Relé Para La Protección de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
of 8
Transcript of Relé Para La Protección de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
1/8
Rel para la Proteccin de un
Transformador de Potencia
basado en Redes Neuronales
Artificiales
Orlys E. Torres Breffe, M.Sc.Profesor AuxiliarISMM, MOA.
Miriam Vilaragut Llanes, Dra.Profesora AuxiliarCIPEL, CUJAE.
Yarima Daz Ramrez, Ing.CTE Lidio Ramn PrezHOLGUIN
Antonio Martnez Garca, Dr.Profesor TitularCIPEL, CUJAE.
RESUMENEn este trabajo es presentado unmtodo de inteligencia artificial,utilizando Redes Neuronales paraproteger Transformadores dePotencia. En el proceso deentrenamiento se consider, entreotros regmenes, si el neutro deltransformador est aterrado oaislado de tierra y la apertura deun conductor en el secundario delos transformadores de corriente.Se utiliz una red de propagacinhacia delante, con 2 capasocultas, y un entrenamientosupervisado con retropropagacindel error.
PALABRAS CLAVESRedes Neuronales Artificiales,Proteccin de Transformadores dePotencia, Simulacin.
ABSTRACTApplication of intelligent method toprotect Power Transformers vianeural network is presented.Training process considertransformer neural grounded orisolated and one open conductor inthe secondary of the currenttransformer, between others
regimens. It was used a feedforward network back propagation,with two hidden layers.
KEYWORDSArtificial Neural Network, PowerTransformer Protection, simulation.
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
2/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
1. INTRODUCCIN
Las protecciones diferenciales porcentuales conrestriccin por armnicas se consideran las mseficaces para la proteccin de fallas internas en lostransformadores de potencia [1]. En los ltimostiempos se ha estado ensayando el empleo detcnicas de inteligencia artificial [2-8] en lasprotecciones elctricas y aunque estasprotecciones elctricas no han sido ampliamenteintroducidas de forma comercial, sino en pocoscasos [9], su estudio e investigacin es cada vez demayor inters en los tcnicos relacionados con esarama. El presente trabajo est enmarcado en esadireccin.
2. PROTECCIONES DIFERENCIALESCONVENCIONALES
La proteccin diferencial de corriente basa suoperacin en la primera ley de Kirchhoff, donde ladiferencia de las corrientes en un nodo debe serigual a cero. Para esto se hace imprescindiblemedir las corrientes entrantes y salientes a un nodoo elemento dado del sistema.
En la figura 1 se muestra una aplicacin de estemtodo en un transformador de potencia. Seobserva un esquema simplificado de una sola fase,con dos TC instalados en los terminales de untransformador de potencia. En el secundario de losdos TC se encuentra un rel de porcentaje
diferencial (87) por el cual circulara la corrientediferencial y las corrientes de retencin.
En rgimen normal al igual que para cortocircuitosexternos (K2), no hay diferencias de corrientesdado que, idealmente, las corrientes en ambosdevanados tienen el mismo sentido y la mismamagnitud, por tanto, no circula corriente alguna porla bobina de retencin del rel.
Figura 1.Principio de accin de las protecciones diferenciales 2
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
3/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
Para el caso de un cortocircuito interno en eltransformador de potencia o en los terminales (K1),las corrientes pueden alcanzar magnitudesdiferentes y de sentidos contrarios, dirigindose alpunto de fallo. Por tanto, aparecer una altacorriente diferencial que circular por el rel y lohar operar.
Este mtodo es aplicado como proteccin principalen los sistemas elctricos de potencia porque,como se explic, es insensible (trabajo ideal) afallas externas, y muy sensible a los fallos internosen el elemento protegido.
El trabajo ideal de la proteccin diferencial decorriente para transformadores de potencia se veafectado por otros factores, que no se presentancuando ella se utiliza en otros elementos delsistema tales como generadores y motores.
Los factores que afectan la proteccin diferencial decorriente en los transformadores de potencia son:
Corriente de magnetizacin. Imposibilidad de igualar las corrientes
secundarias de los TC, ms an si se incluyenel cambia taps de los transformadores depotencia.
Saturacin de los TC en presencia decortocircuitos externos.
Apertura de conductores en el circuitosecundario de los TC.
En la actualidad muchos de estos factores sontomados en cuenta en las protecciones digitalesmodernas usando mtodos de bloqueo para evitarla operacin incorrecta de los mismos [10-11], perola apertura de un conductor en el circuitosecundario de un TC y las posibles operacionesincorrectas que esto puede provocar no ha sidoresuelta.
La apertura de un conductor del secundario de losTC conectados a la proteccin diferencial es unfenmeno poco probable, pero tambin lo es uncortocircuito interno en el transformador de
potencia. Si se pudieran evitar las operacionesincorrectas de esta proteccin, sin afectar mucho susensibilidad, el resultado sera muy positivo.
3. LAS REDES NEURONALES ARTIFICIALES.NECESIDAD DE SU MODELACIN
El proceso de diseo de una Red Neuronal Artificial(RNA) consiste en los siguientes pasos [4]:
1. Preparacin de los datos adecuados para elentrenamiento.
2. Seleccin adecuada de la estructura de la red.3. Entrenamiento de la red.4. Evaluacin de la red con patrones no utilizados
en el entrenamiento.
Los datos para el entrenamiento pueden sertomados de la realidad a partir de sealesalmacenadas en oscilgrafos o dispositivosdigitales modernos que guardan las seales deeventos reales producidos en el Sistema Elctricode Potencia.
Como el entrenamiento hay que hacerlo connumerosos regmenes, casi siempre sonempleados simuladores digitales de SistemasElctricos de Potencia para obtener las sealesnecesarias en la simulacin.
Existen herramientas matemticas que realizan elentrenamiento de una RNA y son flexibles comopara cambiar el mtodo de entrenamiento [14].MATLABes una de ellas y que permite, incluso,simular el posterior funcionamiento de la red con lasseales que se deseen, para verificar el aprendizajede la misma.
4. APLICACIONES DE LAS RNA EN LOSSISTEMAS DE PROTECCIONES ELCTRICAS
Las RNA son ampliamente estudiadas en laactualidad para su aplicacin en las protecciones
elctricas [5]. Ya han sido utilizadas en lossiguientes casos: proteccin de lneas detransmisin [2], barras, deteccin de fallas a tierraa travs de alta impedancia, generadoressincrnicos [7], transformadores de potencia [8],entre otras.
5. ESTRUCTURA DE LA RNA PARA UN RELDEDICADO A LA PROTECCIN DE
TRANSFORMADORES DE POTENCIA
Un Rel basado en RNA incluye, adems de la red,como se observa en la figura 2, otros bloques que
permiten su correcto funcionamiento y suadaptacin a las seales necesarias en el sistemade proteccin [2, 7].
El bloque Interface Analgica de Entradas es laetapa primaria entre las seales de entrada y elRel, y en el mismo se realiza el proceso deconformacin de las seales para el muestreo. Elbloque Muestreador se necesita para el muestreoy filtrado de la seal. El tercer bloque, Adaptador3
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
4/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
de Entradas para RNA, es el encargado de crearlos patrones de reconocimiento segn el tamao dela ventana escogido. El cuarto bloque lo constituyela RNA propiamente dicha. El quinto bloque,Adaptador de Salidas de la RNA, se utiliza paradefinir el estado lgico de las salidas de la RNA y elltimo bloque, Interface Analgica de Salida, esdonde se enlazan las seales internas resultado delprocesamiento de la RNA y los dispositivos desalida del Rel.
El adaptador de entradas para la RNA debeseleccionar una cantidad de muestras, segn laventana utilizada (ver figura 3), en cada una de lasseales y conformar un vector de entrada a la redesttica.
Figura 2.Diagrama en bloques de los componentes del relbasado en RNA para la proteccin de untransformador de potencia.
Figura 3.Ventana utilizada para adaptar la seal elctrica comoseal de entrada a la red.
Cada una de las seales empleadas en el Rel esadaptada de la forma explicada anteriormente, deah que la cantidad de neuronas en la capa deentrada de la RNA depender del nmero deseales utilizadas en el rel y la cantidad demuestras de la ventana de medicin.
Un Rel basado en RNA utilizado para protegertransformadores de potencia deber medir lascorrientes en cada una de las fases, tanto delprimario como del secundario, as como lascorrientes en los neutros. Con esto podr detectartodos los regmenes que provoquen variacionesapreciables de las corrientes. La salida de la reddebe diferenciar entre un fallo o un rgimen normal.Los fallos pueden ser cortocircuitos internos oexternos y los regmenes normales son losdiferentes estados de carga, el rgimen de vaco, lamagnetizacin al energizarlo, entre otros.
La red creada, mostrada en la figura 4, posee 35entradas, correspondientes a las 7 corrientesempleadas por el rel y una ventana de medicincon 5 muestras. Una capa de salida de 3 neuronas,correspondientes a las 3 condiciones mencionadas:rgimen normal, cortocircuito interno y externo.
La primera neurona de la salida representa rgimennormal, y la segunda y tercera representan loscortocircuitos internos y externos, respectivamente.Para el entrenamiento se utilizaron salidas ideales(target) de 0.1 y 0.9 para evitar los lmites de lasfunciones de activacin.
Figura 4.Estructura de la red neuronal artificial escogida segnel comando nntool de MATLAB.
Se emplearon 2 capas ocultas, con 18 y 10neuronas respectivamente. La funcin de activacintangencial fue la utilizada en las neuronas de lacapa oculta y la sigmoidal en las de la capa de
salida.
En MATLAB, para la creacin o diseo de unaRNA se puede utilizar un asistente o emplear loscomandos ofrecidos en las bibliotecas. El comandonntool facilita el trabajo con la red neuronal, permitecrearla, inicializarla, entrenarla, simularla, entreotras funciones, a partir de los datos almacenadosen variables del workspace. 4
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
5/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
En este trabajo se utilizaron directamente loscomandos newff, init, train, sim, dado que lasseales que se emplearon en el entrenamiento sealmacenaron en ficheros separados.
6. ENTRENAMIENTO DE LA RED
Para el entrenamiento se utiliz el modelo de untransformador de potencia de 40 MVA utilizado enla subestacin de 110 kV de la Empresa NiquelferaComandante Ernesto Che Guevara, del municipiode MOA, en Holgun, Cuba.
La modelacin se realiza en SIMULINK de formacontinua con intervalos de tiempo variables(automticos) mucho menores que la frecuencia demuestreo utilizada en el entrenamiento. El mtodode iteracin empleado fue ode23tb (stiff/TR-BDF2),tomando 16 ciclos de duracin para cada rgimen,puesto que las corrientes de magnetizacin del
transformador de potencia descienden a valoresinferiores a la nominal en ese intervalo de tiempo.
En la figura 5 se muestra uno de los procesos demagnetizacin simulados para las condiciones msseveras con mayores niveles de tensin y en elTAP inferior del transformador de potencia, ascomo otros factores [15].
0
0.05
0.1
0.15
0.2
0.25
0
1
2
3
4
5
6
7
8
9
10
Figura 5.Corriente de magnetizacin en la fase A deltransformador de potencia, vista en elsecundario del TC, para las condiciones msseveras.
Se simularon varios tipos de cortocircuitos internosy externos (figura 6), cortocircuitos trifsicos,bifsicos y monofsicos, variando las fases deocurrencia de la falla, el estado de los interruptores,la conexin del neutro, la impedancia de la falla, ascomo la posible apertura de una fase en elsecundario de los TC.
Se simularon 2652 regmenes diferentes, entrenormales y anormales. Cada simulacin fueguardada en un fichero (*.mat) y se crearon listas(cells) con los nombres de cada fichero y el formatodel vector de salida de la RNA correspondiente conel rgimen simulado.
Un fichero llamado cc_K1_abc_AB_cn.matrepresenta un cortocircuito trifsico externo en elprimario, con ambos interruptores cerrados y elneutro conectado. Este rgimen representa un falloexterno y por tanto, la salida ideal de la RNAdeber ser [0.1 0.1 0.9]. El valor de 0.1 para lassalidas 1 y 2 representa que no es ni un rgimennormal y tampoco un fallo interno, as como el valorde 0.9 en la salida 3 indica que la informacinalmacenada en el fichero presenta un fallo externo.
En el proceso de entrenamiento se utiliz un errorpromedio de 1x10-3 con 30000 iteraciones como
mximo. En la figura 7 se muestra elcomportamiento del error durante el proceso deentrenamiento.
7. EVALUACIN DEL ENTRENAMIENTO
La red creada y entrenada se someti a varios delos regmenes similares a los utilizados para elentrenamiento e incluso a la combinacin dealgunos de ellos. En la figura 8 se muestra elcomportamiento de las salidas de la RNA para unrgimen inicialmente de vaco, seguido por uncortocircuito monofsico interno en el transformador
con el interruptor del secundario abierto.
ste es un caso tpico donde un incorrecto ajustedel coeficiente de retencin (100%) en la proteccinde porcentaje diferencial (convencional) puedeprovocar que la misma no opere (operacinincorrecta) aunque el fallo sea interno y lascorrientes sean muy elevadas.
Este caso muestra otra posible causa: operacionesincorrectas comunes de las proteccionesconvencionales. Las protecciones conectadas alneutro del transformador de potencia, para la
proteccin contra fallas a tierra, no operarn si elneutro est desconectado.
En la figura 9 se muestra otro ejemplo, pero estavez simulando un rgimen de vaco y luego uncortocircuito trifsico externo para condicionesiniciales que generan los valores de 2do y 5toarmnicos mayores.
5
Corrientedefase(A)
Tiempo (s)
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
6/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
0 0.05 0.1 0.15 0.2 0.25
-15
-10
-5
0
5
10
15
20
25
Figura 6.Corriente de cortocircuito trifsico externo enla fase A del transformador de potencia, vistaen el secundario de los TC, para lascondiciones ms severas.
Figura 7.Comportamiento del error durante el
aprendizaje de la RNA creada.
145 150 155 160 165 170 175 1800
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 8.Respuesta de la RNA para la magnetizacindel transformador seguido de un cortocircuitomonofsico interno en la fase A del devanadoprimario, con el neutro desconectado.
En la figura 10 se muestra la respuesta de la RNApara un rgimen de magnetizacin seguido por uncortocircuito trifsico interno al transformador, perocon el TC conectado a la fase A tiene la faseabierta.
En la figura 11 se muestra el comportamiento de laRNA para un cortocircuito trifsico externo, perocon el secundario del TC conectado a la fase Babierto. Esto representara la desconexin segurade una proteccin convencional.
En todos los casos se observ que las salidas de laRNA no se comportan de manera constante sinoque varan relativamente poco alrededor del valor0.9 0.1, que son las respuestas ideales para lasque fue entrenada y la variacin de las seales desalida de la red muestra un entrenamientoadecuado.
Aunque los Rels Digitales actuales para laproteccin de transformadores intentan, empleandola lgica convencional, solucionar todos losaspectos que hacen ineficaz a la proteccindiferencial de corriente para transformadores depotencia, el empleo de las RNA y otras tcnicas dela Inteligencia Artificial se imponen por su altacapacidad de diferenciar y detectar regmenesanormales.
145 150 155 160 165 170 175 1800
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 9.Respuesta de la RNA para un rgimen de vaco
seguida por un cortocircuito trifsico externo enel secundario del transformador de potencia amxima generacin.
6
Corrientede
fase(A)
Tiempo (s)
SalidasdelaRNA
Tiempo (s)
o (RN)
x (FI)
(FE)
SalidasdelaRNA
Tiempo (s)
O (RN)x (FI)
(FE)
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
7/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
145 150 155 160 165 170 175 180 185 190 195 2000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 10. Respuesta de la RNA para unamagnetizacin seguido de uncortocircuito trifsico interno en eldevanado primario del transformador depotencia con la fase A del TC abierta.
145 150 155 160 165 170 175 180 185 190 195 2000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 11.Respuesta de la RNA para una magnetizacinseguido de un cortocircuito trifsico externo enel devanado secundario del transformador depotencia con la fase B del TC abierta.
8. CONCLUSIONES
Se demuestra la sensibilidad y rapidez del relbasado en RNA ante cualquier fallo o rgimennormal, en un transformador de potencia.
La RNA entrenada, con 35 entradas, dos capasocultas y una capa de salida con 3 neuronas, logrel aprendizaje de los procesos normales yanormales en el transformador de potencia,diferenciando procesos que resultan bastanteconfusos como la magnetizacin, la apertura de unconductor y otros que haran operarincorrectamente a una proteccin diferencialconvencional.
Fue necesario utilizar un error de 0.001 porquemenor a este valor, aunque el proceso deaprendizaje se haca ms rpido, la variacin de lassalidas de la RNA podran provocar operacionesincorrectas.
La simulacin de los regmenes con una demora de16 ciclos y una ventana de 5 muestras aportaronsuficientes datos para el aprendizaje de la RNA,luego fueron evaluados regmenes con mayorestiempos de simulacin, incluso combinaciones deellos y la RNA se comport sin errores apreciables.
9. BIBLIOGRAFA
[1]. CHERNOBROVOV N. Protectie Rela!in". #$osco%& Ed. $ir' *+.# *,p.
[2]. A-TVE /.' Hector 0. et al. Aplicacin deRedes de Ne1ronas Artificiales en Proteccinde Sistemas El2ctricos de Potencia. ($23ico)
niersidad A1tnoma de N1eo -en. p. +[3]. SAHA $. $' Rosolo%s4i E.' 56!4o%s4i 0.
Artificial 5ntelli"ent Application to Po%er S!stemProtection.
[4]. 7E8NOV5C $. Artificial Ne1ral Net%or4 BasedProtection And Ne%er 9esi"n P:ilosop:ies.9isponi;le en&
:ttp&
-
7/25/2019 Rel Para La Proteccin de Un Transformador de Potencia Basado en Redes Neuronales Artificiales
8/8
Rel para la Proteccin de un Transformador de Potencia basado en Redes Neuronales Artificiales
[13].9KA8 R.' Darima. Rel2 para la proteccin de 1nTransformador de Potencia ;asado en RedesNe1ronales Artificiales.#$oa& 5S$$ 9r AntonioNLMe6 0im2ne6' @GG+.#=:. Tra;aFo de9iploma (5n"eniera El2ctrica)
T1tor& Orl!s Ernesto Torres Breffe[14].NERA- NETOR7 TOO-BO sers 1ide.
$at:%or4' @GGJ.[15].ROSA-ES H. D.' 1erra -. H.' $artne6 A. .'
Arce' -' 9. $etodolo"a para el aF1ste de lasrestricciones armnicas en la proteccindiferencial porcent1al de transformadores.5n"eniera Ener"2tica. 5V(@)' pp. >J?>,'@GGJ.
AUTORES
Orlys Ernesto Torres Breffe.Ingeniero Electricista (1995) en el
Instituto Superior MineroMetalrgico ISMM; M. Sc. en laUniversidad de Camaguey (1999).Trabaja como Profesor Auxiliar y
Jefe del Colectivo de la Carrera de IngenieraElctrica, en el ISMM. (53) 024 64476. MOA,Cuba.Email: [email protected]
Miriam VilaragutLlanes.
5n"eniero Electricista (,@)'$aster en 5n"eniera El2ctrica
(*)' 9octora en CienciasT2cnicas (@GG@). Tra;aFa como
profesora A13iliar en el Centro de 5nesti"aciones! Pr1e;as Electroener"2ticas (C5PE-) del5SP0AE' C1;a' en la disciplina de $Q1inas !
Accionamiento El2ctrico ! en el "r1po deAplicaciones El2ctricas 5nd1striales.Email: miriamelectrica.ispFae.ed1.c1
Antonio Martnez Garca. 5n"eniero Electricista(*)' 9octor en Ciencias T2cnicas (,) en el5nstit1to Ener"2tico de $oscL. Tra;aFa comoProfesor Tit1lar en el Centro de 5nesti"aciones !
Pr1e;as Electroener"2ticas (C5PE-) del 5SP0AE'C1;a' en la disciplina de SistemasElectroener"2ticos.Email& am">G>*!a:oo.es
8
mailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]
