Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
ANÁLISIS COMPARATIVO DE ALGUNAS TEORÍAS EN EL
DOMINIO DE LA FRECUENCIA PARA LA DETECCIÓN DE
DISTORSIONES EN SISTEMAS ELÉCTRICOS DE POTENCIA
Director
2
NOTA DE ACEPTACIÓN
_____________________________
_____________________________
_____________________________
_____________________________
_____________________________
Firma del presidente del jurado
_____________________________
Firma del jurado
_____________________________
Firma del jurado
3
$*5$'(&,0,(1726
$*5$'(&,0,(1726
$ 'LRV SRU GDUQRV OD RSRUWXQLGDG GH FUHFHU WDQWR LQWHOHFWXDO FRPR
HVSLULWXDOPHQWH
$DTXHOODVSHUVRQDVYDOLRVDVTXHQRVDSR\DQVLQQLQJ~QRWURLQWHUpVTXHHOGH
YHUQRVSURJUHVDU\VHUIHOLFHV
$ QXHVWUDV IDPLOLDV SRUTXH VRQ OD EDVH GH WRGD QXHVWUD IRUPDFLyQ SRU VX
D\XGD\GHGLFDFLyQ\FX\RDSR\RKDVLGRIXQGDPHQWDOHQHODOFDQFHGHQXHVWUDV
PHWDV
$O ,QJHQLHUR $OIRQVR $O]DWH *yPH] 'LUHFWRU GHO SUR\HFWR GH JUDGR SRU VX
RULHQWDFLyQ\GHGLFDFLyQ
$ &ROFLHQFLDV SRU HO VRSRUWH EULQGDGR KDFLD HVWH SUR\HFWR SRU PHGLR GHO
FRQWUDWRFyGLJR&75&
$ OD XQLYHUVLGDG 7HFQROyJLFD GH 3HUHLUD HQ HVSHFLDO D ORV SURIHVRUHV GHO
SURJUDPDGH,QJHQLHUtD(OpFWULFDTXLHQHVWUDQVPLWLHURQVXFRQRFLPLHQWRSDUD
QXHVWUDIRUPDFLyQSURIHVLRQDO
4
CONTENIDO
INTRODUCCIÓN…………………………………………………………………………. 9
OBJETIVOS……………………………………………………………………………... 11
OBJETIVO GENERAL…………………………………………………………………………………….. 11
OBJETIVOS ESPECÍFICOS………………………………………………………………………………. 11
CONTENIDO…………………………………………………………………………….. 12
2. ANÁLISIS ESPECTRAL………………………………………………………. 31
5
3.3. ANÁLISIS MULTIRESOLUCIÓN (MRA), ALGORITMO PIRAMIDAL O
CODIFICACIÓN SUB-BANDA DE UNA SEÑAL……………………………………………… 48
5. MATERIALES…………………………………………………………………… 72
6. SIMULACIONES…………………………………………………………………75
6.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES………………………………….. 75
7. ANÁLISIS DE RESULTADOS………………………………………………… 80
6
7.3.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA………………………………………………………….. 128
7.3.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS PULSOS…. 132
7.3.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS….. 135
CONCLUSIONES……………………………………………………………………… 140
B.6. CONVOLUCIÓN…………………………………………………………………………………..146
B.7. SIMETRÍA………………………………………………………………………………………….146
E.3. CONVOLUCIÓN…………………………………………………………………………………..153
7
E.4. DIFERENCIACIÓN……………………………………………………………………………… 153
BIBLIOGRAFÍA………………………………………………………………………... 155
8
INTRODUCCIÓN
9
cliente, y que va a estar afectada por su propia demanda y por la demanda
simultánea de otros clientes. Como la demanda de cada cliente está variando
continuamente, la tensión suministrada también lo hace en la misma forma.
10
OBJETIVOS
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICOS
11
CONTENIDO
12
ser cargados y aplicarles posteriormente los algoritmos desarrollados en Matlab
7.0.
13
1. CALIDAD DE LA ENERGÍA ELÉCTRICA
14
pueden utilizar después del procesado de los datos. En algunos casos puede que
el volumen de datos almacenados sea reducido, pero incluso con el uso agresivo
de métodos de selección de datos, los volúmenes anuales que se podrían
necesitar para almacenar para un sistema de solamente diez puntos de
instrumentación, se encuentran en el rango de los GB. Este nivel del volumen de
datos causa problemas en almacenamientos de larga duración, pero lo más
importante es que hay dificultades en la utilización de los datos debido al gran
volumen [2].
15
comunidad internacional [3]. El estándar IEC 61000-4-30 [4] define la calidad de
energía como las “características de la electricidad en un punto dado de una red
de energía eléctrica, evaluadas con relación a un conjunto de parámetros técnicos
de referencia”, mientras que el estándar IEEE 1159-1995 [5] define la calidad de la
energía eléctrica como “una gran variedad de fenómenos electromagnéticos que
caracterizan la tensión y la corriente en un instante dado y en un punto
determinado de la red eléctrica”.
16
o incluso centésimas de segundo. Este mal funcionamiento de los equipos puede
originar problemas importantes en un entorno residencial o comercial, pero los
efectos económicos que pueden producir en los procesos industriales la parada o
la avería de los equipos, pueden ser considerables.
• Amplitud constante
• Forma de onda sinusoidal
• Frecuencia constante
• Simetría para redes trifásicas
Sin embargo, un sistema eléctrico real no cumple con las características ideales
mencionadas anteriormente. En la práctica, las redes eléctricas presentan una
serie de alteraciones o perturbaciones que afectan la calidad del servicio, dentro
de las cuales destacan las siguientes:
• Variaciones de frecuencia
• Variaciones de la amplitud del voltaje
• Sobretensiones
• Asimetrías entre las fases
• Deformaciones en voltajes y corrientes
17
La existencia de señales con contenido armónico juega un papel primordial en un
sistema eléctrico, tanto por las distorsiones como los daños que causan las
mismas. A continuación se explicará en qué consiste un armónico, los tipos de
armónicos, los efectos causados por los mismos, junto al marco regulatorio tanto
nacional como internacional que los involucra.
1.1. ARMÓNICOS
Los armónicos son tensiones o corrientes cuyas frecuencias son múltiplos enteros
de la frecuencia fundamental (60Hz). Estos son resultado de la electrónica
moderna y se encuentran en dispositivos que absorben corrientes en cortos
impulsos, a diferencia de una carga resistiva, la cual lo hace en forma sinusoidal.
Este comportamiento presenta efectos sobre los dispositivos eléctricos [6] tales
como se aprecian en la siguiente tabla:
EFECTO DE LOS
CAUSAS CONSECUENCIAS
ARMÓNICOS SOBRE
• Las intensidades armónicas
• Disparos intempestivos
provocan el aumento de la IRMS.
CONDUCTORES de las protecciones.
• El efecto piel reduce la sección
• Sobrecalentamiento de
efectiva de los conductores a
los conductores
medida que aumenta la frecuencia.
CONDUCTOR DE • Cuando existe una carga trifásica
• Calentamientos y
con neutro equilibrada que genera
NEUTRO sobreintensidades.
armónicos de secuencia cero.
• Aumento de la IRMS. • Aumento del
• Las pérdidas por Foucault son calentamiento por
TRANSFORMADORES proporcionales al cuadrado del la efecto Joule en los
frecuencia, las pérdidas por devanados.
histéresis son proporcionales a la • Aumento de las
frecuencia. pérdidas en el hierro.
• Análogas a las de los
• Análogas a las de los
MOTORES transformadores más
transformadores y generación de un
las pérdidas de
campo adicional al principal.
rendimiento.
• Envejecimiento
• Disminución de la impedancia del
CONDENSADORES prematuro,
condensador con el aumento de la
amplificación de los
frecuencia.
armónicos existentes.
18
1.2. FUENTES DE ARMÓNICOS
Son aquellas que al ser excitadas por una tensión sinusoidal, la corriente que
circula por ella también es sinusoidal y de la misma frecuencia, aunque puede
variar su amplitud o fase, es decir, la corriente es proporcional al voltaje aplicado.
Las cargas tales como resistencias, capacitancias e inductancias se comportan de
forma lineal.
En general, los armónicos son producidos por cargas no lineales, lo cual significa
que su impedancia no es constante (está en función de la tensión). Estas cargas
no lineales a pesar de ser alimentadas con una tensión sinusoidal, absorben una
19
intensidad no sinusoidal pudiendo estar la corriente desfasada un ángulo
determinado, respecto a la tensión.
• Convertidores AC/DC.
• Dispositivos de arco.
• Balastros de lámparas fluorescentes.
• Motores de inducción sobrecargados.
• Convertidores multifase.
• Elementos magnéticos saturables.
• Capacitores en serie y en paralelo.
• Variadores de velocidad de motores.
• Oscilaciones de baja frecuencia.
• Problemas de neutro.
• Corrientes de Inrush.
• Transformadores Y-Y.
1º
NOMBRE 2º 3º 4º 5º 6º 7º 8º 9º 10º
(Fundamental)
FRECUENCIA (HZ) 60 120 180 240 300 360 420 480 540 600
SECUENCIA + - 0 + - 0 + - 0 +
Tabla 2: Clasificación de los armónicos
20
Como los armónicos circulantes por la red normalmente son impares entonces se
tiene que:
1º
NOMBRE 3º 5º 7º 9º 11º 13º 15º 17º
(Fundamental)
FRECUENCIA (HZ) 60 180 300 420 540 660 780 900 1020
SECUENCIA + 0 - + 0 - + 0 -
Tabla 3: Clasificación de los armónicos circulantes por la red.
SENTIDO DE
SECUENCIA EFECTOS
GIRO
• Calentamiento de conductores.
POSITIVA (+) Horario
• Rotura de circuitos.
• Frenado de motores.
NEGATIVA (-) Antihorario • Calentamiento de conductores.
• Pueden quemar los motores de inducción trifásicos.
• Se suman al neutro de la red (si tiene cuatro hilos)
CERO (0) No giran
y causan sobrecalentamientos.
Tabla 4: Efectos debidos a la secuencia de los armónicos.
21
fundamental. Este valor es usualmente expresado como un porcentaje de la onda
fundamental.
∞ ∞
¦ I K2
K =2
¦I
K =2
2
V
(1.1)
THDI = 100% THDV = 100%
I1 V1
Donde:
k Número de la componente armónica
I1 ,V1 Valores eficaces de las ondas fundamentales de corriente y voltaje.
El THDI puede variar desde pocas unidades porcentuales hasta superar el 100%,
como ocurre en las fuentes de potencia conmutadas.
22
n →
¦ I k (i )
FDk = i =1
n
(1.2)
¦I
i =1
k (i )
Este factor varía entre 0 y 1. Un bajo valor de este índice implicará una
cancelación importante para el armónico bajo análisis.
Donde:
I k ( n ) Corriente para el armónico k con n cargas conectadas en paralelo.
23
• Armónicos, interarmónicos.
• Señales transmitidas en la red.
• Fluctuaciones de tensión.
• Huecos de tensión e interrupciones.
Fenómenos conducidos de baja frecuencia • Desequilibrio de tensiones.
• Variaciones de frecuencia.
• Voltajes inducidos de baja frecuencia.
• Componente de continua en redes de
alterna.
• Campos magnéticos.
Fenómenos radiados de baja frecuencia
• Campos eléctricos.
• Tensiones o corrientes inducidas de onda
continua.
Fenómenos conducidos de alta frecuencia
• Transitorios unidireccionales.
• Transitorios oscilatorios.
• Campos eléctricos.
• Campos magnéticos.
Fenómenos radiados de alta frecuencia • Campos electromagnéticos (radio).
• Ondas continuas.
• Transitorios.
Tabla 5: Clasificación de las perturbaciones armónicas según IEC.
Las perturbaciones conducidas tanto de baja como de alta frecuencia, suelen estar
producidas por el acoplamiento de grandes cargas como convertidores de
potencia, motores eléctricos, bancos de condensadores o circulación de corrientes
de fallo por las redes de distribución. Los fenómenos de descarga electrostática,
por su parte, se producen por la acumulación de carga estática en personas u
objetos con la consiguiente posibilidad de descarga cuando se entra en contacto
con ellos.
24
1.5.1. ESTÁNDAR IEC 61000-4-30
25
tensión de referencia. Por su parte, la duración de un hueco de tensión se define
como la diferencia del tiempo entre el inicio y el final del hueco de tensión.
26
La categoría de variaciones de corta duración comprende los huecos de tensión,
las interrupciones y lo que denomina la antítesis al hueco de tensión o “swell”.
Cada tipo se clasifica en instantáneo, momentáneo o temporal dependiendo de su
duración, como se indica en la siguiente tabla [5]:
MAGNITUD TÍPICA DE LA
CATEGORÍA DURACIÓN TÍPICA
TENSIÓN
VARIACIONES DE CORTA DURACIÓN
INSTANTÁNEA
• Hueco 0.5 – 30 ciclos 0.1 - 0.9 p.u.
• Swell 0.5 – 30 ciclos 1.1 - 1.8 p.u.
MOMENTÁNEA
• Interrupción 0.5 ciclos - 3 s < 0.1 p.u.
• Hueco 30 ciclos - 3 s 0.1 - 0.9 p.u.
• Swell 30 ciclos - 3 s 1.1 - 1.4 p.u.
TEMPORAL
• Interrupción 3 s – 1 min. < 0.1 p.u.
• Hueco 3 s – 1 min. 0.1 – 0.9 p.u.
• Swell 3 s – 1 min. 1.1 – 1.2 p.u.
VARIACIONES DE LARGA DURACIÓN
• Interrupción sostenida > 1min 0.0 p.u.
• Bajada de tensión > 1min 0.8 - 0.9 p.u
• Sobretensión > 1min 1.1 – 1.2 p.u.
Tabla 6: Clasificación de las variaciones de corta y larga duración.
Los sistemas de transmisión regional y/o local se clasifican por niveles, en función
de la tensión nominal de operación tal como se ilustra en la siguiente tabla:
27
NIVEL TENSIÓN NOMINAL (kV)
I Menores a 1
II Mayor o igual a 1 y menor que 30
III Mayor o igual a 30 y menor a 62
IV Mayor o igual a 62
Tabla 7: Niveles de clasificación de los sistemas de transmisión regional y/o local.
Los límites máximos de distorsión total de voltaje (THDV) son los siguientes:
28
TENSIÓN DEL SISTEMA THDV MÁXIMO (%)
Niveles de tensión I, II y III 5.0
Nivel de tensión 4 2.5
STN 1.5%
Tabla 8: Límites máximos de THDV.
El operador de red (OR) tendrá un plazo de treinta días hábiles para corregir las
deficiencias en la calidad de potencia suministrada. Cuando estas deficiencias
provienen del usuario conectado al sistema de transmisión regional (STR) y/o
sistema de distribución local (SDL), el OR, como responsable de la calidad de la
potencia, le dará un plazo de treinta días hábiles al Usuario para la solución del
problema. En este caso, si transcurrido el plazo fijado no se ha efectuado la
corrección pertinente, el OR debe desconectar al Usuario respectivo, informando a
la Superintendencia de Servicios Públicos Domiciliarios (SSPD) con dos días
hábiles de anticipación al corte [10].
Se establece que el operador de red (OR) debe garantizar que las deficiencias en
la calidad de potencia que se presenten, durante el plazo previsto para su
corrección, no ocasionen peligro para la seguridad de las personas, la vida
ambiental y vegetal o la preservación del medio ambiente, en cuyo caso será
inmediata la desconexión del equipo causante de la deficiencia o en su defecto de
la carga del usuario respectivo.
29
Los OR’s deberán instalar los respectivos sistemas de medición de calidad de la
potencia suministrada de tal forma que a partir del 3 de septiembre de 2007, sea
posible realizar mediciones en el 100% de las barras de las subestaciones y
circuitos de los niveles de tensión 2, 3 y 4 [11].
30
2. ANÁLISIS ESPECTRAL
Muchos fenómenos físicos pueden ser descritos mediante dos variables: el tiempo
(variable independiente) y la amplitud (variable dependiente), obteniéndose de
este modo una representación tiempo-amplitud de la señal; si embargo esta
representación no siempre es la mas apropiada, ya que la información que
caracteriza a la señal puede ser observada más claramente en el dominio de la
frecuencia (espectro), hecho por el cual es necesario disponer de dicha
representación.
Figura 2.1: Representación en el domino del tiempo de una señal estacionaria de 60 Hz1.
2
Figura 2.2: Representación en el dominio de la frecuencia de una señal estacionaria de 60 Hz .
1
Anexo I, Ejemplo1.m, el cual se encuentra en el CD adjunto al presente estudio realizado
2
Anexo I, Ejemplo1.m
31
Como puede observarse, la Transformada de Fourier (FT) entrega la información
de frecuencia de la señal (60 Hz), pero no se indica el instante de tiempo en el que
aparece lo cual es de gran importancia para señales no estacionarias, es decir,
para señales cuyas componentes de frecuencia no se encuentran presentes en
todo instante de tiempo.
Figura 2.3: Representación en el dominio del tiempo de una señal estacionaria con componentes
3
de frecuencia de 60, 180, 300 y 420 Hz .
3
Anexo I, Ejemplo1.m
4
Anexo I, Ejemplo1.m
32
Si x(t) es una señal no estacionaria con cuatro componentes de frecuencias
distintas (60, 180, 300 y 420 Hz ), al realizarle la respectiva FT, se puede
observar que presenta una gran similitud con la representación en el dominio de la
frecuencia anterior, a pesar de que las señales en el tiempo son completamente
diferentes. Esto se debe a que la FT sólo proporciona el contenido frecuencial de
la señal y no la localización en el tiempo de dichas componentes espectrales. Por
tal motivo la FT no es una técnica adecuada para señales en las cuales existe una
relación tiempo-frecuencia (señales nos estacionarias).
Figura 2.5: Representación en el dominio del tiempo de una señal no estacionaria con
5
componentes de frecuencia de 60, 180, 300 y 420 Hz .
5
Anexo I, Ejemplo1.m
6
Anexo I, Ejemplo1.m
33
En el anexo A y B se encuentran la definición, junto a las condiciones de
existencia y las propiedades de la transformada de Fourier respectivamente.
Como los procesos numéricos son realizados por computadores, es evidente que
no es posible de manera práctica evaluar las transformadas empleando
ecuaciones analíticas, integrales, etc. Por lo tanto, es necesaria la discretización
de la transformada, lo cual se logra muestreando el plano tiempo-frecuencia.
Sea x(n) una señal definida en el dominio del tiempo discreto de N muestras,
entonces se define la Transformada Discreta de Fourier (DFT) como:
n = N −1 2πkn
−j
XK = ¦
n =0
x ( n)e N
; 0 ≤ k ≤ N −1 (2.1)
k = N −1 2πkn
1 j
xn =
N
¦ k =0
X ke N
(2.2)
La DFT se define como una operación lineal que actúa sobre un vector de entrada
x N en el dominio del tiempo discreto de N muestras, que genera coeficientes X N
X N = FN x N (2.3)
34
Donde FN se conoce como una matriz de transformación, cuya dimensión es NxN
[13]:
ªW N0 W N0 W N0 " W N0 º
« 0 »
«W N WN−1 W N−2 " W N−( N −1) »
FN = «W N0 W N− 2 W N−4 " W N− 2*( N −1) » (2.4)
« »
« # # # % # »
«W W0 − ( N −1)
W N *( N −1)
− 2
" WN − ( N −1) 2 »
¬ N N ¼
2πk
W NK = e
j
N (2.5)
35
Donde x(t) es la señal original y window(t) es la función ventana empleada.
Figura 2.8: Representación en el dominio del tiempo de una señal no estacionaria con
componentes de frecuencia de 60, 180, 300 y 420 Hz7.
7
Anexo I, Ejemplo2.m
36
Figura 2.9: Espectrograma de una señal no estacionaria con componentes de frecuencia de 60,
8
180, 300 y 420 Hz .
10
Figura 2.11: Función Ventana empleada en el dominio del tiempo .
8
Anexo I, Ejemplo2.m
9
Anexo I, Ejemplo2.m
10
Anexo I, Ejemplo2.m
37
Como puede observarse en los resultados anteriormente obtenidos, la STFT se
puede representar en tres dimensiones: tiempo, frecuencia y amplitud,
presentándose picos que corresponden a las componentes de frecuencia de la
señal original, los cuales se encuentran presentes en diferentes intervalos de
tiempo. De esta forma se obtiene una representación tiempo-frecuencia de la
señal, puesto que se conocen las componentes de frecuencia de la señal junto su
respectiva ubicación en el tiempo.
38
2.3. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA
DESLIZANTE (SDFT)
Este método consiste en realizar la DFT dentro de una ventana de N puntos que
se va desplazando muestra a muestra. Cada nueva DFT se calcula eficientemente
a partir de los resultados de la anterior DFT, con el consiguiente ahorro en la
cantidad de operaciones [16-17].
Sea una señal en el tiempo discreta, la cual puede ser considerada como una
secuencia:
La DFT y la FFT son útiles cuando todos los N valores de la x(n) son requeridos,
pero si se requiere solo el k-ésimo es un proceso computacionalmente ineficiente.
39
Sea una ventana de N muestras, entonces al evaluar la expresión (2.8) en los
instantes n y n+1 se obtiene:
2πk
j
Recordando de (2.5) que W N
K
=e N
se procede a aplicar el algoritmo SDFT de la
siguiente forma:
∧
X k (n) = X k (n) − x (n − N ) + x (n + 1) (2.14)
∧ j 2π k
X k ( n + 1) = x k ( n ) e N (2.15)
j 2π k
X k ( n + 1) = [ X k ( n ) − x ( n − N ) + x ( n + 1)]e N (2.16)
40
Si se considera x(t) como la señal no estacionaria analizada en hojas anteriores, al
realizarle la STFT, se obtienen los siguientes resultados:
11
Figura 2.12: Espectro entre 0 y 0.125 s .
12
Figura 2.13: Espectro entre 0.125 y 0.25 s .
13
Figura 2.14: Espectro entre 0.25 y 0.375 s .
11
Anexo I, Ejemplo3.m
12
Anexo I, Ejemplo3.m
41
14
Figura 2.15: Espectro entre 0.375 y 0.5 s .
15
Figura 2.16: Espectro entre 0.5 y 0.625 s .
16
Figura 2.17: Espectro entre 0.625 y 0.75 s .
13
Anexo I, Ejemplo3.m
14
Anexo I, Ejemplo3.m
15
Anexo I, Ejemplo3.m
16
Anexo I, Ejemplo3.m
42
17
Figura 2.18: Espectro entre 0.75 y 0.875 s .
17
Anexo I, Ejemplo3.m
18
Anexo I, Ejemplo3.m
43
3. ANÁLI SIS WAVELET
El análisis Wavelet permite determinar aspectos de una señal que otras técnicas
no revelan. Así este es un análisis apropiado para conocer tendencias, puntos de
ruptura, discontinuidades, etc., de una señal. Debido a estas ventajas, sus
aplicaciones se han incrementado considerablemente en los últimos años en
campos tales como el procesado de voz, imagen, compresión de datos,
comunicaciones, procesado de señales sísmicas o geológicas, procesado de
señales médicas, etc.
44
TRANSFORMADA WAVELET CONTINUA (CWT)
+∞
C (τ , s ) = ³ x(t )ψ τ
*
,s (t )dt → Coeficientes Wavelet (3.1)
−∞
§ t −τ ·
ψ τ ,s (t ) = sψ ¨ ¸ → Wavelet madre (3.2)
© s ¹
1
Escala = (3.3)
frecuencia
45
La Wavelet madre es un prototipo para generar las funciones ventanas de longitud
finita y de naturaleza oscilatoria, lo que significa que su promedio es cero y decae
rápidamente en ambos extremos.
1 ψ (τ , s )
x(t ) =
Kψ ³³ C (τ , s) τ2
dτds (3.4)
2
+∞
ψ ( w)
Kψ = ³
−∞
w
dw < ∞ (3.5)
³ψ (t )dt = 0 (3.6)
Esta ecuación indica que la función Wavelet madre empleada debe ser una
función oscilatoria de tal forma que la integral sobre su dominio sea nula.
46
• Se desplaza la Wavelet en el sentido positivo del eje del tiempo,
repitiéndose los dos pasos anteriores hasta lograr el cubrimiento total de la
señal.
Figura 3.1: CWT de una señal no estacionaria con componentes de frecuencia de 60, 180, 300 y
19
420 Hz
Como los procesos numéricos son realizados por computadores, es evidente que
no es posible de manera práctica evaluar las transformadas empleando
ecuaciones analíticas, integrales, etc., por lo tanto es necesaria la discretización
de la transformada, lo cual se logra muestreando el plano tiempo-escala [19].
19
Anexo I, Ejemplo4.m
47
Sea x[n] una señal definida en el dominio del tiempo discreto, entonces se define
la Transformada Wavelet discreta (DWT) como:
s = 2 j , τ = 2 j k , ∀ ( j , k ) ∈ Z2 (3.8)
−
j (3.9)
ψ j ,k [n] = 2 2 ψ [2 − j n − k ] → Wavelet Madre
j
Sea w j , k = 2 2 w(2 j t − k ), ∀ j , k , de una base ortogonal, de las expresiones (C.8) y
∞
c j ,k = ³ x(t )w
−∞
j ,k (t )dt → Análisis (3.11)
48
El Análisis Multiresolución (MRA) requiere de dos funciones básicas relacionadas,
es decir, además de la Wavelet w(t ) se requiere otra función denominada función
escala φ (t ) . En el apéndice D se encuentra la relación existente de cada una de
estas funciones en un espacio vectorial j, con un espacio vectorial j+1.
De esta forma una señal x(t) puede ser expresada mediante series de la siguiente
forma:
∞
x(t ) = ¦ ckφJo, k (t ) + ¦ ¦ d j , k w j ,k (t ) = d k + c j ,k (3.13)
k k j = Jo
Figura 3.2: DWT de una señal no estacionaria con componentes de frecuencia de 60, 180, 300 y
20
420 Hz, cuyos coeficientes de aproximación y de detalle se encuentran sin submuestrear .
20
Anexo I, Ejemplo5.m
49
Existe una importante expresión que conecta por si misma dos diferentes escalas
en el tiempo, la cual se conoce como la ecuación de dos escalas y toma uno de
los filtros de tiempo discreto pasa bajo (h[n]) y pasa alto (g[n]) de media banda:
El paso de la secuencia x[n] a través del filtro digital pasa bajo de media banda
h[n] se expresa matemáticamente de la siguiente forma:
∞
x[n]* h[n] = ¦ x[k ]h[n − k ]
k =−∞
(3.16)
50
∞
y[n] = ¦ x[k ]h[2n − k ] (3.17)
−∞
∞
yhigh [n] = ¦ x[n]g[2n − k ] (3.18)
−∞
∞
ylow [n] = ¦ x[n]h[2n − k ] (3.19)
−∞
Donde yhigh e ylow son las salidas del filtro pasa alto y pasa bajo después del
submuestreo por dos respectivamente.
51
Figura 3.4: Esquema de reconstrucción o síntesis de la señal.
52
Para la etapa de análisis se tiene en general:
d m [k ] = ¦ cm−1[n]g[2k − n] (3.20)
n
c m [k ] = ¦ c m −1 [n]h[2k − n] (3.21)
n
k
{ ∧ ∧
}
cm−1[n] = ¦ d m [n] g[n − 2k ] + cm [n] h[n − 2k ] (3.22)
Las frecuencias que son más dominantes en la señal original aparecerán como
altas amplitudes en la región de la DWT que incluye estas frecuencias. La
localización en el tiempo tendrá una resolución que dependerá del nivel en que
aparezca, de este modo si la información principal contenida en la señal está en
altas frecuencias, entonces la localización en el tiempo será mas precisa, puesto
que estarán caracterizadas por un mayor número de muestras. Por otro lado, si la
información principal está a muy bajas frecuencias entonces su localización en el
tiempo no podrá ser muy precisa, dado que existirán muy pocas muestras para
caracterizar la señal a estas frecuencias. Las bandas de frecuencia que no son
muy dominantes en la señal x[n] darán origen a coeficientes DWT muy pequeños,
los cuales pueden ser despreciados sin mayor pérdida de información, pero si con
una importante reducción de datos.
Existe una relación entre las respuestas al impulso de los filtros pasa alto y pasa
bajo tal como se ilustra:
53
Los filtros que satisfacen la condición anterior se conocen como filtros espejo en
cuadratura (QMF) [23].
El paso por los filtros h(z) y g(z) de la señal x(n) definida en el dominio del tiempo
discreto es el siguiente:
y0 ( z ) = x( z )·h( z ) (3.24)
y1 ( z ) = x( z )· g ( z ) (3.25)
54
La transformada Z de una señal submuestreada viene dada por la siguiente
expresión:
1 ª § 1 2 · § 12 · º
x ↓2 ( z ) = x¨ z ¸ + x¨ − z ¸ » (3.26)
2 «¬ © ¹ © ¹ ¼
1 (3.27)
↑ 2↓ 2
x[ n ]
→ [ x( z ) + x( − z ) ]
2
Por lo tanto:
∧ 1
y0 (z) = [ y0 ( z ) + y0 (− z )] (3.28)
2
∧ 1
y1 ( z ) = [ y1 ( z ) + y1 (− z )] (3.29)
2
∧ ∧ ∧ ∧ ∧
x ( z ) = y 0 ( z ) h( z ) + y1 ( z ) g ( z ) (3.30)
∧ 1ª ∧ ∧
º 1ª ∧ ∧
º
x( z ) = « h( z ) h( z ) + g ( z ) g ( z ) » x( z ) + « h( − z ) h( z ) + g ( − z ) g ( z ) » x(− z ) (3.31)
2¬ ¼ 2¬ ¼
∧ 1 ª∧ ∧
º ª h( z ) h(− z ) º ª x( z ) º
x( z) = « h ( z ) g ( z )» « »« » (3.32)
2¬ ¼ ¬ g ( z ) g (− z )¼ ¬ x(− z )¼
55
∧
Como se desea una reconstrucción perfecta de la señal, es decir, x( z ) = x( z ) ,
entonces es necesaria la siguiente condición:
ª∧ ∧
º ª h( z ) h(− z ) º
«¬h( z ) g ( z )» « » = [2 0] (3.33)
¼ ¬ g ( z ) g (− z ) ¼
Donde:
§ ª h( z ) h(− z ) º ·
det¨¨ « g ( z ) g (− z )» ¸¸ = h( z )·g (− z ) − h(− z )·g ( z ) = z
−1
(3.34)
© ¬ ¼¹
Entonces:
−1
ª∧ ∧
º ª h( z ) h(− z ) º
h ( z ) g ( z ) = [2 0 ] « g ( z)
«¬ »¼
¬ g (− z )»¼
ª∧ ∧
º 1 ª g (− z ) − h(− z ) º
« h( z ) g ( z ) » = [ 2 0] −1 «
¬ ¼ z ¬− g ( z) h( z ) »¼
ª∧ ∧
º
« h( z ) g ( z ) » = 2 z1 [ g (− z ) − h(− z )]
¬ ¼
∧
h( z ) = z1 g (− z )
∴ ∧
(3.35)
1
g ( z ) = − z h( − z )
Una condición más a cumplir, con el fin de garantizar una reconstrucción perfecta,
la cual se desprende de (3.36) y del primer término de la derecha de de (3.31) :
h( z ) g ( z ) + h(− z ) g (− z ) = 2 (3.37)
56
Las condiciones a cumplir de los filtros pasa alto y pasa bajo empleados en el
proceso de análisis y síntesis son las siguientes:
∧
• ¦ h[n − 2k ]h[2l − n] = δ
n
kl (3.38)
∧ (3.39)
• ¦ g[n − 2k ]g[2l − n] = δ kl
n
∧ (3.40)
• h[n] = (−1) n g[n − L ]
∧ (3.41)
• g[n] = (−1)n +1 h[n − L]
1+ 3 3+ 3 3− 3 1− 3
h0 = , h1 = , h2 = , h3 = (3.43)
4 2 4 2 4 2 4 2
57
Los coeficientes de detalle vienen dados por:
d i = g 0 x 2i + g 1x 2i +1 + g 2 x 2i + 2 + g 3 x 2i +3 (3.46)
ª # º ª% # # # # # # # # $º ª # º
« c » «" h0 h1 h2 h3 0 0 0 0 " »» «« xi »»
« i » «
« d i » «" g0 g1 g2 g3 0 0 0 0 " » « xi +1 »
« » « »« »
« ci +1 » « " 0 0 h0 h1 h2 h3 0 0 " » « xi + 2 »
« d i +1 » « " 0 0 g0 g1 g2 g3 0 0 " » « xi + 3 »
« »=« »« » (3.47)
« ci + 2 » « " 0 0 0 0 h0 h1 h2 h3 " » « xi + 4 »
«d » « " 0 0 0 0 g0 g1 g2 g3 " » « xi + 5 »
« i +2 » « »« »
« ci + 3 » « " 0 0 0 0 0 0 h0 h1 h2 h3 " » « xi + 6 »
«d » «" 0 0 0 0 0 0 g0 g1 g2 g3 " » « xi + 7 »
« i +3 » « »« »
«¬ # »¼ «¬ $ # # # # # # # # # # % »¼ «¬ # »¼
∧ ∧ ∧ ∧
h0 = h2 , h1 = g 2 , h 2 = h0 , h3 = g 0 (3.48)
∧ ∧ ∧ ∧ (3.49)
g 0 = h3 , g 1 = g 3 , g 2 = h1 , g 3 = g1
58
El proceso de síntesis (IDWT) puede ser expresado matricialmente como:
ª # º ª% # # # # # # # # $º ª # º
« x » «" h2 g2 h0 g0 0 0 0 0 0 0 " »» «« ci »»
« i » «
« xi +1 » « " h3 g3 h1 g1 0 0 0 0 0 0 "» « di »
« » « »« »
« xi + 2 » « " h2 g2 h0 g0 0 0 0 0 " » « ci +1 »
« xi + 3 » « " h3 g3 h1 g1 0 0 0 0 " » « d i +1 »
« »=« »« » (3.50)
« xi + 4 » « " 0 0 h2 g2 h0 g0 0 0 " » « ci + 2 »
« x » «" 0 0 h3 g3 h1 g1 0 0 " » «d i + 2 »
« i +5 » « »« »
« xi + 6 » « " 0 0 0 0 h2 g2 h0 g0 " » « ci +3 »
« x » «" 0 0 0 0 h3 g3 h1 g1 " » « d i +3 »
« i +7 » « »« »
«¬ # »¼ «¬ $ # # # # # # # # % »¼ «¬ # »¼
x[ −1] = x[ N − 1] ½
¾ En el proceso de síntesis
x[ −2] = x[ N − 2] ¿
x[−1] = x[0]½
¾ En el proceso de síntesis
x[−2] = x[1]¿
59
• Se realiza un proceso de ortogonalización de Gram-Schmidt, el cual es un
método para encontrar una base ortonormal, que este caso equivale a
determinar una escala especial y una función Wavelet que pueda ser aplicada
al principio y al final de la secuencia de datos.
Figura 3.8: Señal original y coeficientes de aproximación de los niveles 1 al 3 de una señal no
21
estacionaria, con componentes de frecuencia de 60, 180, 300 y 420 Hz .
Figura 3.9: Coeficientes de detalle de los niveles 1 al 3 de una señal no estacionaria, con
22
componentes de frecuencia de 60, 180, 300 y 420 Hz .
21
Anexo I, Ejemplo7.m
60
Figura 3.10: Funciones Wavelet y de escala (Daubechies D4) empleadas en el proceso de análisis
y síntesis de una señal no estacionaria, con componentes de frecuencia de 60, 180, 300 y 420
23
Hz .
22
Anexo I, Ejemplo7.m
23
Anexo I, Ejemplo7.m
61
4. FILTRO DE KALMAN (KF)
estado en el instante tk .
62
Suponiéndose que ∆T es pequeño, entonces es posible el empleo de un sistema
lineal, es decir:
x k = φ k − 1 x k − 1 + wk − 1 (4.1)
Donde:
zk = H k xk + vk (4.2)
Donde:
• H k : Matriz mxn de medidas, la cual da una relación ideal (sin ruido) entre
63
El rendimiento del filtro puede ser mejorado ajustando la covarianza del ruido del
proceso Q y la covarianza del ruido de la medida R. Los valores de las
covarianzas Q y R determinan el peso relativo de la información del modelo y de
las medidas y actúan como parámetros que permiten hacer un balance entre la
respuesta dinámica del filtro frente a la sensibilidad al ruido. El cálculo de estas
magnitudes puede no ser una tarea trivial, y los valores teóricos no siempre
producen los resultados más exactos [28]. Las inexactitudes a la hora de modelar
el sistema, los errores en las medidas, la correlación entre unos y otros o el
modelado del ruido se deben tener en cuenta y no son fáciles de estimar. Como
normalmente Q y R son constantes, entonces las matrices P y K (estimación de la
covarianza del error y ganancia) se estabilizan rápidamente, independientemente
de las medidas. Bajo estas condiciones estos parámetros pueden ser calculados
off line.
°Q , i = k
E ¬ª wk wiT ¼º = ® k (4.3)
°¯0, i ≠ k
°R , i = k
E ª¬vk viT º¼ = ® k (4.4)
°¯0, i ≠ k
Desde este punto de vista las ecuaciones que se utilizan para derivar el KF se
pueden dividir en dos grupos [29]:
64
• Ecuaciones de corrección o las que actualizan los datos observados:
Estas son las responsables de la retroalimentación, es decir, incorporan
nueva información dentro de la estimación anterior con lo cual se llega a
una estimación mejorada del estado.
Las ecuaciones específicas para el pronóstico y la corrección del estado son las
siguientes:
65
xk = φx −1 xk −1 + K k ( zk − H kφk −1 X k −1 ) → Corrección de la estimación (4.8)
66
El KF es ampliamente empleado en sistemas de potencia para determinar las
amplitudes y las fases de los armónicos, a partir de las muestras de tensión o
corriente [30-33]. Es especialmente eficiente donde los datos de entrada se
encuentran a menudo contaminados con ruido.
4.1. MODELO 1
n
Z (k ) = ¦ [A cos(θ )·cos(iwkTs) − A sen(θ )·sen(iwkTs)]
i =1
i i i i (4.11)
Donde:
• Ai : Amplitud del armónico i-ésimo.
• w: 2π f [rad/seg]
Donde (4.11) y (4.12) son las componentes en fase y en cuadratura del armónico
i-ésimo respectivamente.
67
Como puede observarse, cada componente frecuencial se compone de dos
variables de estado, siendo un total de 2n variables de estado, entonces la señal
puede ser expresada en función de las variables de estado de la siguiente forma:
n
Z (k ) = ¦ [ xi1cos(iwkTs ) − xi 2sen(iwkTs ) ] (4.14)
i =1
(4.1) y (4.2) son las ecuaciones de estado y salida son respectivamente, donde:
ª x11 º
«x »
« 21 »
« x12 »
« »
« x22 »
xk = « . » Vector columna de 2n componentes (4.16)
« »
« . »
« . »
« »
« x1n »
«x »
«¬ 2 n »¼
ª1 0 0 0º
«0 1 0 0 »» (4.18)
φ=« Matriz 2n × 2n
«# # % #»
« »
¬0 0 " 1¼
La amplitud y la fase pueden ser determinadas de la siguiente forma:
§x ·
θ i = arctan¨¨ i2 ¸¸ (4.20)
© x i1 ¹
68
4.2. MODELO 2
ªcos(wTs) -sen(wTs) 0 0 . . . 0 0 º
«sen(wTs) cos(wTs) 0 0 . . . 0 0 »
« »
« 0 0 cos(2wTs) -sen(2wTs) . . . 0 0 »
« »
« 0 0 sen(2wTs) cos(2wTs) . . . 0 0 »
φ =« . . . . . . . »
« » (4.27)
« . . . . . . . »
« . . . . . . . »
« »
« 0 0 0 0 . . . cos(nwTs) -sen(nwTs)»
«« 0 0 0 0 . . . sen(nwTs) cos(nwTs) »»¼
¬
Matriz 2n × 2n.
69
Figura 4.3: Señal no estacionaria, con componentes de frecuencia de 60, 180, 300 y 420 Hz, señal
24
filtrada, junto a su respectivo error absoluto en la predicción y en la corrección .
Figura 4.4: Amplitud de los armónicos impares hasta el 9º (540 Hz) de una señal no estacionaria,
25
con componentes de frecuencia de 60, 180, 300 y 420 Hz .
24
Anexo I, Ejemplo8.m
25
Anexo I, Ejemplo8.m
70
Figura 4.5: Ganancias de Kalman obtenidas para los armónicos impares hasta el 9º (540 Hz).
71
5. MATERIALES
72
algoritmos a señales particulares de voltaje y corriente obtenidas en un entorno
gráfico.
Para exportar datos como un archivo de texto plano, es decir en formato .out, por
medio del software PSCAD 4.1.0, es necesario tener en cuenta lo siguiente en
Project settings:
73
De esta forma, al finalizar la simulación se crean dos tipos de archivos:
‘archivo_01.out’, cuyas columnas equivalen a los canales de salida definidos por el
usuario exceptuando la primera, ya que esta siempre equivale al tiempo, y
‘archivo.inf’, que decir muestra el orden de las columnas según los canales de
salida.
74
6. SIMULACIONES
Figura 6.1: Circuito implementado para la simulación de sags y swells de voltaje, con una
frecuencia de operación de 60 Hz.
75
6.2. FALLO LÍNEA-TIERRA
Figura 6.2: Circuito diseñado para la simulación de la presencia de un hueco de tensión del 100%
en la fase A y un swell de tensión en las fases restantes
76
6.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA
Figura 6.3: Carga trifásica balanceada resistiva con neutro en presencia de armónicos de
secuencia cero.
77
6.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS
PULSOS
Figura 6.4: Circuito implementado para la simulación de armónicos impares hasta el 33.
78
6.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS
Figura 6.5: Circuito diseñado para la simulación de armónicos impares hasta el 33, siendo de
mayor amplitud los de secuencia cero o múltiplos de 3.
79
7. ANÁLISIS DE RESULTADOS
80
7.2. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE
(SDFT)
81
Figura 7.3: Espectro entre 0.5 y 0.75 s.
82
Figura 7.6: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
83
Figura 7.9: Espectro entre 0.25 y 0.5 s.
84
Figura 7.12: Señal original.
Figura 7.13: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
85
7.2.2. FALLO LÍNEA-TIERRA
86
Figura 7.18: Espectro entre 0.75 y 1 s.
Figura 7.20: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
87
Los picos predominantes en el espectro, se encuentran ubicados en la frecuencia
fundamental o primer armónico (60 Hz) y en 0 Hz (componente DC) y la magnitud
del máximo error absoluto es de 2.632452649823827e-013 kA. Entre 0.5 y 0.75
segundos se encuentran dos picos pequeños correspondientes al tercer y sexto
armónico (180 y 360 Hz), los cuales son de secuencia cero. Esto se debe
principalmente a que en la fase A es donde ocurre este fallo.
88
Figura 7.24: Espectro entre 0.5 y 0.75 s.
Figura 7.27: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
89
Figura 7.28: Error absoluto.
90
Figura 7.30: Espectro entre 0.25 y 0.5 s.
91
Figura 7.33: Señal original.
Figura 7.34: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
92
7.2.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA
93
Figura 7.39: Espectro entre 0 .75 y 1 s.
Figura 7.41: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
94
El pico predominante en el espectro se encuentra ubicado en la frecuencia
fundamental o primer armónico (60 Hz) y la magnitud del máximo error absoluto es
de 1.587667383852417e-012 A. Como la señal analizada es estacionaria, en todo
su espectro se encuentran pequeños picos ubicados en los armónicos 3 (180 Hz),
9 (540 Hz) y 15 (900 Hz), los cuales son de secuencia cero.
95
Figura 7.45: Espectro entre 0.5 y 0.75 s.
Figura 7.48: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
96
Figura 7.49: Error absoluto.
Como la señal analizada es estacionaria, en todo su espectro se encuentran picos
ubicados en los armónicos 3 (180 Hz), 9 (540 Hz) y 15 (900 Hz), los cuales son de
secuencia cero y su máximo error absoluto es de 4.847011207366711e-013 A.
97
Figura 7.52: Espectro entre 0.5 y 0.75 s.
98
Figura 7.55: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
99
Figura 7.58: Espectro entre 0.25 y 0.5 s.
100
Figura 7.61: Señal original.
Figura 7.62: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
101
7.2. TRANSFORMADA WAVELET DAUBECHIES D4
Figura 7.64: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
102
Figura 7.65: Coeficientes de aproximación de los niveles 1 y 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz. En los coeficientes
de detalle del primer nivel (d1) es posible apreciar unos pequeños picos, los
cuales corresponden a los cambios de amplitud de la señal.
103
• Se le aplica el algoritmo a Ia (Ver figura 6.1):
Figura 7.67: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
104
Figura 7.69: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz.
105
7.2.2. FALLO LÍNEA-TIERRA
Figura 7.70: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
106
Figura 7.72: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz. La amplitud
considerable de los d4 y d3 muestra la existencia de un tercer y sexto armónico
respectivamente (180 y 360 Hz). Los picos existentes en los coeficientes de
detalle del primer nivel (d1) corresponden a los cambios de amplitud de la señal.
107
• Se le aplica el algoritmo a Va (Figura 6.2):
Figura 7.73: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
108
Figura 7.75: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz. La amplitud
considerable de los d4 y d3 muestra la existencia de un tercer y sexto armónico
respectivamente (180 y 360 Hz). Los picos existentes en los coeficientes de
detalle del primer nivel (d1) corresponden a los cambios de amplitud de la señal.
109
• Se le aplica el algoritmo a Vb (Ver figura 6.2):
Figura 7.76: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
110
Figura 7.78: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz. La amplitud
considerable de los d4 y d3 muestra la existencia de un tercer y sexto armónico
respectivamente (180 y 360 Hz). Los picos existentes en los coeficientes de
detalle del primer nivel (d1) corresponden a los cambios de amplitud de la señal.
111
7.2.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA
Figura 7.79: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
112
Figura 7.81: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 también presentan una amplitud considerable debido a la cercanía
de dicha frecuencia fundamental a su banda de [64-128] Hz. La amplitud
considerable de los d4, d3 y d2 muestra la existencia de un tercer noveno y
quinceavo armónico respectivamente (180, 540 y 900 Hz).
113
• Se le aplica el algoritmo a Ineutro (Ver figura 6.3):
Figura 7.82: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
114
Figura 7.84: Coeficientes de detalle de los niveles 1 al 6.
115
7.2.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS
PULSOS
Figura 7.85: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
116
Figura 7.87: Coeficientes de detalle de los niveles 1 al 6.
Los coeficientes de detalle de mayor amplitud corresponden a los d6, cuya banda
de frecuencias es de [32-64] Hz, en la que se encuentra la frecuencia fundamental
(60 Hz). Los d5 presentan una amplitud considerable debido a la cercanía de
dicha frecuencia fundamental a su banda de [64-128] Hz. Los demás coeficientes
de detalle también presentan una amplitud considerable, debido a la existencia de
armónicos impares hasta el 33 (1980 Hz).
117
7.2.5. CARGA TRIFÁSICA BALANCEADA GENERADORA DE ARMÓNICOS
Figura 7.88: Señal original, señal sintetizada a través del empleo de banco de filtros, junto a su
respectivo error absoluto.
118
Figura 7.90: Coeficientes de detalle de los niveles 1 al 6.
119
Las funciones Wavelet y de escala empleadas en el proceso de análisis
(descomposición en 6 niveles) y síntesis fueron las siguientes:
120
7.3. FILTRO DE KALMAN MODELO 1
Se consideraron únicamente el primer armónico (60 Hz) debido a que para las
demás frecuencias su magnitud resultó ser despreciable. Los resultados obtenidos
fueron los siguientes:
121
Figura 7.94: Magnitud de la ganancia de Kalman para el primer armónico (60 Hz).
122
Figura 7.97: Magnitud de la ganancia de Kalman para el primer armónico (60 Hz).
Se consideraron los armónicos impares hasta el noveno (540 Hz). Los resultados
obtenidos fueron los siguientes:
123
Figura 7.99: Señal original y filtrada, junto a su respectivo error absoluto.
Figura 7.100: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 9º (540
Hz).
124
• Se le aplica el algoritmo a Va (Ver figura 6.2):
Se consideraron los armónicos impares hasta el noveno (540 Hz). Los resultados
obtenidos fueron los siguientes:
125
Figura 7.103: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 9º (540
Hz).
126
Figura 7.105: Señal original y filtrada, junto a su respectivo error absoluto.
Figura 7.106: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 9º (540
Hz).
127
7.3.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA
Se consideraron los armónicos impares hasta el décimo noveno (1140 Hz). Los
resultados obtenidos fueron los siguientes:
128
Figura 7.108: Amplitud de los armónicos impares desde el 11º (660 Hz) hasta el 19º (1140 Hz).
129
Figura 7.110: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 9º (1140
Hz).
Se consideraron los armónicos impares hasta el décimo noveno (1140 Hz). Los
resultados obtenidos fueron los siguientes:
130
Figura 7.112: Amplitud de los armónicos impares desde el 11º (660 Hz) hasta el 19º (1140 Hz).
131
Figura 7.114: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 19º (1140
Hz).
132
Figura 7.116: Magnitud de los armónicos impares desde el 11º (660 Hz) hasta el 19º (1140 Hz).
Figura 7.117: Magnitud de los armónicos impares desde el 21º (1260 Hz) hasta el 29º (1740 Hz).
133
Figura 7.118: Magnitud de los armónicos impares 31º (1860 Hz) y 33º (1980 Hz).
Figura 7.120: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 33º (1980
Hz).
134
impares, comenzando desde la fundamental (60 Hz ) hasta el armónico 33 (1980
Hz). La magnitud de la ganancia de Kalman KK es 0.05505860740890.
135
Figura 7.122: Magnitud de los armónicos impares desde el 11º (660 Hz) hasta el 19º (1140 Hz).
Figura 7.123: Magnitud de los armónicos impares desde el 21º (1260 Hz) hasta el 29º (1740 Hz).
136
Figura 7.124: Magnitud de los armónicos impares 31º (1860 Hz) y 33º (1980 Hz).
Figura 7.126: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 33º (1980
Hz).
137
impares, empezando de la fundamental (60 Hz) hasta el armónico 33 (1980 Hz),
siendo de mayor amplitud las componentes de secuencia cero. La magnitud de la
ganancia de Kalman KK es 0.05505860740890.
138
Los resultados anteriormente obtenidos pueden ser resumidos mediante la siguiente tabla:
METODOS SDFT WT Daubechies D4 Filtro de Kalman modelo 1
Picos de Banda de Armónicos de
Error absoluto Error absoluto Di Error absoluto
SIMULACIONES magnitud frecuencias Kk magnitud
máximo máximo predominantes máximo
apreciable (Hz) (Hz) apreciable
Arranque y 7.57350039350699E- 2.22044604925031E-
Vab (kV) 60 d6 [32-64] 0.00395608925414 0.31085422359579 1º (Fundamental)
salida de 14 16
operación de 4.814937892626581E- 1.38777878078144E-
Ia (kA) 60 d6 [32-64] 0.00199664230663 0.31085422359579 1º (Fundamental)
motores 014 16
d1 [1024-2048]
60 Armónicos
2.632452649823827E- 1.33226762955018E- d3 [256-512]
Ia (kA) 180 0.04650319183886 0.31085449047461 impares hasta el
013 15 d4 [128-256]
360 9.
d5 [64-128]
d1 [1024-2048]
60 Armónicos
Fallo línea- 6.010564466963889E- 1.13686837721616E- d3 [256-512]
Va (kV) 180 6.81134698170672 0.31085449047461 impares hasta el
tierra 011 13 d4 [128-256]
360 9
d5 [64-128]
d1 [1024-2048]
60 Armónicos
6.043813480609689E- 1.13686837721616E- d3 [256-512]
Vb (kV) 180 4.23273691953149 0.31085449047461 impares hasta el
011 13 d4 [128-256]
360 9.
d5 [64-128]
60 d2 [512-1024] 1º (Fundamental)
Presencia de
1.587667383852417E- 180 d3 [256-512] 3º
armónicos de IfaseA (A) 3.5527136788005E-15 0.00769234563485 0.14037398315304
012 540 d4 [128-256] 9º
secuencia
900 d6 [32-64] 15º
cero en una
carga trifásica 180 d2 [512-1024] 3º
Ineutro 4.847011207366711E- 4.44089209850062E-
balanceada 540 d3 [256-512] 0.000951566226547073 0.14037398315304 9º
(A) 013 16
900 d4 [128-256] 15º
Controlador de d1 [1024-2048]
corriente d2 [512-1024] Armónicos
1.164792059314233E- Armónicos impares 1.66533453693773E-
alterna I1 (kA) d3 [256-512] 0.000681468021191362 0.0550586074089 impares hasta el
013 hasta el 33. 16
trifásico de d4 [128-256] 33.
seis pulsos d6 [32-64]
d1 [1024-2048] Armónicos
Carga trifásica Armónicos impares
d2 [512-1024] impares hasta el
desbalanceada Ineutro 1.458173342683662E- hasta el 33, 2.22044604925031E-
d3 [256-512] 0.00101485684379 0.0550586074089 33, predominando
generadora de (kA) 013 predominando los 16
d4 [128-256] los de secuencia
armónicos de secuencia cero.
d6 [32-64] cero.
Tabla 9: Resultados obtenidos mediante el empleo de los algoritmos desarrollados en Matlab 7.0 a los circuitos implementados en PSCAD 4.1.0
139
CONCLUSIONES
140
una resolución fija para todo los tiempos, es decir la transformada Wavelet
(WT) permite obtener una resolución fina en frecuencia y gruesa en tiempo
para señales de baja frecuencia, y una resolución fina en el tiempo y gruesa en
frecuencia para señales de alta frecuencia.
• El modelo 1 del filtrado del Kalman (KF) presenta una desventaja en cuanto a
la existencia de un retraso en la detección del comienzo y del final de un
evento, lo cual influye en la magnitud del error absoluto calculado.
• Los resultados que presenta el filtro de Kalman (KF) son muy buenos en
estado estacionario, ya que se establece un modelo lineal del sistema, pero en
caso de producirse un evento en el que exista una variación en la frecuencia
de la señal, este filtro se inestabiliza y proporciona resultados imprevisibles, lo
cual se manifiesta en la divergencia de la ganancia de Kalman calculada.
141
modelo 1 se obtuvo las mayores magnitudes en dicho error. Para disminuir
este error, es necesario recurrir a un modelo no lineal, en el cual la frecuencia
de la señal de tensión o corriente analizada es una variable de estado
adicional, junto a las 2n variables de estado que corresponden a las
componentes en fase y en cuadratura de los n armónicos existentes
(incluyendo el primer armónico o frecuencia fundamental).
142
A. TRANSFORMADA DE FOURIER
∞ (A.1)
x (t ) = ¦C
k = −∞
n ( k )e jwt Serie de Fourier en forma compleja.
1
T T³
Cn ( k ) = X (t )e − jkwot dt Coeficientes de Fourier complejos. (A.2)
+∞
³ x(t )e
− jwt
F{x(t )} = X ( w) = dt (A.4)
−∞
+∞
1
³ X (ω )e
j ωt
x(t ) = dω (A.5)
2π −∞
143
Según la expresión de X (ω ) , es de notar que los límites de integración van desde
− ∞ a + ∞ , lo cual indica que no interesa el instante de tiempo en el cual aparece
la componente de frecuencia ω , ya que no afectará el resultado de integración.
Por lo tanto la FT solamente es capaz de entregar información de la existencia o
no de ciertas componentes de frecuencia, más no en qué instantes se presentan,
hecho por el cual no es adecuada para señales no estacionarias, siendo necesario
el empleo de otra técnica.
Las condiciones para que x(t) pueda obtener la transformada de Fourier [12] son
las siguientes:
∞
2
³ x(t )
−∞
dt < ∞ (A.6)
144
B. PROPIEDADES DE LA TRANSFORMADA DE FOURIER
B.1. LINEALIDAD
F{ax(t ) + by (t )} = aX ( w) + bY ( w) (B.1)
B.2. DERIVADA
∂ n x(t ) ½
F® n ¾
= ( jw) n X ( w) En el tiempo. (B.2)
¯ ∂ t ¿
∂ n X ( w)
F {t n x(t )} = ( j ) n En la frecuencia.
∂t n (B.3)
B.3. INTEGRAL
t ½ 1
F ® ³ x(t )dt ¾ = X ( w) + πX (0)δ ( w) (B.4)
¯ − ∞ ¿ jw
B.4. ESCALADO
1 § w·
F {x(at )} = X¨ ¸ (B.5)
a ©a¹
B.5. DESPLAZAMIENTO
{ }
F e j 2πat x(t ) = X ( f − a) En la frecuencia. (B.7)
145
B.6. CONVOLUCIÓN
∞
f *g = ³ f ( x) g (t − x)dx
−∞
(B.8)
(B.9)
F{x(t ) * y (t )} = X ( w)Y ( w) En el tiempo.
1 (B.10)
F{x(t ) y (t )} = [X ( w) * Y (w)] En la frecuencia.
2π
B.7. SIMETRÍA
B.8. MODULACIÓN
Si F {x(t )} = X ( w) y w 0 ∈ R, entonces :
1
F {x(t ) cos(w0 t )} = [X (w + w0 ) + X (w − w0 )] (B.12)
2
1
F {x(t ) sin( w0 t )} = [X ( w + w0 ) − X (w − w0 )] (B.13)
2
146
C. CONCEPTOS FUNDAMENTALES DE LAS TÉCNICAS DE ANÁLISIS DE
SEÑALES
v = ¦ cn vn (C.1)
n
La anterior muestra cómo v ∈ V puede ser escrita como una combinación lineal de
los vectores base v k y los respectivos coeficientes cn .
tiene:
f (t ) = ¦ c n φ n (t ) → Sintesis (C.2)
n
147
C.3. ORTOGONALIDAD
b
< f (t ), g (t ) >= ³ f (t ) g * (t )dt = 0 (C.5)
a
v = c1v1 + c2 v2 (C.6)
148
Esta construcción geométrica puede ser obtenida mediante productos punto o
internos obteniéndose la siguiente expresión:
< v, vn >
cn = (C.7)
< vn , vn >
Generalizando la anterior expresión a funciones se tiene que:
< f (t ), φn (t ) >
cn = , n = 1, 2 → Analisis (C.8)
< φn (t ), φn (t ) >
C.5. ORTONORMALIDAD
1, si i = j
< vi , v j >= δ ij = ® → Función de Kronec ker (C.9)
¯0, si i ≠ j
Es posible que exista más de un conjunto de funciones bases; sin embargo, entre
ellas, las que son ortonormales son de gran importancia debido a que gracias a
sus propiedades, hacen posible la evaluación computacional de sus coeficientes
en una forma rápida y simple.
149
D. SUBESPACIOS VECTORIALES ANIDADOS
Sean W j espacios vectoriales que define todas las señales x(t) que pueden ser
sintetizadas a través de las Wavelets w j ,k ,−∞ < k < ∞ . Estos espacios son
Sean V j espacios vectoriales que define las funciones x(t) que pueden ser
i = j −1
x(t ) = ¦ ¦c
i =−∞ k
i ,k wi ,k (t ) (D.2)
subespacio de V j +1 (V j ⊂ V j +1 ⊂ L2 ). [19]
Es decir:
150
A partir de las definiciones anteriores que toda señal en V j +1 es la suma de una
señal en V j y W j :
i= j i = j −1
x(t ) = ¦ ¦c
i =−∞ k
i,k wi ,k (t ) = ¦
i =−∞
¦c
k
i,k wi ,k (t ) + ¦ c j ,k w j ,k (t )
k
(D.4)
V j +1 = W j + V j (D.5)
Esto muestra claramente que los W j son las diferencias entre los espacios
adyacentes V j y V j +1 :
W j = V j +1 − V j (D.6)
151
Los espacios V j tienen una muy importante propiedad relacionada a la
1
wi +1,k (2t ) = wi +1,k (t ) (D.7)
2
Existen también un conjunto de funciones de escala (detalle) que pueden producir
el espacio V j tales como:
j
φ j ,k (t ) = 2 2 φ (2 j t − k ) (D.8)
152
E. TRANSFORMADA Z
Sea x[n] una señal definida en el dominio del tiempo discreto, y z{x[n]}=X(z) su
respectiva transformada z, entonces [23]:
∞
X( z ) = ¦ x[n]Z
n =−∞
−n
; n ∈ Z → Transformada Z bilateral (E.1)
∞
X( z ) = ¦ x[n] Z− n ; n ∈ Z + → Transformada Z unilateral (E.2)
n =0
Donde z=Aejw.
E.1. LINEALIDAD
Z ( x[n − k ]) = z − k x( z ) (E.4)
E.3. CONVOLUCIÓN
E.4. DIFERENCIACIÓN
d ( X ( z ))
Z (nx[n]) = − z (E.6)
dz
153
E.5. ESCALAMIENTO
§z·
a n x[n] ↔ X ¨ ¸ (E.7)
©a¹
154
BIBLIOGRAFÍA
[2] G.T. Heydt, P.S. Fjeld, C.C. Liu, D. Pierce, L. Tu, G. Hensley, “Applications
of the Windowed FFT to Electric Power Quality Assessment”, IEEE
Transactions on Power Delivery, Vol. 14, No. 4, October 1999, pp. 1411-
1416.
[3] G.T Heydt, “Electric Power Quality: A Tutorial Introduction”, IEEE Computer
Applications in Power, January 1998, pp. 15-19.
155
[12] W. J. Phillips. Signal Analysis Notes, September 2002, pp. 22-28.
http://www.engmath.dal.ca/courses/engm6610/SignalAnalysisNotes.pdf
[17] E. Jacobsen, R. Lyons. “An Update to the Sliding DFT”, IEEE Signal
Processing Magazine, Vol. 21, No. 1, January 2004, pp. 110-111.
[22] W. J. Philips. “Wavelets and Filter Banks Course Notes”. Chapter 5, “Filter
Banks and the Discrete Wavelet Transform”.
http://www.engmath.dal.ca/courses/engm6610/notes/node6.html
156
[24] T.K. Sakar, C. Su, R. Adve, M. Salazar Palma, L. Garcia Castillo, Rafael R.
Boix, “ A Tutorial on Wavelets from an Electrical Engineering Perspective,
Part 1: Discrete Wavelet Techniques”, IEEE Antenas and Propagation
Magazine, Vol. 40, No. 5, October 1998, pp. 49-70.
[29] SOLERA RAMÍREZ, Álvaro, “El filtro de Kalman”, Banco Central de Costa
Rica, División Económica, Departamento de Investigaciones Económicas,
Julio de 2003.
http://www.bccr.fi.cr/ndie/Documentos/DIE-02-2003-NT-
ILTRO%20DE%20KALMAN.pdf
[31] V.M Moreno and J. Barros, “Application of Kalman Filtering for Continuous
Real-Time Tracking of Power System Harmonics”, IEEE Proc. on
Generation, Transmission and Distribution, Vol. 144, No.1, January 1997,
pp. 13-20.
[33] S. Liu, “An Adaptive Kalman Filter for Dynamic Estimation of Harmonic
Signal”, 8th Int Conference on Harmonics and Quality of Power, Athens,
Greece, 14-16 October 1998, pp. 636-640.
157