Documente Academic
Documente Profesional
Documente Cultură
Abstract Resumen
The application of the phasor technology offers La aplicación de la tecnología fasorial ofrece nuevas
new possibilities for monitoring, protection, posibilidades para la supervisión, protección,
analysis and control of Electric Power Systems análisis y control de Sistemas Eléctricos de
(EPS). In this project, an algorithm is implemented Potencia (SEP). En este proyecto se implementa
to localize a failure using phasor data, which un algoritmo para la localización de fallas usando
improves traditional methods. The implemented datos fasoriales, el cual permitiría mejorar los
algorithm distinguishes responses of several métodos tradicionales. El algoritmo implementado
linearized models against measurements mode distingue las respuestas de varios modelos
during the transient response after the failure. linealizados frente a las mediciones fasoriales ante
Based on this, a Maximum Likelihood A-posteriori un transitorio en el SEP. En base a esto, un detector
(MAP) detector is implemented, which uses de Máxima Probabilidad A-posteriori (MAP)
statistical inference from several hypotheses to es implementado, el cual se basa en la inferencia
determine the probability of a failure from the estadística de varias hipótesis que determinan la
measurements. The algorithm is implemented probabilidad de ocurrencia de falla. El algoritmo
in the DPL software module PowerFactory se implementa en el módulo DPL del software
DIgSILENT. The different experiments prove PowerFactory de DIgSILENT y se realizan
that the developed software is able to distinguish distintas pruebas que demuestran la capacidad de
the most likely scenario from a list of possible la herramienta de software de escoger la hipótesis
scenarios. This work uses simulated- scenarios más probable entre una lista de posibles hipótesis.
and PMU’s measurements. El trabajo presentado es enteramente realizado en
el campo de la simulación, y se emulan datos que se
obtendrían de PMUs.
Index terms Phasor measurement, Localization Palabras clave Medici nSincrofasorial,Locali aci n
of failures, Maximum A-posteriori Probability de fallas de SEP, Maximum A-Posteriori Probability
(MAP) (MAP).
Debido a las condiciones climáticas, diferentes Para el propósito de este estudio, la topología del
agentes externos, y a la longitud de las líneas de sistema, incluyendo los parámetros de sus elementos,
transmisión (L/T), estos elementos son susceptibles son conocidos al igual que las condiciones de estado
a eventos de falla, siendo importante el estudio de estacionario del sistema. Adicionalmente, se puede
este tipo de fenómenos con el objeto de proteger a los establecer una lista completa de posibles eventos
diferentes equipos del Sistema Eléctrico de Potencia de falla de línea, y sus respectivas características de
(SEP) y evitar cortes de servicio [1]. estado estable post-falla a través de un análisis de
contingencia.
La rápida ubicación de un evento de falla ayuda
a mejorar los tiempos de restauración del sistema y La ubicación de una falla es determinada mediante
permite un mejor control en tiempo real de sus efectos. el establecimiento de un evento de falla dentro de
Los operadores de SEP utilizan equipos y sistemas la lista de fallas posibles. Para el efecto se emplean
automáticos de protección que incluyen relés que los datos (emulados) de PMUs reportados una vez
cuentan con algoritmos de localización de fallas en despejada la falla. Matemáticamente la solución al
base a cálculos de impedancias de L/T. Sobre la base problema de ubicación se basa en la modelación lineal
de estos cálculos, una amplia variedad de algoritmos del SEP y en la determinación del vector de medición
de detección de falla han sido desarrollados e de las PMUs.
implementados en varios sistemas eléctricos [2], [3],
[4], [5], [6], [7], [8]. El algoritmo de ubicación de falla se fundamenta
en un detector de Máxima Probabilidad A-posteriori
La ubicación de fallas en L/T realizada por los (MAP). El análisis del detector MAP muestra que
sistemas de protecci n es e ca , aunque susceptible el evento de falla se puede identi car mediante la
a errores vinculados al ajuste y calibración de los comparación de los datos de medida de las PMU’s con
equipos y a tiempos de operación. Por otra parte, el las respuestas pronosticadas por el modelo del sistema
sistema de protección no puede proveer información para cada evento de falla [11].
en tiempo real sobre la variación de los parámetros de
la L/T y de las características de carga. 2.1. Planteamiento de Hipótesis
Las unidades de medición fasorial (PMU) Se consideran m hipótesis de los posibles eventos
actualmente permiten tomar mediciones necesarias de falla, la hipótesis se vincula a la ocurrencia de
para realizar el análisis de la operación de los sistemas un evento de falla en una línea de transmisión de la
eléctricos y de eventos de falla en tiempo real. Las red eléctrica y cada hipótesis tiene una probabilidad a
PMUs, son usadas en diferentes sistemas eléctricos priori donde
alrededor del mundo, ya que permiten obtener datos
análogos de voltaje y de corriente sincronizados en 2.2. Modelación del Sistema Eléctrico de Potencia
un GPS de cualquier parte del sistema eléctrico [9]. [12], [13]
(4) donde:
Las mediciones realizadas por las PMUs tienen el : Vector que contiene las respuestas promedio
siguiente modelo: pronosticadas por el modelo del sistema en el
horizonte de tiempo para el evento de falla i, para
(14) una condición inicial considerada después del
tiempo de compensación.
Donde p es la medición de los ángulos de rotor y
velocidades angulares de un conjunto de generadores (17)
obtenida de las mediciones de las PMUs, después de
un proceso de pre-estimación de estas variables. La : Representa su correspondiente propagación.
matri tiene valores de 0 o 1 los cuales especi can las
variables de estado dinámico que se miden;
es una matriz de distribución de señal gaussiana de (18)
ruido blanco con media cero y una matriz de varianza
. : Representa el determinante de la matriz Q.
Una forma de decidir qué evento ha ocurrido es : Matriz de observabilidad por cada hipótesis
elegir la hipótesis con la máxima probabilidad, dados
los datos de las PMUs. La técnica de ubicación de
la falla que se presenta se basa en un detector de
máxima probabilidad a posteriori (MAP). El detector (19)
MAP, puede identi car un evento de falla mediante
la comparación de los datos medidos por la PMU con : Matriz con matrices de identidad ordenada de la
las respuestas pronosticadas por el modelo dinámico siguiente forma:
linealizado para cada evento de falla. El objetivo
del detector es decidir entre posibles hipótesis cual (20)
es la más probable. En este proyecto, las hipótesis
consideradas son:
La regla de decisión de la ecuación (16) elige
la hipótesis más probable entre . Se hacen
comparaciones secuenciales en parejas de hipótesis
para encontrar la hipótesis más probable dado el
Cada hipótesis se modela suponiendo que tiene un conjunto de mediciones.
valor conocido de probabilidad a priori. El detector
MAP emplea un enfoque bayesiano para elegir la Por ejemplo, considere tres eventos de falla o
hipótesis con mayor probabilidad a posteriori. En hipótesis: y si es más probable que ocurra
concreto, la selección del detector es la hipótesis que la hipótesis , de acuerdo con la regla de
si: decisión MAP, se comparará de nuevo con y la
más probable entre ellas es la hipótesis seleccionada .
(15) 3. IMPLEMENTACIÓN DEL ALGORITMO
Abstract Resumen
Index terms Raspberry Pi, data acquisition, save Palabras clave Raspberry i, adquisici n de datos,
energy, smart home, Android, google spread sheet. ahorro de energía, hogar inteligente, Android, hoja
de cálculo en línea de google.
(2)
4. PRUEBAS REALIZADAS CON EL SISTEMA
Donde:
Para comprobar el funcionamiento del sistema
se seleccionó como carga de prueba un computador P = Potencia Activa
personal, y con la ayuda de una pinza amperimétrica
comercial se observó la similitud entre los datos fp = Factor de potencia
de corriente obtenidos. Los datos de la medición
se observaron a través de una pantalla conectada a E = Energía consumida
la tarjeta Raspberry Pi. Además, con los valores
obtenidos se gra c curvas de corriente en funci n t = Tiempo de consumo transcurrido
del tiempo utilizando la librería Matplotlib de Python.
También se visualizaron los mismos datos en la La Fig. 3 muestra la curva de corriente en función
gr ca de la aplicaci n de Android mencionada en la del tiempo, obtenida con la librería Matplotlib de
sección 3C. Las lecturas de los datos de consumo de Python en la Raspberry Pi. Una vez que se realizó
la carga se obtuvieron en tiempo real. las pruebas con el computador portátil y el secador
de cabello se comprobó que los valores obtenidos
Los medidores inteligentes desarrollados en la con la Raspberry Pi frente a los obtenidos por una
actualidad tienen la capacidad de obtener datos de pinza amperimétrica comercial son muy parecidos,
la potencia real, potencia reactiva, y el consumo de se analizó su e ciencia en la secci n 5 donde se
energía del lugar en el cual estén instalados, además realiza una comparación con otro sistema de medición
de enviar esta información a concentradores con inteligente.
cierta frecuencia de tiempo establecida por medio de
protocolos y hardware propios de estos medidores.
Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi
Para este análisis se realizó una comparación con Para éste análisis solo se han presentado valores
un equipo AEOTEC conectado al tablero eléctrico tabulados por un lapso de 4 horas, los cuales muestran
de centro de carga de un hogar en particular. Se el comportamiento de las variables medidas. Con esta
obtuvieron medidas de potencia y energía consumida información obtenida desde el spreadsheet de google
con dicho sistema inteligente, y se compararon con se gener las gr cas de potencia y energ a mostradas
los datos obtenidos por el sistema propuesto en el en las Fig. 6 y 7.
presente trabajo.
(3)
202.3 305.42 305.26 189 7.04% 0.05% Se puede destacar el adecuado funcionamiento
de la Raspberry Pi como servidor de un sistema de
192.46 305.48 305.31 202 4.72% 0.06%
hogar inteligente. El sistema diseñado en este trabajo
172.77 305.54 305.36 184 6.10% 0.06% presenta una interfa gr ca creada con Android
1031.28 305.76 305.46 1102 6.42% 0.10% Studio que permite visualizar directamente el
consumo en tiempo real. Esto último gracias a que el
1053.04 305.76 305.56 108 875.04% 0.06%
sistema propuesto cuenta con un servidor programado
133.95 305.78 305.59 115 16.48% 0.06% usando Python en la tarjeta electrónica Raspberry Pi.
143.03 305.81 305.62 101 41.61% 0.06%
REFERENCIAS BIBLIOGRÁFICAS
6. CONCLUSIONES
[1] P. A. Chandra, G. M. Vamsi, Y. S. Manoj, and G.
Se puede decir que se ha logrado el objetivo I. Mary, “Automated energy meter using WiFi
propuesto el de implementar un medidor inteligente enabled raspberry Pi,” 2016 IEEE Int. Conf.
utilizando la tarjeta electrónica raspberrypi, con Recent Trends Electron. Inf. Commun. Technol.,
las limitaciones del caso, se obtuvo una respuesta pp. 1992–1994, 2016.
aproximada a la de un medidor inteligente comercial, [2] A. C. D. Bonganay, J. C. Magno, A. G.
se debe enfatizar en las aproximaciones hechas las Marcellana, J. M. E. Morante, and N. G.
cuales atenuaron de cierta manera las medidas de Perez, “Automated electric meter reading and
potencia y energía al compararlas con medidores monitoring system using ZigBee-integrated
comerciales raspberry Pi single board computer via Modbus,”
2014 IEEE Students’ Conf. Electr. Electron.
Comput. Sci. SCEECS 2014, 2014.
Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi
[3] D. Assante and M. Tronconi, “A remotely [11] Aeotec by Aeon Labs “ This page lists the
accessible photovoltaic system as didactic technical speci cations for Home Energy Meter
laboratory for electrical engineering courses,” Gen5 and form part of the larger Home Energy
IEEE Glob. Eng. Educ. Conf. EDUCON, vol. Meter Gen5 user guide” [Online]. Available en:
2015–April, no. March, pp. 479–485, 2015. https://aeotec.freshdesk.com/support/solutions/
articles/6000168072-home-energy-meter-gen5-
[4] M. Armendariz, M. Chenine, and A. Al- technical-speci cations- Accessed: 20-oct-
hammouri, “A Co-Simulation Platform for 2017]
Medium / Low Voltage Monitoring and Control
applications,” 2014. [12] EEQ Normas para sistemas de Distribucion-
Parte A, Guia para diseño de redes de
5 A. S rat and A. Gontean, “An Experimental distribución DI-EP-P001-D001 ,REV 06, 2015.
Monitoring System for Thermoelectric
Modules,” pp. 313–316, 2014.