5.1 Conclusiones
Este documento se enfoca en los metodologías basadas en el conocimiento, las cuales brindan una localización de la falla de manera exitosa reduciendo el problema de múltiple estimación. Sin embargo, esta metodología tiene el problema de la alta dependencia del modelo, lo cual implica una buena base de datos para el correcto funcionamiento de la metodología.
En los sistemas eléctricos de potencia, la validación de la base de datos para el adecuado modelado de los parámetros del circuito, representa un problema complejo, debido a la gran dificultad para evaluar todos éstos. Por lo tanto, se hace necesario un análisis de sensibilidad, el cual estudia la influencia de cada uno de los parámetros de modelado, sobre la localización de las fallas entregadas por cada una de las metodologías.
La metodología implementada se desarrolla con una herramienta de variación automática de parámetros, la cual permite modificar la tarjeta base del circuito con diferentes valores en los parámetros de entrada.
Después de obtener varios circuitos con parámetros modificados, la metodología emplea una herramienta de simulación automática de fallas que permite tener la base de datos de los descriptores del sistema ante diferentes fallas en el circuito de distribución.
Esta base de datos sirve como entrada para las metodologías de localización, obteniendo como salida una matriz de confusión que se ingresa a la técnica de sensibilidad para lograr obtener las gráficas que muestran el comportamiento de los parámetros de entrada con respecto a cada falla simulada.
La metodología implementada para el análisis de sensibilidad, cuenta con una interfaz gráfica que permite un fácil manejo. La metodología está en capacidad de analizar una amplia variedad de parámetros.
La metodología implementada permite variar los parámetros que se consideren necesarios y en el rango deseado, para finalmente obtener la gráfica que le muestra la importancia de cada parámetro a través de unos coeficientes de regresión estandarizados, los cuales tienen valores entre 0 y 1. El valor de 1 representa la máxima influencia que tiene un parámetro sobre la localización de las fallas.
El análisis presentado en este documento, evalúa el radial principal del sistema IEEE34 nodos y muestra las gráficas correspondientes a cada evaluación, de acuerdo a la metodología de clasificación escogida. Las metodologías pueden ser los k-nn (Metodología de los k-vecinos más cercanos) o los SVM (Máquinas de soporte vectorial).
47
Los resultados demuestran que cada parámetro influye de manera diferente en cada tipo de falla y dependiendo de la metodología utilizada.
De la metodología k-nn se pudo concluir cómo la gráfica de desempeño de la metodología no depende de la combinación con que se trabaje en la parametrizacion, ya que para las diferentes combinaciones, los parámetros más representativos fueron los mismos.
En ambas metodologías los parámetros de magnitud de voltaje y de resistencia de falla se encontraban dentro de los parámetros que más influían para los diferentes tipos de fallas. También se observó como la metodología k-nn presenta mejores resultados ante la variación de los parámetros de entrada, por lo tanto esta metodología es la menos dependiente del modelado del circuito.
5.2 Recomendaciones
Se recomienda ampliar la metodología propuesta, integrándole más métodos de clasificación, para comprobar cuales presentan mejores resultados ante la variación de parámetros. Con esto, se puede conocer las metodologías que sean menos dependientes del modelo, las cuales deberían ser usadas para crear un localizador robusto.
5.3 Trabajos futuros
Para trabajos futuros se debe ampliar los parámetros de incertidumbre a analizar, como el modelado de las líneas en pi o T, o el modelado de las cargas como impedancia constante, potencia constante o híbrido.
También se espera, que la metodología sirva de ayuda para encontrar localizadores más robustos, que no dependan tanto del modelado de los parámetros del circuito. Por lo tanto, es necesario integrar a la metodología más métodos de clasificación a analizar.
Finalmente, la metodología se debe acondicionar para que no varíen todos los nodos del radial equivalente seleccionado de igual forma, sino que se pueda cambiar el valor que se desea variar en cada parámetro, para cada nodo del sistema.
48
BIBLIOGRAFÍA
[AGGA, 1997] Aggarwal R., Aslan Y, Johns A. “An interactive approach to fault location on overhead distribution lines with load taps,” in Proc. Inst. Elect.Eng., Develop. PowerSyst. Protection, 1997.
[BARR, 2003] Barrera, V. “Predicción de corrientes armónicas en ventanas de carga residenciales mediante modelos neuronales artificiales”. Trabajo de Grado, Universidad
Industrial de Santander, Colombia, 2003.
[BHAR, 2008] Bharata M, Mohanta D. Performance Evaluation of an Adaptive Network Based Fuzzy Inference System Approach for Location of Faults on Transmission Lines Using Monte Carlo Simulation. IEEE TransactionsonFuzzySystems, 2008, Vol. 16, No 4. [BILL, 2006] Billar, J. Jaimes F. “Caracterización de circuitos de distribución para estudios de calidad en sistemas eléctricos”. Trabajo de Grado, Universidad Industrial de Santander,
Colombia, 2006.
[BURG, 1998] C. Burges. “A tutorial on support vector machines for pattern recognition”. Data Mining and Knoledge Discovery, 1998.
[COVE, 1967] Cover T, Hart P. “Nearest neighbor pattern classification”. IEEE Transactions on Information Theory. Vol 13, No 1. pp 21 - 27. 1967.
[DAGE, 2000] Dagenhart, J. “The 40-Ω ground-fault phenomenon”. Industry Applications, IEEE Transactions on, vol.36, no.1, pp.30-32, Feb 2000.
[FANG, 2006] Fang K, Runze L, Sudjianto A. Design and modeling for computer experiments. Chapman and Hall/CRC. UnitedStates. 2006. pp. 1-71.
[GALL, 2008] Gallego R, Escobar A y Toro E. “Técnicas metaheurísticas de optimización”. Grupo de Planeamiento Eléctrico. Universidad Tecnológica de Pereira. 2008. ISBN 9789587220070.
[GIL, 2011] Gil W. “Utilización de técnicas meta heurísticas en la búsqueda de parámetros óptimos para la calibración de las máquinas de soporte vectorial (MSV), para la localización de fallas en sistemas de distribución”. Trabajo de Grado, Universidad Tecnológica de Pereira, Colombia, 2011.
[IEEE, 2000] IEEE Distibution System Analysis Subcommittee “Radial Test Feeders”. 2000. http://www.ewh.ieee.org/soc /pes/sacom/testfeeders .html.
[KECM, 2001] Kecman V. “Learning and soft computing”. Cambridge. London. The M.I.T. Press. 2001.
49
[KUHN, 1951] H. Kuhn, A Tucker. “Nonlinear programming”. Proceedings II Berkeley Symposium on Mathematical Statistics and probabilistics. University of California Press. pp 481-492. UnitedStates. 1951.
[MARI, 2013] Marín J. “Análisis del efecto de la variación de parámetros de modelo de un sistema de distribución sobre las metodologías de localización de fallas paralelas”. Tesis Maestría, Universidad Tecnológica de Pereira, Colombia, 2013.
[MORA, 2005] G. Morales, A. Gómez. “Estudio e Implementación de una herramienta basada en Máquinas de soporte vectorial aplicada a la Localización de fallas en sistemas de distribución”. Trabajo de Grado. Universidad Industrial de Santander. Colombia. 2005. [MORA, 2006] Mora, J. “Localización de faltas en sistemas de distribución de energía eléctrica usando métodos basados en el modelo y métodos basados en el conocimiento”. PhD disertación, Universidad de Girona, España, 2006.
[MORA, 2006a] Mora J, Bedoya J.C, Melendez J. “Implementación de protecciones y simulación automática de eventos para la localización de fallas en sistemas de distribución de energía”; Revista Ingeniería y Competitividad Universidad del Valle, volumen 8, Agosto de 2006.
[MORA, 2006b] Mora J, Bedoya J.C, Melendez J. “Extensive Events Database Development using ATP and Matlab to Fault Location in Power distribution Systems” IEEE PES Transmission and Distribution Conference and Exposition: Latin America. Caracas. 2006.
[MORA, 2007] Morales G, Mora J y Vargas H. “Método algorítmico basado en el principio de la reactancia de falla para localización en sistemas de distribución desbalanceados y con cargas intermedias”. XII encuentro regional Iberoamericano del CIGRÉ. Foz de Iguazú. 2007.
[MORA, 2009] G. Morales, J. Mora, S. Pérez. “Learning-based strategy for reducing the multiple estimation problem of fault zone location in radial power Systems” IET Generation, Transmission and Distribution. Abril de 2009, pp. 346-356.
[OSMA, 1996] Osman I, Kelly J. “Metaheuristics: theory and applications”, Kluwer Academic pub. 1996.
[PERE, 2009] Pérez L, Pérez S, Mora J. “Diseño de una herramienta eficiente de simulación automática de fallas en sistemas eléctricos de potencia”. Revista Dyna. Vol. 164. 2009. pp. 178-188.
[QUIN, 2010] Quintero, E. “Desarrollo de un modelo para la localización de fallas en sistemas de transmisión de energía eléctrica utilizando técnicas de inteligencia artificial”. Tesis Maestría, Universidad Nacional, Colombia, 2010.
50
[RUIZ, 2011] Ruiz, J. “Algoritmos de cálculo de vectores de prioridad a partir de matrices de comparación por pares imprecisas”. PhD disertación, Universidad Politécnica de Madrid, España, 2011.
[SALI, 2011] Salim R.H, Salim K.C.O, Bretas A.S. “Further improvements on impedance- based fault location for power distribution systems” IET Gener.Transm.Distrib., 2011, Vol. 5, Iss. 4, pp. 467–478.
[SALT, 2000] A. Saltelli, K. Chan. Sensitivity Analysis.John Wiley & Sons Ltd. United Kingdom. 2000. pp. 101-152.
[SENG, 2005] Senger C, Manassero G, Goldemberg C, Lorenzetti E. Automated Fault Location System for Primary Distribution Networks. IEEE Transactions on power delivery, vol. 20, No 2 April 2005.
[VIAN, 2009] Viana F, Venter G. “An algorithm for fast optimal Latin hypercube design of experiments’’ International journal for numerical methods in engineering.UnitedStates. 2009.
[WANG, 2008] Wang B, Zeng Y, Yang Y. “Generalized nearest neighbor rule for pattern classification”. Proceedings of the 7th Congress on Intelligent Control and Automation. China. 2008.
[ZAPA, 2010] Zapata, A. “Desarrollo de un método híbrido de localización de fallas paralelas en sistemas de distribución utilizando una técnica de clasificación basada en k-nn y la estimación de la impedancia de falla”. Trabajo de Grado, Universidad Tecnológica de Pereira, Colombia, 2010.
[ZHU, 1997] Zhu J, Lubkeman D, Girgis A. “Automated fault location and diagnosis on electric power distribution feeders” … IEEE transactions on power delivery 1997. Pp 801- 809.