Método basado en clasificadores k-NN parametrizados con algoritmos genéticos y la estimación de la reactancia para localización de fallas en sistemas de distribución
DOI:
https://doi.org/10.17533/udea.redin.18667Palabras clave:
impedancia de falla, localización de fallas, k vecinos más cercanos, sistemas de distribución, híbridoResumen
En este artículo se presenta una estrategia de parametrización de un localizador de fallas basado en una técnica simple pero eficiente de aprendizaje, conocida como k vecinos más cercanos (k-NN). Esta técnica se complementa con un método plenamente probado de localización basado en la estimación de la impedancia de falla.La estrategia híbrida se validó en un circuito prototipo real, con resultados de error aceptables para aplicaciones en sistemas de distribución de energía eléctrica. Finalmente y como ventaja importante de la metodología propuesta se resalta la facilidad de implementación, cuando se trata de circuitos de distribución reales (más de 100 nodos).
Descargas
Citas
T. Short. “Electric Power Distribution Handbook”. CRC press. Vol. 1. 2003. pp. 8-30 DOI: https://doi.org/10.1201/9780203486504
IEEE Std 37.114. “IEEE Guide for Determining Fault Location on AC Transmission and Distribution Lines”. Power System Relaying Committee. Vol. 2004. pp. 1-36.
J. Mora. Localización de Fallas en Sistemas de Distribución de Energía Eléctrica usando Métodos Basados en el Modelo y Métodos Basados en el Conocimiento. Tesis Doctoral. University of Girona. Girona, España. 2006. pp. 21-86.
R. Das. Determining the locations of faults in distribution systems. Ph. D. dissertation. University of Saskatchewan. Saskatoon, Canada. 1998. pp 41-64.
A. Girgis, C. Fallon, D. Lubkeman. “A fault location technique for rural distribution feeders” IEEE Transactions on Industry and Applications. Vol. 26. 1993. pp. 1170-1175. DOI: https://doi.org/10.1109/28.259729
K. Srinivasan, A. St-Jacques. “A new fault location algorithm for radial transmission lines with loads”. IEEE Transactions on Power Delivery. Vol. 4. 1989. pp. 1676-1682. DOI: https://doi.org/10.1109/61.32658
J. Mora, G. Morales, S. Pérez. “Learning-based strategy for reducing the multiple estimation problem of fault zone location in radial power Systems”. IET Generation, Transmission & Distribution. 2009. Vol. 3. pp. 346-356. DOI: https://doi.org/10.1049/iet-gtd.2008.0164
R. Mahanty, P. Gupta. “Application of RBF neural network to fault classification and location in transmission lines”. IEE Proceedings Generation, Transmission and Distribution. Vol. 151. 2004. pp. 201-212. DOI: https://doi.org/10.1049/ip-gtd:20040098
D. Thukaram, H. Khincha, H. Vijaynarasimha. “Artificial Neural Network and Support Vector Machine Approach for Locating Faults in Radial Distribution Systems”. IEEE Transactions on Power Delivery. Vol. 20. 2005. pp. 710-721. DOI: https://doi.org/10.1109/TPWRD.2005.844307
A. Moujahid, I. Inza, P. Larrañaga. Clasificadores knn. Departamento de Ciencias de la Computación e Inteligencia Artificial. Universidad del País VascoEuscal Herriko Unibertsitatea. Disponible en: http:// www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t9knn. pdf. Consultado: Julio 2012.
S. Sivanandam, S. Deepa. Introduction to Genetic Algorithms. 1st ed. Ed. Springer Verlag. Heidelberg, Germany. 2003. pp 19-78.
P. Mitra, C. Murthy, S. Pal. “Data condensation in large databases by incremental learning with support vector machines”. A. Sanfeliu, J. Villanueva, M. Vanrell, R. Alquezar, A. Jain, J. Kittler (editors). Proc. 15th Int. Conf. on Pattern Recognition. Vol. 2. 2000. pp. 708- 711.
G. Morales, J. Mora, H. Vargas. “Método de localización de fallas en sistemas de distribución basado en gráficas de reactancia”. Revista Scientia et técnica. Vol. 34. 2007. pp. 49-54.
J. Mora, J. Bedoya, J. Meléndez. “Implementación de protecciones y simulación automática de eventos para localización de fallas en sistemas de distribución de energía”. Ingeniería y competitividad. Vol. 8. 2006. pp. 5-14. DOI: https://doi.org/10.25100/iyc.v8i1.2507
V. Kecman. Learning and soft computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. 1a ed. Ed. The M.I.T. Press. Cambridge, London. 2001. pp. 27-29.
B. Wang, Y. Zeng, Y. Yang. Generalized nearest neighbor rule for pattern classification. Proceedings of the 7th Congress on Intelligent Control and Automation. Chongqing, China. 2008. DOI: https://doi.org/10.1109/WCICA.2008.4594258
J. Dagenhart. “The 40-Ground-Fault Phenomenon”. IEEE Transactions on Industry Applications. Vol. 36. 2000. pp 30-32. DOI: https://doi.org/10.1109/28.821792
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter