artificiales en redes de distribución eléctrica Use of artificial neural networks in electric distribution networks Sergio de la Fé1*, Dante Miraglia2, Delmar Jaime1 y Alexander Cabrera2 Facultad de Ingeniería Eléctrica. Universidad de Oriente. Santiago de Cuba Despacho Territorial Santiago de Cuba. Empresa Eléctrica Santiago de Cuba. *Autor para la correspondencia: sergio@fie.uo.edu.cu 66 Resumen En el trabajo se muestran las experiencias al- Introducción En los sistemas eléctricos de potencia, a medida canzadas en la aplicación de las Redes Neuro- que van disminuyendo los niveles de voltaje, los nales Artificiales para resolver problemas tales elementos que conforman los mismos aumen- como la predicción de carga y de pérdidas de tan en cantidad y diversidad, y en la operación energía en las líneas y la localización de zonas de los mismo la influencia humana se hace más en falla en circuitos de distribución de la ciu- significativa, técnicas actuales de la inteligencia dad de Santiago de Cuba. artificial, la lógica difusa, las redes neuronales, algoritmos genéticos y otras , ayudan a analizar Palabras clave: computación aplicada; inteli- los diferentes fenómenos que ocurren en dichas gencia artificial; redes neuronales artificia- redes eléctricas. les; sistemas de distribución eléctrica Determinación de zonas en falla en circuitos de distribución Durante la ocurrencia de averías en circuitos eléc- Abstract tricos es necesario realizar una serie de pasos y In the paper are shown the experiences procedimientos para detectar la zona donde ha reached in the application of the Artificial ocurrido la falla, este proceso requiere laborio- Neuronal Network to solve such problems sidad y experiencia del personal encargado de la as the prediction of load and energy losses operación del sistema. En los sistemas de dis- in the lines and the localization of areas in tribución eléctricos a mediano voltaje en oca- flaw in distribution circuits of the city of siones los dispositivos automáticos se reducen Santiago de Cuba. al interruptor cabecera y el resto de los desco- nectivos tienen una forma de operación manual Keywords: applied computing, artificial o de operación sólo de apertura (operación del intelligence; artificial neuronal network; fusible), estos tienen que ser operados de forma electrical distribution system manual por personal que requiere transportarse hacia esos puntos, con la consiguiente perdida de tiempo y de energía servida por este concepto. La amplia diversidad de elementos que componen estas redes, así cómo deficiencias en el manteni- miento y reparación de la falla donde no siempre la zona fallada retorna a la condición inicial de operación; y otros factores como deficiencias en la coordinación, ocurrencia de fallas transitorias, etc. hacen que la experiencia y la habilidad del Despachador Eléctrico sean determinantes en este proceso en aras de ganar tiempo en la detec- ción de las averías y evitar un numero excesivos de operación en los desconectivos del circuito.
Selección del Modelo de Red Neuronal
Debido a las características de predicción se selecciona una red supervisada, en este caso el Perceptrón Multicapa (MLP), empleado amplia- mente en tareas de ajuste funcional (Predicción, Series Temporales, Modelización) (Martin,1997) y se utiliza el aprendizaje por Retropropagación de errores (BP).
Selección del número de Neuronas
Ocultas La selección del numero de neuronas ocultas constituye uno de los puntos más críticos en la selección de la arquitectura de las redes neuro- nales (RN). Algunos estudios(Martin,1997; Lu, et 2.4- Elección de los conjuntos de Aprendizaje y Ensayo 67 al, 1993) plantean que basta con una neurona La condición que se debe imponer a los patrones
Empleo de redes neuronales artificiales en redes
de distribución eléctrica para resolver cualquier problema de aproximación que se van a presentar a la RN para llevar a cabo funcional, aunque en ocasiones se recurre a dos su entrenamiento es que sean un número sufici- por cuestiones prácticas. Si se coloca un número ente y a la vez representativos de los fenómenos excesivo de neuronas ocultas hay una separación que ocurren en la red. Con esto se pretende que de la tónica general y se falla ante nuevos casos estén cubiertas mas o menos todas las posibili- (ya sea en los conjuntos de prueba o propiamente dades que puedan darse, es decir que existan va- en los nuevos casos) por otro lado, si el número lores de entradas y salidas con proporción uni- de neuronas ocultas es insuficiente, el error que forme. En los MLP (Miraglia, 2000; Martín, B., se obtiene no es aceptable, ni siquiera para los Sanz A, 1997) se utiliza el método de validación datos que se quiere ajustar. cruzada que consiste en dividir la totalidad de los patrones en 2 grupos: 1 para entrenar la RN y otro Para decidir la cantidad de neuronas ocultas, se para probar su efectividad. utiliza la técnica de prueba y error, partiendo de un número de 3 neuronas hasta llegar a un to- A partir de la totalidad de los datos históricos tal de 18. En la Figura 1 se muestran los valores se tomo un 90% de todos los casos para el de los errores obtenidos. Se utilizó el método de entrenamiento y el resto para ensayo. Se pudo validación cruzada o sea, que se emplearon un comprobar que según los análisis históricos exis- número determinados de registros para el entre- ten casos posibles que no han ocurrido y además namiento y otro para la prueba. Como lo deseado existen posibilidades de señales de salida que es que la información lista a procesar sea la más no corresponden con la topología de la red, por confiable, se seleccionó para la prueba una pro- lo que se determinó también un adiestramiento porción del 10 % de los últimos registros y el topológico. resto para el entrenamiento. Bajo estos criterios se realizaron pruebas a una 2.3- Selección de las Variables serie de variantes encontrándose entre las más Los principales datos de entrada a la red cons- significativas: tituyen la apertura de los desconectivos; otros Prueba Directa, consistente en presentar varia datos como los recierres exitosos y la influencia veces a la RN los patrones de entrenamiento. de los factores climáticos en la red eléctrica (la lluvia y el viento fuerte), también se consideran t 1SVFCB ;JH[BH $POTJTUF FO QSFTFOUBS B MB SFE como variables de entrada a la misma. Otros da- los patrones de entrenamiento de principio a fin y tos que afectan el resultado de la RNA no entran de fin a principio. Los resultados de esta prueba a la misma, pero si modifican los parámetros de se presentan en la Figura 3 las salidas reales t1SVFCBEFFOUSBEBBMFBUPSJBEFMPTQBUSPOFTEF entrenamiento. La variable de salida es la posible zona de ocu- t1SVFCB*OEJSFDUBDPOTJTUFOUFFOQSFTFOUBSQSJ rrencia de la falla. En el caso de que el interrup- mero la serie histórica y luego la topológica. tor opere como respaldo señala el desconectivo que efectúo la operación inicial y este a su vez Los gráficos mostrados representan los mejores re- indica la zona fallada. sultados donde se puede apreciar que los mismos se obtienen para el entrenamiento directo (prime- ro los patrones topológico y luego los patrones históricos) y que el entrenamiento topológico es más significativo en la disminución del error que el entrenamiento histórico. Los re-sultados de esta prueba se presentan en la Figura 2.
Figura 1. Error como función de la cantidad de neuronas
ocultas. 68 tos que constituyen las redes y el hecho de que los mismos están en diferentes etapas de ex- plotación; además de que en ocasiones el per- sonal de operaciones no liquida completamente las causas de la afectación, introduciendo con esto fallas achacables al factor humano. El análi- sis tradicionalmente se realiza a posteriori, par- tiendo de los datos recolectados por el Despacho, y con intervalos normados entre análisis. Por las posibilidades de trabajo “on line” de la red neu- ronal resulta interesante analizar la conveniencia de aplicar la misma para estudiar este problema. Figura 2. Error en % de la red contra iteraciones topológi- cas en función de las iteraciones directas. Por tales razones, la Red debe ser capaz de reco- La red fue probada en 3 circuitos de distribución, nocer funciones de distribución para modelar el logrando una efectividad, considerada como tal la comportamiento de la distribución que simule ubicación de la falla en la zona de ocurrencia (78%) el tiempo entre falla. Se estableció para la red o en las zonas adyacentes inmediatas ( 11%), de una precisión de un 90 %; los datos se corres- un 89%. El 11% de inexactitud en la ubicación de ponderían con la explotación que se le de a la la falla no es una situación catastrófica, ya que el aplicación (en tiempo real o no), la simulación Despachador en su actuar también se nutre con se realizó en una maquina computadora Pentium otras informaciones, por lo que con esta efectividad II, a 500 Mhz con 64 Mgb de RAM de memoria. del 89% la RN estudiada cumple con los objetivos propuestos, arrojando resultados satisfactorios, lo Como modelo de RNA se decidió trabajar con las que ha permitido disminuir de manera efectiva el Función de Base Radiales (RBF) (Miraglia y de la tiempo de interrupción al consumidor. Fé, 2002) debido a sus características de agrupa- miento, ideales para manejar grandes ma-sas de datos. Esta red presenta como importante ven- taja su rápido entrenamiento
3.1 Datos Disponibles y selección de
variables relevantes. Para validar esta red se utilizaron dos distribucio- nes de la probabilidad de ocurrencia del tiempo entre fallas: una Parabólica y otra de Poisson. Para la fase de entrenamiento se utilizaron como da-tos los valores de los tiempos entre fallas de determinadas zonas o elementos de los circuitos de distribución de los dos años anteriores además Figura 3. Error en % de la red contra iteraciones topológi- del actual; lo que constituye una cantidad de da- cas en función de las iteraciones directas. tos suficientes para entrenar la red. El tiempo en minutos entre falla fue la variable de entrada y Red neuronal para determinar el la ponderación de la ocurrencia en tiempo de la tiempo entre fallas falla es la variable de salida. Se pretende determinar la posibilidad de ocu- rrencia en el tiempo de fallas en la distribución 3.2 Proceso de Entrenamiento y eléctrica, lo que es comúnmente conocido como tiempo entre fallas. Tradicionalmente, esta tarea Prueba Para este tipo de red se recomienda realizar el en- se enfrenta aplicando métodos estadísticos, dado trenamiento en dos etapas (Martín, B.; Sanz, A. el carácter aleatorio de estas magnitudes. Gene- 1997; Iza, R. 2001; Galiano, P., 2002),empleando ralmente en los sistemas eléctricos se cumple la una función gaussiana, para la capa oculta y una distribución de Poisson, pero en el nivel de dis- función lineal para la capa de salida; con esto se tribución primaria no siempre se cumple (Billin- realiza primero el cálculo de los parámetros de la ton, R.,1984; Martin, B., 1997) . Esta situación capa oculta y luego el cálculo de la capa de sali- se fundamenta en la gran diversidad de elemen- da; además se consigue acelerar notablemente el proceso respecto a la retropropagación del error. la carga del aire acondicionado y la del alumbra- do. La humedad relativa y la nubosidad están re- 69 lacionadas con las precipitaciones. Nubosidad: El brillo del sol es un índice que mide
Empleo de redes neuronales artificiales en redes
de distribución eléctrica La red RBF diseñada compuesta por 1 neurona de entrada, 15 neuronas ocultas y 1 de salida el grado de nubosidad que afecta directamente el fue probado para las distribuciones de Poisson y consumo de energía eléctrica. parabólica. La misma converge rápidamente (50 iteraciones del conjunto de entrenamiento) con Para esta aplicación se escogió una red percep- errores del 3,9% y 1,91%, mucho menores que el tron multicapas (MLP) 9:20:16:1, es decir, con 9 10% fijado como máximo.La red fue probada para variables de entrada, una sola salida, 20 neuro- 8 circuitos de Distribución Eléctrica Primaria de la nas en la primera capa oculta y 16 neuronas en la Ciudad de Santiago de Cuba, comprobándose que segunda capa oculta. la probabilidad de ocurrencia del menor tiempo entre fallas (66,87 horas) es de 0.6216, lo que coincide con la realidad. 4.3 Entrenamiento de la red y selec- ción del conjunto de entrenamiento. En el entrenamiento se utilizó el algoritmo de Pronóstico de la demanda aprendizaje Backpropagation. (Cabrera, 2003). La predicción del consumo de carga refleja las Para implementar el modelo neuronal se tomaron necesidades energéticas futuras de una zona de- los datos de consumo durante los meses de enero terminada y debe ser lo más ajustada posible. El y julio de los años 2001 y 2002 de un interruptor consumo de una zona dada está influido de for- correspondiente al circuito Santiago Industrial, ma significativa por parámetros meteorológicos caracterizado por la estabilidad de la topología tales como la temperatura, humedad relativa, de la red y pocas afectaciones programadas. nubosidad, precipitaciones y si el día es festivo o Estos meses corresponden a las estaciones más no. El pronóstico de la demanda se realiza a partir notables en Cuba teniendo en cuenta los paráme- de datos meteorológicos y de consumo. tros meteorológicos. La nubosidad no se tomó en La predicción de demanda de corto plazo es una cuenta entre las variables meteorológicas debido de las más exitosas aplicaciones de RNA en Siste- a que en específico Santiago de Cuba la misma mas Eléctricos. Los resultados parecen indicar depende, entre otros, de factores no disponibles que las redes simples son tan buenas o mejores como la actividad eléctrica superior de la atmós- que las complejas en la solución de estas tareas. fera originada en la zona norte oriental. Es in- teresante aclarar que en la medida que se incre- 4.1 Selección de las variables de en- menten los datos del conjunto de entrenamiento trada y tipo de red. la predicción alcanza mayor exactitud. Las variables de entrada se seleccionaron entre los factores que posiblemente afectan más el 4.4 Resultados consumo energético: Dentro de los meses seleccionados se tomaron varios días al azar para realizar las comprobacio- Mes: Refleja la variación estacional de la carga a nes. causa de los cambios del clima en el año. La convergencia se logró en todos los casos para Día: Tiene en cuenta la variación en el compor- una cantidad de corridas que oscila entre 9 y tamiento de la carga en los días festivos, por 13 con un error de aproximación no mayor de ejemplo: Navidad, año nuevo, carnavales, etc. 0.01, un error medio de generalización inferior Temperaturas máximas y mínimas: Es la al 5% y un error máximo de generalización no variable atmosférica más importante. El cambio mayor del 10 %. El tiempo del entrenamiento se de la carga ocurre con grandes variaciones de encuentra alrededor de 10 minutos. Las Figuras temperatura. 4 -7 muestran las potencias pronosticadas y de- Humedades relativas máximas y mínimas: En mandadas para dos días de estaciones diferentes. verano, para un rango de temperaturas dado, la Las gráficas muestran las potencias en MW para humedad relativa es muy significativa al afec-tar cada hora del día. Para el 1ro de enero del 2002 la utilización del aire acondicionado. La nubosidad las magnitudes de error máximo, mínimo y medio y la probabilidad de lluvia pueden ser indirecta- fueron de 9.55, 0.69 y 4.53% respectivamente; mente reflejadas con la humedad relativa. para el 1ro de julio del 2002 estos errores fueron Precipitación: Es otro parámetro importante que de 6.83; 0.9% y 3.89%; lo que denota la exacti- afecta la carga del sistema. Afecta discretamente tud de la red para el pronóstico. 70
Figura 4. Potencia pronosticada para el 1º de Enero de
2002. Figura 6. Potencia pronosticada para el 1ro de julio del Pronóstico de pérdidas en circuitos 2002. de distribución Los valores de iniciación de la matriz de pesos Las pérdidas de potencia en los circuitos de dis- se generaron aleatoriamente; después de varias tribución varían proporcionalmente con la resis- pruebas, fue posible alcanzar un conjunto de tencia de los conductores de los mismos, y esta, valores apara los parámetros que determinan el a su vez, depende del material empleado en su entrenamiento, mediante los cuales se logró el construcción, su sección , longitud, y otros fac- rendimiento óptimo de la red. La red se entrenó tores tales como la temperatura, la distribución con 91 valores de entrada. El valor esperado de no uniforme de la corriente, la carga del circuito, pérdida en un instante determinado, es represen- etc. Todo esto haría muy complejo el pronóstico tado por el escalar l. Luego de varias iteraciones de las mismas utilizando métodos formales. Una el error cayó por debajo de 10e-5, el desempeño solución a este problema es el pronóstico de las del error medio cuadrático puede observarse en pérdidas mediante una red neuronal. (Fernández la Figura 9. et al.,2003).
Figura 7. Potencia demandada para el 1ro de julio del
Figura 5. Potencia demanda el 1ºde Enero de 2002. 2002. Para este trabajo se eligió como red a utilizar la Perceptron multicapas (MLP) con algoritmo Backpropagation. Luego de varios ensayos, para el circuito se escogió una red 2:10:8:1 ya que con dicha configuración se obtuvieron los mejores resultados, es decir, que para un vector de en- trada de dos dimensiones y esperando una salida de la red, se tienen 8 neuronas en la primera y segunda capa oculta. Un esquema de la red puede observarse en la Figura 7, donde se muestran las características de los datos de entrada y salida de la red. Puede verse que la potencia aparente y temperatura ambiente son los datos de entrada y se agruparon en el vector de dos entradas g, las pérdidas de potencia activa en línea constituye la Figura 8. Esquema de la red neuronal. variable de salida. Al comparar los resultados de la red con el con- junto de prueba se obtuvieron los resultados: de las pérdidas en redes de distribución mediante redes neuronales. Anales del 71 IX Simposio de Ingeniería Eléctrica Uni-
Empleo de redes neuronales artificiales en redes
de distribución eléctrica t%FTWJBDJØONÓOJNBDPOSFTQFDUPBMWBMPSFTQF versidad Central. Santa Clara. Cuba. 2003 rado: 0.032%; que en valor absoluto corresponde Galiano Riano, Pedro . Redes Basadas en a 0,05 kW funciones de base radial. Universidad de t%FTWJBDJØONÈYJNBDPOSFTQFDUPBMWBMPSFTQF Cádiz. Es-paña. [en línea]. [Consultado rado: 1.377%. que en valor absoluto corresponde el: 11 de marzo 2002] Disponible en: a 3,443 kW http://www.euca.es/dept/leng-sist- Los cuales indican la exactitud de la red. informativo/real/24041/transpas/G- funcionesdebaseradial.html Iza Terán , Rodrigo. Algoritmo para construir una Conclusiones red neuronal RBF. Funciones de base y Las Redes Neuronales Artificiales, han demostrado activación. [en línea]. [Consultado el 11 su utilidad para acometer distintas tareas en el de marzo 2002] Disponible en: http:// Despacho Territorial Santiago, lográndose detec- www.espe.edu.ec/publicaciones/in- tar la ubicación de zonas en falla con un 91% de vestigativas/ciencia04.htm efectividad, realizar el pronóstico de la demanda Lu C.N., Wu T., Vemuri S. Neural Network Bassed con errores medios menores del 5%, determinar la Short Term Load Forecasting.IEEE PAS ley de distribución de la pro-babilidad del tiempo Vol. 8 , No.1. Febrero 1993. de falla para los circuitos de distribución y pro- Looney, C. Neural Network and Expert Sistems. nosticar las pérdidas en circuitos de distribución Expert Sistem with Application. Vol 6,, con error del 1,38% del valor esperado. 1993. Martín del Brío, B.; Sanz Molina, A. Redes Neu- ronales y Sistemas Borrosos. Introduc- ción Teórica y Práctica. Editorial Ra-ma. Madrid. 1997. Miraglia, Dante, Implementación de una red neuronal para la detección de la zona en falla en circuitos de distribución eléctrica. Tesis en opción a la categoría académica de Master en Ingeniería Eléctrica. Univer- sidad de Oriente. Santiago de Cuba. 2000. Miraglia,D.; de la Fé Sergio. Utilización de una Red Neuronal para la Determinación del tiempo de falla. Memorias de la Convención Científica Internacional Eléctrica 2002. Santiago de Cuba. 2002 Moller, M. Supervised Learnig on Large Redudndant Figura 9. Error medio cuadrático del entrenamiento de Training Set. International Journal of Neural la red. Sistems, Vol 4, No.1, 1993 Muñoz A. Aplicación de Redes Neuronales Referencias Artificiales al Diagnóstico de Procesos Billinton, Roy. Power System Reliability Industriales. II Jornadas Iberoamericanas Evaluation. Editorial Pueblo y Educación. de Informática en Sistemas Eléctricos. Ciudad de la Habana 1984. Santa Cruz de la Sierra. Bolivia. 1997. Cipriano A. Redes Neuronales. II Jornadas Ibe- roamericanas de Informática en Sistemas Eléctricos. Santa Cruz de la Sierra. Bolivia. 1997. Cabrera A., Jaime D.,Predicción de la demanda eléctrica de corto plazo mediante Redes Neuronales Artificiales. Anales del IX Sim- posio de Ingeniería Eléctrica Universidad Central. Santa Clara. Cuba. 2003. Fernández F, de la Fé S, Miraglia D,. Pronóstico