XIV ERIAC

DESARROLLO DE UN MODELO PARA LA LOCALIZACIN DE FALLAS EN

SISTEMAS DE TRANSMISIN DE ENERGA ELCTRICA UTILIZANDO TCNICAS DE
INTELIGENCIA ARTIFICIAL

ERWIN QUINTERO JULIN MORENO JAIME ALEJANDRO

CRESPO * CADAVID ZAPATA URIBE
XM Compaa de Expertos Universidad Nacional de XM Compaa de Expertos
en Mercados S.A. E.S.P. Colombia en Mercados S.A. E.S.P.
Colombia Colombia Colombia

G.H. APELLIDO4* I.J. APELLIDO5 K.L. APELLIDO6

Empresa4 Empresa5 Empresa6
Pas4 Pas5 Pas6

Resumen: Este trabajo aborda la localizacin de fallas monofsicas en sistemas de Transmisin de energa
elctrica, a partir de la simulacin de eventos presentes en un sistema elctrico de potencia (SEP), mediante
el software ATP-EMTP. El reto de la localizacin se relaciona con el hecho de que las magnitudes de las
variables no son iguales ante cambios topolgicos en la lnea, o en su operacin. Por ello es necesaria la
utilizacin de modelos inteligentes y adaptativos, que aprendan de las experiencias para mejorar su
desempeo en el tiempo y se adapten a las condiciones exigidas por un SEP real.

De la exploracin del estado del arte sobre el particular se pudo determinar que las metodologas,
algoritmos, tcnicas determinsticas y de inteligencia artificial actualmente desarrolladas para la
localizacin de fallas, generalmente se centran en fallas de baja impedancia y en sistemas de transmisin de
energa bien definidos sobre una topologa en particular.

Para dar solucin a los inconvenientes planteados se proponen dos modelos: 1. Modelo de redes neuronales
(RNA) y 2. Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS), seleccionando como entradas aquellas
variables elctricas que mejores resultados presentaron al realizar el anlisis adimensional. El anlisis
realizado permiti describir mejor el comportamiento de las variables ante fallas en el sistema de
transmisin en comparacin con los acondicionamientos tradicionalmente realizados. Para la validacin de
los resultados se simularon 30300 casos de falla, en los cuales la falla se ubic entre el 0 y 100% de la
lnea, considerndose fallas de baja, media-alta y alta impedancia.

Palabras clave: Registros de osciloperturbografa, Tcnicas de Inteligencia Artificial (IA): Redes

Neuronales Artificiales (RNA) y Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS), Caractersticas
del Sistema Elctrico de Potencia (SEP).
1. INTRODUCCION
Actualmente las entidades prestadoras del servicio de transmisin de energa se enfrentan a la necesidad de
realizar un despeje rpido de las fallas que presente el sistema de transmisin elctrica; la rpida
identificacin y localizacin de la falla en la lnea de transmisin permite desplazar al sitio todos los recursos
tcnicos y humanos a la mayor brevedad, aumentado la posibilidad de rehabilitar el tramo y restablecer el
servicio de fluido elctrico en el menor tiempo posible [2].

En los sistemas elctricos de potencia (SEP) se pueden presentar varios tipos de falla que pueden ocasionar
perturbaciones en el sistema, entre las cuales se destacan por su frecuencia de ocurrencia las fallas
monofsicas a tierra, presentes en aproximadamente 90% de eventos totales de falla [5]. Tambin existen

* . equintero@xm.com.co
otras no menos importantes como las fallas bifsicas a tierra, fallas bifsicas aisladas, fallas trifsicas a tierra
y fallas trifsicas aisladas, todas con diferentes niveles de impedancia de falla.

Entre las fallas presentes en los sistemas de transmisin, se encuentra una clase especial de fallas que pueden
ocurrir en sistemas de transmisin elctrica llamadas fallas de alta impedancia (FAI). Generalmente esta falla
presenta un valor elevado de impedancia en el punto de falla, lo que ocasiona una corriente de baja magnitud
en comparacin con fallas solidas. Debido a sus caractersticas, la presencia de fallas de alta impedancia
dificultad su deteccin y localizacin del punto de falla.

Adems de las dificultades mencionadas en algunos casos, la problemtica de la localizacin de fallas en

sistemas de transmisin y distribucin de energa elctrica se presenta por la delimitada adaptabilidad de los
modelos desarrollados, limitndose la mayora de las veces a algunas topologas de red [6]. Muchas de las
aproximaciones existentes, incluyendo algunas que emplean mtodos determinsticos y tcnicas de
inteligencia artificial, presentan dificultades ante la correcta localizacin de la misma y se centran
esencialmente en la clasificacin de falla [3]. Un ejemplo de ello es la localizacin de la falla de alta
impedancia, muchas veces se diagnostica a una distancia considerable del punto de medicin, cuando en
realidad est en la cercanas, presentndose por el toque de un rbol con las lneas, contacto indirecto de
lneas, falla de aislamiento, etc.

Los algoritmos para la localizacin de fallas de mayor aplicacin como: Reactancia, Takagi, Schweitzer y
Ericksson, hacen uso de la informacin de las variables que almacenan los rels de proteccin, estos
algoritmos presentan gran asertividad en la localizacin de fallas de baja impedancia y a corta distancia del
rel, sin embargo en estos se realizan suposiciones sobre el comportamiento y estructura del sistema de
potencia, limitando su alcance real. Adems para Fallas de Alta Impedancia (FAI), presentan en sus anlisis
graves deficiencias [7].

Otras aproximaciones tienen una buena identificacin y localizacin de la falla, haciendo uso de la
transformada de Wavelet, tcnicas de IA y de transductores pticos para medir la seal elctrica de inters,
pero su problema fundamental es que es necesario comunicacin con ambos extremos de la lnea, y los
equipos transductores son costosos y escasos en las lneas de transmisin [2].

Bajo este panorama, el objetivo principal apunta al desarrollo de un modelo que permita localizar el punto de
falla en lneas de transmisin de energa elctrica para diferentes topologas de red, mediante la utilizacin de
tcnicas de inteligencia artificial, partiendo del conocimiento previo del tipo de falla y topologa de red.
2. SIMULACION
El proceso de simulacin fue realizado mediante el uso del programa de simulacin de transitorios
electromagnticos ATP/EMTP[1]. En la figura 1 se aprecia el circuito elctrico del modelo genrico
seleccionado para simular el comportamiento de la lnea de transmisin ante una falla monofsica a tierra, el
cual puede ser extendible a otros tipos de falla y a cualquier SEP del mundo.

Como se observa el sistema cuenta con dos fuentes equivalentes Thevenin que representa los aportes de
cortocircuito, una lnea tpica, suiches y resistencias que permiten representar las impedancias de falla del
sistema y ocurrencia para cada una de las fases. Asimismo cuenta con dos bloques tipo models que en
conjunto con otros dispositivos, procesan las seales de corriente y voltaje para obtener los fasores de los
armnicos 1 y 3 superimpuestos de estas seales.

Con este modelo se logr reproducir exitosamente formas de ondas para corrientes y voltajes para diferentes
longitudes de lnea y condiciones de falla del sistema, que posteriormente fueron utilizados como entradas
en los sistemas IA desarrollados en este trabajo.

Se selecciono un sistema de transmisin de energa a 230kV, y lneas mayores a 100km de longitud, por
considerar que dada su longitud presenta mayor dificultad al momento de realizar la localizacin de la falla
ante un evento real en el sistema.

2
Para la simulacin del Sistema de transmisin se consideraron diez valores de impedancia de falla,
discriminados y clasificados en este trabajo de la siguiente manera: 1. Impedancia Baja: 10 y 20 ohmios. 2.
Impedancia Media-Alta: 30, 40 y 50 ohmios y Alta impedancia: 60, 70, 80, 90 y 100 ohmios.

Fig. 1. Modelo de simulacin, compuesto por 100 Bloques de lnea tipo PI en cascada.
Los dos modelos propuestos utilizan como entrada la informacin de un solo extremo de la lnea, ya sea el
extremo A B. En la tabla I se relacionan los casos de simulacin que se realizaron con el aplicativo
ATP/EMTP [1].
Tabla I. Casos de estudio simulados.
ngulos de Impedancia
Intervalos de Total
Longitud transferencia entre Evaluada en cada
Lneas ocurrencia de Casos de
(km) la subestacin A y punto de ocurrencia
la falla Estudio
B. (Grados) de la falla
Entre 0 y 100%
Lnea 1. 10, 20, 30, 40, 50,
193 -20, -10, 0, 10, 20
con incremento 5050
Subestacin A. 60, 70, 80, 90 y 100
de 1%.
Entre 0 y 100%
Lnea 1. 10, 20, 30, 40, 50,
193 -20, -10, 0, 10, 20 con incremento 5050
Subestacin B. 60, 70, 80, 90 y 100
de 1%.
Entre 0 y 100%
Lnea 2. 10, 20, 30, 40, 50,
144 -20, -10, 0, 10, 20 con incremento 5050
Subestacin A. 60, 70, 80, 90 y 100
de 1%.
Entre 0 y 100%
Lnea 2. 10, 20, 30, 40, 50,
144 -20, -10, 0, 10, 20 con incremento 5050
Subestacin B. 60, 70, 80, 90 y 100
de 1%.
Entre 0 y 100%
Lnea 3. 10, 20, 30, 40, 50,
129 -20, -10, 0, 10, 20 con incremento 5050
Subestacin A. 60, 70, 80, 90 y 100
de 1%.
Entre 0 y 100%
Lnea 3. 10, 20, 30, 40, 50,
129 -20, -10, 0, 10, 20 con incremento 5050
Subestacin B. 60, 70, 80, 90 y 100
de 1%.
3. REDES NEURONALES ARTIFICIALES (RNA)
El primer modelo propuesto fue mediante la utilizacin de redes neuronales que tiene entre sus cualidades
gran adaptabilidad a los cambios y fortaleza al momento resolver los problemas a travs de la experiencia, el
objetivo es conseguir que las maquinas den respuestas similares a las de un cerebro humano.

Para la determinacin de las variables de entrada de la red neuronal se parti de estudios realizados
previamente [4, 7, 9] que caracterizan las fallas de alta impedancia. De esta manera y previo anlisis las
3
variables superimpuestas elegidas fueron la magnitud del 1er armnico voltaje y corriente, |VA1|, |IA1|,
ngulo del 3er armnico de corriente IA3 y el cociente entre la magnitud de los fasores de voltaje y
corriente de 1er armnico |VA1| / |IA1|. En la figura 2, se aprecia el proceso para la localizacin de la
falla.

Simulacin VFase-Fallada, IFase-Fallada Procesamiento de

ATP/EMTP datos. Models

|V1|/|I1
|V1|

|I1|

IA3

|
Localizacin (%) del
punto de falla RNA
monofsica a tierra
Fig 2. Proceso de localizacin de la falla mediante el uso de RNA.
Donde:

|VA1|: Magnitud Fasor de Voltaje Fase A Superimpuesto (Diferencia en un ciclo entre el voltaje de falla y
la de pre falla) 1er armnico en la subestacin local.
|IA1|: Magnitud Fasor de Corriente Fase A Superimpuesto (Diferencia en un ciclo entre el voltaje de falla y
la de pre falla) 1er armnico en la subestacin local.
IA3: Angulo Fasor de Corriente Fase A Superimpuesto (Diferencia en un ciclo entre el voltaje de falla y
la de pre falla) 3er armnico en la subestacin local.
|VA1| / |IA1|: Cociente entre el voltaje y la corriente superimpuesto (Diferencia en un ciclo entre el voltaje
de falla y la de pre falla) 1er armnico en la subestacin local.

Para la red neuronal utilizada, se probaron diferentes arquitecturas, variando el nmero de parmetros de
entrada para el entrenamiento de la red y el nmero de neuronas en la capa oculta, hasta obtener resultados
aceptables. La arquitectura seleccionada fue (4,9,1) perceptron multicapa con funcin sigmoidal (ver
ecuacin 1) como funcin de activacin en su capa oculta, y el algoritmo backpropagation como algoritmo
de aprendizaje.

f ( x ) = sig (x ) =
1
(Ecuacin 11)
1 + exp( x)

Para el entrenamiento se utilizaron inicialmente 5050 datos por cada una de las variables de entrada descritas
en la figura 2, la magnitud superimpuesta de los fasores de voltaje y corriente del primer armnico |VA1| e
|IA1|, el ngulo del fasor superimpuesto de corriente de tercer armnico IA3 y el cociente entre la
magnitud del voltaje y corriente superimpuesto |VA1| / |IA1|. Pero posteriormente se retiraron los valores
ms bajos de impedancia correspondientes a 10 , los cuales presentaron un comportamiento que difera de
los dems valores.
Este modelo se entreno con los parmetros tomados desde la subestacin A en la lnea 1, posteriormente se
evalu la red neuronal obtenida con los datos de las tres lneas con sus respectivas subestaciones obteniendo
muy buenos resultados, no siendo necesario entrenar nuevamente la red para acondicionarse a los diferentes
longitudes de las lneas A, B y C. En la tabla II se presentan los resultados al evaluar la red neuronal
arquitectura (4,9,1) , con informacin de las lneas 1, 2 y 3.

Tabla II. Resultados red neuronal arquitectura (4,9,1). Sin impedancias de 10 ohmios.
Lnea Lnea 1. Lnea 1. Lnea 2. Lnea 2. Lnea 3. Lnea 3. Error
Evaluada Subestacin A. Subestacin B. Subestacin A. Subestacin B. Subestacin A. Subestacin B. Relativo

4
 Promedio
Error Error Error Error Error Error Error
Datos de Desv. Desv. Desv. Desv. Desv. Desv.
Relat Relat Relat Relat Relat Relat Relat
Entrenamien Stand Stand Stand Stand Stand Stand
Prom Prom Prom Prom Prom Prom Prom
to (%) (%) (%) (%) (%) (%)
(%) (%) (%) (%) (%) (%) (%)
Lnea 1.
Subestacin 0.48 0.58 6.10 2.96 8.18 4.10 4.56 3.08 5.12 3.75 4.56 3.64 4.83
A.

En la figura 3 se puede apreciar la evaluacin el caso particular de la lnea 1, para sus dos extremos y los
ngulos de transferencia -20, -10, 0, 10 y 20, en donde el eje de la abscisa se observan la serie de los datos
mientras que el eje de la ordenada indica el valor de la distancia en kilmetros que tienen los datos. En esta
figura se puede apreciar que el error es muy pequeo, en promedio del 0.482% con un error mximo del
5.08%.

Fig. 3. Errores obtenidos en el clculo de la distancia para la red neuronal entrenada con los datos de la Lnea
1. Subestacin A, con una arquitectura de (4,9,1) sin los datos de impedancia de 10 ohmios.

4. SISTEMA DE INFERENCIA NEURO-DIFUSO ADAPTATIVO (ANFIS)

En el segundo modelo se selecciono la arquitectura ANFIS para solucionar el problema de localizacin.

ANFIS fue propuesto por Jang y Sun [8], y combina las caractersticas de las redes neuronales y la lgica
difusa, siendo especialmente bueno a la hora de adecuar los conjuntos con respecto a la relacin de entradas
y salida. Es especialmente adecuado para problemas en los que es difcil discernir de manera intuitiva la
forma de los conjuntos difusos de entrada as como la relacin entre estos y la variable de salida.

Las variables que se seleccionaron como entrada para el sistema difuso son la magnitud de los fasores
superimpuestos de corriente y voltaje (|IA1| y |VA1|) debido a que, despus de hacer un anlisis con las
combinaciones entre todas las variables consideradas, se encontr que estas dos tienen un buen
comportamiento en el sentido que los datos no contienen mucho ruido y que su relacin con la variable de
inters, la impedancia de falla es bastante significativa.

La metodologa con el sistema difuso, permite la obtencin del valor de la impedancia de falla, y a partir de
este valor seleccionar una curva de aproximacin que permite hallar la distancia a la cual se ubica la falla. En
la figura 4 se describe este proceso.

Registros de VFase-Fallada, IFase-Fallada Procesamiento

Oscilopertugrafa de datos.
5
|V1|

|I1|
 Fig. 4. Proceso de localizacin de la falla mediante el uso de Sistemas Difusos.
Donde:

|VA1|: Magnitud Fasor de Voltaje Fase A Superimpuesto (Diferencia en un ciclo entre el voltaje de falla y
la de pre falla) 1er armnico en la subestacin local.

|IA1|: Magnitud Fasor de Corriente Fase A Superimpuesto (Diferencia en un ciclo entre el voltaje de falla y
la de pre falla) 1er armnico en la subestacin local.

Una vez se entreno el sistema, se valido el modelo ANFIS con los datos de las tres lneas en ambas
subestaciones, incluida la lnea con que se realizo el entrenamiento. En la figura 5 se pueden apreciar los
resultados en la aproximacin a la impedancia de falla con respecto a la real para todo el universo de ngulos
de transferencia.

En la tabla III, se presenta el error relativo promedio para cada una de las impedancias evaluadas en la
totalidad de la lnea, caso particular ngulo de transferencia -20.

Fig. 5. Validacin del modelo ANFIS con los datos de Lnea 1, Subestacin A para todo el conjunto de
ngulos de transferencia.

Tabla III. Errores relativos promedio para todas las lneas, caso particular ngulo de transferencia -20.
Impedancia Real Lnea 3. Subestacin A (%) Lnea 3. Subestacin B (%)

6
 Impedancia Real Lnea 3. Subestacin A (%) Lnea 3. Subestacin B (%)
20 3.4528 2.7423
30 2.5684 2.8889
40 1.4157 1.4925
50 1.1197 1.1213
60 1.1426 1.0826
70 1.1845 1.0673
80 1.5726 1.468
90 1.4718 1.2644
100 1.3725 1.437
PROMEDIO 1.7001 1.6183

Uno de los pasos para la localizacin de la falla mediante sistemas difusos, es la consecucin del valor
aproximado de la impedancia de falla por medio del modelo ANFIS, como se aprecia en el proceso descrito
en la figura 4. Para posteriormente a travs de la utilizacin un modelo matemtico buscar la relacin para el
cociente entre |IA1| y |VA1| con escalamiento, y la localizacin tambin con escalamiento. Lo que se
puede lograr con una relacin como la que se presenta en la ecuacin 2:

Localizacin falla = MAX [0, A*Cociente 3 B*Cociente 2 + C*Cociente +D] (Ecuacin 22)

Donde:
Cociente: Cociente entre |IA1| y |VA1|.

A, B, C y D: Son los coeficientes de la ecuacin, dependientes del valor de Zf.

La seleccin de los coeficientes de la ecuacin depende del valor de impedancia de falla Zf obtenida a travs
del modelo ANFIS.

Para el caso especfico de -20, fue posible a travs del cociente de las variables |IA1| y |VA1| y la Zf
obtenida en el modelo ANFIS, calcular la distancia aproximada del punto de falla, tal como se aprecia en la
figura 6.

Fig. 6. Distancia aproximada a partir de la impedancia de falla.

En esta figura es posible apreciar buenos resultados para los diferentes valores de impedancia, los cuales
depende la buena aproximacin de la ecuacin 2. El error relativo promedio en la localizacin de la falla para
el caso particular de -20 fue de 3.44%.

7
5. CONCLUSIONES

En este trabajo se presentaron dos metodologas para que permiten obtener la localizacin de las fallas baja,
media-alta y alta impedancia en lneas de transmisin, con la utilizacin de la superimposicion de seales,
consistente en la diferencia entre un ciclo de la variable en prefalla y postfalla para los armnicos 1 y 3, y la
utilizacin del filtro de Fourier permite describir mejor el comportamiento de las variables ante fallas en el
sistema de transmisin en comparacin con los acondicionamientos tradicionalmente realizados. Una serie
de simulaciones realizadas muestran que los dos modelos pueden ser usados para localizar efectivamente el
punto de falla, es as que despus de realizar las simulaciones y anlisis se encontr que el modelo RNA
desarrollado presento mejor aproximacin en comparacin con el modelo ANFIS, no obstante sacrifica la
interpretacin que puede ofrecer un sistema difuso.

6. TRABAJOS FUTUROS

En el presente trabajo se han identificado las variables de inters, asimismo se han propuesto soluciones
mediante dos tcnicas de Inteligencia Artificial, sin embargo como trabajos futuros se puede continuar con el
estudio de la aplicacin de otras tcnicas de IA, que arrojen resultados ms precisos que los descritos en esta
investigacin.

Tambin se debe ampliar la investigacin para analizar otras caractersticas de las fallas adems de su
localizacin, entre las que se destacan la causa de la falla, deteccin de los equipos en los que se presento la
falla y el diagnostico de los dispositivos de proteccin y maniobra.

7. REFERENCIAS

[1] Alternative Transient Program (ATP) - Rule Book. K.U. Leuven EMTP Centre, 1987.
[2] 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
Transactions on Fuzzy Systems, 2008, Vol. 16, No 4.
[3] Caldern, J. 2007. Modelo Adaptativo de Inteligencia Artificial Para El diagnostico Automtico de Fallas
a Partir de Registros de Osciloperturbografa. Tesis de Maestria Universidad Nacional., 2007.
[4] Emanuel, A. E. et al. High Impedance Fault Arcing on Sandy Soil in 15kV Distribution Feeders. IEEE
Transactions on Power Delivery, USA, v.5, n.2, apr 1990 pp.676686.
[5] Funamashi, t.; Otoguro, H.; Mizuma, Y.; Dube, L.; Kizilicay, M.; Ametani, A. Influence of fault arc
characteristics on the accuracy of digital fault locators. IEEE Trans. Power Delivery, vol. 2, Apr.2001, pp.
195199.
[6] Gracia, J.; Mazon, J. at leat. Best ANN Structures for Fault Location in Single and Double Circuit
Transmission Lines. IEEE Transactions on power delivery, vol. 20, No 4 April 2005.
[7] Idrraga, G.; Valencia, R.; Hernandez, J. Algoritmos Para Localizacin De Fallas En Lneas De
Transmisin, Anlisis Para El Caso Colombiano. Dyna, noviembre, ao/vol. 71, nmero 143 Universidad
Nacional de Colombia Medelln, Colombia pp. 95-100.
[8] Jang, J.; Sun, C. Neuro-fuzzy modeling and control. Proceedings of IEEE, 83(3), 1999 pp. 378406.
[9] Moreto, M. Localizao de Faltas de Alta Impedncia em Sistemas de Distribuio de Energia: Uma
Metodologia Baseada em Redes Neurais artifIciais. Tesis Universidade Federal Do Rio Grande Do Sul
Escola de Engenharia, 2005.