RCCI Vol. 3, No. 3-4 JULIO-DICIEMBRE, 2009 p.

65-71
Recibido: 18/10/2010

Empleo de redes neuronales

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-
canzadas en la aplicación de las Redes Neuro-
nales Artificiales para resolver problemas tales
como la predicción de carga y de pérdidas de
energía en las líneas y la localización de zonas
en falla en circuitos de distribución de la ciu-
dad de Santiago de Cuba.
Palabras clave: computación aplicada; inteli-
gencia artificial; redes neuronales artificia-
les; sistemas de distribución eléctrica
Abstract
In the paper are shown the experiences
reached in the application of the Artificial
Neuronal Network to solve such problems
as the prediction of load and energy losses
in the lines and the localization of areas in
flaw in distribution circuits of the city of
Santiago de Cuba.
Keywords: applied computing, artificial
intelligence; artificial neuronal network;
electrical distribution system
Introducción
En los sistemas eléctricos de potencia, a medida
que van disminuyendo los niveles de voltaje, los
elementos que conforman los mismos aumen-
tan en cantidad y diversidad, y en la operación
de los mismo la influencia humana se hace más
significativa, técnicas actuales de la inteligencia
artificial, la lógica difusa, las redes neuronales,
algoritmos genéticos y otras , ayudan a analizar
los diferentes fenómenos que ocurren en dichas
redes eléctricas.
Determinación de zonas en falla en
circuitos de distribución
Durante la ocurrencia de averías en circuitos eléc-
tricos es necesario realizar una serie de pasos y
procedimientos para detectar la zona donde ha
ocurrido la falla, este proceso requiere laborio-
sidad y experiencia del personal encargado de la
operación del sistema. En los sistemas de dis-
tribución eléctricos a mediano voltaje en oca-
siones los dispositivos automáticos se reducen
al interruptor cabecera y el resto de los desco-
nectivos tienen una forma de operación manual
o de operación sólo de apertura (operación del
fusible), estos tienen que ser operados de forma
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
al, 1993) plantean que basta con una neurona
para resolver cualquier problema de aproximación
funcional, aunque en ocasiones se recurre a dos
por cuestiones prácticas. Si se coloca un número
excesivo de neuronas ocultas hay una separación
de la tónica general y se falla ante nuevos casos
(ya sea en los conjuntos de prueba o propiamente
en los nuevos casos) por otro lado, si el número
de neuronas ocultas es insuficiente, el error que
se obtiene no es aceptable, ni siquiera para los
datos que se quiere ajustar.
Para decidir la cantidad de neuronas ocultas, se
utiliza la técnica de prueba y error, partiendo de
un número de 3 neuronas hasta llegar a un to-
tal de 18. En la Figura 1 se muestran los valores
de los errores obtenidos. Se utilizó el método de
validación cruzada o sea, que se emplearon un
número determinados de registros para el entre-
namiento y otro para la prueba. Como lo deseado
es que la información lista a procesar sea la más
confiable, se seleccionó para la prueba una pro-
porción del 10 % de los últimos registros y el
resto para el entrenamiento.
2.3- Selección de las Variables
Los principales datos de entrada a la red cons-
tituyen la apertura de los desconectivos; otros
datos como los recierres exitosos y la influencia
de los factores climáticos en la red eléctrica (la
lluvia y el viento fuerte), también se consideran
como variables de entrada a la misma. Otros da-
tos que afectan el resultado de la RNA no entran
a la misma, pero si modifican los parámetros de
las salidas reales
La variable de salida es la posible zona de ocu-
rrencia de la falla. En el caso de que el interrup-
tor opere como respaldo señala el desconectivo
que efectúo la operación inicial y este a su vez
indica la zona fallada.
Figura 1. Error como función de la cantidad de neuronas
ocultas.
2.4- Elección de los conjuntos de
Aprendizaje y Ensayo
67
La condición que se debe imponer a los patrones
Empleo de redes neuronales artificiales en redes
de distribución eléctrica
que se van a presentar a la RN para llevar a cabo
su entrenamiento es que sean un número sufici-
ente y a la vez representativos de los fenómenos
que ocurren en la red. Con esto se pretende que
estén cubiertas mas o menos todas las posibili-
dades que puedan darse, es decir que existan va-
lores de entradas y salidas con proporción uni-
forme. En los MLP (Miraglia, 2000; Martín, B.,
Sanz A, 1997) se utiliza el método de validación
cruzada que consiste en dividir la totalidad de los
patrones en 2 grupos: 1 para entrenar la RN y otro
para probar su efectividad.
A partir de la totalidad de los datos históricos
se tomo un 90% de todos los casos para el
entrenamiento y el resto para ensayo. Se pudo
comprobar que según los análisis históricos exis-
ten casos posibles que no han ocurrido y además
existen posibilidades de señales de salida que
no corresponden con la topología de la red, por
lo que se determinó también un adiestramiento
topológico.
Bajo estos criterios se realizaron pruebas a una
serie de variantes encontrándose entre las más
significativas:
Prueba Directa, consistente en presentar varia
veces a la RN los patrones de entrenamiento.
t
1SVFCB
;JH[BH
$POTJTUF
FO
QSFTFOUBS
B
MB
SFE

los patrones de entrenamiento de principio a fin y
de fin a principio. Los resultados de esta prueba
se presentan en la Figura 3
t
1SVFCB
EF
FOUSBEB
BMFBUPSJB
EF
MPT
QBUSPOFT
EF

entrenamiento.
t
1SVFCB
*OEJSFDUB
DPOTJTUFOUF
FO
QSFTFOUBS
QSJ
mero la serie histórica y luego la topológica.
Los gráficos mostrados representan los mejores re-
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.
68
Figura 2. Error en % de la red contra iteraciones topológi-
cas en función de las iteraciones directas.
La red fue probada en 3 circuitos de distribución,
logrando una efectividad, considerada como tal la
ubicación de la falla en la zona de ocurrencia (78%)
o en las zonas adyacentes inmediatas ( 11%), de
un 89%. El 11% de inexactitud en la ubicación de
la falla no es una situación catastrófica, ya que el
Despachador en su actuar también se nutre con
otras informaciones, por lo que con esta efectividad
del 89% la RN estudiada cumple con los objetivos
propuestos, arrojando resultados satisfactorios, lo
que ha permitido disminuir de manera efectiva el
tiempo de interrupción al consumidor.
Figura 3. Error en % de la red contra iteraciones topológi-
cas en función de las iteraciones directas.
Red neuronal para determinar el
tiempo entre fallas
Se pretende determinar la posibilidad de ocu-
rrencia en el tiempo de fallas en la distribución
eléctrica, lo que es comúnmente conocido como
tiempo entre fallas. Tradicionalmente, esta tarea
se enfrenta aplicando métodos estadísticos, dado
el carácter aleatorio de estas magnitudes. Gene-
ralmente en los sistemas eléctricos se cumple la
distribución de Poisson, pero en el nivel de dis-
tribución primaria no siempre se cumple (Billin-
ton, R.,1984; Martin, B., 1997) . Esta situación
se fundamenta en la gran diversidad de elemen-
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.
Por tales razones, la Red debe ser capaz de reco-
nocer funciones de distribución para modelar el
comportamiento de la distribución que simule
el tiempo entre falla. Se estableció para la red
una precisión de un 90 %; los datos se corres-
ponderían con la explotación que se le de a la
aplicación (en tiempo real o no), la simulación
se realizó en una maquina computadora Pentium
II, a 500 Mhz con 64 Mgb de RAM de memoria.
Como modelo de RNA se decidió trabajar con las
Función de Base Radiales (RBF) (Miraglia y de la
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
del actual; lo que constituye una cantidad de da-
tos suficientes para entrenar la red. El tiempo en
minutos entre falla fue la variable de entrada y
la ponderación de la ocurrencia en tiempo de la
falla es la variable de salida.
3.2 Proceso de Entrenamiento y
Prueba
Para este tipo de red se recomienda realizar el en-
trenamiento en dos etapas (Martín, B.; Sanz, A.
1997; Iza, R. 2001; Galiano, P., 2002),empleando
una función gaussiana, para la capa oculta y una
función lineal para la capa de salida; con esto se
realiza primero el cálculo de los parámetros de la
capa oculta y luego el cálculo de la capa de sali-
da; además se consigue acelerar notablemente el
proceso respecto a la retropropagación del error.
La red RBF diseñada compuesta por 1 neurona
de entrada, 15 neuronas ocultas y 1 de salida
fue probado para las distribuciones de Poisson y
parabólica. La misma converge rápidamente (50
iteraciones del conjunto de entrenamiento) con
errores del 3,9% y 1,91%, mucho menores que el
10% fijado como máximo.La red fue probada para
8 circuitos de Distribución Eléctrica Primaria de la
Ciudad de Santiago de Cuba, comprobándose que
la probabilidad de ocurrencia del menor tiempo
entre fallas (66,87 horas) es de 0.6216, lo que
coincide con la realidad.
Pronóstico de la demanda
La predicción del consumo de carga refleja las
necesidades energéticas futuras de una zona de-
terminada y debe ser lo más ajustada posible. El
consumo de una zona dada está influido de for-
ma significativa por parámetros meteorológicos
tales como la temperatura, humedad relativa,
nubosidad, precipitaciones y si el día es festivo o
no. El pronóstico de la demanda se realiza a partir
de datos meteorológicos y de consumo.
La predicción de demanda de corto plazo es una
de las más exitosas aplicaciones de RNA en Siste-
mas Eléctricos. Los resultados parecen indicar
que las redes simples son tan buenas o mejores
que las complejas en la solución de estas tareas.
4.1 Selección de las variables de en-
trada y tipo de red.
Las variables de entrada se seleccionaron entre
los factores que posiblemente afectan más el
consumo energético:
Mes: Refleja la variación estacional de la carga a
causa de los cambios del clima en el año.
Día: Tiene en cuenta la variación en el compor-
tamiento de la carga en los días festivos, por
ejemplo: Navidad, año nuevo, carnavales, etc.
Temperaturas máximas y mínimas: Es la
variable atmosférica más importante. El cambio
de la carga ocurre con grandes variaciones de
temperatura.
Humedades relativas máximas y mínimas: En
verano, para un rango de temperaturas dado, la
humedad relativa es muy significativa al afec-tar
la utilización del aire acondicionado. La nubosidad
y la probabilidad de lluvia pueden ser indirecta-
mente reflejadas con la humedad relativa.
Precipitación: Es otro parámetro importante que
afecta la carga del sistema. Afecta discretamente
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
el grado de nubosidad que afecta directamente el
consumo de energía eléctrica.
Para esta aplicación se escogió una red percep-
tron multicapas (MLP) 9:20:16:1, es decir, con 9
variables de entrada, una sola salida, 20 neuro-
nas en la primera capa oculta y 16 neuronas en la
segunda capa oculta.
4.3 Entrenamiento de la red y selec-
ción del conjunto de entrenamiento.
En el entrenamiento se utilizó el algoritmo de
aprendizaje Backpropagation. (Cabrera, 2003).
Para implementar el modelo neuronal se tomaron
los datos de consumo durante los meses de enero
y julio de los años 2001 y 2002 de un interruptor
correspondiente al circuito Santiago Industrial,
caracterizado por la estabilidad de la topología
de la red y pocas afectaciones programadas.
Estos meses corresponden a las estaciones más
notables en Cuba teniendo en cuenta los paráme-
tros meteorológicos. La nubosidad no se tomó en
cuenta entre las variables meteorológicas debido
a que en específico Santiago de Cuba la misma
depende, entre otros, de factores no disponibles
como la actividad eléctrica superior de la atmós-
fera originada en la zona norte oriental. Es in-
teresante aclarar que en la medida que se incre-
menten los datos del conjunto de entrenamiento
la predicción alcanza mayor exactitud.
4.4 Resultados
Dentro de los meses seleccionados se tomaron
varios días al azar para realizar las comprobacio-
nes.
La convergencia se logró en todos los casos para
una cantidad de corridas que oscila entre 9 y
13 con un error de aproximación no mayor de
0.01, un error medio de generalización inferior
al 5% y un error máximo de generalización no
mayor del 10 %. El tiempo del entrenamiento se
encuentra alrededor de 10 minutos. Las Figuras
4 -7 muestran las potencias pronosticadas y de-
mandadas para dos días de estaciones diferentes.
Las gráficas muestran las potencias en MW para
cada hora del día. Para el 1ro de enero del 2002
las magnitudes de error máximo, mínimo y medio
fueron de 9.55, 0.69 y 4.53% respectivamente;
para el 1ro de julio del 2002 estos errores fueron
de 6.83; 0.9% y 3.89%; lo que denota la exacti-
tud de la red para el pronóstico.
70

Figura 4. Potencia pronosticada para el 1º de Enero de

2002.
Pronóstico de pérdidas en circuitos
de distribución
Las pérdidas de potencia en los circuitos de dis-
tribución varían proporcionalmente con la resis-
tencia de los conductores de los mismos, y esta,
a su vez, depende del material empleado en su
construcción, su sección , longitud, y otros fac-
tores tales como la temperatura, la distribución
no uniforme de la corriente, la carga del circuito,
etc. Todo esto haría muy complejo el pronóstico
de las mismas utilizando métodos formales. Una
solución a este problema es el pronóstico de las
pérdidas mediante una red neuronal. (Fernández
et al.,2003).
Figura 6. Potencia pronosticada para el 1ro de julio del
2002.
Los valores de iniciación de la matriz de pesos
se generaron aleatoriamente; después de varias
pruebas, fue posible alcanzar un conjunto de
valores apara los parámetros que determinan el
entrenamiento, mediante los cuales se logró el
rendimiento óptimo de la red. La red se entrenó
con 91 valores de entrada. El valor esperado de
pérdida en un instante determinado, es represen-
tado por el escalar l. Luego de varias iteraciones
el error cayó por debajo de 10e-5, el desempeño
del error medio cuadrático puede observarse en
la Figura 9.

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:
t
%FTWJBDJØO
NÓOJNB
DPO
SFTQFDUP
BM
WBMPS
FTQF
rado: 0.032%; que en valor absoluto corresponde
a 0,05 kW
t
%FTWJBDJØO
NÈYJNB
DPO
SFTQFDUP
BM
WBMPS
FTQF
rado: 1.377%. que en valor absoluto corresponde
a 3,443 kW
Los cuales indican la exactitud de la red.
Conclusiones
Las Redes Neuronales Artificiales, han demostrado
su utilidad para acometer distintas tareas en el
Despacho Territorial Santiago, lográndose detec-
tar la ubicación de zonas en falla con un 91% de
efectividad, realizar el pronóstico de la demanda
con errores medios menores del 5%, determinar la
ley de distribución de la pro-babilidad del tiempo
de falla para los circuitos de distribución y pro-
nosticar las pérdidas en circuitos de distribución
con error del 1,38% del valor esperado.
Figura 9. Error medio cuadrático del entrenamiento de
la red.
Referencias
Billinton, Roy. Power System Reliability
Evaluation. Editorial Pueblo y Educación.
Ciudad de la Habana 1984.
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
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
versidad Central. Santa Clara. Cuba. 2003
Galiano Riano, Pedro . Redes Basadas en
funciones de base radial. Universidad de
Cádiz. Es-paña. [en línea]. [Consultado
el: 11 de marzo 2002] Disponible en:
http://www.euca.es/dept/leng-sist-
informativo/real/24041/transpas/G-
funcionesdebaseradial.html
Iza Terán , Rodrigo. Algoritmo para construir una
red neuronal RBF. Funciones de base y
activación. [en línea]. [Consultado el 11
de marzo 2002] Disponible en: http://
www.espe.edu.ec/publicaciones/in-
vestigativas/ciencia04.htm
Lu C.N., Wu T., Vemuri S. Neural Network Bassed
Short Term Load Forecasting.IEEE PAS
Vol. 8 , No.1. Febrero 1993.
Looney, C. Neural Network and Expert Sistems.
Expert Sistem with Application. Vol 6,,
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
Training Set. International Journal of Neural
Sistems, Vol 4, No.1, 1993
Muñoz A. Aplicación de Redes Neuronales
Artificiales al Diagnóstico de Procesos
Industriales. II Jornadas Iberoamericanas
de Informática en Sistemas Eléctricos.
Santa Cruz de la Sierra. Bolivia. 1997.