Aplicación de las redes neuronales artificiales en la detección en tiempo real del fenómeno de la ferrorresonancia en transformadores de tensión

Résumé

En la presente tesis doctoral se desarrolla una nueva metodología de detección en tiempo real del fenómeno de la ferrorresonancia en transformadores de tensión. Su desarrollo se basa en el reconocimiento de la forma de onda de la tensión en bornes del secundario del transformador, mediante la teoría de las redes neuronales artificiales. Este reconocimiento se ha planteado a lo largo de la tesis como una clasificación binaria en la que la red neuronal identifica la señal de tensión como ferrorresonante o no ferrorresonante, proporcionando como salida un 1 ó un 0 respectivamente. La clasificación se ha estructurado a partir de ventanas de datos correspondientes a un ciclo de la señal de tensión a la frecuencia fundamental, con una frecuencia de muestreo equivalente a 32 muestras por ciclo. Estas 32 muestras representan las entradas de la red neuronal, previo paso por una etapa de acondicionamiento inicial, que normaliza las muestras en el rango [-1, 1]. En cuanto a la arquitectura de red adecuada, se ha concluido que la red que mejor se adapta a las condiciones del problema es el perceptrón multicapa (MLP). Las pruebas llevadas a cabo han demostrado que las estructuras de red óptimas se corresponden con redes de dos capas ocultas, con un número de neuronas elevado (en torno a 30) en la primera capa oculta y un número de neuronas reducido en la segunda capa oculta. Si bien toda la metodología se ha desarrollado por medio de simulación software, su validación se ha extendido a la realización de ensayos de laboratorio. Se ha llevado a cabo un extenso proceso de validación ensayando en el laboratorio el transformador modelizado previamente durante la etapa de generación de ejemplos representativos del problema, con resultados altamente satisfactorios. Además, el proceso de validación se ha extendido a ensayos de laboratorio realizados sobre otros transformadores de tensión de características totalmente diferentes al utilizado durante el proceso de generación de ejemplos representativos, con resultados igualmente satisfactorios, demostrando así la generalización de la metodología desarrollada.