Granado Fornas, Javier
Herrero Jaraba, José Elías (dir.) ; Llombart Estopiñán, Andrés (dir.)
Universidad de Zaragoza,
2024
Resumen: La detección, clasificación y localización automática de faltas (cortocircuitos, faltas a tierra o averías) en líneas eléctricas es un proceso crucial en la industria de la distribución de energía eléctrica. Desde el punto de vista de la operación del sistema, las compañías distribuidoras de energía eléctrica (DSO's por sus siglas en Inglés) se preocupan especialmente por reducir los tiempos de interrupción del servicio. Desde el punto de vista comercial, durante estos periodos un número indeterminado de clientes pierden su suministro eléctrico, y algunas plantas de generación de energía dejan de suministrar energía, especialmente las plantas de generación distribuida (GD) pueden verse afectadas. Por lo tanto, la adecuada detección, clasificación y localización de faltas en las redes de distribución eléctrica son métodos efectivos para reducir la duración de los tiempos de inactividad, ya que la mayoría de las interrupciones son causadas por este motivo. Si los equipos de mantenimiento pueden encontrar el problema más rápido gracias a estas técnicas, la falta puede ser reparada antes y, por lo tanto, la experiencia del usuario mejora considerablemente.
La presente tesis doctoral se ha centrado en la utilización de la técnica de la reflectometría en el dominio del tiempo (TDR por sus siglas en Inglés) como principio físico (técnica mediante la cual se inyectan pulsos en la red y vuelven reflejados con información del estado de esta) y en la utilización y adaptación de varios modelos de redes neuronales (NN por sus siglas en Inglés) para la mejora de alguna de las fases de la detección, clasificación y localización de las faltas:
-Modelado y simulación de una red real: Dada la aleatoriedad de las faltas y la gran extensión de la red de distribución es muy difícil disponer de una base de datos de faltas con las que entrenar sistemas de IA. En este estudio se modela una red real con la que poder simular faltas y, mediante la técnica TDR, obtener las señales de respuesta de la red para disponer así de una base de datos de señales simuladas que, aunque limitado a 200 ejemplos, son de gran calidad en cuanto a su semejanza con las reales. Sin embargo, simular todos los fenómenos necesarios para entrenar NN sería muy costoso en tiempo.
-Ampliación de la base de datos: Partiendo de la base de datos obtenida mediante simulación, se acomete la ampliación de esta (DA por sus siglas en Inglés). Para ello se utiliza una red generativa adversaria (GAN por sus siglas en Inglés) que, una vez entrenada con la base de datos de señales simuladas, es capaz de generar ejemplos sintéticos con los que poder disponer de una base de datos suficiente para el entrenamiento de las NN encargadas de la detección y clasificación de faltas y las encargadas de localizarlas.
-Detección y clasificación de faltas: Con la base de datos ampliada a 10.000 ejemplos, se acomete como primer paso la detección y clasificación de los distintos tipos de faltas mediante la utilización de Redes Neuronales Siamesas (SNN por sus siglas en Inglés). Para entrenar estas redes, se utiliza la base de datos sintética (10.000 ejemplos) como entrenamiento y la base de datos de señales simuladas (200 ejemplos) como test. Con este estudio se ha validado la base de datos sintética generada en el anterior estudio, a la vez que se acomete la problemática de la detección y clasificación de la falta.
-Detección del tiempo a la Falta (TtoF): En este estudio se analiza la señal de la falta para detectar el punto temporal a partir del cual se ha producido la falta. Para ello, se utilizan un tipo de redes neuronales llamadas Transformers. Detectar el punto temporal a partir del cual se ha producido la falta, significa que podemos estimar el tiempo que ha tardado el pulso inyectado en ir y volver desde el inyector a la falta y viceversa. Con este tiempo se puede extrapolar una distancia desde el inyector a la falta (DtoF), pero la localización de la falta per se, solo puede hacerse si además, se incorpora la información de la rama de la red eléctrica donde se ha producido la falta.
-Experiencia piloto: A continuación se presenta la experiencia piloto de un sistema físico desarrollado en el proyecto Europeo H2020 FLEXIGRID en el que se ha diseñado y construido un equipo capaz de inyectar pulsos y registrar la respuesta de la red a estos mediante la técnica TDR. Este equipo se ha instalado en la misma red que se ha modelado para la obtención de las señales de la base de señales simuladas. El objetivo es que el equipo esté durante un año registrando señales reales de falta para comparar los resultados con los obtenidos mediante la simulación. También se pretende obtener una base de datos real con la que poder entrenar los modelos anteriormente usados y comparar la respuesta con las nuevas señales.
Como objetivo final, se pretende que este estudio pueda servir para aumentar el conocimiento acerca de este tipo de solución y, en futuros proyectos, poder dar un paso más hacia la industrialización de un equipo que cumpla con estas características y pueda ser comercializado.
Resumen (otro idioma):
La presente tesis doctoral se ha centrado en la utilización de la técnica de la reflectometría en el dominio del tiempo (TDR por sus siglas en Inglés) como principio físico (técnica mediante la cual se inyectan pulsos en la red y vuelven reflejados con información del estado de esta) y en la utilización y adaptación de varios modelos de redes neuronales (NN por sus siglas en Inglés) para la mejora de alguna de las fases de la detección, clasificación y localización de las faltas:
-Modelado y simulación de una red real: Dada la aleatoriedad de las faltas y la gran extensión de la red de distribución es muy difícil disponer de una base de datos de faltas con las que entrenar sistemas de IA. En este estudio se modela una red real con la que poder simular faltas y, mediante la técnica TDR, obtener las señales de respuesta de la red para disponer así de una base de datos de señales simuladas que, aunque limitado a 200 ejemplos, son de gran calidad en cuanto a su semejanza con las reales. Sin embargo, simular todos los fenómenos necesarios para entrenar NN sería muy costoso en tiempo.
-Ampliación de la base de datos: Partiendo de la base de datos obtenida mediante simulación, se acomete la ampliación de esta (DA por sus siglas en Inglés). Para ello se utiliza una red generativa adversaria (GAN por sus siglas en Inglés) que, una vez entrenada con la base de datos de señales simuladas, es capaz de generar ejemplos sintéticos con los que poder disponer de una base de datos suficiente para el entrenamiento de las NN encargadas de la detección y clasificación de faltas y las encargadas de localizarlas.
-Detección y clasificación de faltas: Con la base de datos ampliada a 10.000 ejemplos, se acomete como primer paso la detección y clasificación de los distintos tipos de faltas mediante la utilización de Redes Neuronales Siamesas (SNN por sus siglas en Inglés). Para entrenar estas redes, se utiliza la base de datos sintética (10.000 ejemplos) como entrenamiento y la base de datos de señales simuladas (200 ejemplos) como test. Con este estudio se ha validado la base de datos sintética generada en el anterior estudio, a la vez que se acomete la problemática de la detección y clasificación de la falta.
-Detección del tiempo a la Falta (TtoF): En este estudio se analiza la señal de la falta para detectar el punto temporal a partir del cual se ha producido la falta. Para ello, se utilizan un tipo de redes neuronales llamadas Transformers. Detectar el punto temporal a partir del cual se ha producido la falta, significa que podemos estimar el tiempo que ha tardado el pulso inyectado en ir y volver desde el inyector a la falta y viceversa. Con este tiempo se puede extrapolar una distancia desde el inyector a la falta (DtoF), pero la localización de la falta per se, solo puede hacerse si además, se incorpora la información de la rama de la red eléctrica donde se ha producido la falta.
-Experiencia piloto: A continuación se presenta la experiencia piloto de un sistema físico desarrollado en el proyecto Europeo H2020 FLEXIGRID en el que se ha diseñado y construido un equipo capaz de inyectar pulsos y registrar la respuesta de la red a estos mediante la técnica TDR. Este equipo se ha instalado en la misma red que se ha modelado para la obtención de las señales de la base de señales simuladas. El objetivo es que el equipo esté durante un año registrando señales reales de falta para comparar los resultados con los obtenidos mediante la simulación. También se pretende obtener una base de datos real con la que poder entrenar los modelos anteriormente usados y comparar la respuesta con las nuevas señales.
Como objetivo final, se pretende que este estudio pueda servir para aumentar el conocimiento acerca de este tipo de solución y, en futuros proyectos, poder dar un paso más hacia la industrialización de un equipo que cumpla con estas características y pueda ser comercializado.
Resumen (otro idioma):
Pal. clave: inteligencia artificial ; magnitudes eléctricas y su medida
Titulación: Programa de Doctorado en Ingeniería Electrónica
Plan(es): Plan 513
Área de conocimiento: Ingeniería y Arquitectura
Nota: Presentado: 07 03 2024
Nota: Tesis-Univ. Zaragoza, , 2024
-
Enlace permanente:
Visitas y descargas
Registro creado el 2024-06-13, última modificación el 2024-06-13
