Universidad Técnica del Norte
Calidad del Servico Eléctrico
Sensor inteligente basado en FPGA para la detección y
clasificación de perturbaciones en la calidad de la energía
mediante el uso de estadísticas de orden superior.
Gerardo de J. Martinez-Figueroa 1,2, Daniel Morinigo-Sotelo 2, (member, ieee), Angel Luis Zorita-
Lamadrid 2, Luis Morales-Velazquez 3, (member, ieee).

Abstracto — La calidad de la energía (PQ) ha recibido la
atención de varios grupos de investigación debido al impacto
de las perturbaciones PQ (PQD) y cómo afectan la operación de
los equipos eléctricos conectados a la red, especialmente en
instalaciones industriales y de atención médica. Este artículo
presenta el desarrollo de un sensor inteligente basado en FPGA
que integra los núcleos de procesamiento de estadísticas de
orden superior (HOS) para proporcionar un análisis de señal
destinado a detectar y cuantificar PQD en instalaciones
eléctricas y una red neuronal artificial para clasificar el PQD.
I. INTRODUCCIÓN
L A función principal de un sistema de suministro de energía
es alimentar cargas económicamente y con niveles
adecuados de continuidad y calidad. Continuidad significa un
servicio de suministro de energía ininterrumpido. Otro efecto
no deseado de PQD es la alta sensibilidad de los dispositivos
electrónicos a las perturbaciones, que produce una degradación
del rendimiento del equipo. Esto es cierto, no importa si el
equipo es una computadora en una oficina, una máquina de
imágenes ultrasónicas en un hospital o un controlador de
proceso en una planta de fabricación. Por todas las razones
anteriores, es relevante el monitoreo continuo del PQ y la
detección y clasificación del PQD que están presentes en la
línea de alimentación. El monitoreo también se puede usar para
diagnosticar el estado del equipo y predecir el rendimiento
futuro de las cargas adjuntas. Una de las opciones más
prometedoras para diseñar e implementar sensores inteligentes
asequibles es la matriz de puertas programables de campo
(FPGA), debido a su paralelismo inherente, alto rendimiento,
reconocimiento y bajo costo. En una FPGA, varios métodos de
procesamiento de señal se pueden implementar al mismo
tiempo, gracias a su paralelismo.
La principal contribución de este trabajo es el desarrollo de
un sensor inteligente basado en HOS para la monitorización y
detección de PQ en línea y la clasificación de PQD en entornos
ruidosos de instalaciones eléctricas con interferencias y
distorsiones graves, como ocurre en las instalaciones de
atención sanitaria.
Estudiante: Iván Chandi Facultad de Ingeniería en Ciencias Aplicadas
II. ANTECDENTES TEÓRICOS
A. Perturbaciones de la calidad de energía
PQD son distorsiones en el voltaje o la corriente que
presentan variaciones inesperadas en la magnitud con respecto
a los valores nominales durante un intervalo de tiempo. La
clasificación y la identificación de cada perturbación
generalmente se llevan a cabo utilizando estándares y
recomendaciones como IEEE 1159 y EN 50160. Estos
estándares clasifican el PQD según su contenido espectral
(superposición de ondas de varias frecuencias), duración y
magnitud en siete categorías: transitorios, raíz media cuadrática
de corta duración (RMS), variaciones de RMS de larga
duración, desequilibrio, distorsión de forma de onda,
fluctuaciones de voltaje y variaciones de frecuencia de
potencia.
La primera categoría incluye dos tipos transitorios:
impulsivo y oscilatorio. Sags, swells e interrupciones se
incluyen en la categoría de variaciones RMS de corta duración.
La categoría de variaciones de larga duración se agrega para
tratar los límites ANSI C84.1 e incluye subtensiones,
sobretensiones y sobrecargas actuales. La cuarta clase incluye
desequilibrios de voltaje y corriente. La categoría de
distorsiones de forma de onda incluye fenómenos de armónicos,
inter-armónicos, ruido, muescas y corriente continua (CC) en
redes de corriente alterna (CA). Las dos últimas categorías solo
incluyen fluctuaciones de voltaje y variaciones de frecuencia de
potencia, respectivamente.
B. Estadísticas de orden superior (HOS)
Recientemente, los HOS se usan ampliamente para deducir
nuevas características estadísticas a partir de los datos de las
mediciones de series de tiempo. Estas estadísticas son muy
útiles en problemas las no linealidades (La linealidad examina
qué tan exactas son las mediciones en todo el rango esperado
de mediciones. La linealidad indica si el sistema de medición
tiene la misma exactitud para todos los valores de referencia)
son importantes y deben considerarse.
A las estadísticas de orden se les llama estadística pues son
funciones de la variable aleatoria y el término orden es evidente
Mayo, 2018
 Universidad Técnica del Norte
Calidad del Servico Eléctrico
C. Redes neuronales artificiales
Una ANN es una máquina diseñada para modelar la forma en
que el cerebro realiza una tarea o función particular de interés.
En este caso, la tarea de interés es la clasificación, realizada por
un proceso de aprendizaje. Una red neuronal feed-forward
(FFNN) es un tipo de ANN caracterizado por tener capas
claramente separadas, con neuronas únicas o múltiples en cada
capa. En esta arquitectura, la información de entrada se mueve
en una sola dirección, y las conexiones solo se permiten a las
neuronas de la siguiente capa.
III. METODOLOGÍA
Esta sección muestra el sensor inteligente y la metodología
propuesta implementada en el procesador basado en FPGA para
lograr el monitoreo PQ y la detección y clasificación de PQD.
A. Sensor inteligente
El diagrama de bloques de la arquitectura del sensor
inteligente se muestra en la siguiente figura. El sensor
inteligente se divide en tres etapas: sensores primarios, un
sistema de adquisición de datos (DAS) y un procesador basado
en FPGA. Está diseñado para tres señales de voltaje y tres
señales de corriente de un sistema trifásico.
Fig. 1
La etapa de acondicionamiento de señal consiste en un
amplificador de aislamiento totalmente diferencial, modelo
AMC1200, para obtener aislamiento eléctrico entre el sistema
de potencia y el sensor inteligente, y un filtro anti-aliasing de
paso bajo de segundo orden con una frecuencia de corte de
3043,7 Hz, permitiendo el análisis correcto de armónicos y
PQD con frecuencias más bajas que él. El DAS también tiene
un registrador de datos integrado, que se desarrolla para
adquirir y recopilar datos de las variables físicas medidas. El
DAS tiene la ventaja de no ser intrusivo y se conecta fácilmente
a la línea de alimentación deseada para adquirir señales
instantáneas de corriente y voltaje que conservan sus formas de
onda originales en el punto de interés con una capacidad de
almacenamiento de más de siete días de adquisición continua.
Se utiliza para proporcionar al procesador basado en FPGA las
señales de voltaje y corriente de una fase de un sistema de
potencia. El DAS desarrollado se calibra primero utilizando un
equipo de referencia.
El procesador basado en FPGA es la etapa final del sensor
inteligente, que es responsable del monitoreo PQ y la detección
y clasificación de PQD, realizado por los núcleos de
procesamiento HOS y un FFNN. Este procesador entrega el
PQD clasificado y los HOS al usuario o una computadora
personal opcional (PC).
Estudiante: Iván Chandi Facultad de Ingeniería en Ciencias Aplicadas
B. Calibración del DAS
El proceso de calibración del DAS patentado se muestra en el
diagrama de flujo de la Fig. 4. En primer lugar, el DAS se
coloca en paralelo con un instrumento de referencia para
adquirir tensiones y corrientes trifásicas de un banco de pruebas
compuesto por tres cargas equilibradas conectadas en estrella.
El primer banco de carga es puramente resistivo, el segundo
banco de carga es puramente capacitivo, y el tercer banco de
carga es principalmente inductivo conectando un motor de
inducción trifásico de 2.2 kW sin carga. La estimación del
consumo real de energía PS se calcula para cada fase durante
un lapso de tiempo de un minuto. El consumo real de energía
estimado por el DAS se compara con el instrumento de
referencia y a partir del análisis estadístico de los datos
adquiridos en ambos sistemas; el error de calibración. el DAS
estima el consumo de energía aplicando la norma IEEE 1459.
C. Procesador basado en FPGA
La siguiente fig. 2 representa el diagrama de bloques de la
arquitectura de procesador general basada en FPGA. Este
diagrama muestra solo la arquitectura de una sola señal de una
sola fase, pero se replica en paralelo para las dos señales (voltaje
y corriente) de las tres fases. El procesador basado en FPGA
consta de dos etapas principales. La primera etapa contiene los
núcleos de procesamiento de HOS, que son responsables de la
detección de PQD y la supervisión de PQ. Hay cuatro núcleos
para la computación del HOS: media, varianza, asimetría y
curtosis.
Fig. 2
Los núcleos de procesamiento obtienen el HOS de cada ciclo
de señal en cada ciclo de trabajo, excepto la media que se
obtiene dos veces en cada ciclo de trabajo, una para cada medio
ciclo de señal, que hace un total de cinco características de
señales de voltaje e índices PQ. Estos núcleos de procesamiento
se implementan completamente en un solo FPGA.
Después de cada ciclo de trabajo, durante el cual se analiza un
ciclo de señal, el FFNN indica el tipo de PQD a través de sus
diez salidas. Las diez salidas son una por cada PQD (sag, swell,
interrupción, transitorio impulsivo, transitorio oscilatorio,
fluctuaciones de tensión, muescas, armónicos, armónicos más
sag y armónicos más swell) ya que cada neurona se establece
en uno si existe el PQD y en cero cuando no hay PQD. Como
se sabe, la salida de un FFNN rara vez es exactamente cero o
uno. Por lo tanto, se usa un umbral de 0.5 para forzar las salidas
a cero o a uno, respectivamente.
Mayo, 2018
 Universidad Técnica del Norte
Calidad del Servico Eléctrico
IV. EXPERIMENTACIÓN Y RESULTADOS matemáticos. Con respecto a la estructura y formación de
Esta sección presenta la configuración de calibración de DAS FFNN, se usa una función de activación logarítmica-sigmoidea.
y sus resultados. También se presentan la validación y la El objetivo de la formación se establece en 0, la regla de
formación es el algoritmo de Levenberg-Marquardt y se
configuración experimental para evaluar el rendimiento del
permiten un máximo de 1000 epochs (partes temporales) y / o
sensor inteligente propuesto.
50 fallas de validación. Todo lo anterior se lleva a cabo fuera
A. Configuración de la calibración DAS de línea utilizando el software MATLAB; una vez que el FFNN
Durante la calibración del sensor inteligente, el instrumento se construye, se forma y valida, sus ponderaciones (weights) y
de referencia utilizado es un analizador de potencia trifásico desviaciones (biases) se utilizan en las estructuras digitales en
el procesador basado en FPGA. La metodología general se
FLUKE 434 con pinzas de corriente de CA FLUKE i400s. Se
implementa y valida utilizando el software MATLAB.
usan tres cargas diferentes para la calibración; el primero es un
banco trifásico de cargas puramente resistivas de 71 ohms; la
La Tabla 1 muestra los HOS obtenidos para cada tipo de PQD.
segunda carga es un banco trifásico de cargas puramente Esta tabla muestra la monitorización de PQ a través de los
capacitivas de 75 uF, y el tercero es un motor de inducción valores medios y las desviaciones estándar de cada HOS. Las
trifásico descargado que representa una carga principalmente dos primeras columnas muestran la media del ciclo medio
inductiva de 560 mH. Las cargas están conectadas a un positivo de cada señal sintética, las dos siguientes, la media del
suministro de 230 VCA y 50 Hz. El tiempo de prueba para cada ciclo medio negativo, y las siguientes columnas muestran la
carga se establece en 10 minutos, donde el DAS y los varianza, la asimetría y la curtosis, respectivamente.
instrumentos de referencia funcionan simultáneamente. Los
datos adquiridos se procesan para obtener la media y la
desviación estándar del DAS en comparación con el
instrumento de referencia para estimar el error del DAS con el
fin de calibrarlo. La Fig. 3 muestra la configuración de
calibración.

Tabla 1.
C. Configuración experimental
Por otro lado, la metodología de monitorización de PQ
implementada en el sensor inteligente se prueba en condiciones
reales de funcionamiento, especialmente con señales de tensión
y corriente adquiridas de un sistema de alimentación trifásica
de 230 VAC y 50 Hz de un centro de salud. La Tabla 2 resume
el uso de recursos de la FPGA y las frecuencias máximas de
operación. Las primeras filas muestran los recursos empleados
por cada núcleo de procesamiento y la ANN. La última fila
muestra los recursos totales utilizados por todos los
procesadores basados en FPGA para procesar seis señales al
Fig. 3 mismo tiempo en paralelo.
El error de medición resultante del proceso de calibración en
el banco de pruebas de carga trifásico es de 1,9% para la fase 1,
0,61% para la fase 2 y 0,98% para la fase 3. De acuerdo con el
error estimado, una relación media entre el consumo de energía
se obtiene la estimación de la referencia y el DAS. Esta relación
media de 0,9825 es el factor de ajuste de la ganancia DAS.
Al aplicar este factor de corrección al DAS, el error de
medición se reduce a 0.04% para la fase 1, 0.04% para la fase 2
y 0.03% para la fase 3.

B. Formación y validación
En primer lugar, se genera una base de datos de 2200 señales
sintéticas, 200 para cada uno de los diez PQD antes
mencionados, más 200 señales puras. Estas señales, de un ciclo
de duración, se generan de acuerdo con los modelos
Tabla 2.
En el caso de la primera fase, las estadísticas de la señal de
voltaje (figura 12) tienen valores medios de -0.0011, 0.5000, -

Estudiante: Iván Chandi Facultad de Ingeniería en Ciencias Aplicadas Mayo, 2018

 Universidad Técnica del Norte
Calidad del Servico Eléctrico
0.0002 y -1.4946, iguales o muy cercanos a los valores
esperados para señales sinusoidales a 0, 0.5, 0 y -1.5,
respectivamente. La desviación estándar de cada gráfico
estadístico es, respectivamente, 0.0004, 0.0052, 0.0009 y
0.0006. Esta situación, que incluye que las parcelas resultantes
son relativamente planas, indica la ausencia de una PQD
significativa.
En el caso de la señal de corriente de la primera, los valores
medios de las estadísticas son 0,0002, 0,4994, 0,0400 y -0,8977,
respectivamente, con desviaciones estándar de 0,0007, 0,3466,
0,0560 y 0,3466, respectivamente. En la gráfica de kurtosis, los
picos indican el comienzo o el final de un PQD. Los cambios
de magnitud en la varianza indican la presencia de sags, swells
o interrupciones mientras que los picos indican la presencia de
transitorios. Pequeños y rápidos cambios en la media se deben
a armónicos, mientras que los picos indican la presencia de
transitorios. Pequeños y rápidos cambios en la media se deben
a armónicos, o fluctuaciones de tensión. En la asimetría, los
cambios de magnitud y los picos indican asimetría en la forma
de onda de la señal.
En la segunda fase se pueden ver resultados similares a los de
la primera fase, especialmente para la señal de tensión, donde
no hay PQD significativos. Las estadísticas de la señal de
tensión de la segunda fase tienen valores medios de 0,0011,
0,5000, -0,0002 y -1,4986, respectivamente, ya que la señal
actual de la misma fase muestra estadísticas con valores medios
de -0,0100, 0,4999, 0,0007 y -1,1771, respectivamente. En el
caso de la señal de tensión, las estadísticas también tienen
valores muy cercanos a los valores esperados para una señal
sinusoidal. Esto también se aplica a la señal actual, excepto para
la curtosis. Para la señal de tensión, la desviación estándar de
cada gráfico estadístico es, respectivamente, 0,0004, 0,0054,
0,0009 y 0,0008, mientras que para las señales de corriente son
0,0004, 0,0645, 0,0018 y 0,0362, respectivamente. Puede
observarse que, aunque los valores medios de las estadísticas de
la señal de corriente se aproximan a los valores esperados,
excepto para la curtosis, las desviaciones estándar no son muy
pequeñas, principalmente en la varianza, lo que indica una alta
presencia de picos y cambios en los niveles de magnitud, lo que
indica la presencia de PQD.
Una vez más, los resultados de la tercera fase son similares a
los resultados de las otras fases. En el caso de la señal de
tensión, los valores medios de las estadísticas son
respectivamente 0,0008, 0,5000, 0,0006 y -1,4947. La
desviación estándar de cada estadística es respectivamente
0,0004, 0,0053, 0,0009 y 0,0006. Los valores medios de las
estadísticas de la señal actual son respectivamente -0,0002,
0,5000, 0,0091 y -1,0722. Está claro que el valor medio de la
curtosis no es el esperado para una señal sinusoidal. La
desviación estándar de cada estadística es respectivamente
0,0004, 0,0381, 0,0022 y 0,0302. Una vez más, la desviación
estándar de la varianza es relativamente grande, por las mismas
razones antes mencionada.
D. Análisis y discusión
En la Tabla 3, se puede observar que la mayoría de las PQD se
detectan y clasifican correctamente, con una efectividad total de
Estudiante: Iván Chandi Facultad de Ingeniería en Ciencias Aplicadas
97.9% en condiciones sin ruido. Los sags, swells, las
interrupciones, los impulsos transitorios, las muescas
(notching) y las fluctuaciones de voltaje son las mejores
clasificadas del PQD, todas con una efectividad del 100%. Los
peores resultados se obtienen con señales puras y condiciones
de armónicos (armónicos, armónicos más sag y armónicos más
swell).
Tabla 3.
En el caso de las señales puras, las clasificadas erróneamente
se clasifican principalmente como fluctuaciones de tensión,
mientras que las armónicas incorrectamente clasificadas se
clasifican principalmente como señales puras. La disminución
en la eficacia de la clasificación de señales con armónicos se
debe a que el FFNN clasifica la forma de onda y, como es bien
sabido, las diferentes combinaciones de armónicos constituyen
formas de onda diferentes. Esto también explica por qué el
sensor inteligente no funciona correctamente con señales
ruidosas, incluido el hecho de que las características HOS
elegidas solo ayudan a describir las formas de onda de la señal,
no su contenido espectral.
La Tabla 1. muestra los valores medios y las desviaciones
estándar de cada característica de HOS obtenida de todos los
PQD sintéticos. Se puede obtener una referencia a los valores
ideales para una señal sinusoidal a partir de ellos, y cómo varían
de acuerdo con cada PQD. En el caso de la varianza, muestra
variaciones perceptibles para las sags, las swells y las
interrupciones, y en menor medida, pero aún claramente visible,
para los transitorios impulsivos y oscilatorios. La media,
calculada para cada medio ciclo, también es útil para la
detección y cuantificación de la misma PQD que la varianza, a
excepción de los transitorios oscilatorios.
De los resultados obtenidos en los centros de salud, está claro
que el sensor inteligente propuesto ha sido probado con éxito
en condiciones reales para la monitorización de PQ en un
sistema trifásico. Las señales de voltaje del estudio de caso no
tienen una alta presencia de PQD. Por otro lado, las señales
actuales muestran más contenido PQD. La varianza, la
Mayo, 2018
 Universidad Técnica del Norte
Calidad del Servico Eléctrico
asimetría y la curtosis son las estadísticas que brindan mejor inducción, examinar interacciones entre líneas y examinar
información sobre la presencia de PQD y su PQ. eventos correlacionados entre puntos de monitoreo.

Finalmente, la Tabla 4 muestra una comparación entre los V. REFERENCIAS

resultados de clasificación obtenidos en este trabajo y los
 http://doi.org/ 10.1109/ACCESS.2017.2732726
resultados informados por otros investigadores. En condiciones
sin ruido, este trabajo muestra mejores resultados que los
trabajos más antiguos, y resultados similares en comparación
con los últimos trabajos.

Tabla 4.

E. Conclusiones
 Este documento propone un nuevo sensor inteligente para
monitoreo y detección de PQ en línea, y clasificación de
PQD en instalaciones eléctricas de una manera no intrusiva,
utilizando solo divisores de voltaje y pinzas de corriente
como sensores primarios.
 El sistema puede categorizarse como un analizador de forma
de onda de alto rendimiento, un sistema de monitoreo PQ
útil y un clasificador PQD preciso.
 Los núcleos HOS utilizan recursos de FPGA muy bajos, lo
que demuestra que esta tecnología es adecuada para el
diseño y desarrollo de métodos de procesamiento de señal
de alto rendimiento para sensores inteligentes.
 Otra ventaja importante de este sensor inteligente, en
comparación con otros sensores inteligentes y metodologías
reportadas, es que puede funcionar en línea sobre sistemas
de alimentación trifásica en forma paralela con cada fase al
mismo tiempo.
 Los resultados muestran que el HOS y la estadística de
segundo orden tradicional (varianza) son muy útiles para el
monitoreo de PQ y la detección de PQD.
 Se utilizó una ANN para lograr la clasificación PQD con
una efectividad total de 97.9%, pero en trabajos futuros,
otras opciones podrían ser utilizadas con mayores
beneficios, como SVM por ejemplo.
 La metodología propuesta puede ser utilizada para el
desarrollo de investigación adicional en el monitoreo de PQ
al agregar tareas de control para cada PQD. El experimento
llevado a cabo en condiciones reales de funcionamiento (en
un centro de salud) muestra la validez y la aplicabilidad
industrial del sensor inteligente propuesto.
 Este sensor inteligente también podría ser altamente
adaptable a otras aplicaciones, como el diagnóstico de fallas
en máquinas eléctricas, especialmente en motores de

Estudiante: Iván Chandi Facultad de Ingeniería en Ciencias Aplicadas Mayo, 2018