Implementacion de Un Analisis Comparativo de TEorias en El Dominio de La Frecuencia para La Deteccion de Distorciones

ANÁLISIS COMPARATIVO DE ALGUNAS TEORÍAS EN EL
DOMINIO DE LA FRECUENCIA PARA LA DETECCIÓN DE

DISTORSIONES EN SISTEMAS ELÉCTRICOS DE POTENCIA
ANDRÉS MAURICIO LÓPEZ MURILLO
HARRYNSON RAMÍREZ MURILLO
UNIVERSIDAD TÉCNOLOGICA DE PEREIRA

FALCUTAD DE INGENIERIAS ELÉCTRICA, ELECTRÓNICA, DE
FISÍCA Y CIENCIAS DE LA COMPUTACIÓN
PROGRAMA DE INGENIERÍA ELÉCTRICA
PEREIRA
2007
1
ANÁLISIS COMPARATIVO DE ALGUNAS TEORÍAS EN EL
DOMINIO DE LA FRECUENCIA PARA LA DETECCIÓN DE
DISTORSIONES EN SISTEMAS ELÉCTRICOS DE POTENCIA
ANDRÉS MAURICIO LÓPEZ MURILLO

HARRYNSON RAMÍREZ MURILLO
Trabajo de grado para optar el título de Ingeniero Electricista
Director
ALFONSO ALZATE GÓMEZ
UNIVERSIDAD TÉCNOLOGICA DE PEREIRA

FALCUTAD DE INGENIERIAS ELÉCTRICA, ELECTRÓNICA, DE
FISÍCA Y CIENCIAS DE LA COMPUTACIÓN
PROGRAMA DE INGENIERÍA ELÉCTRICA
PEREIRA
2007
2
NOTA DE ACEPTACIÓN
_____________________________
_____________________________
_____________________________
_____________________________
_____________________________
Firma del presidente del jurado
_____________________________
Firma del jurado
_____________________________
Firma del jurado
Pereira, noviembre de 2007
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
1. CALIDAD DE LA ENERGÍA ELÉCTRICA………………………………………... 14

1.1. ARMÓNICOS………………………………………………………………………………………. 18
1.2. FUENTES DE ARMÓNICOS…………………………………………………………………….. 19

1.2.1. CARGAS LINEALES…………………………………………………………………...19
12.2. CARGAS NO LINEALES………………………………………………………………19
1.3. CLASIFICACIÓN DE LOS ARMÓNICOS……………………………………………………… 20
1.4. ÍNDICES DE EVALUACIÓN DE LA DISTORSIÓN ARMÓNICA………………………….. 21

1.4.1. ÍNDICE DE DISTORSIÓN ARMÓNICA TOTAL (THD)…………………………….. 21
1.4.2. FACTOR DE DIVERSIDAD (FD)……………………………………………………....22
1.4.3. FACTOR DE ATENUACIÓN (FA)……………………………………………………..23
1.5. MARCO REGULATORIO……………………………………………………………………….. 23

1.5.1. ESTÁNDAR IEC 61000-4-30…………………………………………………………... 25
1.5.2. ESTÁNDAR IEEE 1159-1995…………………………………………………………...26
1.5.3. RESOLUCIÓN CREG 070 DEL 28 DE MAYO DE 1998……………………………... 27
1.5.4. RESOLUCIÓN CREG 024 DEL 26 DE ABRIL DE 2005…………………………….. 28
1.5.5. RESOLUCIÓN CREG 107 DEL 14 DE DICIEMBRE DE 2006………………………. 29
2. ANÁLISIS ESPECTRAL………………………………………………………. 31
2.1. TRANSFORMADA DISCRETA DE FOURIER (DFT)………………………………………… 34
2.2. TRANSFORMADA DE FOURIER DE TIEMPO CORTO (STFT)…………………………… 35
2.3. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE (SDFT)… 39
3. ANÁLI SIS WAVELET………………………………………………………………. 44

3.1. TRANSFORMADA WAVELET CONTINUA (CWT)……………………………………........ 45
3.2. TRANSFORMADA WAVELET DISCRETA (DWT)…………………………………………. 47
5
3.3. ANÁLISIS MULTIRESOLUCIÓN (MRA), ALGORITMO PIRAMIDAL O
CODIFICACIÓN SUB-BANDA DE UNA SEÑAL……………………………………………… 48
3.4. BANCO DE FILTROS…………………………………………………………………………….. 54
3.5. TRANSFORMADA WAVELET DAUBECHIES D4…………………………………………….57
4. FILTRO DE KALMAN (KF)…………………………………………………………. 62

4.1. MODELO 1………………………………………………………………………………………… 67
4.2. MODELO 2………………………………………………………………………………………… 69
5. MATERIALES…………………………………………………………………… 72
6. SIMULACIONES…………………………………………………………………75
6.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES………………………………….. 75
6.2. FALLO LÍNEA-TIERRA………………………………………………………………………….. 76
6.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA TRFÁSICA

BALANCEADA……………………………………………………………………………………. 77
6.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS PULSOS………… 78
6.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS…………… 79
7. ANÁLISIS DE RESULTADOS………………………………………………… 80
7.1. DESARROLLO METODOLÓGICO…………………………………………… 80
7.2. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE (SDFT)… 81

7.2.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES…………………………. 81
7.2.2. FALLO LÍNEA-TIERRA……………………………………………………………….. 86
7.2.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA
TRFÁSICA BALANCEADA…………………………………………………………… 93
7.1.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS PULSOS…... 97
7.1.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS…… 99
7.2. TRANSFORMADA WAVELET DAUBECHIES D4………………………………………….. 102

7.2.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES………………………... 102
7.2.2. FALLO LÍNEA-TIERRA……………………………………………………………… 106
TRFÁSICA BALANCEADA………………………………………………………….. 112
7.2.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS PULSOS…. 116
7.2.5. CARGA TRIFÁSICA BALANCEADA GENERADORA DE ARMÓNICOS………..118
7.3. FILTRO DE KALMAN MODELO 1…………………………………………………………….. 121

7.3.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES………………………... 121
7.3.2. FALLO LÍNEA-TIERRA……………………………………………………………… 123
6
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
A. TRANSFORMADA DE FOURIER…………………………………………… 143
B. PROPIEDADES DE LA TRANSFORMADA DE FOURIER……………….145

B.1. LINEALIDAD………………………………………………………………………………………145
B.2. DERIVADA……………………………………………………………………………………….. 145
B.3. INTEGRAL………………………………………………………………………………………... 145
B.4. ESCALADO………………………………………………………………………………………. 145
B.5. DESPLAZAMIENTO…………………………………………………………………………….. 145
B.6. CONVOLUCIÓN…………………………………………………………………………………..146
B.7. SIMETRÍA………………………………………………………………………………………….146
B.8. MODULACIÓN…………………………………………………………………………………… 146
C. CONCEPTOS FUNDAMENTALES DE LAS TÉCNICAS DE ANÁLISIS DE

SEÑALES………………………………………………………………………. 147
C.1. VECTORES BASE………………………………………………………………………………. 147
C.2. PRODUCTO INTERIOR………………………………………………………………………….147
C.3. ORTOGONALIDAD……………………………………………………………………………… 148
C.4. VECTORES ORTOGONALES EN EL PLANO………………………………………………. 148
C.5. ORTONORMALIDAD……………………………………………………………………………. 149
D. SUBESPACIOS VECTORIALES ANIDADOS……………………………...150
E. TRANSFORMADA Z………………………………………………………….. 153

E.1. LINEALIDAD………………………………………………………………………………………153
E.2. DESPLAZAMIENTO TEMPORAL……………………………………………………………... 153
E.3. CONVOLUCIÓN…………………………………………………………………………………..153
7
E.4. DIFERENCIACIÓN……………………………………………………………………………… 153
E.5. ESCALAMIENTO………………………………………………………………………………… 154
E.6. INVERSIÓN EN EL TIEMPO…………………………………………………………………… 154
BIBLIOGRAFÍA………………………………………………………………………... 155
8
INTRODUCCIÓN
Históricamente el desarrollo tecnológico ha ido de la mano con el empleo de la

energía eléctrica, siendo cada vez mayor el porcentaje de su utilización en el
consumo energético total. El aumento de la sensibilidad hacia la calidad de la
energía eléctrica en los países industrializados, cuya productividad se encuentra
continuamente en crecimiento, se debe principalmente a la aparición de cargas no
lineales en los sistemas eléctricos (electrónica de potencia) que conllevan a una
situación problemática, donde las corrientes armónicas generadas por estos
mismos dispositivos distorsionan inevitablemente la onda de corriente y voltaje
sinusoidal original y se han convertido en un motivo de preocupación.
Con el crecimiento de las aplicaciones en electrónica y en particular, la tendencia

hacia procesos electrónicos y sistemas de comunicación, la incompatibilidad con
el entorno eléctrico ha aumentado, ya que los armónicos afectan la calidad de la
energía porque distorsiona la forma de onda sinusoidal de las señales de voltaje y
corriente, ocasionando efectos tales como pérdidas y calentamiento (conductores,
motores, transformadores, generadores, condensadores, etc.), operaciones
anormales y fallas de equipos (controladores de velocidad, PLC’s, PC’s, relés,
etc.), errores en los equipos de medida, efectos de resonancia, incrementos de
costos, entre otros.
Una característica importante de la electricidad, y que no se presenta en otros

productos, es que su utilización por parte de los consumidores modifica sus
características. La conexión de los aparatos de los clientes al sistema de
distribución de energía eléctrica da origen a que circulen corrientes eléctricas
proporcionales a la demanda de esos clientes. Estas corrientes al circular por los
conductores de la red van a dar origen a caídas de tensión. La amplitud de la
tensión suministrada a un cliente va a ser función en todo momento de las caídas
de tensión acumuladas en todos los elementos de la red por el que se alimenta el
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.
Este estudio busca analizar algunas teorías en el domino de la frecuencia para la

detección de distorsiones en sistemas eléctricos de potencia a partir de
simulaciones realizadas de varios circuitos implementados en PSCAD 4.1.0,
donde se presentan los eventos más ocurrentes y que afectan la calidad de
energía.
10
OBJETIVOS
Los objetivos a desarrollar en el presente proyecto de investigación son los

siguientes:
OBJETIVO GENERAL
Realizar un estudio comparativo de algunas teorías importantes para la detección

de distorsiones (en el dominio de la frecuencia) en sistemas eléctricos de potencia.
OBJETIVOS ESPECÍFICOS
• Aprovechar algunas de las características más importantes de la transformada

discreta de Fourier con ventana deslizante (SDFT), la transformada Wavelet
Discreta (DWT) y el filtro de Kalman (KF) en la detección de distorsiones en
Sistemas Eléctricos de Potencia.
• Simular estas teorías para diferentes tipos de distorsiones de voltajes y

corrientes mediante el empleo del software PSCAD 4.1.0.
• Implementar las teorías estudiadas en el software Matlab 7.0 a los resultados

obtenidos de las simulaciones desarrolladas en PSCAD 4.1.0.
• Realizar un análisis comparativo entre los resultados obtenidos de las técnicas

de detección estudiadas.
11
CONTENIDO
Los capítulos de este estudio se encuentran estructurados de la siguiente forma:
Capitulo 1: Se definen las distintas perturbaciones asociadas a la calidad de la

energía eléctrica y se analiza el marco regulatorio tanto nacional como
internacional en los aspectos de la calidad de la energía eléctrica relacionados con
el análisis y medida de los eventos en la tensión de distribución. Se exponen
brevemente los principales grupos de fuentes armónicas y sus efectos en
conductores, transformadores, motores, condensadores, entre otros elementos
pertenecientes a un sistema eléctrico.
Capitulo 2: Se muestra un conjunto de métodos que determinan un análisis

espectral de una señal tales como la Transformada de Fourier contínua (FT),
discreta (DFT), rápida o de tiempo corto (STFT) y discreta con ventana deslizante
(SDFT), las cuales han sido desarrolladas en el presente estudio.
Capitulo 3: Se estudia la transformada Wavelet discreta (DWT) por medio del

análisis multiresolución o algoritmo piramidal que descompone señales de tiempo
discreto mediante el empleo de filtros con distintas frecuencias de corte, cuyos
coeficientes, dependen de la función Wavelet madre empleada. Se presenta un
desarrollo de la transformada Wavelet Daubechies D4.
Capitulo 4: Se desarrolla e implementa una metodología para el modelado de un

sistema mediante el empleo de variables de estado conocida como filtro de
Kalman (KF). Se analizan los modelos lineales I y II.
Capitulo 5: En este capítulo se establecen las características más importantes

acerca del software empleado tanto en la elaboración de las simulaciones PSCAD
4.1.0, junto a una descripción de la forma cómo fueron exportados los datos para
12
ser cargados y aplicarles posteriormente los algoritmos desarrollados en Matlab
7.0.
Capitulo 6: En este capítulo se ilustran las simulaciones realizadas mediante el

empleo del software PSCAD 4.1.0, el cual es un paquete especializado en el
análisis de sistemas eléctricos de potencia.
Capitulo 7: Se muestran los resultados obtenidos mediante la aplicación de los

algoritmos desarrollados en Matlab 7.0 a los datos importados de los circuitos
implementados en PSCAD 4.1.0.
13
1. CALIDAD DE LA ENERGÍA ELÉCTRICA
La distorsión armónica no es un fenómeno nuevo en los sistemas eléctricos de

potencia, pero desde hace cuatro décadas se ha convertido en un problema de
creciente actualidad debido al incremento considerable de las cargas
contaminantes en las redes eléctricas, en especial de los dispositivos
semiconductores y la electrónica de potencia. A causa del incremento de la
presencia de dichas cargas no lineales, la distorsión armónica de las tensiones y
corrientes ha ido aumentando, produciendo un mal funcionamiento de los distintos
elementos de los sistemas eléctricos.
El aumento en el número de receptores sensibles a la calidad del voltaje y

corriente en sistemas de potencia, va a la par con un aumento del volumen de la
carga distorsionante, especialmente los convertidores de energía. Estos procesos
inducen la necesidad de la estimación cuidadosa de diversos parámetros
prácticamente en todo instante [1].
Uno de los desafíos de la estimación de la calidad de energía consiste en el

estudio de la forma de onda de la señal, siendo esta tarea la que emplea mayor
cantidad de tiempo de cómputo. Una evaluación en la forma de onda consiste en
un análisis en estado permanente y transitorio. Existen algunos algoritmos del
voltaje y corriente para el análisis de la forma de onda, pero la evaluación de la
eficacia de cada algoritmo implica la valoración de su exactitud combinada con la
potencia de cómputo requerida. Desafortunadamente, lo último tiene un significado
importante en caso de que la medición se amerite en tiempo real (on-line).
La instrumentación y la medida de la calidad de la energía eléctrica dan lugar

generalmente a un gran volumen de datos. Estos pueden ser preprocesados para
eliminar los que no son necesarios y varios métodos podrían ser empleados para
aumentar la exactitud de los datos. Métodos tales como el análisis estadístico, se
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].
Desde el punto de vista socio-económico actual las empresas de generación y

distribución de energía eléctrica deben afrontar dos retos importantes:
• Aumentar la capacidad de generación y distribución de energía eléctrica

para responder a la demanda creciente:
Existen limitaciones en las compañías eléctricas en cuanto a su capacidad de

expansión de la generación y transmisión de la energía eléctrica. Esta situación
se aprecia notablemente en los países industrializados, donde los sistemas de
distribución están funcionando muy cerca del límite de su capacidad máxima,
debido entre otros factores a la falta de las inversiones necesarias.
• Asegurar la calidad de la energía eléctrica suministrada:
La electricidad no puede ser solamente entendida como un producto que tiene

que cumplir unos parámetros de calidad que aseguren el correcto
funcionamiento de los equipos conectados a las redes de distribución, sino que
la demanda general de una mayor calidad de la energía eléctrica es
fundamental debido al desarrollo tecnológico.
Pese al tiempo transcurrido, no existe una definición completamente aceptada del

término calidad del suministro eléctrico o calidad de la energía eléctrica en la
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”.
La calidad del suministro de energía eléctrica, puede ser considerada entonces

como la combinación de la disponibilidad del suministro eléctrico junto con la
calidad de la tensión y la calidad de la corriente suministradas, entendiendo la falta
de calidad como la desviación de esas magnitudes de su forma ideal.
La posibilidad de daños o averías en los elementos que componen el sistema de

generación, transporte o distribución de la energía eléctrica, debidos a múltiples
causas, como condiciones climáticas, desgaste, envejecimiento, la propia
actividad humana, el efecto de los animales u otros, también pueden afectar o
interrumpir el suministro de energía eléctrica a los clientes. Por tanto, los factores
que definen la calidad de la energía eléctrica se conocen como perturbaciones, las
cuales pueden ser transitorias o estacionarias (interrupciones del servicio,
variaciones de tensión, presencia de armónicos, etc.) y dependen tanto del
generador y del distribuidor como del propio cliente, por lo cual para asegurar unos
niveles mínimos de calidad en el suministro eléctrico es necesaria la cooperación
de todos los agentes que intervienen en el proceso.
El efecto más importante que produce la pérdida de la calidad de la energía

eléctrica es el mal funcionamiento o la avería de los equipos conectados a la red
de distribución. Los equipos eléctricos y electrónicos, como los computadores
personales, autómatas programables, equipos de iluminación, equipos de
electrónica de consumo, etc., pueden funcionar de forma incorrecta si la energía
eléctrica suministrada se interrumpe solamente durante unas décimas de segundo
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.
En la actualidad, y desgraciadamente, los equipos electrónicos proporcionan

efectos muchos mayores que requieren atención en sus aplicaciones en los
sistemas eléctricos. Fenómenos que antes eran secundarios como
sobretensiones, distorsión armónica, variaciones de frecuencia, etc., son ahora de
gran notoriedad.
Un sistema eléctrico ideal debe proporcionar un voltaje con las siguientes

características:
• 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.
Tabla 1: Causas y consecuencias de los armónicos sobre elementos eléctricos.
18
1.2. FUENTES DE ARMÓNICOS
Aunque tradicionalmente los condensadores y los transformadores en condiciones

de saturación generan distorsiones armónicas, en la actualidad existe una gran
contribución de estas por parte de los modernos dispositivos electrónicos
conectados al sistema de potencia. Generalmente estos ocurren cuando existe
cargas conectadas tales como computadores personales, dispositivos variadores
de frecuencia o convertidores (AC y DC) etc.
Existen dos tipos de cargas: monofásicas y trifásicas y, según su comportamiento

pueden ser clasificadas en lineales y no lineales.
1.2.1. CARGAS LINEALES
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.
12.2. CARGAS NO LINEALES
Son aquellas que al ser conectadas a la red absorben corrientes en impulsos

bruscos, los cuales crean ondas de corriente distorsionadas que originan a su vez
corrientes armónicas de retorno hacia otras partes del sistema de alimentación. Su
principal característica es la presencia de dispositivos semiconductores de estado
sólido. Elementos tales como convertidores estáticos de potencia, dispositivos
magnéticos saturados, entre otros, se comportan de manera no 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.
Entre algunas fuentes de frecuencia armónicas [6] se pueden encontrar las

siguientes:
• 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.
1.3. CLASIFICACIÓN DE LOS ARMÓNICOS
Los armónicos pueden ser clasificados de la siguiente forma:
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.
Dependiendo de su secuencia, los armónicos presentan diferentes efectos [7], los

cuales se presentan en la siguiente tabla:
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.
1.4. ÍNDICES DE EVALUACIÓN DE LA DISTORSIÓN ARMÓNICA
1.4.1. ÍNDICE DE DISTORSIÓN ARMÓNICA TOTAL (THD)
El método más usado para medir la distorsión armónica en un sistema de potencia

es la distorsión armónica total (THD), este puede ser calculado para la corriente o
para la tensión, dependiendo de donde se quiera medir la distorsión. Este índice
se define como la relación existente entre el valor eficaz del total de las
componentes armónicas, y el valor eficaz correspondiente a la componente
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.
I k ,V k Valores eficaces del armónico k.
El THDI puede variar desde pocas unidades porcentuales hasta superar el 100%,
como ocurre en las fuentes de potencia conmutadas.
Aunque los armónicos de corriente de frecuencia más elevada pueden tener

valores pequeños, al ser las reactancias de la línea y de los transformadores
proporcionales a la frecuencia, los armónicos de tensión pueden tomar valores
significativos.
1.4.2. FACTOR DE DIVERSIDAD (FD)
Las dispersiones en el ángulo de fase de los armónicos de cargas individuales

provocan una disminución de las corrientes armónicas en la red. Este efecto
conocido como diversidad, se debe principalmente a diferencias en los parámetros
del sistema de distribución y a los de la propia carga.
El factor de diversidad de corriente (FDk) se define para cualquier armónico k y un

conjunto de n cargas conectadas en paralelo, como la magnitud del fasor de la
corriente de red, dividido por la suma de magnitudes de las corrientes individuales
para el mismo orden de armónico.
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.
1.4.3. FACTOR DE ATENUACIÓN (FA)
La atenuación es provocada por la propia impedancia del sistema de potencia y

por la correspondiente distorsión de tensión, que tiende a reducir las corrientes
armónicas en la red producida por cargas no lineales.
El factor de atenuación FAK para el armónico k, está definido como la magnitud de
la corriente total del armónico k cuando n cargas idénticas están conectadas en
paralelo, dividida por n veces la magnitud de la corriente de una única carga.
I k (n)
FAk = (1.3)
nI k (1)
Donde:
I k ( n ) Corriente para el armónico k con n cargas conectadas en paralelo.
I k (1) Corriente para el armónico k con una sola carga conectada.
1.5. MARCO REGULATORIO
La Comisión Electrotécnica Internacional (IEC) en su normativa sobre

compatibilidad electromagnética clasifica las perturbaciones electromagnéticas de
la siguiente forma [8]:
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.
Dependiendo del entorno es posible encontrar diferentes tipos de perturbaciones

electromagnéticas. Las perturbaciones radiadas de baja o alta frecuencia suelen
ser de naturaleza electromagnética, causadas por equipos tales como líneas de
alta tensión, antenas, aparatos magnéticos, transmisores de radio, radares, etc.
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.
Un aspecto importante a tener en cuenta es que la eliminación completa de las

perturbaciones electromagnéticas es imposible. Por ello, los equipos se deben
adecuar para disminuir al máximo las emisiones que generan, y que pueden
afectar al funcionamiento de otros equipos y al mismo tiempo deben reducir las
repercusiones que puedan tener esas alteraciones en su propio funcionamiento.
24
1.5.1. ESTÁNDAR IEC 61000-4-30
En este estándar se determinan los métodos de medida de los parámetros de la

calidad en el suministro de energía eléctrica, y el modo de interpretar los
resultados. En esta norma se expresan los métodos de medida sin fijar los
umbrales. Entre otros parámetros el estándar define los métodos de detección y
evaluación de los huecos de tensión, sobretensiones temporales y las
interrupciones de la tensión de suministro.
Se define el valor URMS(1/2) como la magnitud básica para caracterizar un hueco,

interrupción o sobretensión en la tensión de alimentación. El valor URMS(1/2) se
define como la tensión RMS medida sobre un ciclo, comenzando en el cruce por
cero de la señal fundamental, y actualizada cada medio ciclo.
Un hueco de tensión comienza cuando la magnitud URMS(1/2) cae por debajo del
umbral de detección, y termina cuando el valor URMS(1/2) es igual o superior al
umbral de detección más una tensión de histéresis (esta histéresis es en general
igual al 2% de la tensión declarada). En lugar de utilizar un umbral de detección
sobre la tensión declarada, el estándar también establece la posibilidad de
emplear una tensión de referencia deslizante, definida como un valor de tensión
promediado en un intervalo de tiempo especificado, que representa la tensión que
precede al hueco.
Los huecos de tensión se caracterizan por un par de datos:
• Tensión residual o la profundidad.

• Duración.
La tensión residual es el menor valor de URMS(1/2) medido durante el hueco y la

profundidad de un hueco de tensión se define como la diferencia entre la tensión
de referencia y la tensión residual, y en general se expresa en porcentaje de la
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.
Una sobretensión temporal en la tensión de suministro, comienza cuando la

magnitud URMS(1/2) sobrepasa el umbral y termina cuando el valor URMS(1/2) es igual
o inferior al umbral de detección menos una tensión de histéresis. También en
este caso se puede emplear una tensión de referencia deslizante, en lugar de la
tensión declarada como umbral de detección.
Las sobretensiones temporales también se caracterizan por un par de datos:
• Amplitud máxima de la sobretensión.

• Duración.
La amplitud máxima es el mayor valor de URMS(1/2) medido durante la sobretensión,

y su duración es la diferencia de tiempo entre el comienzo y el final de la
sobretensión temporal.
Para la evaluación de las interrupciones de la tensión de suministro, se considera

que una interrupción comienza cuando el valor URMS(1/2) cae por debajo del umbral
de interrupción de tensión y termina cuando el valor URMS(1/2) es igual o superior al
umbral de interrupción de tensión mas la histéresis. La duración de una
interrupción de tensión es la diferencia entre el comienzo y el final de la
interrupción [4].
1.5.2. ESTÁNDAR IEEE 1159-1995
Se definen siete categorías distintas de fenómenos electromagnéticos en redes

eléctricas: transitorios, variaciones de corta duración, variaciones de larga
duración, desequilibrio de la tensión, distorsión de la forma de onda, fluctuaciones
de tensión y variaciones de la frecuencia.
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.
1.5.3. RESOLUCIÓN CREG 070 DEL 28 DE MAYO DE 1998
Se definen y se hacen operativos los criterios técnicos de calidad, confiabilidad y

seguridad del servicio de energía eléctrica; además se establecen procedimientos
para la planeación, operación y expansión de los sistemas de transmisión regional
(STR’s) y los sistemas de distribución local (SDL’s), y se definen normas para el
diseño y ejecución del plan de inversiones y conexiones al sistema, entre otros.
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.
Se establece que la calidad de potencia entregada por un operador de red (OR),

se relaciona con las desviaciones de los valores especificados para las variables
de tensión y la forma de las ondas de tensión y corriente.
Se conocen como armónicos el contenido de ondas con frecuencias que son

múltiplos de la frecuencia normal de suministro (60 Hz) y son el resultado de
cargas no lineales en el STR y/o SDL. La distorsión que el usuario produce a la
empresa de energía depende de las corrientes armónicas que le inyecte y de la
respuesta de impedancia del sistema a estas frecuencias. En ese sentido se ha
establecido que los límites de distorsión armónica permitidos a los usuarios se
midan en corrientes. Además la distorsión que la empresa de energía le produce
al usuario se mide en la forma de onda de la tensión en el punto de frontera
existente entre ellos [9].
1.5.4. RESOLUCIÓN CREG 024 DEL 26 DE ABRIL DE 2005
Se establecen estándares de calidad de la potencia suministrada y se definen

fenómenos calificadores que miden la calidad de potencia (CPE) suministrada por
un operador de red (OR) tales como desviaciones en la frecuencia y magnitud de
la tensión estacionaria y distorsión armónica de la onda de tensión.
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].
1.5.5. RESOLUCIÓN CREG 107 DEL 14 DE DICIEMBRE DE 2006
En esta resolución se ordena hacer público un proyecto de resolución de carácter

general, que pretende adoptar la Comisión de Regulación de Energía y Gas
(CREG) con el fin de modificar la Resolución CREG 024 de 2005 que establece
las normas de calidad de la potencia eléctrica aplicables a los servicios de
Distribución de Energía Eléctrica.
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.
Si x(t) es una señal estacionaria con cuatro componentes de frecuencias distintas

de 60, 180, 300 y 420 Hz, se obtiene lo siguiente:
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 .
Figura 2.4: Representación en el dominio de la frecuencia de una señal estacionaria con

4
componentes de frecuencia de 60, 180, 300 y 420 Hz Anexo I (Ejemplo1.m) .
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 .
Figura 2.6: Representación en el dominio de la frecuencia de una señal no estacionaria con

6
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.
2.1. TRANSFORMADA DISCRETA DE FOURIER (DFT)
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)
Donde Xk es la componente k-ésima del espectro.
Para recuperar la señal original, la Transformada Inversa de Fourier (IDFT) se

define como:
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
de longitud N, tal como se ilustra:
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)
La DFT proporciona el contenido frecuencial (espectro) de una señal, hecho por el

cual es un método adecuado para el análisis de señales estacionarias. Si la señal
no es estacionaria, es necesario el conocimiento simultáneo de la información
temporal y frecuencial.
2.2. TRANSFORMADA DE FOURIER DE TIEMPO CORTO (STFT)
La Short Time Fourier Transform (STFT), que es una versión modificada de la

DFT, divide la señal no estacionaria en pequeños trozos en los cuales se supone
estacionaria, lo cual se logra empleando una función ventana de determinada
anchura que se va desplazando y multiplicando con la señal. Al aplicársele La DFT
a cada trozo, se obtiene una distribución tiempo-frecuencia de la señal.
Lo anterior puede ser resumido mediante la siguiente ecuación [14]:
STFTXwindow (ti, w) = ³ ª¬ x(t ) ⋅ window* (t − ti)º¼ ⋅ e− jwt dt (2.6)

t
35
Donde x(t) es la señal original y window(t) es la función ventana empleada.
Figura 2.7: Representación gráfica de la STFT.
En la figura anterior se muestra una función ventana tipo triangular, localizada en

t = t1 , t = t 2 y t = t 3 , lo cual corresponde a tres FT’s en tres tiempos distintos. Por lo
tanto, se obtendrá una buena representación Tiempo-Frecuencia de la señal.
Si se considera x(t) como la señal no estacionaria analizada en hojas anteriores, al

realizarle la STFT, se obtienen los siguientes resultados:
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 .
Figura 2.10: Plano Tiempo-Frecuencia de una señal no estacionaria con componentes de

9
frecuencia de 60, 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.
Según el principio de incertidumbre de Heisemberg, no es posible determinar una

representación exacta Tiempo-Frecuencia de la señal, sino tan sólo los intervalos
de tiempo en los cuales existen determinadas bandas de frecuencia, hecho por el
cual surge un problema de resolución [15].
La razón por la cual en la TF existe una perfecta resolución es el hecho de que la

función ventana empleada es una exponencial e jwt , la cual existe para todo
instante de tiempo (−∞ < t < +∞) . En la STFT la ventana es de longitud finita, es
decir, sólo se aplica a una parte de la señal lo que conlleva a una disminución de
la resolución en la frecuencia, que sólo permite conocer una banda de frecuencias
y no un valor exacto de frecuencias.
La selección de una ventana para el análisis depende de la aplicación,

dependiendo de la resolución deseada en tiempo y frecuencia: si se emplea una
ventana estrecha, se obtiene una buena resolución en el tiempo y una pobre
resolución en el dominio de la frecuencia, mientras si se utiliza una ventana ancha,
se consigue una buena resolución en el dominio de la frecuencia, pero una pobre
resolución en el dominio del 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:
...x(−2), x(−1), x(0), (1),..., x(n), x(n + 1) (2.7)
En algunas aplicaciones es posible analizar la señal empleando una ventana

deslizante de una longitud definida. Por ejemplo considérese en el instante n, una
ventana de una secuencia de N muestras formada tal como se ilustra a
continuación:
x (n) = {x (n − N ), x (n − N + 1),..., x (n + 1), x (n)} (2.8)
Aplicando DFT se Obtiene
X (n) = { X 0 , X 1 ,... X k ,... X N − 2 , X n−1} (2.9)
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.
Básicamente la SDFT proviene de la observación que para dos instantes de

tiempo consecutivos n y n+1, las secuencias de la ventana x(n) y x(n+1)
contienen esencialmente los mismos elementos.
39
Sea una ventana de N muestras, entonces al evaluar la expresión (2.8) en los
instantes n y n+1 se obtiene:
x(n) = {x(n − N ), x(n − N + 1),..., x(n − 1), x(n)} (2.10)

x(n + 1) = {x(n − N + 1), x(n − N + 2),..., x(n), x(n + 1)} (2.11)
De (2.20) se calcula la componente k-ésima del espectro de (2.10) y (2.11):
X k (n) = x ( n − N ) + x( n − N + 1)WNk +,.. + x ( n)WN( N −1) k (2.12)
X k (n + 1) = x( n − N + 1) + x ( n − N + 2)WNk +,.. + x( n + 1)WN( N −1) k (2.13)
2πk
j
Recordando de (2.5) que W N
K
=e N
se procede a aplicar el algoritmo SDFT de la
siguiente forma:
• Se reemplaza el primer elemento de XK(n) por el último elemento de XK(n+1):
∧
X k (n) = X k (n) − x (n − N ) + x (n + 1) (2.14)
• Se lleva a cabo un corrimiento circular por una muestra en la secuencia

reemplazada anteriormente (a la izquierda), lo cual permite relacionar las DFT’s de
dos secuencias sucesivas tal como se ilustra:
∧ j 2π k
X k ( n + 1) = x k ( n ) e N (2.15)
Reemplazando (2.14) en (2.15) se obtiene la siguiente expresión:
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
11
Anexo I, Ejemplo3.m
12
Anexo I, Ejemplo3.m
41
14
15
16
13
Anexo I, Ejemplo3.m
14
Anexo I, Ejemplo3.m
15
Anexo I, Ejemplo3.m
16
Anexo I, Ejemplo3.m
42
17
Figura 2.19: Espectro entre 0.875 y 1 s18.
17
Anexo I, Ejemplo3.m
18
Anexo I, Ejemplo3.m
43
3. ANÁLI SIS WAVELET
El inconveniente de la resolución en el plano tiempo-frecuencia es una

consecuencia del principio de incertidumbre de Heisemberg, el cual surge sin
importar la transformada empleada, sin embargo mediante el análisis
multiresolución (MRA) es posible analizar una señal en diferentes frecuencias con
diferentes resoluciones, caso contrario de la STFT que emplea una resolución fija
para todos los tiempos, es decir la WT emplea ventanas estrechas en frecuencias
altas y ventanas anchas en bajas frecuencias. De esta forma se obtiene una
resolución fina en frecuencia y gruesa en tiempo para señales de baja frecuencia y
una resolución fina en tiempo y gruesa resolución en frecuencia para señales de
alta frecuencia.
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.
En sistemas de potencia, las señales pueden presentar variaciones temporales de

frecuencia, huecos de tensión, sobretensiones, interrupciones, etc. Por ello la
transformada Wavelet (WT) es una herramienta muy apropiada para detectar
eventos que puedan producirse en dichas señales.
44
TRANSFORMADA WAVELET CONTINUA (CWT)
Fue desarrollada como una técnica alternativa a la STFT con la finalidad de

superar el problema de resolución presente en esta trasformada. Esta
transformada se define de la siguiente forma:
+∞
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
Donde Ĳ y s son los parámetros de traslación y de escala respectivamente y son

explicados a continuación:
• Traslación: Este término es el mismo que en la STFT, es decir representa la

localización de la ventana a medida que se desplaza a través del dominio
transformado. Por lo tanto este término corresponde a la información temporal
de la señal.
• Escala: En la WT no se tiene un parámetro que sea la frecuencia como tal, sin

embargo existe un parámetro llamado escala que se define de la siguiente
manera:
1
Escala = (3.3)
frecuencia
Debido a que la WT incluye información relacionada con el tiempo y la

frecuencia, la representación gráfica de esta transformada se realiza en un
plano denominado tiempo-escala.
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.
La transformada inversa está determinada mediante la siguiente expresión:
1 ψ (τ , s )
x(t ) =
Kψ ³³ C (τ , s) τ2
dτds (3.4)
La transformada de Wavelet (CWT) continua es reversible si satisface la siguiente

condición:
2
+∞
ψ ( w)
Kψ = ³
−∞
w
dw < ∞ (3.5)
Donde ȥ(w) es la FT de ȥ(t), la cual satisface la condición de media nula, es decir:
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.
La CWT puede ser descrita de la siguiente manera:
• Se elige la función Wavelet madre.
• Se determinan los C (τ , s ) , el cual cuanto mayor sea, mayor es la similitud,

por lo cual los resultados dependerán de la forma de la función Wavelet
madre elegida.
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.
• Se efectúa la escalada de la Wavelet en el tiempo y se repiten los tres

pasos anteriores.
Figura 3.1: CWT de una señal no estacionaria con componentes de frecuencia de 60, 180, 300 y
19
420 Hz
3.1. TRANSFORMADA WAVELET DISCRETA (DWT)
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:
C[ j , k ] = ¦ x[n]ψ j ,k (n) (3.7)

n∈Z
Para garantizar una reconstrucción de la señal es necesario discretizar los

parámetros de tiempo y escala mediante una escala diádica tal como se ilustra:
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
La transformada inversa se define como:
x[n] = ¦¦ C[ j , k ]ψ j ,k [n] (3.10)

j∈Z k∈Z
3.2. ANÁLISIS MULTIRESOLUCIÓN (MRA), ALGORITMO PIRAMIDAL O

CODIFICACIÓN SUB-BANDA DE UNA SEÑAL
j
Sea w j , k = 2 2 w(2 j t − k ), ∀ j , k , de una base ortogonal, de las expresiones (C.8) y
de (C.2) del apéndice C, se obtienen respectivamente el análisis y síntesis de

todas las señales x(t) de la siguiente forma:
∞
c j ,k = ³ x(t )w
−∞
j ,k (t )dt → Análisis (3.11)
x(t ) = ¦¦ c j ,k w j , k (t ) → Síntesis (3.12)

j k
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
Donde dk y cj,k son los coeficientes de detalle en la escala j0 y de aproximación a

diferentes escalas de la señal respectivamente.
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:
φ (t ) = ¦ h[n] 2φ (2t − n) (3.14)

n
w(t ) = ¦ g[n] 2φ (2t − n) (3.15)

n
El MRA o algoritmo piramidal se desarrolló con la finalidad de descomponer

señales de tiempo discreto mediante el empleo de filtros con distintas frecuencias
de corte. La señal pasa a través de filtros pasa alto y pasa bajo de media banda
para determinar las componentes de alta y baja frecuencia respectivamente [20].
Estas operaciones cambian la resolución de la señal y la escala se cambia
mediante operaciones de submuestreo, que consiste en eliminar algunas muestras
de la señal.
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)
La resolución que está asociada con la cantidad de información de la señal se

encuentra alterada por las operaciones de filtrado porque la eliminación de la
mitad de las frecuencias significa pérdida de la mitad de la información. Por lo
tanto, la resolución en el tiempo se reduce a la mitad después de la operación de
filtrado. Sin embargo, el proceso de submuestreo que es posterior al filtrado,
puesto que la mitad de las muestras son redundantes (Nyquist), duplica la escala.
Este proceso puede ser ilustrado mediante la siguiente expresión:
50
∞
y[n] = ¦ x[k ]h[2n − k ] (3.17)
−∞
La descomposición de la señal en el primer nivel de descomposición puede ser

expresada de la siguiente forma:
∞
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.
El procedimiento anterior se denomina codificación de subbandas y puede

repetirse para conseguir una mayor descomposición, en este caso en cada etapa,
el filtrado y el submuestreo darán como resultado una disminución en la mitad de
la cantidad de muestras (resolución en el tiempo dividida) y de la banda de
frecuencias abarcada (resolución en frecuencia duplicada) [21-22].
Figura 3.3: Esquema de descomposición o análisis de la señal.
51
Figura 3.4: Esquema de reconstrucción o síntesis de la señal.
Figura 3.5: Descomposición de la señal en dos niveles.
Figura 3.6: Reconstrucción de la señal en dos niveles.
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
Para la etapa de síntesis se tiene en general:
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:
g[ L − 1 − n] = (−1) n h[n] (3.23)
Donde L es la longitud del filtro expresada en número de puntos.
53
Los filtros que satisfacen la condición anterior se conocen como filtros espejo en
cuadratura (QMF) [23].
Cabe destacar si los filtros no son de banda media ideal, la reconstrucción

perfecta de la señal no puede conseguirse. Aún cuando no es posible realizar
filtros ideales, bajo ciertas condiciones es posible encontrar filtros que permitan
una reconstrucción perfecta de la señal, destacándose entre ellos las Wavelets de
Daubechies.
3.3. BANCO DE FILTROS
Cabe destacar que la definición de la transformada z, junto a algunas propiedades

de ésta, se encuentran en el apéndice E.
Sea h(z) y g(z) filtros pasa-bajo y pasa-alto respectivamente [24-25]:
Figura 3.7: Banco de filtros de análisis y síntesis.
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
Sobremuestreando la expresión anterior se obtiene:
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
La transformada Z de la señal de salida del banco de síntesis es la siguiente:
∧ ∧ ∧ ∧ ∧
x ( z ) = y 0 ( z ) h( z ) + y1 ( z ) g ( z ) (3.30)
Reemplazando (3.24) en (3.28) y (3.25) en (3.29), para otro posterior reemplazo

en (3.30) se obtiene:
∧ 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
Expresando el anterior resultado en forma matricial:
∧ 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 )
En el dominio del tiempo discreto se tiene:

∧
h[n] = (−1) n g[n − 1]
∧
(3.36)
g[n] = (−1) n +1 h[n − 1]
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)
Esta condición se cumple siempre y cuando los filtros empleados sean

biortogonales.
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]
3.4. TRANSFORMADA WAVELET DAUBECHIES D4
Cuando la longitud del filtro es de 4, entonces los coeficientes de h pueden ser

expresados en términos de un simple parámetro , α , tal como se ilustra:
1 − cos(α ) + sen(α ) 1 + cos(α ) + sen(α )

h0 = , h1 =
2 2 2 2
(3.42)
1 + cos(α ) − sen(α ) 1 − cos(α ) − sen(α )
h2 = , h3 =
2 2 2 2
La mayoría de los valores para α no conduce a Wavelets utilizadas. La

Transformada Wavelet Daubechies con un filtro de longitud 4 surge con Į=ʌ/3
[26]:
1+ 3 3+ 3 3− 3 1− 3
h0 = , h1 = , h2 = , h3 = (3.43)
4 2 4 2 4 2 4 2
De (3.42) se obtienen los coeficientes para g[n]:

g 0 = h3 , g1 = − h2 , g 2 = h1 , g3 = −h0 (3.44)
Los coeficientes de aproximación vienen dados por:

ci = h 0 x 2 i + h 1 x 2 i + 1 + h 2 x 2 i + 2 + h 3 x 2 i + 3 (3.45)
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)
El proceso de análisis (DWT) puede ser expresado matricialmente de la siguiente

forma:
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
Como puede observarse, si se tiene una secuencia finita de N muestras, i

incrementa hasta llegar a N-2. En el último producto se requiere de x[N-2], x[N-1],
x[N], x[N+1], donde x[N], x[N+1] no existen, ya que se encuentran mas allá del
final de la secuencia, lo cual representa un problema.
A partir de (3.40) y (3.41) es posible determinar los coeficientes involucrados en el

proceso de síntesis [27]:
∧ ∧ ∧ ∧
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
Según lo anterior existe un problema similar en la transformada inversa, ya que las

muestras se extienden más allá del principio de las muestras, donde el primer
producto requiere de x[-2], x[-1], x[0] y x[1], donde x[-2] y x[-1] no existen.
Existen tres métodos para manejar el problema de los extremos:
• Manejar los datos como si fueran periódicos:

x[ N ] = x[ 0] ½
¾ En el proceso de análisis
x[ N + 1] = x[1] ¿
x[ −1] = x[ N − 1] ½
¾ En el proceso de síntesis
x[ −2] = x[ N − 2] ¿
• Reflejar los datos en los extremos:

x[ N ] = x[ N − 1] ½
¾ En el proceso de análisis
x[ N + 1] = 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
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)
La forma más común de expresar un modelo o sistema de una planta es por su

relación entrada-salida o función de transferencia (TF), forma que en muchos
casos es suficiente y ofrece buenos resultados. Sin embargo, este modelo
presenta algunas limitaciones en el sentido de que no es posible inferir de él otros
parámetros diferentes a la entrada y la salida. Para subsanar este inconveniente,
se ha pensado en expresar los sistemas de otra manera llegándose así a la
llamada representación en variables de estado, en donde quedan explícitas las
variables internas del sistema.
Este método consiste en un conjunto de ecuaciones matemáticas que permiten

minimizar el error medio y cuadrático, ya que proporciona el filtrado máximo
posible al ruido, respondiendo de forma óptima a los cambios en el estado del
sistema. Ha sido diseñado para estimar el estado en un sistema lineal, dinámico y
discreto en el tiempo, basándose en observaciones ruidosas y en un modelado del
sistema, sin la necesidad de conocerse la naturaleza precisa de dicho sistema
modelado.
Es importante en el caso de tener diferentes mediciones aplicar el concepto de

estimación, mecanismo mediante el cual se obtiene un valor a partir de una
información incompleta. Un método sencillo consiste en minimizar la suma de los
cuadrados de las diferencias, entre la estimación y las mediciones.
El sistema físico se modela mediante un vector de estados x ∈ R n que describe la

evolución del estado del sistema con el tiempo. El tiempo de observación es de la
forma tk = t0 + k ∆T , k = 0,1, 2... siendo ∆T el intervalo de muestreo y xk = x(tk ) el
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:
• φk −1 : Matriz de transición de estados nxn, la cual da una relación ideal (sin

ruido) entre el vector de estados actual y anterior.
• wk −1 : Vector columna de n componentes que modela el ruido asociado al
sistema, se supone del tipo N (0,Q).
• Q: Matriz de covarianza del ruido del proceso.
En cada instante se obtiene una medida zk ∈ R m tal que:
zk = H k xk + vk (4.2)
Donde:
• H k : Matriz mxn de medidas, la cual da una relación ideal (sin ruido) entre
la medida y el vector de estados.

• vk : Vector columna de m componentes que modela el error en la medida,
se supone del tipo N (0,R).
• R: Matriz de covarianza del ruido de la medida.
Las variables aleatorias w k y v k , que representan el error en el proceso y la
medida respectivamente, se asumen independientes entre si y obedecen a una

distribución normal y media cero. Las matrices de covarianza del ruido del proceso
(Q) y de la perturbación en la medida (R) podrían cambiar en el tiempo, por
simplicidad en general se asumen que son constantes y se eligen con la finalidad
de asegurar la estabilidad y la velocidad de convergencia del filtro.
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.
El sistema para las matrices de covarianza w k y v k es:

°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]:
• Ecuaciones de predicción o las que actualizan el tiempo: Estas se

encargan de la proyección del estado al momento tk tomando como
referencia el momento tk −1 y de la actualización intermedia de la matriz de
covarianza del estado.
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.
Figura 4.1: Ciclo de predicción-corrección.
El primer paso consiste en generar un pronóstico del estado hacia delante en el

tiempo, tomando en cuenta toda la información disponible en ese momento y en
un segundo paso, se genera un pronóstico mejorado del estado, de tal manera
que el error es minimizado estadísticamente.
Las ecuaciones específicas para el pronóstico y la corrección del estado son las
siguientes:
• Actualización temporal (predicción):
xk − = φx xk −1 → Ecuación de predicción. (4.5)
pk − = φk −1 pk −1φ t k −1 + φk −1 → Estimación de la covarianza del error. (4.6)
• Actualización de la medida (corrección):
K k = P − k H k t ( H k Pk − H k t + Rk ) −1 → Cálculo de la ganancia. (4.7)
65
xk = φx −1 xk −1 + K k ( zk − H kφk −1 X k −1 ) → Corrección de la estimación (4.8)
pk = ( I − K k H k ) Pk − → Corrección de la covarianza del error. (4.9)
Como puede observarse, este es un proceso del tipo predicción-corrección como

se observa en la figura 4.2. El diseño del filtro se fundamenta en las propiedades
estadísticas de las muestras a procesar. La ganancia del filtro K, se determina en
forma que sea mínimo el error cuadrático medio esperado entre los valores
actuales de las variables de estado y los valores estimados. Cada muestra que se
obtiene se utiliza para mejorar la estimación previa del filtro, hasta alcanzar una
condición estacionaria a partir de la cual no se observa ninguna mejora.
Figura 4.2: Esquema predicción-corrección empleado en el KF.
El filtro requiere como valores de inicialización una estimación de las variables de

estado, la covarianza del error P y la covarianza del ruido Q y R, siendo estos dos
últimos aquellos que determinan el peso relativo de la información del modelo y de
las medidas, que actúan como parámetros que permiten hacer un balance entre la
respuesta dinámica del filtro frente a la sensibilidad del ruido.
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.
Para el modelo de la señal a analizar en variables de estado existen dos modelos

del KF, dependiendo esencialmente de las variables de estado elegidas.
4.1. MODELO 1
Sea una señal de tensión o corriente de n-1 armónicos, la cual es expresada de la

siguiente forma:
n (4.10)
Z (k ) = ¦ [A cos(θ
i =1
i i + iwkTs )]
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]
• θ i : Fase del armónico i-ésimo.

• Ts: Período de muestreo de la señal (periodo entre muestras o ∆T)
Si se consideran las siguientes variables del armónico i-ésimo:
xi1 = Ai cos(θ i ) (4.12)

xi 2 = Ai sen(θi ) (4.13)
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
Suponiéndose que la amplitud y fase no varían apreciablemente entre muestras:

xi1 (k + 1) ≈ xi1 (k )
xi 2 (k + 1) ≈ xi 2 (k ) (4.15)
(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
Hk = [ cos(wkTs) -sen(wkTs) cos(2wkTs) -sen(2wkTs) " cos(nwkTs) -sen(nwkTs)] (4.17)

Vector fila de 2n componentes
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:
Ai = xi1 2 + xi22 (4.19)
§x ·
θ i = arctan¨¨ i2 ¸¸ (4.20)
© x i1 ¹
68
4.2. MODELO 2
Se considera (4.2) y se escogen las siguientes variables de estado para el

armónico i-ésimo:
xi1 = Ai cos(θ i + iwkTs ) (4.21)
xi 2 = Ai sen(θi + iwkTs ) (4.22)
La señal expresada en términos de las variables de estado queda de la siguiente
forma:
n
Z (k ) = ¦x
i =1
i1 (4.23)
Suponiéndose que la amplitud y la fase no varía notablemente entre muestras

(4.15) se tiene que:
xi1 (k + 1) = xi1 (k ) cos(iwTs ) − xi 2 (k ) sen(iwTs ) (4.24)

xi 2 (k + 1) = xi1 (k ) sen(iwTs ) + xi 2 (k ) cos(iwTs ) (4.25)
Para las ecuaciones (4.1) y (4.2) se tiene que:
H k = [1 0 1 0 " 1 0] Vector fila de 2n componentes. (4.26)
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
En este capítulo se establecen las características más importantes acerca del

software empleado tanto en la elaboración de las simulaciones, como en la
elaboración de los algoritmos, lo cual complementa el desarrollo teórico de los
capítulos anteriores.
El software utilizado para la simulación es PSCAD 4.1.0, ya que es un paquete

especializado en el análisis de sistemas eléctricos de potencia, y por ende es de
gran aplicación el Ingeniería Eléctrica. Esta herramienta permite introducir un
esquema eléctrico y analizar los resultados a partir de un entorno gráfico,
mediante el empleo de sus componentes más habituales tales como:
• Fuentes eléctricas (de corriente, de voltaje) monofásicas y trifásicas.

• Elementos eléctricos tales como resistencias, condensadores, inductancias,
transformadores, líneas.
• Breakers.
• Máquinas (síncronas, de inducción con sus respectivos sistemas de
excitación).
• Medidores de corriente y voltaje.
• Analizador espectral.
• Canales de salida (PGB).
• Ventana de gráficos.
• Fallos monofásicos y trifásicos.
• Elementos de electrónica de potencia (tiristores, diodos, GTO’s, IGBT’s,
interruptores, transistores, etc.)
El software empleado en la elaboración de los métodos desarrollados en capítulos

anteriores es Matlab 7.0, el cual mediante la importación de datos de las
simulaciones realizadas en PSCAD 4.1.0, permite la aplicación de estos
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:
• Duration of run: Es el tiempo total de la simulación (s).
• Solution time step: Equivale al 5% del tiempo entre muestras (µs).
• Chanel plot step: Es el tiempo existente entre muestras (µs).
Figura 5.1: Creación de un archivo en formato .out en PSCAD 4.1.0
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.
Cabe destacar que si el número de salidas es superior a 10, entonces se crea

‘archivo_02.out’, lo cual muestra claramente que el número máximo de columnas
en los archivos .out es de 11, teniendo en cuenta el tiempo de simulación.
Figura 5.2: Estructura de ‘archivo_01.out’.
Figura 5.3: Estructura de ‘archivo.inf’.
Una vez exportado los datos, es necesario la aplicación de los respectivos

algoritmos desarrollados en Matlab 7.0, pero antes de ello deben ser invocados
con la finalidad de que carguen al workspace como una matriz por medio de la
instrucción load(‘archivo_01.out’). Los códigos fuente respectivos de los algoritmos
y ejemplos desarrollados durante este estudio, se encuentran consignados en el
anexo II, el cual se encuentra en el CD adjunto al presente estudio realizado.
74
6. SIMULACIONES
Los circuitos implementados en PSCAD 4.1.0 durante el desarrollo de este estudio

fueron los siguientes:
6.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES
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
7.1. DESARROLLO METODOLÓGICO
En este capítulo se muestra los resultados obtenidos al aplicar los algoritmos

desarrollados en Matlab 7.0 a los datos importados de las simulaciones
desarrolladas en PSCAD 4.1.0, las cuales se encuentran en el capítulo anterior.
Los circuitos fueron implementados con la finalidad de caracterizar algunas

distorsiones establecidas en el numeral 2.1 tales como armónicos, fluctuaciones
de tensión, Huecos de tensión e interrupciones y desequilibrio de tensiones.
Al final de este capítulo se muestra la tabla 9, en la cual se encuentra el error

absoluto máximo, los picos de amplitud apreciable (para el caso de la
transformada de Fourier con ventana deslizante), los coeficientes de detalle
predominantes, junto a la banda de frecuencias que corresponden (para el caso
de a transformada Wavelet Daubechies D4), la ganancia de Kalman y los
armónicos de magnitud apreciable (para el caso del filtro de Kalman).
80
7.2. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE
(SDFT)
7.2.1. ARRANQUE Y SALIDA DE OPERACIÓN DE MOTORES
• Se le aplica el algoritmo a Vab (Ver figura 6.1):
Figura 7.1: Espectro entre 0 y 0.25 s.
Figura 7.2: Espectro entre 0.25 y 0.5 s.
81
Figura 7.4: Espectro entre 0.75 y 1 s.
Figura 7.5: Señal original.
82
Figura 7.6: Señal obtenida al aplicar la transformada inversa de Fourier discreta (IDFT) a los
resultados obtenidos mediante la SDFT.
Figura 7.7: Error absoluto.
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 7.573500393506991e-014 KV.
• Se le aplica el algoritmo a Ia (Ver figura 6.1):
83
84

de 4.814937892626581e-014 kA.
85
7.2.2. FALLO LÍNEA-TIERRA
86
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.
• Se le aplica el algoritmo a Va (Ver figura 6.2):
88
89

de 6.010564466963889e-011 kV. Entre 0.5 y 0.75 segundos se encuentran dos
picos muy pequeños correspondientes al tercer y sexto armónico (180 y 360 Hz),
los cuales son de secuencia cero, junto a la respectiva componente DC (0 Hz)
existente.
• Se le aplica el algoritmo a Vb (Ver figura 6.2):
90
91

de 6.043813480609689e-011 kV. Entre 0.5 y 0.75 segundos se encuentran dos
picos muy pequeños correspondientes al tercer sexto armónico (180 y 360 Hz), los
cuales son de secuencia cero.
92
• Se le aplica el algoritmo a IfaseA (Ver figura 6.3):
93
Figura 7.39: Espectro entre 0 .75 y 1 s.
94
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.
• Se le aplica el algoritmo a Ineutro (Ver figura 6.3):
95
96
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.
7.1.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS

PULSOS
• Se le aplica el algoritmo a I1 (Ver figura 6.4):
97
98

de 1.164792059314233e-013 kA. Como la señal analizada es estacionaria, en
todo su espectro se encuentran pequeños picos ubicados en los impares hasta el
armónico 33 (1980 Hz).
7.1.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS
99
100
El pico predominante en el espectro ya no se encuentra ubicado en la frecuencia

fundamental o primer armónico (60 Hz), sino en el tercero (180 Hz) y la magnitud
del máximo error absoluto es de 1.458173342683662e-013 kA. Como la señal
analizada es estacionaria, en todo su espectro se encuentran pequeños picos
ubicados en los impares hasta el armónico 33 (1980 Hz), siendo de mayor
magnitud los de secuencia cero o múltiplos de 3.
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.
La magnitud del error absoluto máximo corresponde a 2.220446049250313e-016

kV. Aplicando el algoritmo de multiresolución en seis niveles de descomposición
(etapa de análisis) se obtuvo lo siguiente:
102
Figura 7.65: Coeficientes de aproximación de los niveles 1 y 6.
Figura 7.66: 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. 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

kA. Aplicando el algoritmo multiresolución en seis niveles de descomposición
104
de dicha frecuencia fundamental a su banda de [64-128] Hz.
105

106
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):

kV. Aplicando el algoritmo multiresolución en seis niveles de descomposición
108
109

kV. Aplicando el algoritmo multiresolución en seis niveles de descomposición
110
111
• Se le aplica el algoritmo a IfaseA (6.3):

A. Aplicando el algoritmo multiresolución en seis niveles de descomposición (etapa
de análisis) se obtuvo lo siguiente:
112
considerable de los d4, d3 y d2 muestra la existencia de un tercer noveno y
quinceavo armónico respectivamente (180, 540 y 900 Hz).
113

A. Aplicando el algoritmo multiresolución en seis niveles de descomposición (etapa
de análisis) se obtuvo lo siguiente:
114
Los coeficientes de detalle de mayor amplitud corresponden a d4, d3 y d2, lo cual

muestra la existencia de un tercer noveno y quinceavo armónico respectivamente
(180, 540 y 900 Hz).
115
PULSOS

116
(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

118
Los coeficientes de detalle de mayor amplitud corresponden a los d6 y d4, cuya

bandas de frecuencias son de [32-64] Hz y [128-256] Hz, en las cuales se
encuentran el primer y tercer armónico (60 y 180 Hz respectivamente). 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).
119
Las funciones Wavelet y de escala empleadas en el proceso de análisis
(descomposición en 6 niveles) y síntesis fueron las siguientes:
Figura 7.91: Funciones Wavelet y de escala empleadas en el proceso de análisis y síntesis.
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:
Figura 7.92: Amplitud del primer armónico (60 Hz).
Figura 7.93: Señal original y filtrada, junto a su respectivo error absoluto.
121
Figura 7.94: Magnitud de la ganancia de Kalman para el primer armónico (60 Hz).
La magnitud del error absoluto máximo es de 0.00395608925414 kV y la

magnitud de la ganancia de Kalman KK es 0.31085422359579.

Se consideró únicamente el primer armónico (60 Hz) debido a que para las demás
frecuencias su magnitud resultó ser despreciable. Los resultados obtenidos fueron
los siguientes:
Figura 7.95: Amplitud del primer armónico (60 Hz).
122
Figura 7.97: Magnitud de la ganancia de Kalman para el primer armónico (60 Hz).
La magnitud del error absoluto máximo es de 0.00199664230663 kA y la

Se consideraron los armónicos impares hasta el noveno (540 Hz). Los resultados
obtenidos fueron los siguientes:
Figura 7.98: Amplitud de los armónicos impares hasta el 9º (540 Hz).
123
Figura 7.100: Magnitud de la ganancia de Kalman para los armónicos impares hasta el 9º (540
Hz).
La magnitud del error absoluto máximo es de 0.04650319183886 kA, la cual

influye en la aparición de componentes de amplitud apreciable hasta el noveno
armónico en el intervalo de tiempo de ocurrencia del fallo. La magnitud de la
ganancia de Kalman KK es 0.31085449047461.
124
• Se le aplica el algoritmo a Va (Ver figura 6.2):
125
Hz).
La magnitud del error absoluto máximo es de 6.81134698170672 kV y debido a

su pequeña amplitud, únicamente se presenta una componente de amplitud
apreciable en el primer armónico (60Hz). La magnitud de la ganancia de Kalman
KK es 0.31085449047461.

126
Hz).
La magnitud del error absoluto máximo es de 4.23273691953149 kV y debido a

su pequeña amplitud, únicamente se presenta una componente de amplitud
apreciable en el primer armónico (60Hz). La magnitud de la ganancia de Kalman
KK es 0.31085449047461.
127
• Se le aplica el algoritmo a IfaseA (Ver figura 6.3):
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
Hz).
La magnitud del error absoluto máximo es de 0.00769234563485 A y debido a su

pequeña amplitud, se presentan componentes de amplitud apreciable en el primer
armónico (60Hz) y en componentes de frecuencia de secuencia cero tales como el
tercer, noveno y quinceavo armónico (180, 540 y 900 Hz respectivamente). La
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
Hz).
La magnitud del error absoluto máximo es de 9.515662265470737e-004 A y

debido a su pequeña amplitud, presentan componentes de amplitud apreciable en
componentes de frecuencia de secuencia cero tales como el tercer, noveno y
quinceavo armónico (180, 540 y 900 Hz respectivamente). La magnitud de la

PULSOS
Se consideraron los armónicos impares hasta el 33 (1980 Hz). Los resultados

Figura 7.115: Magnitud de los armónicos impares hasta el 9º (540 Hz).
132
Figura 7.116: Magnitud de los armónicos impares desde el 11º (660 Hz) hasta el 19º (1140 Hz).
133
Figura 7.118: Magnitud de los armónicos impares 31º (1860 Hz) y 33º (1980 Hz).
Hz).
La magnitud del error absoluto máximo es de 6.814680211913625e-004 kA. Se

presentan componentes de amplitud apreciable en componentes de frecuencia
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.
7.3.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS
Se consideraron los armónicos impares hasta el 33 (1980 Hz). Los resultados

Figura 7.121: Magnitud de los armónicos impares hasta el 9º (540 Hz).
135
136
Figura 7.124: Magnitud de los armónicos impares 31º (1860 Hz) y 33º (1980 Hz).
Hz).
La magnitud del error absoluto máximo es de 0.00101485684379 kA. Se

observan componentes de amplitud apreciable en componentes de frecuencia
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
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
La calidad de energía eléctrica es en la actualidad un factor fundamental para

asegurar el desarrollo tecnológico. El costo de una mala calidad de la energía
eléctrica en el comercio y en la industria se estima en pérdidas anuales, y por ello
es indispensable la implementación de nuevos métodos de medida que permitan
analizar en forma muy precisa las características de la energía eléctrica
suministrada.
Dentro de las distintas perturbaciones que afectan a la calidad de energía, las

interrupciones en el suministro, los huecos de tensión y corriente (sags) y las
sobretensiones (swells) son las más importantes, tanto por su frecuencia de
repetición como por los efectos económicos que producen.
Las principales conclusiones obtenidas en este desarrollo son las siguientes:
• La transformada discreta de Fourier con ventana deslizante (SDFT) posee la

ventaja de que actualiza sus valores con cada muestra obtenida, pero presenta
una importante limitación en el caso de detección y análisis de eventos de
corta duración que afectan la magnitud de señales de tensión o corriente.
• El empleo de Wavelets presenta importantes ventajas en cuanto a la detección

y determinación de los parámetros temporales de los eventos en la tensión y
corriente de suministro eléctrico, tales como los cambios de amplitud de una
determinada señal de tensión o corriente, empleando para ello los coeficientes
de detalle del primer nivel de descomposición.
• Mediante el análisis multiresolución (MRA) es posible analizar una señal en

diferentes frecuencias con diferentes resoluciones, caso contrario de la
transformada discreta de Fourier con ventana deslizante (SDFT) , que emplea
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.
• La presencia de ruidos de alta frecuencia y la existencia de escalones en el

inicio o en final del evento puede dar origen a importantes errores en el análisis
Wavelet, los cuales invalidan su utilización directa en sistemas automáticos de
detección y medida.
• Se ha comprobado mediante el empleo de un modelo de 2n variables de

estado en el filtrado de Kalman (KF), las cuales corresponden a las
componentes en fase y cuadratura de los n-1 armónicos impares, junto a la
respectiva componente de la frecuencia fundamental (60 Hz), tiene como
consecuencia una representación adecuada de las señales de tensión y
corriente consideradas en este estudio.
• 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.
• La magnitud del error máximo absoluto obtenido de las simulaciones

implementadas en PSCAD 4.1.0 fue menor en el empleo de la transformada
Wavelet Daubechies D4, mientras que por medio del filtrado de Kalman (KF)
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).
• El filtrado de Kalman (KF) modelo 1 fue diseñado para n componentes de

frecuencia impares, hecho por el cual se presenta un mayor error absoluto en
el fallo línea-tierra que en las demás simulaciones, ya que no son considerados
los armónicos de secuencia cero pares.
• La transformada discreta de Fourier con ventana deslizante (SDFT) permite

apreciar, de una forma mucho mas clara, las frecuencias predominantes en el
espectro, en las simulaciones desarrolladas del controlador de corriente alterna
trifásico de seis pulsos, y de la carga trifásica desbalanceada generadora de
armónicos, que por medio del análisis Wavelet. Esto se debe principalmente a
que en este último método sólo es posible apreciar bandas de frecuencia, más
no frecuencias en particular.
142
A. TRANSFORMADA DE FOURIER
La serie de Fourier se emplea para representar una función en un intervalo. Si

dicha función se encuentra definida para todo t, puede ser representada si es
periódica, de lo contrario no es posible, a menos que se convierta en la integral de
Fourier al hacer tender su período T al infinito [12].
∞ (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)
Donde w = kwo = 2πkf o
X ( w) = lim T ⋅ C n (k ) Transformada de Fourier. (A.3)

T →∞
La Transformada de Fourier (FT) de una señal x(t) continua, que es una

particularización de la transformada de Laplace con s=jw, la expresa como una
suma de exponenciales complejas periódicas tal como se ilustra:
+∞
³ x(t )e
− jwt
F{x(t )} = X ( w) = dt (A.4)
−∞
Siendo su transformada inversa (IFT):
+∞
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:
• x(t) debe ser absolutamente integrable, es decir:
∞
2
³ x(t )
−∞
dt < ∞ (A.6)
• x(t) debe tener un número finito de discontinuidades.
• x(t) debe tener un grado de oscilación finito.
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 {x(t − a )} = e − jwa X ( w) En el tiempo. (B.6)
{ }
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
Si F {x(t )} = X ( w) → F {X (t )} = 2πx(− w) (B.11)
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
C.1. VECTORES BASE
Una base de un espacio vectorial V es un conjunto de vectores linealmente

independientes (L.I.), de tal forma que cualquier vector v ∈ V puede ser escrito
como una combinación lineal de dichos vectores base. Es posible la existencia de
más de una base para V; sin embargo todas estas bases poseen la misma
cantidad de vectores L.I., lo cual se conoce como dimensión del espacio vectorial
(dim(V)). Esto puede ser expresado de la siguiente forma:
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 .
Generalizando (3.1) a funciones reemplazando los vectores base vn por φ n (t ) se
tiene:
f (t ) = ¦ c n φ n (t ) → Sintesis (C.2)
n
C.2. PRODUCTO INTERIOR
Sean f(t) y g(t) dos funciones en L2 [a, b] (conjunto de funciones cuadrado

integrables en [a,b]). Su producto interior se define de la siguiente manera:
b
< f (t ), g (t ) >= ³ f (t ) g * (t )dt (C.3)
a
147
C.3. ORTOGONALIDAD
Sean v y w dos vectores en V, entonces se dice que son ortogonales si y solo si su

producto interior es nulo, es decir:
< v, w >= ¦ v k wk* = 0 (C.4)

k
Generalizando la anterior expresión a funciones se tiene que:
b
< f (t ), g (t ) >= ³ f (t ) g * (t )dt = 0 (C.5)
a
C.4. VECTORES ORTOGONALES EN EL PLANO
Existe una expresión para determinar un vector v ∈ V en el plano en términos de

una pareja ortogonal de vectores v1 y v2 ∈V [18]:
v = c1v1 + c2 v2 (C.6)
Figura 3.1: Vectores ortogonales en el plano.
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
Un conjunto de vectores v k son ortonormales si y solo si son ortogonales entre si y
su magnitud es igual a uno, es decir:
1, si i = j
< vi , v j >= δ ij = ® → Función de Kronec ker (C.9)
¯0, si i ≠ j
Si se tiene un conjunto de funciones φ k (t ) entonces:

b b
2
< φi , φ j >= ³ φiφ *j dt = 0 y < φi , φi >= ³ φ (t )
i dt = 1 (C.10)
a a
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.
En bases ortonormales se tiene que:

f (t ) = ¦ cnφn (t ) = ¦ < f (t ), φn (t ) >φn (t ) (C.11)
n n
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
ortogonales entre si y es posible sintetizar cualquier señal x(t):
x(t ) = ¦ x j (t ), Donde x j (t ) =¦ c j ,k w j ,k (t ) (D.1)

j k
Sean V j espacios vectoriales que define las funciones x(t) que pueden ser
sintetizadas a través de las wavelets wi ,k , i < j y − ∞ < k < ∞ y como
anteriormente se mencionó, dichos espacios son ortogonales entre si y x(t) puede

ser expresado de la siguiente forma:
i = j −1
x(t ) = ¦ ¦c
i =−∞ k
i ,k wi ,k (t ) (D.2)
Como puede observarse, los espacios V j son anidados, es decir V j es un espacio
vectorial con respecto a las operaciones en V j +1 , lo cual significa que V j es un
subespacio de V j +1 (V j ⊂ V j +1 ⊂ L2 ). [19]
• Si j → ∞ entonces se extiende a todas las señales (L2).
• Si j → −∞ entonces disminuye hasta wi ,k = 0 .
Es decir:
{0} ⊂ " ⊂ V− 2 ⊂ V−1 ⊂ V0 ⊂ V1 ⊂ V2 ⊂ V3 ⊂ " ⊂ L2 (D.3)
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)
Lo anterior también puede ser escrito como:
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)
Figura D.1: Subespacios vectoriales anidados.
151
Los espacios V j tienen una muy importante propiedad relacionada a la
compresión en el tiempo por factores de 2, la cual establece que x(t) está en el

espacio V j si y solo si x(2t) está en el siguiente espacio V j +1 , es decir:
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.
Algunas propiedades de la transformada z son las siguientes:
E.1. LINEALIDAD
Z {a1 x1 [n] + a 2 x 2 [n]} = a1 x 1 ( z ) + a 2 x 2 ( z ) (E.3)
E.2. DESPLAZAMIENTO TEMPORAL
Z ( x[n − k ]) = z − k x( z ) (E.4)
E.3. CONVOLUCIÓN
Z ( x[n] * y[n] = x( z )·y( z ) (E.5)
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
E.6. INVERSIÓN EN EL TIEMPO

x[−n] ↔ X ( z −1 ) (E.8)
154
BIBLIOGRAFÍA
[1] Tomasz Tarasiuk, “Hybrid Wavelet-Fourier Spectrum Analysis”, IEEE

Transactions on Power Delivery, Vol. 19, No. 3, July 2004, pp. 957-964.
[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.
[4] IEC Standard 61000-4-30, 2003. Electromagnetic compatibility (EMC) -

Part4: “Testing and measurement techniques”. Section 30:”Power quality
measurement methods”.
[5] IEEE Standard 1159-1995, IEEE Recommended Practice for Monitoring

Electric Power Quality, IEEE New York, USA, 1995.
[6] NORIEGA STEFANOVA, Ernesto, Generalidades sobre los armónicos y su

influencia en los sistemas de distribución de energía, Empresa Eléctrica
Matanzas, Cuba 2005.
http://www.monografias.com/trabajos21/armonicos/armonicos.shtml
[7] ACEVEDO DONOSO, Francisco, Componentes armónicas en redes de

distribución eléctricas. Conceptos, normas vigente en Chile y alternativas
de solución al problema.
http://www.revistamarina.cl/revistas/2001/5/Acevedo.pdf
[8] International Electrotechnical Comisión. Technical Comittee 77, Working

Group 6, Classification of Electromagnetic Environments. International
Electrotechnical Comission. Geneva, Switzerland.
[9] Comisión de Regulación de Energía y Gas, Resolución 070 de 1998.

http://www.creg.gov.co/


155
[12] W. J. Phillips. Signal Analysis Notes, September 2002, pp. 22-28.
http://www.engmath.dal.ca/courses/engm6610/SignalAnalysisNotes.pdf
[13] MEGLICKI, Zdzislaw, Advanced Scientific Computing, B673, February

2001, pp. 19-24.
http://beige.ucs.indiana.edu/B673/B673.pdf
[14] Short-time Fourier transform. Wikipedia, the free encyclopedia.

http://en.wikipedia.org/wiki/Short-time_Fourier_transform
[15] Li Tao, yang Shao-Quan, “Improvement on Joint Time-Frequency

Representation with Application of Image Processing Technique”, IEEE
Computational Inteligence and Multimedia Applications, September 2003,
pp. 243-248.
[16] E. Jacobsen, R. Lyons. “The Sliding DFT”, IEEE Signal Processing

Magazine, Vol. 20, No. 2, March 2003, pp. 74-80.
[17] E. Jacobsen, R. Lyons. “An Update to the Sliding DFT”, IEEE Signal
Processing Magazine, Vol. 21, No. 1, January 2004, pp. 110-111.
[18] W. J. Philips. “Wavelets and Filter Banks Course Notes”. Chapter 1,

“Analysis and Synthesis of Signals”.
http://www.engmath.dal.ca/courses/engm6610/notes/node2.html
[19] Bhavik R. Bakshi, “Multiscale Analysis and Modeling Using Wavelet”,
[20] S. Mallat, “A Theory for Multiresolution Signal Decomposition: the Wavelet

Representation”, IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 11, No. 7, pp. 674-693, July 1989.
[21] W. J. Philips. “Wavelets and Filter Banks Course Notes”. Chapter 4,

“Multiresolution Analysis”.
[22] W. J. Philips. “Wavelets and Filter Banks Course Notes”. Chapter 5, “Filter
Banks and the Discrete Wavelet Transform”.
[23] GIRALDO SUÁREZ, Eduardo, “Caracterización de señales no estacionarias

1-D y 2-D utilizando Wavelets adaptativas”, Universidad Tecnológica de
Pereira, Maestría en Ingeniería Eléctrica, Pereira 2006.
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.
[25] CEA SASTRE, Diego y HERNÁEZ, Federico, “Wavelets y Bancos de

filtros”, Universidad de Buenos Aires, Facultad de Ingeniería,
Procesamiento de Señales II.
[26] KAPLAN, Ian. “Wavelet and Signal Processing”,” The Daubechies D4

Wavelet Transform”.
http://www.bearcave.com/misl/misl_tech/wavelets/daubechies/index.html
[27] YI, Shufeng. “An implementation of Daubechies D4 wavelet transform

algorithm”, May 2003.
http://www.wavelet.org/phpBB2/viewtopic.php?t=5317
[28] G. Benmouyal, AA. Girgis, R.G. Brown, “Frequency-Domain

Characterization of Kalman Filters as Applied to power-system protection”,
IEEE Transactions on Power Delivery, Vol. 7, No. 3, July 1992, pp. 1129-
1138.
[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
[30] A.A. Girgis, W. B. Chang, B.E. Makram, “A Digital Recursive Measurement

Esqueme for On-Line Tracking of Power System Harmonics”, IEEE
Transactions on Power Delivery, Vol. 6, No. 3, July 1991, pp. 1153-1160.
[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.
[32] K. Kennedy, G. Lightbody, R. Yacamini, “Power System Harmonic Analysis

Using the Kalman Filter”, IEEE Power Engineering Society General Meeting
2003, Vol. 2, 13-17 July 2003, pp. 752-757.
[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

Implementacion de Un Analisis Comparativo de TEorias en El Dominio de La Frecuencia para La Deteccion de Distorciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Implementacion de Un Analisis Comparativo de TEorias en El Dominio de La Frecuencia para La Deteccion de Distorciones

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS COMPARATIVO DE ALGUNAS TEORÍAS EN EL

DOMINIO DE LA FRECUENCIA PARA LA DETECCIÓN DE

ANDRÉS MAURICIO LÓPEZ MURILLO

HARRYNSON RAMÍREZ MURILLO

UNIVERSIDAD TÉCNOLOGICA DE PEREIRA

ANDRÉS MAURICIO LÓPEZ MURILLO

Trabajo de grado para optar el título de Ingeniero Electricista

ALFONSO ALZATE GÓMEZ

UNIVERSIDAD TÉCNOLOGICA DE PEREIRA

Pereira, noviembre de 2007

1. CALIDAD DE LA ENERGÍA ELÉCTRICA………………………………………... 14

1.2. FUENTES DE ARMÓNICOS…………………………………………………………………….. 19

1.3. CLASIFICACIÓN DE LOS ARMÓNICOS……………………………………………………… 20

1.4. ÍNDICES DE EVALUACIÓN DE LA DISTORSIÓN ARMÓNICA………………………….. 21

1.5. MARCO REGULATORIO……………………………………………………………………….. 23

2.1. TRANSFORMADA DISCRETA DE FOURIER (DFT)………………………………………… 34

2.2. TRANSFORMADA DE FOURIER DE TIEMPO CORTO (STFT)…………………………… 35

2.3. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE (SDFT)… 39

3. ANÁLI SIS WAVELET………………………………………………………………. 44

3.2. TRANSFORMADA WAVELET DISCRETA (DWT)…………………………………………. 47

3.4. BANCO DE FILTROS…………………………………………………………………………….. 54

3.5. TRANSFORMADA WAVELET DAUBECHIES D4…………………………………………….57

4. FILTRO DE KALMAN (KF)…………………………………………………………. 62

4.2. MODELO 2………………………………………………………………………………………… 69

6.2. FALLO LÍNEA-TIERRA………………………………………………………………………….. 76

6.3. PRESENCIA DE ARMÓNICOS DE SECUENCIA CERO EN UNA CARGA TRFÁSICA

6.4. CONTROLADOR DE CORRIENTE ALTERNA TRIFÁSICO DE SEIS PULSOS………… 78

6.5. CARGA TRIFÁSICA DESBALANCEADA GENERADORA DE ARMÓNICOS…………… 79

7.1. DESARROLLO METODOLÓGICO…………………………………………… 80

7.2. TRANSFORMADA DISCRETA DE FOURIER CON VENTANA DESLIZANTE (SDFT)… 81

7.2. TRANSFORMADA WAVELET DAUBECHIES D4………………………………………….. 102

7.3. FILTRO DE KALMAN MODELO 1…………………………………………………………….. 121

A. TRANSFORMADA DE FOURIER…………………………………………… 143

B. PROPIEDADES DE LA TRANSFORMADA DE FOURIER……………….145

B.2. DERIVADA……………………………………………………………………………………….. 145

B.3. INTEGRAL………………………………………………………………………………………... 145

B.4. ESCALADO………………………………………………………………………………………. 145

B.5. DESPLAZAMIENTO…………………………………………………………………………….. 145

B.8. MODULACIÓN…………………………………………………………………………………… 146

C. CONCEPTOS FUNDAMENTALES DE LAS TÉCNICAS DE ANÁLISIS DE

C.2. PRODUCTO INTERIOR………………………………………………………………………….147

C.3. ORTOGONALIDAD……………………………………………………………………………… 148

C.4. VECTORES ORTOGONALES EN EL PLANO………………………………………………. 148

C.5. ORTONORMALIDAD……………………………………………………………………………. 149

D. SUBESPACIOS VECTORIALES ANIDADOS……………………………...150

E. TRANSFORMADA Z………………………………………………………….. 153

E.2. DESPLAZAMIENTO TEMPORAL……………………………………………………………... 153

E.5. ESCALAMIENTO………………………………………………………………………………… 154

E.6. INVERSIÓN EN EL TIEMPO…………………………………………………………………… 154

Históricamente el desarrollo tecnológico ha ido de la mano con el empleo de la

Con el crecimiento de las aplicaciones en electrónica y en particular, la tendencia

Una característica importante de la electricidad, y que no se presenta en otros

Este estudio busca analizar algunas teorías en el domino de la frecuencia para la

Los objetivos a desarrollar en el presente proyecto de investigación son los

Realizar un estudio comparativo de algunas teorías importantes para la detección

• Aprovechar algunas de las características más importantes de la transformada

• Simular estas teorías para diferentes tipos de distorsiones de voltajes y

• Implementar las teorías estudiadas en el software Matlab 7.0 a los resultados

• Realizar un análisis comparativo entre los resultados obtenidos de las técnicas

Los capítulos de este estudio se encuentran estructurados de la siguiente forma:

Capitulo 1: Se definen las distintas perturbaciones asociadas a la calidad de la

Capitulo 2: Se muestra un conjunto de métodos que determinan un análisis

Capitulo 3: Se estudia la transformada Wavelet discreta (DWT) por medio del

I k ,V k Valores eficaces del armónico k.

I k (1) Corriente para el armónico k con una sola carga conectada.