1 el peso de la conexin de la neurona

de la capa C 1 a la neurona i de

la capa de salida.
Utilizando la ecuacin 2.17 se tiene:

WjiC(n)1 WjiC(n11)

e(n)

(ec. 2.18)

WjiC(n)1

De acuerdo a la expresin 2.16 y teniendo en cuenta, por un lado, que las salidas
deseadas

si(n) para la red son constantes que no dependen del peso y ,por otro lado

,que el peso WjiC1 solo afecta a la neurona i de salida

e(n)
C1
ji(n)

(si(n) yi(n) )

yi(n) , se obtiene que :

yi(n)

(ec. 2.19)

WjiC(n)1

Aplicando la regla de la cadena para derivar la composicin de dos funciones y


n c 1

teniendo en cuenta, que de todos los trminos del sumatorio

( W
j1

C 1
ji

x Cj 1 iC ) ,

el nico en el que interviene el peso WjiC1 es WjiC1 x Cj , por lo que, es el nico cuya
derivada es distinta de cero, entonces se tiene:
35

yi(n)
C1
ji(n)

W
Definimos el trmino

n c 1
f ' WjiC1 x Cj 1 iC
j1

C1
x j(n)

(ec. 2.20)

asociado a la neurona i de la capa de salida C y al patrn

n , se tiene:

C
i(n)

nc1 C1 C1

si(n) yi(n) f Wji x j iC


j1

'

(ec. 2.21)

De las ecuaciones 2.19, 2.20 y 2.21 se tiene:

e(n)
C1
ji(n)

C
i(n)
x Cj(n)1

(ec. 2.22)

Finalmente remplazando la ecuacin 2.22 a la ecuacin 2.18, se tiene:


C
1
WjiC(n)1 WjiC(n11) i(n)
x Cj(n)

Para todo

(ec. 2.23)

j 1,2,3,........,n c1 ; i 1,2,3,........,n c

Considerando que el umbral de una neurona se trata como una conexin ms de la


neurona, cuya entrada es constante e igual a 1., entonces se modifican de acuerdo a
la siguiente expresin:
C
C
C
i(n)
i(n
1) i(n)

Para todo

i 1,2,3,........,n c

(ec. 2.24)

Pesos de la capa C a la capa C 1 y umbrales de las neuronas de la capa C 1


para C 1, 2,.......,C 2
Elegimos un peso de la capa C 2 a la capa C 1, sea WkjC 2 el peso de la conexin
de la neurona k de la capa C 2 a la neurona

j de la capa C 1.

Para actualizar el peso la expresin ser:

WkjC(n)2 WkjC(n21)

e(n)
WkjC(n)2

(ec. 2.25)

36

A diferencia de los pesos hacia la capa de salida, el peso WkjC 2 influye todas las
salidas de la red, por lo que la derivada del error ser:

e(n)
WkjC2

nc

yi(n)

i 1

WkjC(n)2

(si(n) yi(n) )

Para calcular la derivada de la salida

(ec. 2.26)

yi(n) respecto al peso WkjC2 , hay que tener en

cuenta que este peso influye en la activacin de la neurona

de la capa oculta C 1

, x Cj 1 y el resto de las activaciones de las neuronas en esta capa no dependen de


dicho peso. Por tanto:

yi(n)

x Cj 1

C1
Wji
WkjC2

nc 1 C1 C1
f Wji x j iC
j1
'

WkjC(n)2

Sustituyendo la ecuacin 2.26 en 2.25 y de acuerdo con la definicin de

e(n)

nc

WkjC2
Para obtener la derivada

WkjC2

C1
ji

x Cj 1

aplicamos la regla de la cadena, por tanto:

n c 2 C 2 C 2
f Wkj x k Cj 1
k 1

, se tiene:
(ec. 2.28)

WkjC2

'

C 2
kj

i 1

x Cj 1

x Cj 1

Se define el valor de

C
i(n)

(ec. 2.27)

C2
x k(n)

(ec. 2.29)

C1
, ser:
para las neuronas de la capa C 1, entonces j(n)

C1
j(n)

nc
n c 2 C 2 C 2
C1
C
f Wkj x k j i(n)
WjiC1
k 1
i1
'

(ec. 2.30)

Sustituyendo 2.29 en la ecuacin 2.28 y de acuerdo con la ecuacin 2.30, se tiene:

e(n)
C 2
kj

C1
2
j(n)
x Ck(n)

(ec. 2.31)

Por lo que, la ecuacin para modificar el peso ser:


C 1
2
WkjC(n)2 WkjC(n21) j(n)
x Ck (n)

(ec. 2.31)

37

Para

k 1,2,3,........,n c2 ; j 1,2,3,........,n c1

Si c C 2 , entonces de la ecuacin 2.31 se tiene:


c 1
Wkjc (n) Wkjc (n 1) j(n)
x ck (n)

Para

(ec. 2.32)

k 1,2,3,........,n c ; j 1,2,3,........,n c1 y c 1,2,3,........,C 2

Donde x ck (n) es la activacin de la neurona k de la capa

para el patrn

c 1
y j(n)

viene dado por la siguiente expresin:

c1
j(n)

n c 1
nc c c
c
c 2
f Wkj x k j i(n)
Wjic
k 1
i1
'

(ec. 2.33)

Generalizando la ley de aprendizaje para el resto de los umbrales, se tiene:


c 1
c 1
c 1
i(n)
i(n
1) i(n)

Para

(ec. 2.34)

k 1,2,3,........,n c ; j 1,2,3,........,n c1 y c 1,2,3,........,C 2

El procedimiento de aprendizaje del PERCEPTRON MULTICAPA ser [6]:

1. Se inicializan los pesos y umbrales, con valores aleatorios y cercanos a cero.


2. Se toma un patrn

del conjunto de entrenamiento, y se propaga hacia la

salida de la red el vector de entrada


la red

X (n ) , obtenindose as la respuesta de

Y(n) .

3. Se evala el error cuadrtico cometido por la red para el patrn

n , utilizando la

ecuacin 2.16.
4. Se aplica la regla delta generalizada para modificar los pesos y umbrales de la
red. Para ello se siguen los siguientes pasos:
I.

Se calcula los valores de

para todas las neuronas de la capa de

salida, utilizando la ecuacin 2.21.


II.

Se calculan los valores de

para el resto de las neuronas de la red,

utilizando la ecuacin 2.33, empezando desde la ltima capa oculta y


retropropagando dichos valores hacia la capa de entrada.
38

III.

Se modifican los pesos y umbrales de la red siguiendo las ecuaciones


2.23 y 2.24 para los pesos y umbrales de la capa de salida y 2.32 y 2.34
para el resto de los parmetros de la red.

5. Se repiten los pasos 2, 3 y 4 para todos los patrones de entrenamiento.


6. Se evala el error total E (ecuacin 2.15) cometido por la red. Que es el valor
del error de entrenamiento.
7. Se repiten los pasos 2, 3, 4, 5 y 6 hasta alcanzar un mnimo del error de
entrenamiento.

2.4.- MODELO DE LOS ELEMENTOS DEL SEP

De acuerdo a las investigaciones, el modelo ms


adecuado para el anlisis en estado esttico para lneas de transmisin y
transformadores es el modelo en PI. Tal como se ve en el grfico.
I1

Vi

Rij

Vj

X ij

I3

I2

Bij

Gij

Gij

Bij

Figura 2.8 Modelo pi de la lnea de transmisin


Fuente: Elaboracin propia

Del circuito podemos deducir las siguientes ecuaciones:

B
G
1
I1 I2 I3 ij j ij Vi
Vi Vj
2
R ij jXij
2

(ec. 2.55)

39

Si la potencia aparente se expresa como:

S V I*

(ec. 2.56)

Separando parte real e imaginario podemos llegar a obtener las ecuaciones de flujos
de potencia tanto activa como reactiva.

G
V V
R
Pij Vi2 ij 2 ij 2 2i j 2 R ij cos ij X ij sin ij
2 R ij X ij R ij X ij

(ec. 2.57)

B
V V
X
Qij Vi2 ij 2 ij 2 2i j 2 R ij sin ij Xij cos ij
2 R ij Xij R ij Xij

(ec. 2.58)

Considerando un modelo similar para el transformador con tap fuera de la posicin


nominal, podemos obtener una ecuacin similar pero con el factor a que nos indica
el tap fuera de la posicin nominal:

Vi

I1

Rij

Vj

X ij

I3

I2

Bij

Gij

Gij

Bij

Figura 2.9 Modelo pi del transformador con cambio de tap


Fuente: Elaboracin propia

40


R
Vi Vj
Vi2 G ij
Xij sin ij R ij cos ij
Pij 2 2 ij 2

a 2 R ij X ij a(R ij2 X ij2 )

(ec. 2.59)

X
Vi Vj
Vi2 Bij
R sin ij Xij cos ij (ec. 2.60)
Qij 2 2 ij 2
2
2 ij

a 2 R ij Xij a(R ij X ij )
Consideraremos este ltimo para todos los elementos del sistema por considerarlo
general, pues solamente varia en el factor a que ser 1 si es lnea de transmisin,
caso contrario ser un transformador con tap:

Para las ecuaciones de inyecciones de potencia podemos escribir:

k 1

k 1

Pi Pgik Pdik

V 2 G ij

R
Vi Vj
Pi i2
2 ij 2
Xij sin ij R ij cos ij

R ij Xij a R ij2 Xij2


j1i a 2

(ec. 2.61)

(ec. 2.62)

k 1

k 1

Qi Qgik Qdik

V 2 Bij

X
Vi Vj
Qi i2
2 ij 2
R sin Xij cos ij
2 R X a R 2 X 2 ij ij
j1i a
ij
ij
ij
ij

(ec. 2.63)

(ec. 2.64)

41

CAP. III

MARCO PRCTICO

3.1.- DIAGRAMA EN BLOQUES DEL ESTIMADOR

Para el presente trabajo se ha estructurado el


siguiente esquema identificando cada uno de los mdulos.

El mdulo de entrada o interfaz de entrada, prepara los datos necesarios para el


entrenamiento de la red neuronal y deber ser verstil por cuanto deber adecuarse
al tipo de red a utilizarse.

El mdulo de red neuronal

es la encargada de estimar los estados, se podr

reemplazar acorde al problema que se est tratando, adems contendr el tipo de


funcin de transferencia.

El mdulo de clculo de los flujos e inyecciones de potencia, es justamente el que


realiza dichos clculos a partir de los estados estimados por la red en MATLAB.

La propuesta en diagrama de bloques es la siguiente:

INTERFAZ
DE ENTRADA
DE DATOS

Vi

Pi y Qi
Pij y Qij

RNA

ESTADOS DEL
SISTEMA

MODULO DE
CALCULO DE
FLUJOS E
INYECCIONES
DE POTENCIA

Figura 3.1 Diagrama de bloques del estimador de estado


Fuente: Elaboracin propia

42

Donde:

Vi

Son tensiones nodales.

Pi y Qi

Son inyecciones de potencias tanto activas como reactivas.

Pij y Qij

Son flujos de potencias tanto activas como reactivas.

3.2.- APLICACIN AL SEP. DEL NORTE BOLIVIANO EN 115 KV

El sistema elctrico de potencia utilizado como red


de aplicacin ser el sistema Norte Boliviano, que a continuacin se ilustra su
respectivo diagrama unifilar, ver figura 3.2.
El diagrama unifilar simplificado del sistema elctrico en anlisis acorde a un tiempo t
del cual se tiene los datos medidos se puede observar en la figura 3.3:

3.2.1.- Nodos Del Sistema

Para un tratamiento adecuado del sistema en estudio


se le asignara un nico nmero a cada subestacin y/o tap que se considere nodo,
esto para facilitar el anlisis correspondiente al sistema elctrico de potencia, ver tabla
3.1.

3.2.2.- Lneas de Transmisin Del Sistema

Los datos de los parmetros de las lneas de


transmisin del sistema elctrico en estudio se detallan en la tabla 3.2, con todos los
datos necesarios para el clculo de flujos e inyecciones de potencia activa como
reactiva.

43

DIAGRAMA UNIFILAR DELSISTEMA NORTE BOLIVIANOEN 115KV

S/ E
Rioseco

S/ E
Cosmos

2
El Alto1

S/ E
Catacora
S/ E
Kenko
1

S/ E
Alto Achachicala
4

22

20

S/ E
Achachicala

Tiquimani

17
Botijlaca

Zongo

S/ E
Rosassani

El Alto2

GEN

21

19

GEN
COBEE

S/ E
Tiquimani

18

S/ E
Challapampa

S.I.N.
16

S/ E
Cota cot a
15

S/ E
Bo log nia

14

13
Tap
Bahai

11
Tap
Chuquiaguillo

S/ E
Pichu
8

Yanacachi

S/ E
Pampahasi
12

S/ E
Cumbre
7

Chuspipata

Chojlla

10

Figura 3.2 Diagrama unifilar del Sistema Norte Boliviano de 115 kV


Fuente: Adaptacin propia [C.N.D.C., Julio 2015]
44

S/ E

S/ E
Alto Achachicala
4

Rioseco

S/ E
Tiquimani

S/ E
Cosmos

S/ E

21

19

Catacora
S/ E
Kenko
1

22

20

S/ E

Zongo

Achachicala

17

Tiquimani
S/ E

18

Rosassani

S/ E

Botijlaca
Challapampa

16

15

6
S/ E

S/ E
Cota cot a
S/ E
Bolog nia

14

13
Tap

Pampahasi
12

Bahai

11
Tap

S/ E

Chuquiaguillo

Cumbre
Yanacachi

S/ E
Pichu
8

Chojlla

Chuspipata

10

Figura 3.3 Diagrama unifilar simplificado del Sistema Norte Boliviano de 115 kV
Fuente: Adaptacin propia [C.N.D.C., Julio 2015]
45

Nodos del sistema elctrico

Nodo Subestacin/ Tap Nodo Subestacin/ Tap


1

Kenko

12

Pampahasi

Cosmos

13

Bahai(Tap)

Rio Seco

14

Bolognia

Alto Achachicala

15

Cota Cota

Tiquimani

16

Rosasani

Cumbre

17

Achachicala

Chuspipata

18

Challapampa

Pichu

19

Catacora

Yanacachi

20

Zongo

10

Chojlla

21

G-Tiquimani

11

Chuquiaguillo(Tap)

22

Botijlaca

Tabla 3.1 Nodos del sistema norte boliviano de 115 kV


Fuente: Elaboracin propia

46

Parmetros de Sistema Elctrico de Potencia del Norte Boliviano de 115 kV

Lnea

Cdigo

Nodo i

Nodo j

Rij [pu]

Xij [pu]

Bij [pu]

Gij [pu]

Long [Km]

COS_KEN115

0.005130000000000

0.017669996219282

0.002166000048450

5.7

KEN_COT115

15

0.017385784499055

0.048949270321361

0.005836660024910

15.73

COS_RSE115

0.007840000000000

0.026214994328922

0.003491739829600

8.8

AAC_RSE115

0.008160000000000

0.027284998109641

0.003681871496660

9.16

TIQ_AAC11501

0.028839856332703

0.095524763705104

0.012310707745895

31.66

TIQ_AAC11502

0.028520000000000

0.096332022684310

0.011872010206860

31.56

AAC_ACH115

17

0.001405704347826

0.004703091871456

0.000626869634040

1.56

ZON_AAC115

20

0.018356975425331

0.065055243856333

0.007439922125000

20

TIQ_CUM115

0.024782593572779

0.083592362948960

0.010460354319010

27.32

10

BOT_TIQ115

22

0.000931969754253

0.003302805293006

0.000389413219650

1.05

11

CHS_CUM115

0.048916249527410

0.144560302457467

0.015992396621175

45.06

12

TCH_CUM115

11

0.007092256332703

0.026908725897921

0.003082815700002

8.47

13

CHS_PIC115

0.011959848771267

0.035110170132325

0.003900402962500

11

14

YAN_PIC115

0.012163198487713

0.034305595463138

0.004173867555200

11.2

15

CHJ_PIC115

10

0.007058999621928

0.019909497164461

0.002422430986625

6.5

16

PAM-TCH

11

12

0.003706927032136

0.012638850661626

0.001549868828750

4.1

17

PAM_TBA115

12

13

0.001928487712665

0.006723644612476

0.000792243320825

2.15
47

18

BOL-TBA115

13

14

0.002540999621928

0.007392000000000

0.000831599327212

2.31

19

ROS_TBA

13

16

0.000971777693762

0.002853647637051

0.000317905271705

0.89

20

BOL_COT115

14

15

0.005567097920605

0.016195198487713

0.001821959886175

5.06

21

ACH_CHA115

17

18

0.002579360302457

0.002596508884688

0.039376289768375

3.43

22

CHA-CTC115

18

19

0.001338559546314

0.001347460869565

0.020434380460050

1.78

23

TIG_ZON115

20

21

0.006664996597353

0.023620060491493

0.002784894448072

7.47

24

BOT_TIG115

21

22

0.002287561436673

0.008106880907372

0.000955832410240

2.56

Tabla 3.2 Parmetros del Sistema Norte Boliviano de 115 kV


Fuente: Adaptacin propia [C.N.D.C., Julio 2015]

48

3.3.-PROGRAMA EN MATLAB PARA EL CLCULO DE FLUJOS DE POTENCIA

El programa para la evaluacin de los flujos de potencia


a partir de los estados estimados por la red neuronal, se describen a continuacin.

3.3.1.-Programa para calcular los flujos e inyecciones de potencia a partir de las


tensiones y ngulos.
Para facilitar la implementacin del programa tal que
realice los clculos mencionados anteriormente, de dividi el programa en 6 archivos en
MATLAB y 1 archivo en Excel, tal como se muestra a continuacin:

Figura 3.4 Archivos del programa


Fuente: Elaboracin propia
49

3.3.1.1.-Archivo sistema a simular

Este programa llama al archivo Excel que almacena


datos de los parmetros del sistema elctrico, las tensiones y sus respectivos ngulos de
cada nodo del sistema en anlisis.
Al tener los datos necesarios de la red elctrica, el programa tambin llama al archivo
Flujcarga, para que haga los clculos correspondientes.
Con la ayuda del archivo

Flujcarga, el programa devuelve los clculos de flujos e

inyecciones de potencia tanto activas como reactivas.

3.3.1.2.-Archivo Flujcarga
Este programa en primera instancia pide la potencia
base para realizar los clculos, luego llama a dos archivos Flujpac y Flujqvar, con la ayuda
de los archivos mencionados anteriormente el programa calcula el flujo de potencias
activas y reactivas del sistema.

3.3.1.3.-Archivo Flujpac
Este programa llama al archivo pwij, con la ayuda de
este el programa calcula el flujo de potencia activa entre i y el nodo j.

3.3.1.4.-Archivo Flujqvar
Este programa llama al archivo qvaij, con la ayuda de
este el programa calcula el flujo de potencia reactiva entre i y el nodo j.

3.3.1.5.-Archivo pwij
Este programa calcula el flujo de potencia activa entre i
y el nodo j.

50

3.3.1.6.-Archivo qvaij
Este programa calcula el flujo de potencia reactiva entre
i y el nodo j.

3.3.1.7.-Archivo SIST NORTE BOL


Este archivo contiene la informacin del sistema elctrico
en anlisis, consta de los siguientes.

Libro Nodos (ver figura 3.5)

Figura 3.5 Archivo Excel, libro Nodos


Fuente: Elaboracin propia

Descripcin de los datos en las columnas


En la columna A se detalla el nmero de nodo de los nodos que forman parte del sistema
elctrico en estudio.
51

En la columna B se detalla el voltaje correspondiente a cada nodo de la columna A.

En la columna C se detalla el Angulo del voltaje correspondiente a cada nodo de la columna


A.
En la columna D se detalla el voltaje base que corresponde a cada nodo que se detalla en
la columna A.

En la columna E se detalla la suceptancia en paralelo, con signo positivo si es un banco


de capacitores y con signo negativo si es un banco de reactores.

Libro Lineas (ver figura 3.6)

Descripcin de los datos en las columnas

En la columna A se detalla el nmero del nodo i.

En la columna B se detalla el nmero del nodo j.

En la columna C se detalla el valor de la resistencia entre el nodo ij en p.u.

En la columna D se detalla el valor de la reactancia entre el nodo ij en p.u.

En la columna E se detalla el valor de la conductancia en p.u.

En la columna F se detalla el valor de la suceptancia en p.u.


En la columna G se detalla el valor de

que tiene que ver con la posicin del tap del

transformador; el valor de a 1 indica que se trata de una lnea de transmisin.

52

El cdigo de programacin de cada uno de los archivos .m que se describieron


anteriormente se mostraran al concluir el presente trabajo (ver anexos).

Figura 3.6 Archivo Excel, libro Lineas


Fuente: Elaboracin propia

53

3.4.- RED NEURONAL PROPUESTA

Se hicieron varias pruebas y se opt por la red


PERCEPTRON MULTICAPA con conexin hacia adelante por su robustez, su facilidad en
manejo y es el que menor error produca:

La seleccin de la cantidad de neuronas en la capa de salida est definido por la cantidad


de estados a ser estimados (en este caso 44 neuronas), para la seleccin de la funcin de
activacin de esta capa si bien no existen uno o varios criterios definidos, se opt por la
funcin de activacin lineal, ya que los valores de los estados a ser estimados no debern
presentar restricciones en los valores altos o extremos.

En tanto que para la cantidad de neuronas en la capa de entrada no existe un criterio bien
definido para su seleccin, pero se observa que cuanto mayor es la cantidad de neuronas
ms robusto es el estimador, en el presente proyecto de grado se trabaj con 162 neuronas
(cantidad de datos medidos).

En cuanto a la capa oculta tampoco hay un criterio bien definido para la seleccin de la
cantidad de neuronas (en este caso 50 neuronas) ni para la seleccin de la funcin de
activacin, pero se recomienda que la funcin de activacin debe estar acorde al sistema
que se est analizando, que en este caso es un sistema no lineal, por lo que la funcin que
mejor se adecua a esa no linealidad es la Tansing, por su forma saturada que presenta.

En s, la cantidad de neuronas por capa no estn totalmente definidas, pero estas


respondern a la robustez de la red neuronal artificial. Sin embargo cuanto mayor sea la
cantidad de neuronas en las diferentes capas de la red neuronal artificial, mayor ser el
tiempo de entrenamiento que demande la red.

El vector de entrada a la RED NEURONAL est definido por la cantidad de mediciones


que se obtienen de la RED ELCTRICA .En la figura 3.7 se muestra la red neuronal

54

artificial seleccionada con 162 neuronas en la capa de entrada, 50 neuronas en la capa


oculta y 44 neuronas en la capa de salida.

Capa oculta

Entrada

X
1

Went

ent

Capa desalida
X'

Wocu

ocu

'
X' Tansig(Went X ent ) Y Purelin(Wocu X ocu )

Figura 3.7 Red neuronal propuesta


Fuente: Adaptacin propia [Howard Demuth, 1998]

En cuanto a los mtodos de entrenamiento que se utiliz se puede mencionar a los


siguientes:

Trainlm(Levenberg-Marquardt backpr)

Traingda (Gradient descent adaptive)

Traingdm (Gradient descent momentum)

Trainbr (Bayesian regularization)

Trainbfg (BFGS quasi-Newton backpr)

Traingd(Gradient descent backprop)

Trainr (Random order in. Training learning f.)

Trainoss (One-step secant backpr)

Trainb (Batch training weight bias learning)

Trainscg (Scaled conjugate gradient backpr.)

Con cada uno de los mtodos de entrenamiento que se utiliz se pudo evidenciar la
influencia de los mismos en el tiempo de entrenamiento de la red, ver tabla 3.3.
55

Entrenamiento de la Red
Mtodo

Tiempo[Horas]

N de Iteraciones

trainlm

5,1097

18

trainr

5,3569

19200

trainbfg

5,4342

37

trainoss

5,8672

180284

trainb

6,0852

18815

traingdm

6,2106

48762

traingd

6,9033

108066

trainscg

6,9576

200000

traingda

7,2181

26825

trainbr

7,2953

483

Tabla 3.3 Mtodo de entrenamiento Vs. Tiempo de entrenamiento


Fuente: Elaboracin propia

La red neuronal entrenada por los diferentes mtodos mencionados anteriormente, fue
sometiendo a ruidos o errores en los datos medidos, para as realizar la validacin y
analizar la sensibilidad de la red neuronal (estimador de estado); Se pudo evidenciar que
la red neuronal ms robusta fue la que se entren con el mtodo Levenberg-Marquardt
(trainlm).

Aunque la red neuronal entrenada por el mtodo Levenberg-Marquardt resulto ser el ms


robusto, el mismo presenta una pequea sensibilidad en los nodos que se puede observar
en la figura 3.8.

56

Figura 3.8 Anlisis de sensibilidad en tensiones nodales


Fuente: Elaboracin propia

Valga mencionar que en el proceso de seleccin de la red neuronal adecuada y su


respectivo entrenamiento, primeramente de trato de entrenar una red neuronal con 162
neuronas en la capa de entrada, 162 neuronas en la capa oculta y 44 neuronas en la capa
de salida (similar a la seleccionada), luego con 100 neuronas en la capa oculta, los
resultados en la etapa de entrenamiento fueron los mismos, es decir, que el computador
en donde se realiz el entrenamiento no era el adecuado, a tal punto que la respuesta del
computador al movimiento del mouse tena un retardo de alrededor de los 1 minuto, razn

57

por lo que el proceso de entrenamiento se suspendi aproximadamente 78 horas despus


de haber iniciado, las caractersticas del computador se puede ver en la figura 3.9.

Figura 3.9 Caractersticas del computador en donde se entren la red neuronal


Fuente: Elaboracin propia

3.5.-PROGRAMA EN MATLAB PARA DETERMINAR LOS PESOS Y UMBRALES


DE LA RED NEURONAL PERCEPTRON MULTICAPA

Para

la

creacin

de

la

red

en

MATLAB

del

PERCEPTRON MULTICAPA con conexin hacia adelante utilizamos la funcin newff, los
argumentos de esta funcin se describen a continuacin [1], [43]:

R es la matriz cuyo nmero de filas es igual al nmero de entradas y el nmero de


columnas es igual a 2. Los elementos de esta matriz sealan los valores mximos
y mnimos que puede tomar cada una de las entradas de la red.

58

[A, B,.] este vector almacena el dato del nmero de neuronas que tienen todas
las capas ocultas de la red y del nmero de neuronas de salida, y con ello
proporciona al programa el nmero de capas que debe tener la red.

{Funciones} es un vector de cadena de caracteres en el que se indica las funciones


de activacin que va a poseer todas las neuronas de la primera capa oculta, la
segunda sealara la funcin de activacin de las neuronas de la segunda capa
oculta y sucesivamente, por lo que este vector va tener tantas cadenas como capas
de la red; si la funcin de activacin es lineal entonces se anota purelin, si es
tangente hiperblica se anota tansig, y si es una funcin sigmoidal se anota logsig.
Por defecto MATLAB utiliza la funcin tangente hiperblica.

En el siguiente argumento se indica el tipo de entrenamiento que va seguir la red,


por defecto MATLAB seguir el entrenamiento trainlm.
net=newff(R,[A,B],{'tansig','purelin'},'trainlm')

3.5.1.- Simulacin de la Red

Para obtener las salidas de una red ante ciertas entradas


se utiliza la funcin sim. Esta funcin devuelve un vector cuyos elementos son las salidas
de la red neuronal, en el argumento de esta funcin se introduce el nombre del objeto que
representa a la red en MATLAB, y el vector de entradas a la red.
Si se quiere varias simulaciones de manera simultnea se introduce una matriz, cuyas filas
son vectores de entrada de los cuales se desea obtener su salida, de manera que si se
tiene una red net de la que se quiere obtener sus salidas ante las entradas p, se escribe
en MATLAB la siguiente lnea de cdigo[1], [43].

Salida=sim(net,p);

59

3.5.2.- Entrenamiento de la Red

El entrenamiento de la red consiste en presentarle unas


entradas y sus correspondientes salidas, para que la red vaya reajustando su salida
mediante la modificacin de sus pesos y umbrales, de manera que el error de actuacin
de la red se minimice. Dicho valor MATLAB lo almacena en la variable net.performFcn.

Para indicar que se quiere utilizar esta definicin del error en MATLAB, la variable
net.performFcn debe igualarse a MSE (en cualquier caso, este valor MATLAB lo toma por
defecto)

Para entrenar una red se utiliza la funcin train. En cuyo argumento est el nombre de la
red ya creada que se quiere entrenar y los patrones, tanto de entrenamiento p como las
deseadas T, por lo que el cdigo se escribir de la siguiente manera:

[net, pr]=train(net,p,T);

La variable pr contiene informacin sobre el proceso de entrenamiento, y la variable net


contiene informacin de la red ya entrenada, es decir sus pesos y los valores de umbral ya
ajustados, adems esta funcin tiene una serie de variables para definir el entrenamiento
y que deben definirse con anterioridad los mismos dependen del tipo de entrenamiento[1],
[43].

3.5.2.1.- Regla Delta Generalizada

Para utilizar este entrenamiento se introduce la cadena


traingd. Los parmetros asociados a este tipo de entrenamiento son [1], [43]:

ephoch: define el mximo nmero de pocas de entrenamiento que puede tener el


proceso de aprendizaje.
60

show: indica a MATLAB la forma de visualizacin que deseamos tener durante el


entrenamiento de la red. Si su valor es Nan quiere decir que no se quiere ningn
tipo de visualizacin.

goal: este variable indica un valor mnimo limite que puede alcanzar la funcin error
de la red, si este alcanza dicho valor, el entrenamiento parara automticamente

time: este parmetro indica el tiempo mximo en segundos que puede durar el
entrenamiento de la red, una vez alcanzado este valor el entrenamiento de detendr
automticamente.

lr: es el ratio de aprendizaje

min_grad: determina el valor mnimo necesario que debe tener el gradiente para
detener el algoritmo.

max_fail: es el mximo nmero de iteraciones que puede incrementarse el error de


validacin antes de detenerse el entrenamiento.

Para llamar a estos parmetros se utiliza la siguiente lnea de cdigo (en el caso de la
variable ephoch):
net.trainParam.ephoch=100;

Para cualquier otro parmetro se actuar del mismo modo.

3.5.3.- Mtodos que se pueden utilizar en MATLAB para mejorar la capacidad de la


generalizacin de la Red

Uno

de

los

problemas

que

ocurre

durante

el

entrenamiento de la red es el sobreaprendizaje, que inhibe la capacidad de generalizacin.

Los mtodos para evitar el sobreaprendizaje en MATLAB tenemos

el mtodo de

regularizacin, y el de parada temprana (early stop).

61

3.5.3.1.- Regularizacin
Este mtodo implica modificar la definicin de la funcin
error utilizada en el entrenamiento.

3.5.3.1.1.- Funcin del Error Modificada

Normalmente la funcin error se define como la media de


los cuadrados de las diferencias entre las salidas patrn y la salidas obtenidas de la red.
Si a esta expresin le aadimos un trmino consistente en la medida de los cuadrados de
los pesos y los umbrales de la red mejoramos la generalizacin [1], [43].

msereg mse (1 ) msw


1 k 2
msw w j
k j1
Donde es un parmetro, y

(ec. 3.1)
(ec. 3.2)

mse es la funcin error definida anteriormente. Esta nueva

definicin de funcin error provoca que los pesos de la red obtenidos sean pequeos, lo
que provoca una respuesta ms suave de la red, y este hace menos probable el fenmeno
de sobreaprendizaje.
En MATLAB esto se introduce modificando el valor de la variable net.performFcn al valor
msereg. El problema de este mtodo es conocer el valor optimo del parmetro , si es
muy grande puede provocar sobreaprendizaje, si es muy pequeo, la red no se adecua
bien a los datos de aprendizaje. Este valor se modifica mediante la siguiente lnea de
cdigo[1], [43]:
Net.performParam.ratio=0.5;

3.5.3.1.2.- Parada Temprana


Esta tcnica divide los datos disponibles en dos partes.
La primera parte del conjunto de datos disponibles es para el entrenamiento, que es usada
62

para computar el gradiente y la actualizacin de los pesos y umbrales, la segunda parte


del conjunto es para la validacin. Normalmente el error de validacin es monitoreado
durante el proceso de entrenamiento, normalmente este error va decreciendo a medida
que transcurre el entrenamiento, pero en el caso de que se produzca sobreaprendizaje,
este error comienza a crecer. Cuando el error de validacin comienza a crecer en un
especificado nmero de iteraciones (en la variable net.trainParam.max_fail), se detiene el
entrenamiento y se utiliza los pesos y umbrales de la iteracin de menor error de validacin
[1], [43].

3.6.-BANCO DE DATOS PARA ENTRENAR LA RED NEURONAL

El sistema norte boliviano est conformado por las


empresas COBEE, DELAPAZ e HIDROELCTRICA BOLIVIANA, por lo que se dificulta el
acceso al banco de datos de mediciones de dicho sistema para entrenar la red.

3.6.1.-Banco De Datos De entrada Medidos Del Sistema Norte Boliviano

En el banco de datos de entrada de la red, estn


contemplados las tensiones nodales, flujo de potencias activas y reactivas como tambin las
inyecciones de potencias tanto activas como reactivas medidos por las empresas
correspondientes.

Los datos de entrada iniciales medidos del Sistema Norte Boliviano son los que se presentan
en las tablas 3.3, 3.4, 3.5 y 3.6 en lo que se refiere al resto de los datos de entrada para el
entrenamiento, se obtuvo al aplicar un ruido randmico a los datos de salidas deseadas
tanto a la magnitud como al ngulo de las tensiones nodales.

63

Voltajes Nodales
Nodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

Subestacin/ Tap
KENKO
COSMOS
RIO SECO
ALTO ACHACHICALA
TIQUIMANI
CUMBRE
CHUSPIPATA
PICHU
YANACACHI
CHOJLLA
CHUQUIAGUILLO(TAP)
PAMPAHASI
BAHAI(TAP)
BOLOGNIA
COTACOTA
ROSASSANI
ACHACHICALA
CHALLAPAMPA
CATACORA
ZONGO
G-TIQUIMANI
BOTIJLACA

Voltajes medidos [kV]


113.01008
112.70866
112.64653
113.07153
115.68057
112.54232
115.82881
116.71193
117.28168
116.96756
111.15699
110.48444
110.19037
109.95128
109.68516
110.14638
112.95707
112.81191
112.77809
114.80642
115.44606
115.62080

Tabla 3.4 Magnitud de voltajes medidos


Fuente: Adaptacin propia [C.N.D.C., julio 2015]

64

Flujos de Potencia Activa y Reactiva


Lnea

Cdigo

Nodo i

Nodo j

P medido [MW]

Q medido [MVAR]

COS_KEN115

18,6487726

9,08131463

KEN_COT115

15

3,1368591

56,7243679

COS_RSE115

-1,4400782

2,28344578

AAC_RSE115

-24,8270806

-5,94355146

TIQ_AAC11501

-47,748586

-8,59049701

TIQ_AAC11502

-47,748586

-8,59049701

AAC_ACH115

17

36,3141671

9,95071122

ZON_AAC115

20

-46,3996871

-9,43039774

TIQ_CUM115

9,91277423

29,3710827

10

BOT_TIQ115

22

39,2898299

4,74661359

11

CHS_CUM115

-63,8262954

4,65397882

12

TCH_CUM115

11

73,4816868

24,9318321

13

CHS_PIC115

-80,7945327

6,47948557

14

YAN_PIC115

-47,6666931

2,42016291

15

CHJ_PIC115

10

-35,2819369

1,17674536

16

PAM-TCH

11

12

72,9689368

23,5486887

17

PAM_TBA115

12

13

61,6004089

18,9488178

18

BOL-TBA115

13

14

43,5110518

12,0167238

19

ROS_TBA

13

16

18,5068265

6,5312716

20

BOL_COT115

14

15

20,8203862

6,45177434

21

ACH_CHA115

17

18

35,9398967

10,1558857

22

CHA-CTC115

18

19

16,3497216

4,18595894

23

TIG_ZON115

20

21

-46,759269

-10,2257303

24

BOT_TIG115

21

22

-45,9553748

-5,8175478

Tabla 3.5 Flujos de potencia i-j activa y reactiva medidos


Fuente: Adaptacin propia [C.N.D.C., julio 2015]
65

Flujos de Potencia Activa y Reactiva


Lnea

Cdigo

Nodo j

Nodo i

P medido [MW]

Q medido [MVAR]

COS_KEN115

-18,6258154

-9,21085129

KEN_COT115

15

-2,55002864

-55,6194629

COS_RSE115

1,44073785

-2,61645348

AAC_RSE115

24,8823295

5,77368318

TIQ_AAC11501

48,4401497

9,7518862

TIQ_AAC11502

48,4401497

9,7518862

AAC_ACH115

17

-36,2935436

-9,94225148

ZON_AAC115

20

46,8241196

10,2041737

TIQ_CUM115

-9,66974366

-29,5814621

10

BOT_TIQ115

22

-39,2754027

-4,73486835

11

CHS_CUM115

65,9220316

-0,03752512

12

TCH_CUM115

11

-73,0352497

-23,5296389

13

CHS_PIC115

81,5693662

-4,60354088

14

YAN_PIC115

47,9358269

-2,0930964

15

CHJ_PIC115

10

35,3673656

-1,18585482

16

PAM-TCH

12

11

-72,7355414

-22,8968498

17

PAM_TBA115

13

12

-61,5135954

-18,7190744

18

BOL-TBA115

14

13

-43,4546321

-11,9287778

19

ROS_TBA

16

13

-18,5027478

-6,54846947

20

BOL_COT115

15

14

-20,7913854

-6,53355555

21

ACH_CHA115

18

17

-35,9014782

-13,9113037

22

CHA-CTC115

19

18

-16,3456317

-6,1476697

23

TIG_ZON115

21

20

46,9122905

10,4889196

24

BOT_TIG115

22

21

46,0040687

5,8936418

Tabla 3.6 Flujos de potencia j-i activa y reactiva medidos


Fuente: Adaptacin propia [C.N.D.C., julio 2015]
66

Inyecciones de Potencia Activa y Reactiva

Nodo

Subestacin/ Tap

P medido [MW]

Q medido [MVAR]

KENKO

21,7856317

65,8056825

COSMOS

-20,0658936

-6,9274055

RIO SECO

-23,3863428

-8,56000494

ALTO ACHACHICALA

-32,9517765

-2,29650035

TIQUIMANI

97,6427538

43,8695825

CUMBRE

-0,01435221

0,00434884

CHUSPIPATA

-14,8725011

6,44196045

PICHU

-1,37926377

-1,00663261

YANACACHI

47,9358269

-2,0930964

10

CHOJLLA

35,3673656

-1,18585482

11

CHUQUIAGUILLO(TAP)

-0,06631287

0,01904978

12

PAMPAHASI

-11,1351325

-3,94803195

13

BAHAI(TAP)

0,50428289

-0,171079

14

BOLOGNIA

-22,6342459

-5,47700341

15

COTACOTA

-23,3414141

-62,1530184

16

ROSASSANI

-18,5027478

-6,54846947

17

ACHACHICALA

-0,35364693

0,21363424

18

CHALLAPAMPA

-19,5517566

-9,72534474

19

CATACORA

-16,3456317

-6,1476697

20

ZONGO

0,06485063

-0,02155661

21

G-TIQUIMANI

0,95691576

4,6713718

22

BOTIJLACA

6,72866597

1,15877345

Tabla 3.7 Inyecciones de potencia activa y reactiva medidos


Fuente: Adaptacin propia [C.N.D.C., julio 2015]

67

3.6.2.-Banco De Datos De Los Estados Deseados Del Sistema Norte Boliviano


Los datos de magnitud y ngulo de tensiones nodales a
partir de los cuales se gener el resto de los datos necesarios aplicndole un ruido
randmico, se muestran en la tabla 3.7:
Nodo

V [ kV ]

V [ p.u. ]

Angulo [ ]

113.01008

0.98270

-46.468

112.70866

0.98008

-46.636

112.64653

0.97954

-46.602

113.07153

0.98323

-46.227

115.68057

1.00592

-43.694

112.54232

0.97863

-43.745

115.82881

1.00721

-38.219

116.71193

1.01489

-36.584

117.28168

1.01984

-35.661

10

116.96756

1.01711

-36.189

11

111.15699

0.96658

-44.835

12

110.48444

0.96073

-45.350

13

110.19037

0.95818

-45.585

14

109.95128

0.95610

-45.767

15

109.68516

0.95378

-45.956

16

110.14638

0.95779

-45.614

17

112.95707

0.98224

-46.320

18

112.81191

0.98097

-46.357

19

112.77809

0.98068

-46.366

20

114.80642

0.99832

-44.562

21

115.44606

1.00388

-43.969

22

115.62080

1.00540

-43.765

Tabla 3.8 Magnitud y ngulo de tensiones nodales


Fuente: Adaptacin propia [C.N.D.C., julio 2015]

68

Las tensiones y potencias Base como tambin la posicin de los taps en los
transformadores son:
Potencia base = 100 [MVA] y Voltaje base= 115 [kV]
Posicin del tap de los transformadores = 1 (no interviene en el caso de estudio)
3.7.- Resultados obtenidos al cabo del entrenamiento

Para poder comparar los estados estimados con redes


neuronales y los valores medidos, se detalla lo mencionado en las tablas que se muestran
a continuacin.
Nodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

Subestacin/ Tap
KENKO
COSMOS
RIO SECO
ALTO ACHACHICALA
TIQUIMANI
CUMBRE
CHUSPIPATA
PICHU
YANACACHI
CHOJLLA
CHUQUIAGUILLO(TAP)
PAMPAHASI
BAHAI(TAP)
BOLOGNIA
COTACOTA
ROSASSANI
ACHACHICALA
CHALLAPAMPA
CATACORA
ZONGO
G-TIQUIMANI
BOTIJLACA

Voltajes medidos [kV]

Voltajes estimados [kV]

113,01008
112,70866
112,64653
113,07153
115,68057
112,54232
115,82881
116,71193
117,28168
116,96756
111,15699
110,48444
110,19037
109,95128
109,68516
110,14638
112,95707
112,81191
112,77809
114,80642
115,44606
115,62080

113,14789
112,84830
112,78900
113,20986
115,82399
112,68646
115,96639
116,84742
117,41486
117,10374
111,29892
110,61976
110,33192
110,08246
109,82604
110,28696
113,09495
112,95535
112,91619
114,93862
115,57864
115,75796

Tabla 3.9 Magnitud de tensiones nodales medidos y estimados


Fuente: Elaboracin propia
69

Flujos de Potencia Activa y Reactiva

Lnea

Cdigo

Nodo i

Nodo j

P medido [MW]

P estimado [MW]

Q medido [MVAR]

Q estimado [MVAR]

COS_KEN115

18,6487726

18,650363

9,08131463

9,0794372

KEN_COT115

15

3,1368591

3,13561658

56,7243679

56,7247147

COS_RSE115

-1,4400782

-1,44169033

2,28344578

2,28359347

AAC_RSE115

-24,8270806

-24,8265448

-5,94355146

-5,94336681

TIQ_AAC11501

-47,748586

-47,7492085

-8,59049701

-8,59064885

TIQ_AAC11502

-47,748586

-47,7492085

-8,59049701

-8,59064885

AAC_ACH115

17

36,3141671

36,3080437

9,95071122

9,95569363

ZON_AAC115

20

-46,3996871

-46,4002612

-9,43039774

-9,42984384

TIQ_CUM115

9,91277423

9,91297875

29,3710827

29,3718503

10

BOT_TIQ115

22

39,2898299

39,3048016

4,74661359

4,75813655

11

CHS_CUM115

-63,8262954

-63,8265699

4,65397882

4,65411081

12

TCH_CUM115

11

73,4816868

73,4803567

24,9318321

24,9312999

13

CHS_PIC115

-80,7945327

-80,793137

6,47948557

6,47853118

14

YAN_PIC115

-47,6666931

-47,6658455

2,42016291

2,42020083

15

CHJ_PIC115

10

-35,2819369

-35,28273

1,17674536

1,17898583

16

PAM-TCH

11

12

72,9689368

72,9725966

23,5486887

23,5501968

17

PAM_TBA115

12

13

61,6004089

61,6041561

18,9488178

18,9456642

18

BOL-TBA115

13

14

43,5110518

43,5008558

12,0167238

12,017176

19

ROS_TBA

13

16

18,5068265

18,4993137

6,5312716

6,53518797
70

20

BOL_COT115

14

15

20,8203862

20,8214265

6,45177434

6,45231668

21

ACH_CHA115

17

18

35,9398967

35,9417255

10,1558857

10,1593675

22

CHA-CTC115

18

19

16,3497216

16,3484489

4,18595894

4,20513097

23

TIG_ZON115

20

21

-46,759269

-46,7605755

-10,2257303

-10,2242712

24

BOT_TIG115

21

22

-45,9553748

-45,9479153

-5,8175478

-5,82382305

Tabla 3.10 Flujos de potencia i-j activa y reactiva medidos y estimados


Fuente: Elaboracin propia

Lnea

Cdigo

Nodo j

Nodo i

P medido [MW]

P estimado [MW]

Q medido [MVAR]

Q estimado [MVAR]

COS_KEN115

-18,6258154

-18,6274044

-9,21085129

-9,20896931

KEN_COT115

15

-2,55002864

-2,54878028

-55,6194629

-55,6197931

COS_RSE115

1,44073785

1,44235042

-2,61645348

-2,61659983

AAC_RSE115

24,8823295

24,8817913

5,77368318

5,77349014

TIQ_AAC11501

48,4401497

48,4407903

9,7518862

9,75209832

TIQ_AAC11502

48,4401497

48,4407903

9,7518862

9,75209832

AAC_ACH115

17

-36,2935436

-36,2874252

-9,94225148

-9,94725071

ZON_AAC115

20

46,8241196

46,8247018

10,2041737

10,2036484

TIQ_CUM115

-9,66974366

-9,66993618

-29,5814621

-29,5821895

10

BOT_TIQ115

22

-39,2754027

-39,2903626

-4,73486835

-4,74634939

11

CHS_CUM115

65,9220316

65,9223256

-0,03752512

-0,03759907

12

TCH_CUM115

11

-73,0352497

-73,0339358

-23,5296389

-23,5291685
71

13

CHS_PIC115

81,5693662

81,5679428

-4,60354088

-4,60266799

14

YAN_PIC115

47,9358269

47,9349698

-2,0930964

-2,09316102

15

CHJ_PIC115

10

35,3673656

35,3681629

-1,18585482

-1,18808321

16

PAM-TCH

12

11

-72,7355414

-72,7391772

-22,8968498

-22,8982761

17

PAM_TBA115

13

12

-61,5135954

-61,5173354

-18,7190744

-18,7158957

18

BOL-TBA115

14

13

-43,4546321

-43,4444603

-11,9287778

-11,9293005

19

ROS_TBA

16

13

-18,5027478

-18,4952373

-6,54846947

-6,55239287

20

BOL_COT115

15

14

-20,7913854

-20,7924227

-6,53355555

-6,53408898

21

ACH_CHA115

18

17

-35,9014782

-35,9033012

-13,9113037

-13,914779

22

CHA-CTC115

19

18

-16,3456317

-16,3443567

-6,1476697

-6,16683842

23

TIG_ZON115

21

20

46,9122905

46,9136033

10,4889196

10,4874828

24

BOT_TIG115

22

21

46,0040687

45,9965953

5,8936418

5,89986789

Tabla 3.11 Flujos de potencia j-i activa y reactiva medidos y estimados


Fuente: Elaboracin propia

Inyecciones de Potencia Activa y Reactiva


Nodo

Subestacin/ Tap

P medido [MW]

P estimado [MW] Q medido [MVAR]

Q estimado [MVAR]

KENKO

21,7856317

21,7859796

65,8056825

65,8041519

COSMOS

-20,0658936

-20,0690947

-6,9274055

-6,92537584

RIO SECO

-23,3863428

-23,3841944

-8,56000494

-8,55996664

ALTO ACHACHICALA

-32,9517765

-32,9596348

-2,29650035

-2,29130892
72

TIQUIMANI

97,6427538

97,6585707

43,8695825

43,8820852

CUMBRE

-0,01435221

-0,01614944

0,00434884

0,00322125

CHUSPIPATA

-14,8725011

-14,8708114

6,44196045

6,44093211

PICHU

-1,37926377

-1,38063274

-1,00663261

-1,00348132

YANACACHI

47,9358269

47,9349698

-2,0930964

-2,09316102

10

CHOJLLA

35,3673656

35,3681629

-1,18585482

-1,18808321

11

CHUQUIAGUILLO(TAP)

-0,06631287

-0,06133917

0,01904978

0,02102835

12

PAMPAHASI

-11,1351325

-11,1350211

-3,94803195

-3,95261185

13

BAHAI(TAP)

0,50428289

0,48283406

-0,171079

-0,16353167

14

BOLOGNIA

-22,6342459

-22,6230338

-5,47700341

-5,47698381

15

COTACOTA

-23,3414141

-23,341203

-62,1530184

-62,1538821

16

ROSASSANI

-18,5027478

-18,4952373

-6,54846947

-6,55239287

17

ACHACHICALA

-0,35364693

-0,34569968

0,21363424

0,21211679

18

CHALLAPAMPA

-19,5517566

-19,5548524

-9,72534474

-9,70964806

19

CATACORA

-16,3456317

-16,3443567

-6,1476697

-6,16683842

20

ZONGO

0,06485063

0,0641263

-0,02155661

-0,0206228

21

G-TIQUIMANI

0,95691576

0,96568805

4,6713718

4,66365973

22

BOTIJLACA

6,72866597

6,70623269

1,15877345

1,1535185

Tabla 3.12 Inyeccin de potencia activa y reactiva medidos y estimados


Fuente: Elaboracin propia
73

CAP. IV

CONCLUSIONES Y RECOMENDACIONES

4.1.- Conclusin
Analizando objetivos alcanzados en el presente trabajo.

Objetivos secundarios:
1) Estudiar RNAS orientados al reconocimiento de patrones.

Podemos indicar que el este objetivo en el presente trabajo fue alcanzado de


manera satisfactoria, ya que la red neuronal artificial implementada realiza el
reconocimiento de patrones (datos medidos del SEP) para luego calcular los
estados estimados.

2) Desarrollar un software en el entorno MATLAB. Para calcular los flujos de


potencia conociendo los estados estimados.

En vista de los resultados obtenidos de los flujos de potencia a partir de los estados
estimados, como tambin en vista del cdigo de programacin en MATLAB adjunto
al presente trabajo, se puede evidenciar el alcance satisfactorio de este objetivo.

3) Evaluar el estimador de estado a base de las RNAS en el Sistema Norte


Boliviano de 115 kV .
Al obtener los estados estimados del Sistema Norte Boliviano de 115 kV mediante
redes neuronales artificiales para luego analizar y validar dichos estados, podemos
afirmar que este objetivo fue alcanzado satisfactoriamente.

74

Objetivo general:

Utilizar la tecnologa RNA. En los estimadores de estado de un sistema


elctrico de potencia.

En el presente trabajo, al estudiar la utilizacin de la tecnologa RNA, para estimar


los estados de un sistema elctrico de potencia, y luego analizar y validar los
resultados obtenidos por la utilizacin de dicha tecnologa, podemos indicar de
manera acertada que el objetivo general fue alcanzado.

En base al anlisis anterior de los objetivos alcanzados, se puede indicar que el problema
de estimacin de estado puede ser resuelto a travs de la aplicacin de las redes
neuronales artificiales, lo cual result ser robusto ante posibles ruidos o errores que puede
tener ciertas mediciones que se utilizan para la planificacin o anlisis de flujos e
inyecciones de potencia en un sistema elctrico, adems que resulta ser factible la
implementacin prctica.

Tambin se pudo evidenciar que, al estimar el estado de un sistema elctrico de potencia


con cantidad de nodos considerablemente alta, es necesario disponer de mquinas de
procesamiento de mayor memoria (computador), ya que el proceso de entrenamiento de
la red neuronal artificial as lo demanda, es decir que la memoria de las mquinas de
procesamiento utilizadas determina el tiempo que demanda el proceso de entrenamiento
de la red neuronal artificial para la estimacin de estado.

75

4.2.- Recomendaciones
En vista del proceso de desarrollo del presente proyecto
y de los resultados obtenidos al cabo del mismo, se puede recomendar y/o indicar que:

Al implementar el estimador de estado mediante la red neuronal artificial entrenada


en el presente proyecto, se instale equipos de medicin de mayor precisin en los
nodos 2 y 7 (Subestacin Cosmos y Subestacin Chuspipata respectivamente), ya
que el estimador de estado propuesto es ms sensible en dichos nodos.

Para trabajos futuros


Con referencia a los trabajos futuros se recomienda que:

a) Se busque un nuevo mtodo de entrenamiento de la red neuronal para poder


estimar los estados de sistemas elctricos de potencia con mayor cantidad de nodos
como ser el Sistema Interconectado Nacional (SIN), ya que el tiempo del proceso
de entrenamiento es mucho mayor a medida que crece el sistema elctrico de
potencia.
b) Implementar mtodos heursticos para poder determinar los pesos sinpticos de la
red neuronal, tal que estos mtodos aceleren el proceso de entrenamiento y hagan
que la red neuronal sea robusto ante ruidos en los datos medidos, entre los mtodos
heursticos se sugiere los Algoritmos Genticos y Colonia de Hormigas.
c) Entrenar una red neuronal para que este pueda detectar fallas de alta impedancia
en los sistemas elctricos de potencia y luego clasificarlos, ya que los sistemas de
proteccin no suelen detectar y/o actuar a tiempo ante las fallas de alta impedancia.

76

CAP. V

BIBLIOGRAFA Y ANEXOS

5.1.- Bibliografa

[1] Howard Demuth Mark Beale - 1998. Neural Network Toolbox for use with MATLAB
[2] James A. Freeman/ David M. Skapura - 1993. Redes Neuronales
[3] Jose Ramon Hilera Gonzales/ Victor Martiez Hernando - 1995. Redes Neuronales
Artificiales
[4] Edgar Sanchez Sinencio/ Clifford Lau - 1995. Artificial Neural Networks
[5] IEEE

July 2001. Computer Applications in Power

[6] Pedro Isasi viuela/ Ins M. Galvn Len - 2004. Redes de Neuronas Artificiales Un
Enfoque Prctico, Primera edicin, Editorial Pearson Education-Prentice Hall.
[7] Pedro Ponce Cruz Julio 2010. Inteligencia artificial con aplicaciones a la
ingeniera, Primera edicin, Editorial Alfaomega.
[8] Russell, Stuart J. / Meter Norvig - 2004. Inteligencia artificial, Un enfoque moderno,
Segunda edicin, Editorial Pearson Education-Prentice Hall.

[9] Xabier Basogain Olabe. Redes neuronales artificiales y sus aplicaciones


[10] Damin Jorge Matich Marzo 2001. Redes Neuronales: Conceptos Bsicos y
Aplicaciones
[11] Luis Federico Bertona Noviembre 2005. Entrenamiento de redes neuronales
basado en algoritmos evolutivos
[12] Antonio J. Serrano/ Emilio Soria/Jose D. Martin 2009(Ciclo de Doctorado). Redes
neuronales artificiales
[13] Jose Manuel Gutierrez. Introduccin a las redes neuronales artificiales
[14] Francisco Garca Lagos - 2003. Redes neuronales artificiales para la gestin de
sistemas de energa elctrica

77

[15] Ruperto Juan Aduviri Rodrguez La Paz 1992. Estimador de Estado en Sistemas
de Potencia
[16] Felipe Santiago Quisbert Navarro La Paz 2009. Estimador de Estados en
Sistemas Elctricos
[17] Michel Hernndez Hazel Yurai Junio 2009. Estimacin de estado por mnimos
cuadrados ponderados en sistemas de potencia empleando el mtodo de newton
[18] Fernando Manuel Betancourt Ramrez Diciembre 1988. Consideraciones prcticas
para la utilizacin de tcnicas de estimacin de estado
[19] Rodrigo Jos Albuquerque-2012. Mtodos alternativos para estimacin de estado
en sistemas de energa elctrica
[20] Jorge Luis Ramirez Izaga Septiembre 2007. Nuevos modelos para la estimacin
de estado en redes de distribucin
[21] Holly Moore - 2007. Matlab para ingenieros, Primera edicin, Editorial Pearson
Education-Prentice Hall.
[22] Javier Garca De Jaln/ Jos Ignacio Rodrguez Septiembre 2005. Aprenda matlab
7.0 como si estuviera en primero
[23] John H. Mathews/ Kurtis D. Fink - 2000. Mtodos numricos con matlab, Editorial
Prentice Hall.
[24] Roberto Rodrguez del Rio. Graficas con matlab
[25] Hernan Catari Ramos/Rodmy Miranda Ordoez Marzo 2009. Matlab para el
anlisis de sistemas elctricos de potencia
[26] Guzman Dolores Misael junio 2012. Flujos de potencia con matlab
[27] Cesar Prez Madrid 2002. Matlab y sus aplicaciones en las ciencias y la
ingeniera, Primera edicin, Editorial Pearson Education-Prentice Hall.
[28] Cesar Perez Madrid 2011. Matlab a travs de ejemplos, Primera edicin, Editorial
Garceta.

[29] Luis Rodriguez Ojeda - Guayaquil 2011. Anlisis numrico bsico


[30] Luis Rodriguez Ojeda - Guayaquil 2012. Matlab programacin
[31] Miguel Ataurima Arellano Julio 2013. Matlab y simulink para ingeniera
78

[32] Diego Orlando Barragan Guerrero - Mayo 2008. Manual de interfaz grfica de
usuario en matlab
[33] Maulio Rodriguez - Octubre 1992. Anlisis de sistemas de potencia, Segunda
edicin, Editorial Universidad de Zulia.
[34] Gabriel Arguello Ros - Marzo 1988. Anlisis y control de sistemas elctricos de
potencia
[35] Gilberto Enriquez Harper. Tcnicas computacionales en sistemas elctricos de
potencia, Pre-Edicin, Editorial Limusa.
[36] John J. Grainger/ William D. Stevenson Jr. - 1996. Anlisis de sistemas de potencia,
Primera edicin, Editorial Mc Graw Hill.
[37] J. Duncan Glover/Mulukutia S. Sarma - 2004. Sistemas de potencia anlisis y
diseo, Tercera edicin, Editorial Thomson.
[38] Turan Gonen - 1988. Transmission system engineering analysis and design
[39] Theodore Wildi - 2007. Maquinas elctricas y sistemas de potencia, Sexta edicin,
Editorial Pearson Education-Prentice Hall.
[40] E.E. Staff- M.I.T. circuitos magnticos y transformadores, Editorial Revert.
[41] Stephen j. Chapman. Maquinas elctricas, Tercera edicin, Editorial Mc Graw Hill.
[42] Mara Jos Gmez Gallego - 2012. Redes neuronales artificiales para la
simulacin, estimacin y control de caudales impulsados por estaciones de bombeo
en zonas regables.
[43] Alonso Moreno Rodrguez - 2011. Desarrollo de una interfaz grfica de redes
neuronales usando Matlab.

79

5.2.- Anexos
5.2.1.- Anexo A: Deduccin detallada de las ecuaciones para los componentes del
sep.

Ecuaciones para el clculo de flujos de


potencia
Modelo PI de la lnea de transmisin.
I1

Vi

Vj

R
I3

I2

B
2

G
2

G
2

B
2

Figura A
Aplicando ley corrientes de Kirchhoff:

B
1
G
I1 I2 I3 j Vi
Vi Vj
2
R jX
2
Si la potencia aparente se expresa como:

S V I*
Entonces se tiene que:
*

G B

1
Sij Vi I1* Vi j Vi
Vi Vj

2
R jX
2

80

G B
R jX *
R jX
G B
*
*
Sij Vi j Vi* 2
V

V Vi* Vi Vj*

i
j

i i
2
2
2 i
2
R X
2
R X
2
2

R jX
2
2 o
G B
Sij j Vi 0o 2
V
0 Vi Vj i j
i
2
2
2
R

Sabiendo que:

Vi Vj i j Vi Vj cos ij j sin ij
Por tanto:

R jX
2
G B
Sij j Vi 0o 2
R X2
2 2
2
G B
Sij j Vi 0o
2 2

R 2 X2

0o Vi Vj cos ij j Vi Vj sin ij

R 2 X2

j R V V sin

X V V sin

R Vi Vi Vj cos ij
2

R Vi 0o Vi Vj cos ij

X Vi 0o Vi Vj cos ij

R 2 X2

ij

ij

R 2 X2

X Vi Vj sin ij
G
2
Vi

2
R 2 X2
R 2 X2
2

X
V
Vi Vj cos ij
R
V

V
sin

i
B
2
i
j
ij

j Vi

2
R 2 X2
R 2 X2

Sij

Vi Vj
R
2
G
Sij 2

R
cos

Xsin

i
ij
ij
2
2
2
2
R

X
R

B
Vi Vj
X
2

j 2

R
cos

Xsin

ij
ij 2
2 R X 2 i
R X2

81

Sabiendo que la parte real de la potencia aparente es la potencia activa y la parte


imaginaria la reactiva, se tiene que:

R Vi Vj
G
R cos ij Xsin ij
Pij Vi2 2
2
2
2

2
R

X
R

X Vi Vj
B
R sin ij Xcos ij
Qij Vi2 2
2
2
2

2 R X R X

Modelo PI del transformador con cambio de tap

Vi

I1

Vj

I3

I2
G
2

B
2

G
2

B
2

Figura A1

Sabemos que:

Ii

Ik
a*

Vi a Vk

I k I1

Aplicando ley corrientes de kirchoff:

B
1
G
I1 I2 I3 j Vk
Vk Vj
2
R jX
2
82

Entonces:

Ii

1 G
Ik 1 G
B
1
B Vi
1 Vi

k
j
j

*
a* a* 2
2
R jX
2 a R jX a

a 2

Haciendo una suposicin simplificativa respecto a la relacin de transformacin, el cual es


ser solamente real, se tiene que:
1 G
B V
1 Vi

Ii j i
Vj
a 2
2 a R jX a

Si la potencia aparente se expresa como:

S V I*
Entonces se tiene que:
*

1 G B V
1 Vi

Sij Vi I*i Vi j i
Vj
2 a R jX a

a 2

1 G B Vi* R jX Vi*
*
Sij Vi j 2

j
a 2 2 a R X2 a

1 G B Vi Vi* R jX Vi Vi*
*
Sij j
2

i
j
a 2
2 a
R X2 a

2 o
2 o
Vi Vj i j
R jX Vi 0
G B Vi 0

Sij j
2

2
2
2
2 a
R X a
a

Sabiendo que:

Vi Vj i j Vi Vj cos ij j sin ij
Por tanto:
2 o
2 o
Vi Vj cos ij
Vi Vj sin ij
R jX Vi 0
G B Vi 0

Sij j

2
2
2
2

2
2
a
R

X
a
a
a

83

Vi 2 0o Vi Vj cos ij
Vi Vj sin ij
R 2

2 o
R
a

a
Vi 0

j
a

2
2
2
2
a
R X
R X2

G B
Sij j
2
2
Vi 2 0o Vi Vj cos ij
Vi Vj sin ij
X 2

X
a

a
j
2
2
2
R X
R X2

Vi 2 Vi Vj cos ij
Vi Vj sin ij
R 2

2
X

a
a
G V

a
Sij i2

2
2
2
2
2 a
R X
R X

Vi 2 Vi Vj cos ij
Vi Vj sin ij X

2
2
R

a
a
B Vi

a
j 2

2
2
2
2
2
a
R

X
R

2
Vi Vj
R Vi
G
Sij 2

R
cos

Xsin

ij
ij
2
2
2
2
2
R

X
a
a R X

2
B
Vi Vj
X Vi

j 2

R cos ij Xsin ij
2
2
2 R X 2 a 2
a
R

Sabiendo que la parte real de la potencia aparente es la potencia activa y la parte


imaginaria la reactiva, se tiene que:

Vi Vj
Vi2 G
R
Xsin ij R cos ij
Pij 2 2

2
2
2

a 2 R X a(R X )

Vi Vj
Vi2 B
X
R sin ij Xcos ij
Qij 2 2

a 2 R X 2 a(R 2 X 2 )
84

Con las ecuaciones anteriores podemos obtener los flujos de potencia a travs del
transformador con el tap fuera de la posicin nominal y que se encuentra en el lado del
nodo i .
De una manera anloga, el flujo de potencia desde el nodo j est dado por las siguientes
expresiones:

Vi Vj
R
G
Xsin ji R cos ji
Pij Vj2 2

2
2
2

2
R

X
a(R

X
)

Vi Vj
X
B
R sin ji Xcos ji
Qij Vj2 2

2
2
2

2 R X a(R X )

5.2.2.- Anexo B: Cdigo de programacin en MATLAB para el clculo de flujos e


inyecciones de potencia

CDIGO EN MATLAB
Archivo .m sistema_a _simular
ESTIMADOR DE ESTADO MEDIANTE REDES NEURONALES ARTIFICIALES
POSTULANTE: JUAN CARLOS HUAQUISACA PAYE
TUTOR: ING. JUAN RUPERTO ADUVIRI RODRGUEZ

%.....................................................................................
%...........
%...........
clc
clear all
close all
format long

PARA CALCULAR FLUJOS E INYECCIONES DE POTENCIA ..........


A PARTIR DE TENSIONES NODALES(MAGNITUD Y ANGULO) ........
% para que limpie la pantalla
%para borrar variables anteriores
% cierra pantallas abiertas anteriormente
% formato
85

ADQUISICIN Y LECTURA DE DATOS NECESARIOS


DATOS DE VOLTAJE Y ANGULO COMO DE LOS PARMETROS DE LA RED
[LIBRO DIR]=uigetfile('*.xlsx','datos sistema norte boliviano');% llama al archivo excel
Nodos=xlsread(LIBRO,'Nodos');
% lee el libro Nodos del archivo excel
Lineas=xlsread(LIBRO,'Lineas');
% lee el libro Lineas del archivo excel
n=size(Nodos,1);
% calcula el numero de nodos
nn=size(Lineas,1);
% calcula el numero de filas del libro lineas
V=Nodos(:,2)';
% lee las manitudes de voltajes nodales
D=Nodos(:,3)';
% lee los angulos del voltajes nodales
V_BASE=Nodos(:,4)';
% lee las manitudes BASE de voltajes nodales
I=Lineas(:,1)';
J=Lineas(:,2)';
Rr=Lineas(:,3)';
Xx=Lineas(:,4)';
Gg=Lineas(:,5)';
Bb=Lineas(:,6)';
tap=Lineas(:,7)';
Bshunt=Nodos(:,5)';
a=ones(n);
%_________________ para armar la matriz R, X, G, B
for w=1:nn
R(I(w),J(w))=Rr(w);
X(I(w),J(w))=Xx(w);
G(I(w),J(w))=Gg(w);
B(I(w),J(w))=Bb(w);
R(J(w),I(w))=Rr(w);
X(J(w),I(w))=Xx(w);
G(J(w),I(w))=Gg(w);
B(J(w),I(w))=Bb(w);
end
for t=1:n
B(t,t)=B(t,t)+2*Bshunt(1,t)*sqrt(-1);
end
%__________________________________________________________________________
for h=1:nn
a(J(h),I(h))=tap(h);% para armar la matriz de posicion de taps(aij=1 si se trata de L.T.)
end
ptbas=input(' potencia base en MVAS???
');%100;
%__________________________________________________________________________

ptbas=input(' potencia base en MVAS???

');%100;

PARA CALCULAR FLUJOS E INYECCIONES DE POTENCIA


%los datos de V,D,n,R,X,G,B, V_BASE y a son para ingresar a la funcion FLUJCARGA
vect=Flujcarga(V,D,n,R,X,G,B,V_BASE,a,ptbas);%RESULTADO DE LOS FLUJOS
86

PARA MOSTRAR RESULTADOS DE TENSIONES NODALES, FLUJOS E INYECCIONES DE


POTENCIA
%________________________FORMANDO MATRIZ DE POTENCIAS ACTIVAS______________
for x=0:n-1
for i=x*n+1:(x+1)*n
POTACTIV1(x+1,i-x*n)=vect(i);
end
end
%________________________FORMANDO MATRIZ DE POTENCIAS REACTIVAS____________
for u=0:n-1
for j=(u+n)*n+1:(u+n+1)*n
POTREACTIV1(u+1,j-(u+n)*n)=vect(j);
end
end
%__________________________________________________________________________
POTINYECACT=diag(POTACTIV1)' ;
% potencias activas inyectadas
POTINYECREA=diag(POTREACTIV1)';
% potencias reactivas inyectadas
%_remplazando por cero la diagonal en la matriz de potencia activa y reactiva
for h=1:n
for k=1:n
if h==k
POTACTIV1(h,k)=[0];
POTREACTIV1(h,k)=[0];
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
else
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
end
end
end
POTACTIV;
POTREACTIV;
disp(' ')
disp('_____________________________________________________________________')

DESPLEGANDO RESULTADOS CON SUBNDICE


VOLTAJES NODALES
disp('_______________________VOLTAJES NODALES EN KV________________________')
V;
for k=1:n
fprintf('
V_%d=%.6f',k,V(k))%muestra P con 6 decimales
%_________PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS
if mod(k,2)==0
% si k es par
fprintf('\n\n\n')
% EQUIVALE A UN ENTER( es como en c++)
else
fprintf('
')% deja un espacio
end
end

87

NGULOS NODALES
disp('___________________ANGULOS DE VOLTAJES NODALES EN GRADOS_____________')
D;
for k=1:n
fprintf('
D_%d=%.6f',k,D(k))%muestra P con 6 decimales
%_________PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS
if mod(k,2)==0
% si k es par
fprintf('\n\n\n')
% EQUIVALE A UN ENTER( es como en c++)
else
fprintf('
')% deja un espacio
end
end
disp('_____________________________________________________________________')
disp(' ')

INYECCIONES DE POTENCIA ACTIVA


disp('POTENCIAS ACTIVAS INYECTADAS A CADA BARRA EN MW ')
disp(' ')
for l=1:n
fprintf('
P_%d=%.6f',l,POTINYECACT(l))%muestra P con 6 decimales
%_________PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS
if mod(l,2)==0
% si k es par
fprintf('\n\n\n')
% EQUIVALE A UN ENTER( es como en c++)
else
fprintf('
')% deja un espacio
end
end
disp(' ')
disp('_____________________________________________________________________')
disp('_____________________________________________________________________')
disp(' ')

INYECCIONES DE POTENCIA REACTIVA


disp('POTENCIAS REACTIVAS INYECTADAS A CADA BARRA EN MVAR ')
disp(' ')
for l=1:n
fprintf('
Q_%d=%.6f',l,POTINYECREA(l))
if mod(l,2)==0
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')
disp('_____________________________________________________________________')

88

FLUJOS DE POTENCIA ACTIVA

disp('_________________FLUJOS DE POTENCIA ACTIVA EN MW___________________________ ')


disp(' ')
for l=1:nn
VECT_FLU_P(l)=POTACTIV(I(l),J(l));
fprintf(' P%d-%d=%.6f :',I(l),J(l),
if mod(l,2)==0
fprintf('\n\n\n')
else
fprintf('
end

POTACTIV(I(l),J(l)))

')

end
disp(' ')
for l=1:nn
VECT_FLU_P1(l)=POTACTIV(J(l),I(l));
fprintf(' P%d-%d=%.6f :',J(l),I(l),
POTACTIV(J(l),I(l)))
%___________________________________
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')
disp('_____________________________________________________________________')

FLUJOS DE POTENCIA REACTIVA


disp('_________________FLUJOS DE POTENCIA REACTIVA EN MVAR___________________________ ')
disp(' ')
for l=1:nn
VECT_FLU_Q(l)=POTREACTIV(I(l),J(l));
fprintf(' Q%d-%d=%.6f :',I(l),J(l), POTREACTIV(I(l),J(l)))
%___________________________________
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
')
end
end
89

disp(' ')
for l=1:nn
VECT_FLU_Q1(l)=POTREACTIV(J(l),I(l));
fprintf(' Q%d-%d=%.6f :',J(l),I(l), POTREACTIV(J(l),I(l)))
%___________________________________
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')

ESCRIBIENDO TODAS LAS VARIABLES EN UN ARCHIVO EXCEL PARA FUTUROS ANLISIS


TODAS_LAS_VARIABLES=[POTINYECACT';POTINYECREA';VECT_FLU_P';VECT_FLU_P1';VECT_FLU_Q';VECT_FLU_Q1';V'
;D'];
xlswrite('TODAS_LAS_VARIABLES',TODAS_LAS_VARIABLES,'VARIABLES')

Published with MATLAB R2013a

Archivo .m Flujcarga
FUNCIN "Flujcarga"
function

Poten = Flujcarga(V,D,n,R,X,G,B,V_BASE,a,ptbas)

for i=1:n; % par V en p.u. y angulos en radianes


V(i)=V(i)/V_BASE(i);
D(i)=D(i)*pi/180;
90

end
% for i=1:n
%
D(i)=D(i)*pi/180;
% end
% V;
% D;
FPACT=Flujpac(G,R,X,V,D,n,a,ptbas); %calculo del flujo
FQREA=Flujqvar(B,R,X,V,D,n,a,ptbas); %calculo del flujo

P(i,j) con ayuda de "Flujpac"


Q(i,j) con ayuda de "Flujqvar"

%Poten = [FPACT; FQREA];


%pause% haga clik
reg=0;
for i=1:n
for j=1:n
reg = reg + 1;
Poten(reg)=FPACT(i,j);
end
end
for i=1:n
for j=1:n
reg = reg + 1;
Poten(reg)=FQREA(i,j);
end
end
for i=1:n
reg = reg + 1;
ha=V(i);
Poten(reg)=ha;
end
Poten;

Published with MATLAB R2013a

Archivo .m Flujpac
FUNCIN "Flujpac"

function FP=Flujpac(G,R,X,V,D,n,a,ptbas)

91

%calculo del flujo de potencia activa


%FPAC=Flujpac(G,R,X,V,D,n,a)
%G = matriz de conductancia
%R = matriz de resistencia de linea
%X = matriz de reactancia de linea
%V = vector de tension de nodos
%D = vector de angulos en radianes
% nota todos los valores estan en PU
%calculo del flujo P(i,j)
for i=1:n
no=0;
for j=1:n
if R(i,j)~=0 | X(i,j)~=0
FP(i,j)=ptbas*(pwij(G(i,j),R(i,j),X(i,j),V(i),V(j),D(i),D(j),a(i,j),a(j,i)));
no=no+FP(i,j);
end
end
FP(i,i)=no;
end
%retorna la matriz de flujos de potencia activa
FP;

Published with MATLAB R2013a

Archivo .m Flujqvar
FUNCIN "Flujqvar"

function FQ=Flujqvar(B,R,X,V,D,n,a,ptbas)
%calculo del flujo de potencia activa
%FA=Flujqvar(B,R,X,V,D,n,a)
%G = matriz de conductancia
92

%R = matriz de resistencia de linea


%X = matriz de reactancia de linea
%V = vector de tension de nodos
%D = vector de angulos en radianes
%a = es una matriz que determina el tap
%
del transformador
% nota todos los valores estan en PU
%calculo del flujo P(i,j)
for i=1:n
no=0;
for j=1:n
if R(i,j)~=0 | X(i,j)~=0
FQ(i,j)=ptbas*(qvaij(B(i,j),R(i,j),X(i,j),V(i),V(j),D(i),D(j),a(i,j),a(j,i)));
no=no+FQ(i,j);
end
end
FQ(i,i)=no;
end
%retorna la matriz de flujos de potencia reactiva
FQ;

Published with MATLAB R2013a

Archivo .m pwij
FUNCIN "pwij"

function pij=pwij(gij,rij,xij,vi,vj,di,dj,a,b)
%pwij Potencia activa en linea
% pwij(gij,rij,xij,vi,vj,di,dj)
%gij - conductancia de linea a tierra
%rij - resistencia en serie de linea
93

%xij - Reactancia en serie de linea


%vi - voltaje en nodo i
%vj - voltaje en nodo j
%di - angulo en nodo i
%dj - angulo en nodo j
% vi,vj,di,dj son estados del sistema
if a~=1
data = vi^2*(gij/2+rij/(rij^2+xij^2))/a^2;
datb = (vi*vj)*(xij*sin(di-dj)-rij*cos(di-dj))/((rij^2+xij^2)*a);
else
data = vi^2*(gij/2+rij/(rij^2+xij^2));
datb = (vi*vj)*(xij*sin(di-dj)-rij*cos(di-dj))/((rij^2+xij^2)*b);
end
%Retorna la potencia activa de linea
pij=data+datb;

Published with MATLAB R2013a

Archivo .m qvaij
FUNCIN "qvaij"

function qij = qvaij(bij,rij,xij,vi,vj,di,dj,a,b)


%qvaij Potencia reactiva en linea
% qvaij(bij,rij,xij,vi,vj,di,dj)
%bij - capacitancia de linea a tierra

94

%rij - resistencia en serie de linea


%xij - Reactancia en serie de linea
%vi - voltaje en nodo i
%vj - voltaje en nodo j
%di - angulo en rad del nodo i
%dj - angulo en rad del nodo j
% vi,vj,di,dj son estados del sistema
%Calculo de la ecuacion de linea
if a~=1
data = (vi^2*(-bij/2+xij/(rij^2+xij^2)))/(a^2);
datb = (vi*vj)*(rij*sin(di-dj)+xij*cos(di-dj))/((rij^2+xij^2)*a);
else
data = (vi^2*(-bij/2+xij/(rij^2+xij^2)));
datb = (vi*vj)*(rij*sin(di-dj)+xij*cos(di-dj))/((rij^2+xij^2)*b);
end
%Retorna la potencia reactiva de linea
qij=data-datb;

Published with MATLAB R2013a

5.2.3.- Anexo C Cdigo de programacin en MATLAB para la estimacin de estado

CDIGO DE PROGRAMACIN EN MATLAB


ESTIMADOR DE ESTADO MEDIANTE REDES NEURONALES ARTIFICIALES
POSTULANTE: JUAN CARLOS HUAQUISACA PAYE
TUTOR: ING. JUAN RUPERTO ADUVIRI RODRGUEZ

95

%.....................................................................................
clc
clear all
format long

ADQUISICIN Y LECTURA DE DATOS NECESARIOS


%.................
PARAMETROS DE LA RED, PESOS Y BIAS
......................
[LIBRO DIR]=uigetfile('*.xlsx','Archivo excel "PARA_ESTIMAR_TODO_DEL_SIST_NORTE"');% para
seleccionar el archivo excel con valores de pesos, bias y parametros de la red
bias_oc=xlsread(LIBRO,'bias_oc');
% columna de bias de la capa oculta
bias_sal=xlsread(LIBRO,'bias_sal'); % columna de bias de la capa de salida
pesos1=xlsread(LIBRO,'pesos1');
% matriz pesos entre la entrada y la capa oculta(fila =#de
entradas; columna= #de neuronas de la capa oculta)
pesos2=xlsread(LIBRO,'pesos2');
% matriz pesos entre la capa oculta y la capa de salida(fila
=#de neuronas de la capa oculta; columna= #de neuronas de la capa de salida)
Nodos=xlsread(LIBRO,'Nodos');
% lee el libro Nodos del archivo excel
Lineas=xlsread(LIBRO,'Lineas');
% lee el libro Lineas del archivo excel
n=size(Nodos,1);
% calcula el numero de nodos
nn=size(Lineas,1);
% calcula el numero de filas del libro lineas
V_BASE=Nodos(:,4)';
% lee las manitudes BASE de voltajes nodales
I=Lineas(:,1)';
J=Lineas(:,2)';
Rr=Lineas(:,3)';
Xx=Lineas(:,4)';
Gg=Lineas(:,5)';
Bb=Lineas(:,6)';
tap=Lineas(:,7)';
Bshunt=Nodos(:,5)';
a=ones(n);
for w=1:nn;
% para armar la matriz R, X, G, B
R(I(w),J(w))=Rr(w);
X(I(w),J(w))=Xx(w);
G(I(w),J(w))=Gg(w);
B(I(w),J(w))=Bb(w);
R(J(w),I(w))=Rr(w);
X(J(w),I(w))=Xx(w);
G(J(w),I(w))=Gg(w);
B(J(w),I(w))=Bb(w);
end
for t=1:n
reactores en paralelo
B(t,t)=B(t,t)+2*Bshunt(1,t)*sqrt(-1);
end
for h=1:nn
trata de L.T.)
a(J(h),I(h))=tap(h);

% para modificar la matriz B en el caso de existir

% para armar la matriz de posicion de taps(aij=1 si se

96

end
ptbas=input(' Potencia Base en MVAS ??

');% Generalmente 100 MVA

ptbas=input(' Potencia Base en MVAS ??

');% Generalmente 100 MVA

SIMULACIN DEL FUNCIONAMIENTO EN TIEMPO REAL CON BUCLE INFINITO


while 1;
t1=fix(clock);
SEP

% para mostrar el tiempo en que estima los estados del

PP=xlsread('MEDIDOS_DEL_SEP_NORTE.xlsx');% Columna de valores medidos de la red ELT para estimar


ESTIMADOS=purelin((pesos2*(tansig(pesos1*PP+bias_oc)))+bias_sal);% ESTIMADOR DE ESTADO
t1
t2=fix(clock)
% para mostrar el tiempo en que estima los estados del SEP
etime(t2,t1)
% para mostrar el tiempo en que estima los estados del SEP
[f1 c1]=size(bias_sal);
[f2 c2]=size(pesos1);
for y=1:f1;
% para formar columnas de magnitud y angulo de tensiones
nodales
if mod(y,2)==0
ff(y/2,2)=ESTIMADOS(y,1);
% magnitud de tensiones nodales estimados
else
ff((y+1)/2,1)=ESTIMADOS(y,1);
% angulo de tensiones nodales estimados
end
end
V=ff(:,1)';
D=ff(:,2)';

PARA CALCULAR FLUJOS E INYECCIONES DE POTENCIA


vect=Flujcarga(V,D,n,R,X,G,B,V_BASE,a,ptbas);% Accediendo a la funcion "Flujcarga" con datos de
V,D,n,R,X,G,B, V_BASE y a
% EL VECTOR COLUMNA "vect" CONTIENE DATOS DE FLUJOS E INYECCIONES DE POTENCIA

PARA MOSTRAR RESULTADOS DE TENSIONES NODALES, FLUJOS E INYECCIONES DE


POTENCIA
%_______________________________________________________________________________________
%_______________________________________________________________________________________
%_______________________________________________________________________________________
for x=0:n-1;
% FORMANDO MATRIZ DE POTENCIAS ACTIVAS
97

for i=x*n+1:(x+1)*n
POTACTIV1(x+1,i-x*n)=vect(i);
end
end
%_______________________________________________________________________________________
%_______________________________________________________________________________________
%_______________________________________________________________________________________
for u=0:n-1;
% FORMANDO MATRIZ DE POTENCIAS REACTIVAS
for j=(u+n)*n+1:(u+n+1)*n
POTREACTIV1(u+1,j-(u+n)*n)=vect(j);
end
end
POTINYECACT=diag(POTACTIV1)' ;
% potencias activas inyectadas
POTINYECREA=diag(POTREACTIV1)';
% potencias reactivas inyectadas
for h=1:n;
%_remplazando por cero la diagonal en la matriz de potencias activas y reactivas
for k=1:n
if h==k
POTACTIV1(h,k)=[0];
POTREACTIV1(h,k)=[0];
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
else
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
end
end
end
disp(' ')
disp('_____________________________________________________________________')
disp('_____________________________________________________________________')
%________________________________________________________________________

DESPLEGANDO RESULTADOS CON SUBNDICE


VOLTAJES NODALES
disp('_______________________VOLTAJES NODALES EN KV________________________')
for k=1:n
fprintf('

V_%d=%.6f',k,V(k))

muestra V con 6 decimales

% PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS


if mod(k,2)==0
fprintf('\n\n\n')
else
fprintf('
end

% si k es par

')

end

98

NGULOS NODALES
disp('___________________ANGULOS DE VOLTAJES NODALES EN GRADOS_____________')
for k=1:n
fprintf('

D_%d=%.6f',k,D(k))%muestra D con 6 decimales

% PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS


if mod(k,2)==0
fprintf('\n\n\n')
else
fprintf('
end

% si k es par

')

end
disp('_____________________________________________________________________')
disp(' ')

INYECCIONES DE POTENCIA ACTIVA


disp('POTENCIAS ACTIVAS INYECTADAS A CADA BARRA EN MW ')
disp(' ')
for k=1:n
fprintf('

P_%d=%.6f',k,POTINYECACT(k))% muestra P con 6 decimales

% PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS


if mod(k,2)==0
fprintf('\n\n\n')
else
fprintf('
end

% si k es par

')

end
disp(' ')
disp('_____________________________________________________________________')
disp('_____________________________________________________________________')
disp(' ')

99

INYECCIONES DE POTENCIA REACTIVA


disp('POTENCIAS REACTIVAS INYECTADAS A CADA BARRA EN MVAR ')
disp(' ')
for k=1:n
fprintf('
Q_%d=%.6f',k,POTINYECREA(k))
if mod(k,2)==0
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')
disp('_____________________________________________________________________')

FLUJOS DE POTENCIA ACTIVA


disp('_________________FLUJOS DE POTENCIA ACTIVA EN MW___________________________ ')
disp(' ')
for l=1:nn
VECT_FLU_P(l)=POTACTIV(I(l),J(l));
fprintf(' P%d-%d=%.6f :',I(l),J(l),
if mod(l,2)==0
fprintf('\n\n\n')
else
fprintf('
end

POTACTIV(I(l),J(l)))

')

end
disp(' ')
for l=1:nn
VECT_FLU_P1(l)=POTACTIV(J(l),I(l));
fprintf(' P%d-%d=%.6f :',J(l),I(l),
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
end

POTACTIV(J(l),I(l)))

')

end

100

disp(' ')
disp('_____________________________________________________________________')

FLUJOS DE POTENCIA REACTIVA


disp('_________________FLUJOS DE POTENCIA REACTIVA EN MVAR___________________________ ')
disp(' ')
for l=1:nn
VECT_FLU_Q(l)=POTREACTIV(I(l),J(l));
fprintf(' Q%d-%d=%.6f :',I(l),J(l),
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
end

POTREACTIV(I(l),J(l)))

')

end
disp(' ')
for l=1:nn
VECT_FLU_Q1(l)=POTREACTIV(J(l),I(l));
fprintf(' Q%d-%d=%.6f :',J(l),I(l), POTREACTIV(J(l),I(l)))
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
end

')

end
disp(' ')

ESCRIBIENDO TODAS LAS VARIABLES EN UN ARCHIVO EXCEL PARA FUTUROS ANLISIS


TODAS_LAS_VARIABLES=[POTINYECACT';POTINYECREA';VECT_FLU_P';VECT_FLU_P1';VECT_FLU_Q';VECT_FLU_Q1';V'
;D'];
xlswrite('TODAS_LAS_VARIABLES',TODAS_LAS_VARIABLES,'VARIABLES')

101

GRAFICAS DE TODAS LAS VARIABLES PARA UN MEJOR ANLISIS


%_________________

TENSIONES Y ANGULOS

_________________________________

figure(1)
bar([V',D'])
grid on
legend('Voltaje_i','Angulo_i')
title('VOLTAJES Y ANGULOS')
xlabel('NODOS')
ylabel('EN [KV] Y []')
pause(2)
%_________________ POTENCIAS INYECTADAS
figure(2)
bar([POTINYECACT',POTINYECREA'])
grid on
legend('Pi','Qi')
title('POTENCIAS INYECTADAS')
xlabel('NODOS')
ylabel('EN [MW] Y [MVAR]')
pause(2)
%_________________ FLUJOS DE POTENCIA

_________________________________

_________________________________

figure(3)
bar([VECT_FLU_P',VECT_FLU_P1',VECT_FLU_Q',VECT_FLU_Q1'])
grid on
legend('Pij','Pji','Qij','Qji')
title('FLUJOS DE POTENCIA')
xlabel('LINEAS')
ylabel('EN [MW] Y [MVAR]')
pause
end

Published with MATLAB R2013a

102