Diseño de un rele neuronal de protección para lineas aéreas de AT con preprocesado de señal mediante la transformada Wavelet

El avance de las tecnologías de los microprocesadores y ordenadores ha permitido sustituir las protecciones electromecánicas y analógicas clásicas por protecciones digitales. Sin embargo, los algoritmos empleados en éstas últimas tienen serias dificultades cuando las señales procedentes de los transductores de las corrientes y tensiones están afectadas por la saturación de los mismos o por efectos de ferrorresonancia respectivamente, o cuando la falta que se presenta en la línea está afectada por un arco dinámico.Por otro lado, en los últimos años se habían hecho pequeños avances en la aplicación de la inteligencia artificial y en especial en redes neuronales a los sistemas de energía eléctrica. Éstas resultaban especialmente útiles en la predicción del flujo de carga y en la clasificación de patrones de faltas. El término clasificación de patrones engloba un amplio marco de problemas de procesado de información de gran importancia práctica. Con frecuencia estos problemas se resuelven mediante técnicas estadísticas, desarrollando un algoritmo capaz de clasificar un correctamente un patrón no visto anteriormente. Una aproximación al reconocimiento estadístico de patrones se realiza mediante el teorema de Bayes, que expresa la probabilidad de que un patrón pertenezca a una determinada clase, expresando ésta probabilidad a posteriori en función de medidas realizadas previamente. En función de las características observadas se divide el espacio en regiones de decisión separadas por fronteras de decisión o clasificación. Análogamente, las salidas de una red neuronal se pueden interpretar como las probabilidades obtenidas a partir de la función de error (minimizar la función error durante el entrenamiento de la red neuronal es equivalente a buscar la máxima probabilidad), y la red neuronal aproxima las fronteras del clasificador Bayesiano óptimo.Ante estos hechos, y la gran ventaja que supone el modo de trabajo en paralelo de las redes neuronales, nos propusimos como objetivo buscar nuevos caminos en el campo de las protecciones de las redes eléctricas por medio del estudio de las redes neuronales de sistemas de protección que resuelvan los problemas anteriormente apuntados.La metodología empleada consistió en el entrenamiento de los diferentes tipos de redes neuronales utilizadas en los relés de protección mediante datos generados, para distintos tipos de fallos, con un programa de transitorios electromagnéticos (EMTDC/PSCAD) aplicado a un modelo de red muy general que incluye todas las posibles topologías y niveles de carga. Estos patrones fueron empleados para entrenar las redes neuronales mediante un programa en C++ realizado por el autor.También se incorporó en este trabajo, el estudio y la aplicación de la transformada wavelet, que presenta una serie de ventajas frente a métodos tradicionales de procesado de señales. Entre las herramientas tradicionales de análisis de sistemas eléctricos de potencia, se encuentran numerosos algoritmos, basados entre otros, en la transformada de Fourier, filtros de Kalman, etc. Sin embargo, si ocurre un transitorio, las formas de onda asociadas son no periódicas, conteniendo oscilaciones de alta y de baja frecuencia superpuestas a la frecuencia de funcionamiento del sistema eléctrico. En tal situación, debido a que la transformada de Fourier realiza un promedio de la contribución de las frecuencias se pierde la localización de la perturbación en el tiempo. El análisis mediante wavelets supera ésta limitación, realizando un procesado de la señal, que proporciona información en tiempo y en frecuencia. Por ello, la transformada wavelet es una potente ayuda para el análisis, estudio e interpretación de los distintos fenómenos transitorios que se pueden presentar en un sistema eléctrico de potencia. Además, en este trabajo se ha implementado la transformada wavelet mediante una red neu-ronal, lo que nos permite integrar dentro de la red neuronal general de reconocimiento de pa-trones, una subred encargada de llevar a cabo el procesado de señal. El funcionamiento en paralelo de la red neuronal con la información suministrada por las wavelets ha permitido incrementar la velocidad y seguridad de la respuesta del relé neuronal en los primeros instan-tes del fallo. Asimismo, uno de los objetivos de este trabajo era realizar la implementación práctica del diseño realizado en un sistema electrónico que permitiera comprobar la eficacia del mismo. Para llevar a cabo el montaje experimental se necesitaba un sistema que permitiera simular los sistemas eléctricos similares a los empleados en el proceso de diseño y entrenamiento del relé. El Departamento de Ingeniería Eléctrica de la Universidad de Bath cuenta con el equipo RTDS, que constituye el complemento del sistema de simulación PSCAD, con el que es posi-ble llevar a cabo la simulación y ensayo de prototipos de equipos eléctricos. Bajo la dirección del Prof. Aggarwal se llevó a cabo las pruebas de laboratorio del relé neuronal que resultaron plenamente satisfactorias. Los alentadores resultados obtenidos son un buen estímulo para el uso de las redes neuronales en las protecciones de alta velocidad para líneas de transmisión de alta tensión ya que hemos obtenido un tiempo de respuesta en la detección en la red neuronal de incluso 1.8 ms para fallos cercanos al relé. El relé también ha dado una buena respuesta frente a ruidos, pérdida de información y cambios bruscos de carga.The great advance of the microprocessor and computer technology has allowed the electromechanical and analog protection devices to be substituted by digital ones. However, the algorithms used in digital protections have some disadvantages related to the errors caused by current transformer saturation, voltage transformer ferro-resonance or by dynamics arcing faults. Over the past 10 years there have been some advances in the application of artificial intelligence, especially of neural networks, on power system analysis. These applications were useful in the prediction of optimum load flow and fault pattern classification. The term pattern classification encompasses a wide range of information processing problems of great practical significance. Often the framework in which to formulate solutions to pattern recognition is the statistical one, with the develop of an algorithm to be able to correctly classify a previously unseen pattern. One approach to statistical pattern recognition is using Bayes´ theorem, which gives the probability of the pattern belonging to a particular class, and expresses this posterior probability in terms of previous measurements. The space is divided up into decision regions depending on the observed features. The boundaries between regions are known as decision boundaries. The outputs of a neural network can be interpreted as posterior probabilities calculated with the error function (the network training is based on maximum likelihood which is equivalent to minimization of an error function), and the neural network approximates the decision boundaries of the Bayes´ theorem.For these reasons and because of the advantage of the parallel processing capabilities of the neural networks, our objective here is to search for new applications of neural networks on power system protection in order to improve it and solve the problems mentioned above.In order to do this in this thesis, the artificial neural networks are applied to the protection of high voltage transmission lines, assuming dynamic arcing faults, the current transformer saturation, the change of the short circuit levels, the change of the power network topology, the bad and noisy data, and sudden load changes.The methodology carried out in a special training process of the neural networks, using protection relays by means of simulated faults data, obtained by the electromagnetic transient program (EMTDC/PSCAD) applied to a generalized power network model which includes all the possible topologies and load levels. The training algorithm was implemented by the author in the C++ language program.Within this project we included the study and application of the wavelet transform, which showed a series of advantages in front of traditional methods in signal processing. In traditional power signal analysis tools, among several algorithms, the Fourier transform has been used as well as the Kalman filtering, etc. However, in presence of non stationary signals the performance of these techniques are limited. Thus, if there is a local transient over some small interval of time in the lifetime of the signal, the transient will contribute to the Fourier transform, but its location on the time axis will be lost. Wavelets analysis overcomes this limitation by employing an analyzing function that is local both in time and frequency. The wavelet transform is a powerful tool for the study and analysis of transient phenomena in electric power systems.Furthermore, in this work the wavelet transform has been implemented with a neural network which allows us to incorporate it within the whole network for pattern recognition. Both neural networks along with the information supplied by the wavelets, have made it possible to increase the speed and reliability of the relay, especially during the fault inception.Also, one of our aims was to carry out the practical implementation of an electronic board in order to test the performance of the neural relay. To do this, it was necessary to use equipment to carry out the laboratory test, by emulating the same or a similar system employed while designing and training the relay.Prof. R. K. Aggarwal, in the Electrical department in the University of Bath expertise in the application of signal processing and Artificial Intelligence technology for the development of novel intelligent relays for Power Systems, both for transmission and distribution systems. Their experience is not only in the CAD work but also in the design and engineering of proto-type hardware. To do this the RTDS (Real Time Digital Simulator) system was employed. The obtained results were fully satisfactory.These successful tests results encourage investment in neural networks in high speed protec-tion for high voltage transmission lines. The response time is even less than 1.8 ms for faults close to the relay, which has a good performance in front of noise, faulty data and sudden change of load