> PROGRAMA DE MAESTRA INGENIERA ELCTRICA EN DISTRIBUCIN - EPN <

Aplicaciones y herramientas de Computacin

Neuronal en Sistemas Elctricos de Potencia
Ramiro Mauricio Vsquez Villarruel
ESCUELA POLITCNICA NACIONAL
ramiro_mauricio@hotmail.com

de aplicacin que se est obteniendo estos ltimos aos.

Resumen Las redes neuronales han sido utilizadas

exitosamente en muchos tipos de problemas de prediccin debido
a que son capaces de modelar y predecir series de tiempo lineales
y no lineales con un alto grado de precisin, capturar cualquier
tipo de interrelacin entre los datos y no requieren de
conocimiento previo del problema que se est modelando.
Uno de los temas de la inteligencia artificial que ha alcanzado
trascendental importancia es redes neuronales artificiales y en
dicho tema, una de las aplicaciones ms importantes es el
reconocimiento de patrones. El reconocimiento de patrones es
una tcnica de la inteligencia artificial y es empleado por
tecnologas como el procesamiento del lenguaje natural y la
visin computacional.
Index Terms inteligencia artificial, neuronas biolgicas,
patrones, prediccin, redes neuronales.

I. INTRODUCTION

l cerebro humano es el sistema de clculo ms complejo

que conoce el hombre. El ordenador y el hombre realizan
bien diferentes clases de tareas; as la operacin de reconocer
el rostro de una persona resulta una tarea relativamente
sencilla para el hombre y difcil para el ordenador, mientras
que la contabilidad de una empresa es tarea costosa para un
experto contable y una sencilla rutina para un ordenador
bsico.
La capacidad del cerebro humano de pensar, recordar y
resolver problemas ha inspirado a muchos cientficos intentar
o procurar modelar en el ordenador el funcionamiento del
cerebro humano. Los profesionales de diferentes campos
como la ingeniera, filosofa, fisiologa y psicologa han unido
sus esfuerzos debido al potencial que ofrece esta tecnologa y
estn encontrando diferentes aplicaciones en sus respectivas
profesiones.
Un grupo de investigadores ha perseguido la creacin de un
modelo en el ordenador que iguale o adopte las distintas
funciones bsicas del cerebro. El resultado ha sido una nueva
tecnologa llamada Computacin Neuronal o tambin Redes
Neuronales Artificiales.
El resurgimiento del inters en esta nueva forma de realizar
los clculos tras dos dcadas de olvido se debe al
extraordinario avance y xito tanto en el aspecto terico como

II. HISTORIA DE LAS REDES NEURONALES

En 1936 Alan Turing. Fue el primero en estudiar el cerebro
como una forma de ver el mundo de la computacin. Sin
embargo, los primeros tericos que concibieron los
fundamentos de la computacin neuronal fueron Warren
McCulloch, un neurofisilogo, y Walter Pitts, un matemtico,
quienes, en 1943, lanzaron una teora acerca de la forma de
trabajar de las neuronas (Un Clculo Lgico de la Inminente
Idea de la Actividad Nerviosa - Boletn de Matemtica
Biofsica 5: 115-133). Ellos modelaron una red neuronal
simple mediante circuitos elctricos.
En 1949 Donald Hebb. Fue el primero en explicar los
procesos del aprendizaje (que es el elemento bsico de la
inteligencia humana) desde un punto de vista psicolgico,
desarrollando una regla de como el aprendizaje ocurra. Aun
hoy, este es el fundamento de la mayora de las funciones de
aprendizaje que pueden hallarse en una red neuronal. Su idea
fue que el aprendizaje ocurra cuando ciertos cambios en una
neurona eran activados. Tambin intent encontrar semejanzas
entre el aprendizaje y la actividad nerviosa. Los trabajos de
Hebb formaron las bases de la Teora de las Redes
Neuronales.
En 1950 Karl Lashley. En sus series de ensayos, encontr
que la informacin no era almacenada en forma centralizada
en el cerebro sino que era distribuida encima de l.
En 1956 Congreso de Dartmouth. Este Congreso
frecuentemente se menciona para indicar el nacimiento de la
inteligencia artificial.
En 1957 Frank Rosenblatt. Comenz el desarrollo del
Perceptron. Esta es la red neuronal ms antigua; utilizndose
hoy en da para aplicacin como identificador de patrones.
Este modelo era capaz de generalizar, es decir, despus de
haber aprendido una serie de patrones poda reconocer otros
similares, aunque no se le hubiesen presentado en el
entrenamiento. Sin embargo, tena una serie de limitaciones,
por ejemplo, su incapacidad para resolver el problema de la
funcin OR-exclusiva y, en general, era incapaz de clasificar
clases no separables linealmente.
En 1959 Frank Rosenblatt: Principios de Neurodinmica.
En este libro confirm que, bajo ciertas condiciones, el
aprendizaje del Perceptron converga hacia un estado finito

> PROGRAMA DE MAESTRA INGENIERA ELCTRICA EN DISTRIBUCIN - EPN <

(Teorema de Convergencia del Perceptron).
En 1960 Bernard Widroff/Marcian Hoff. Desarrollaron el
modelo Adaline (ADAptative LINear Elements). Esta fue la
primera red neuronal aplicada a un problema real (filtros
adaptativos para eliminar ecos en las lneas telefnicas) que se
ha utilizado comercialmente durante varias dcadas.
En 1961 Karl Steinbeck: Die Lernmatrix. Red neuronal para
simples realizaciones tcnicas (memoria asociativa).
En 1969 Marvin Minsky/Seymour Papert. En este ao casi
se produjo la muerte abrupta de las Redes Neuronales; ya
que Minsky y Papert probaron (matemticamente) que el
Perceptrons no era capaz de resolver problemas relativamente
fciles, tales como el aprendizaje de una funcin no-lineal.
Esto demostr que el Perceptron era muy dbil, dado que las
funciones no-lineales son extensamente empleadas en
computacin y en los problemas del mundo real.
En 1974 Paul Werbos. Desarroll la idea bsica del
algoritmo de aprendizaje de propagacin hacia atrs
(backpropagation); cuyo significado qued definitivamente
aclarado en 1985.
En 1977 Stephen Grossberg: Teora de Resonancia
Adaptada (TRA). La Teora de Resonancia Adaptada es una
arquitectura de red que se diferencia de todas las dems
previamente inventadas. La misma simula otras habilidades
del cerebro: memoria a largo y corto plazo.
En 1985 John Hopfield. Provoc el renacimiento de las
redes neuronales con su libro: Computacin neuronal de
decisiones en problemas de optimizacin.
En 1986 David Rumelhart/G. Hinton. Redescubrieron el
algoritmo de aprendizaje de propagacin hacia atrs
(backpropagation).
A partir de 1986, el panorama fue alentador con respecto a
las investigaciones y el desarrollo de las redes neuronales. En
la actualidad, son numerosos los trabajos que se realizan y
publican cada ao, las aplicaciones nuevas que surgen (sobre
todo en el rea de control) y las empresas que lanzan al
mercado productos nuevos, tanto hardware como software
(sobre todo para simulacin) [1].

estudio, ejercicio o experiencia. Las ANN pueden cambiar su

comportamiento en funcin del entorno. Se les muestra un
conjunto de entradas y ellas mismas se ajustan para producir
unas salidas consistentes.
B. GENERALIZAR
Extender o ampliar una cosa. Las ANN generalizan
automticamente debido a su propia estructura y naturaleza.
Estas redes pueden ofrecer, dentro de un margen, respuestas
correctas a entradas que presentan pequeas variaciones
debido a los efectos de ruido o distorsin.
C. ABSTRAER
Aislar mentalmente o considerar por separado las
cualidades de un objeto. Algunas ANN son capaces de
abstraer la esencia de un conjunto de entradas que
aparentemente no presentan aspectos comunes o relativos [2].

IV. NEURONAS BIOLGICAS

Las redes neuronales artificiales persiguen imitar ciertas
habilidades humanas atribuibles al cerebro y a millones de
elementos interconectados llamados Neuronas.
Las neuronas son clulas nerviosas que constituyen los
elementos primordiales del sistema nervioso central. Son
capaces de recibir seales provenientes de otras neuronas,
procesar estas seales, generar pulsos nerviosos, conducir
estos pulsos, y transmitirlos a otras neuronas.
Las neuronas estn formadas por tres componentes
principales: dendritas, cuerpo celular y axn como se puede
observar figura 1.

III. CARACTERSTICAS DE LAS REDES NEURONALES

ARTIFICIALES
Las Redes Neuronales Artificiales, ANN (Artificial Neural
Networks) estn inspiradas en las redes neuronales biolgicas
del cerebro humano. Estn constituidas por elementos que se
comportan de forma similar a la neurona biolgica en sus
funciones ms comunes. Estos elementos estn organizados de
una forma parecida a la que presenta el cerebro humano.
Las ANN al margen de "parecerse" al cerebro presentan una
serie de caractersticas propias del cerebro. Por ejemplo las
ANN aprenden de la experiencia, generalizan de ejemplos
previos a ejemplos nuevos y abstraen las caractersticas
principales de una serie de datos.
A. APRENDER
Adquirir el conocimiento de una cosa por medio del

Figura 1 Dibujo esquemtico de Neuronas Biolgicas [3].

Las dendritas son como un rbol de redes receptivas de

fibras nerviosas que llevan seales elctricas al cuerpo de la
clula.
El cuerpo celular contiene el ncleo, tiene forma esfrica y
es aqu donde se ejecutan todas las transformaciones

> PROGRAMA DE MAESTRA INGENIERA ELCTRICA EN DISTRIBUCIN - EPN <

necesarias para la vida de la neurona.
El axn transmite la seal de salida a otras neuronas. El
intercambio qumico de informacin entre una neurona y otra
se hace a travs de la sinapsis. sta es el punto de
interconexin entre neuronas.
La neurona artificial es una versin muy simple de la
neurona biolgica, pero puede establecerse fcilmente una
equivalencia entre ambas [4].
La operacin de la neurona es un proceso en donde la clula
ejecuta una suma de seales que llegan por sus dendritas
(entradas). Cuando esta suma es mayor que cierto umbral, la
neurona responde transmitiendo un pulso a travs de su axn
(salida). La figura 2 ilustra el modelo artificial y la
equivalencia entre la neurona artificial y biolgica.

Las neuronas de la capa de entrada se encargan nicamente

de recibir seales o patrones que vienen del exterior y
propagan tales seales a todas las neuronas de la capa
siguiente. La ultima capa acta como salida de la red,
proporcionando al exterior la respuesta de la red para cada uno
de los patrones de entrada. Las neuronas de las capas ocultas
realizan un procesamiento no lineal de los patrones recibidos.
Como se observa en la figura 1, las conexiones del perceptron
multicapas estn siempre dirigidas hacia delante, i. e., las
neuronas de una capa se conectan con las neuronas de la capa
siguiente; por tal motivo reciben el nombre de redes
alimentadas hacia delante o redes feedforward. A las
conexiones se les asocia un nmero real llamado peso de la
conexin y a las neuronas de la red un umbral, que en el caso
del perceptron multicapas es tratado como una conexin
adicional a la neurona [5].
A. PRINCIPALES APLICACIONES DE LAS REDES
NEURONALES ARTIFICIALES

Figura 2 Equivalencia entre la Neurona Artificial y Biolgica [4].

V. REDES NEURONALES ARTIFICIALES

La arquitectura de redes neuronales ms ampliamente
utilizada es la que se conoce con el nombre de perceptron
multicapas, la cual se caracteriza por el hecho de que sus
neuronas se agrupan en capas por niveles. Cada una de estas
capas est constituida por un conjunto de neuronas. Hay tres
tipos de capas diferentes: la capa de entrada, las capas ocultas
y la capa de salida, como se observa en la figura 3.

Las principales aplicaciones de las redes neuronales

artificiales son:
Clasificacin de Patrones
Agrupamiento Categorizacin
Aproximacin de funciones
Memoria direccionable por contenido [6].
B. FUNCIONAMIENTO DE UNA NEURONA ARTIFICIAL
De igual modo que las neuronas biolgicas, una neurona
artificial, tiene varias entradas y una sola salida, la misma que
a su vez se puede aplicar a muchos otras neuronas. En la
figura 4 presentamos el esquema de una Neurona Artificial
[7].

Figura 4. Esquema de una neurona artificial [7]

Figura 3. Red neuronal feedforward [3].

Si comparamos las neuronas artificiales del presente grfico

con las neuronas biolgicas, entonces (x1,xi,xn) vendran
a ser los impulsos de entrada para la neurona j que provienen
de las neuronas (1,..i,n). Los pesos (w1j, ,wij,.wnj)
representaran el potencial excitador o inhibidor de las

> PROGRAMA DE MAESTRA INGENIERA ELCTRICA EN DISTRIBUCIN - EPN <

conexiones sinpticas respectivas.
Cada elemento de procesamiento obtiene un valor de
entrada neto basndose en todas las conexiones de entrada. La
forma tpica es calcular el valor de entrada neto sumando los
valores de entrada, ponderados (multiplicados) con sus pesos
correspondientes. La entrada neta del j-simo nodo se escribe:
Neto j = s xij * wij

apreciar en la figura 6 el esquema del control [9].

VI. APLICACIONES
A. DISEO DEL CONTROL MEDIANTE REDES
NEURONALES
Para estimar las seales de consigna para el control, es
decir, las intensidades de compensacin de referencia para
cada fase, se utilizan dos redes adaptativas constituidas cada
una por una neurona lineal Adaline. La ventaja de utilizar
estas redes en lugar de otras que pudieran entrenarse offline
(como una red perceptron) es que pueden adaptarse a
cualquier variacin que presente la forma de onda de la
intensidad de carga, por brusca que sta sea [8].

Figura 6. Esquema de control [9].

C. CONTROL AUTOMTICO DE LA TENSIN

Para evitar el colapso de tensin, lo primero que se debe
hacer es un estudio de estabilidad y planificacin que diga
cmo se encuentra el sistema en relacin al punto crtico; se
deben tomar las medidas necesarias en cuanto a
recomposicin de reservas y compensaciones. En base a lo
anterior implementar un sistema de operacin y control de
tensin que garantice el cumplimiento de criterios de
estabilidad.
La Figura 7 ilustra en forma esquemtica un diagrama de la
estructura jerrquica de control automtico de tensin. Estos
niveles no solo estn distribuidos espacialmente sino que
tambin lo estn temporalmente, el Nivel Primario es de
actuacin inmediata, mientras que el Nivel Secundario acta
una vez superado el transitorio siendo su constante de tiempo
del orden del minuto, y finalmente el Nivel Terciario es el
ltimo en actuar y su constante de tiempo se encuentra en el
orden de los minutos. Tanto el esquema temporal como el
espacial tratan de desacoplar los niveles para evitar
oscilaciones y rdenes en contrario.

Figura 5. Esquema del proceso [8]

B. CONTROL AUTOMTICO DE GENERACIN

Dado un patrn de demanda anticipado, la generacin es
programada a lazo abierto con el objeto de equilibrarla. Esto
se hace con un da de anticipacin, y se actualiza cada hora
con reajustes automticos cada quince minutos. Variaciones
en la demanda no anticipadas, y que no ocasionan cortes por
sub-frecuencia, son manejadas en forma automtica por el
AGC (Automatic Generation Control) actuando sobre las
mquinas destinadas a la Regulacin Primaria de Frecuencia.
Grandes variaciones o contingencias de envergadura son
manejadas por el operador experto basado en reglas
preestablecidas de antemano, por estudios de operacin y
planificacin hechos fuera de lnea. Controlando este
procedimiento existen esquemas especiales de proteccin
(SPS Special Protections Schemes) como el esquema de cortes
por sub-frecuencia, la desconexin automtica de generacin
(DAG), la desconexin automtica de demanda. Se puede

Figura 7. Diagrama jerrquico del control de tensin [9].

> PROGRAMA DE MAESTRA INGENIERA ELCTRICA EN DISTRIBUCIN - EPN <

REFERENCIAS

[1] D. Matich, Redes Neuronales: Conceptos Bsicos y Aplicacions,

Rosario, 2001, p. 55.
[2] X. Bosogain, Redes neuronales artificiales y sus aplicaciones, p. 79.
[3] J. Iglesias, Diseo de un rel neuronal de proteccin de lneas areas de
AT, Catalua: Tesis Doctoral, 2003.
[4] V. Collantes, Prediccin con redes neuronales: Comparacin con las
metodologas de BOX Y JENKINS, Mrida, 2001.
[5] C. Santana, Prediccin de series temporales con redes neuronales: una
aplicacin a la inflacin colombiana, 2006.
[6] F. Dowla y L. Rogers, Solving problems in environmenta engineering
and geosciences with artificial neural networks, Cambridge: MIT Press,
1996.
[7] E. Sanchez y A. Alains, Redes neuronales: conceptos fundamentales y
aplicaciones a control automtico, Madrid: Prentice-Hall, 2006.
[8] J. Rodrguez y P. Salmern, Diseo de un control adaptativo mediante
redes neuronales, pp. 3-4.

Vsquez R. nacido en Ibarra, Imbabura,

en 1985. Graduado de Ingeniero en
Mantenimiento
Elctrico
en
la
Universidad Tcnica del Norte de Ibarra,
Imbabura en 2014.
Desde
2014
presta
servicios
profesionales, como trabajos ms
relevantes se destacan los siguientes
"Estudio de depreciacin de activos en la hidroelctrica
fbrica imbabura ex IESS, Estudio para la rehabilitacin
de la central hidroelctrica Cotacachi", "Instalacin elctrica
de planta uht en la Floralp s.a.", en los cuales formo parte del
equipo de trabajo.
Adems en 2014 inicia sus actividades laborales en su
propia empresa "Vsquez Villarruel Elctrica", la misma que
brinda servicios de diseo e instalacin de redes de
electrificacin (medio y bajo voltaje), montaje de
transformadores (trifsicos, y monofsicos), control industrial
entre otros.
Vsquez R. actualmente se encuentra realizando los
estudios de maestra en la Escuela Politcnica Nacional de
Quito, Pichincha.