Análisis de faltas en líneas de transporte de energía eléctrica mediante el uso de redes neuronales artificiales

Resumo

Esta tesis propone un método de localización de faltas y determinación de la resistencia de falta, en líneas aéreas de transporte de energía eléctrica de dos extremos, tanto simples como de doble circuito. Los datos de partida que se han utilizado son los módulos de la componente fundamental de las tensiones e intensidades de las distintas fases, en situación de falta y de prefalta. Además, se han tenido en cuenta errores de hasta un 3% en las fases en falta y hasta un 1 % en las fases sanas, que representan los errores que pueden aparecer en las magnitudes medidas. Como paso intermedio, el método propuesto claifica el tipo de falta. El método desarrollado se ha basado en redes neuronales artificiales. Así, para el proceso de clasificación se ha propuesto una red MLP de dos entradas (líneas simples), y de tres entradas (líneas dobles), que son las tensiones e intensidades de fase, medidas durante la falta. El trabajo desarrollado indica que no se puede determinar una única estructura de clasificación óptima y que los mejores resultados se obtienen con estructuras que tienen función de activación lineal en la capa de salida y no más de seis neuronas en las capas ocultas. Para el proceso de localización, el modelo de red utilizado es un MLP con seis entradas y dos salidas. Tampoco se puede determinar una única estructura de localización óptima. Los mejores resultados se obtienen con estructuras que tienen función de activación lineal en la capa de salida y no lineal en la capa de entrada, además se han obtenido buenos resultados con dos capas ocultas de hasta 9 neuronas en la primera capa y hasta 6 en la segunda. Además, en los resultados obtenidos, los errores medios en distancias inferiores han sido de 0,1% los errores medios en resistencias de falta han sido inferiores a 0,1 W en líneas simples y 0,2 W en líneas dobles, y los tiempos de entrenamiento máximos inferiores a tres minutos (en un ordenado