Resumen

La capacidad de identificar el tipo de avería y localizarla en líneas de transmisión de muy alta tensión es muy importante para el funcionamiento económico de los sistemas eléctricos modernos. En este artículo se proponen algoritmos precisos de clasificación y localización de averías basados en redes neuronales artificiales. Se presentan dos algoritmos de clasificación de averías; el primero utiliza el enfoque de RNA simple y el segundo utiliza el enfoque de RNA modular. Se realiza un estudio comparativo de los dos clasificadores con el fin de elegir qué estructura de clasificador de fallos de RNA conduce al mejor rendimiento. Se presenta el diseño y la implementación de un localizador de fallos modular basado en una RNA. Se proponen tres localizadores de faltas y se realiza un estudio comparativo de los tres localizadores de faltas para determinar qué arquitectura de localizador de faltas conduce a la localización precisa de la falta. Se utilizaron muestras instantáneas de corriente y/o tensión como entradas para las RNA. Para la clasificación de averías, sólo se utilizaron las muestras de corriente trifásica previas y posteriores a la avería. Para la localización de averías, se utilizaron muestras de corrientes y/o tensiones trifásicas anteriores y posteriores a la avería. Los algoritmos propuestos se evaluaron en diferentes escenarios de fallo. Los resultados de simulación estudiados que se presentan confirman la eficacia de los algoritmos propuestos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:estudio comparativo, clasificación de averías, localizadores de averías, muestras de averías, corrientes de fase, estructura del clasificador de averías ann, líneas de transmisión de extra alta tensión, localización precisa de averías, red neuronal artificial, diferentes escenarios de averías
• Keywords:comparative study, fault classification, fault locators, fault samples, phase currents, ann fault classifier structure, extra high voltage transmission lines, accurate fault location, artificial neural network, different fault scenarios