Análisis de Fallas Sistema Potencia PDF
Análisis de Fallas Sistema Potencia PDF
Análisis de Fallas Sistema Potencia PDF
CARRERA:
INGENIERÍA ELÉCTRICA
TEMA:
IDENTIFICACION DE FALLAS EN SISTEMAS ELÉCTRICOS DE
POTENCIA BASADO EN RECONOCIMIENTO DE PATRONES.
AUTOR:
JONATHAN FERNANDO ARAUZ GALLEGOS
DIRECTOR:
MILTON GONZALO RUIZ MALDONADO
Dirigido por:
Milton Gonzalo Ruiz Maldonado (Y'1987-M'01). Milton Ruiz se
graduó de la Universidad Politécnica Salesiana en 2012 como
Ingeniero Electrónico y en 2015 como Ingeniero Eléctrico; Recibió
su M.Sc. en Redes de Comunicaciones en la Pontificia Universidad
católica del Ecuador; Sus intereses de investigación están en
comunicaciones verdes, infraestructura de medición avanzada, red
inteligente, redes inalámbricas, gestión de energía. Es profesor de la
Universidad Politécnica Salesiana, Ecuador y parte del Grupo de
Investigación GIREI.
mruizm@ups.edu.ec
DERECHOS RESERVADOS
©2020 Universidad Politécnica Salesiana
QUITO-ECUADOR
DECLARATORIA DE COAUTORÍA DEL DOCENTE TUTOR/A
Yo, Milton Ruiz Maldonado declaro que bajo mi dirección y asesoría fue desarrollado
el trabajo de titulación “Identificación de Fallas en Sistemas Eléctricos de Potencia
Basado en el Reconocimiento de Patrones” realizado por Jonathan Fernando Arauz
Gallegos, obteniendo un producto que cumple con todos los requisitos estipulados por
la Universidad Politécnica Salesiana para ser considerados como trabajo final de
titulación.
………………………………….
Milton Ruiz Maldonado
Cédula de identidad: 1714409065
I
CESIÓN DE DERECHOS DE AUTOR
Firma
............................................
Nombre: Jonathan Fernando Arauz Gallegos
Cédula: 1723263768
Fecha: Quito, febrero 2020
II
1.INDICE GENERAL
Resumen ................................................................................................................................................. 1
1. Introducción................................................................................................................................... 2
2. Machine Learning .......................................................................................................................... 3
2.1 Aprendizaje no supervisado (Unsupervised Learning) ................................................................ 4
2.2 Aprendizaje Supervisado (Supervised Learning) ......................................................................... 4
2.3 K-Vecinos más cercanos (K-Nearest Neighbors) (KNN) ............................................................ 4
3. Planteamiento y Solución del Problema ............................................................................................ 5
4. Método Propuesto .............................................................................................................................. 5
4.1 Generación de la señal de entrada ................................................................................................ 5
4.2 Normalización de los datos de entrada ........................................................................................ 6
4.3 Vecinos más cercanos (KNN) ...................................................................................................... 7
5. Resultados ..................................................................................................................................... 8
5.1 Fallas línea tierra (LG) ................................................................................................................. 8
5.2 Fallas línea línea tierra (LLG) .................................................................................................... 10
5.3 Fallas línea línea línea tierra (LLLG) ........................................................................................ 12
6. Conclusiones ............................................................................................................................... 15
7. Referencias .................................................................................................................................. 15
8. Estado del Arte ............................................................................................................................ 17
III
2.INDICE DE FIGURAS
3.INDICE DE TABLAS
IV
Tabla 11.Tabla de distancias entre vectores de falla LLLG con R=100............................................... 14
Tabla 12. Precisión del modelo para cada tipo de falla. ....................................................................... 14
Tabla 13.Matriz del Estado del Arte .................................................................................................... 17
V
IDENTIFICACIÓN DE FALLAS EN SISTEMAS
ELÉCTRICOS DE POTENCIA BASADO EN EL
RECONOCIMIENTO DE PATRONES
Resumen Abstract
En el presente artículo se realiza la This article identifies electrical failures
identificación de fallas eléctricas en las in the transmission lines of a Power
líneas de transmisión de un Sistema de System using a Machine Learning
potencia mediante un algoritmo de algorithm, using the algorithm of the
Machine Learning, usando el algoritmo closest neighbors that will be
de los vecinos más cercanos que será implemented in Matlab and PSCAD.
implementado en Matlab y PSCAD. El Machine learning is increasingly
machine learning es cada vez más applied to electrical systems because
aplicado a los sistemas eléctricos debido they help the study of electrical signals
a que ayudan al estudio de señales and the development of various
eléctricas y desarrollo de diversas applications which are going to become
aplicaciones las cuales se van haciendo indispensable today. In this way, the
indispensables en la actualidad. De esta power systems with advanced
forma se busca que los sistemas de communication equipment are sought to
potencia con equipos de comunicación deliver a better quality of energy
avanzados entreguen una mejor calidad ensuring that in a disconnection due to
de energía garantizando que en una failure this sea is resolved in the shortest
desconexión por falla esta sea resuelta possible time and the identifier the type
en el menor tiempo posible y el of fault causes the necessary corrective
identificar el tipo de falla haga que se measures to be taken to keeping the
tomen los correctivos necesarios para system stable, knowing what type of
mantener al sistema estable, el conocer fault is the one that occurs is not only
qué tipo de falla es la que se produce no important at a high power system level,
es solo importante a nivel de un sistema it is also an industrial level to always
de alta potencia, también lo es a nivel control the quality of energy.
industrial para siempre garantizar la Failure patterns are acquired from an
calidad de la energía. initial system from which current
Los patrones de falla son adquiridos identification patterns are taken to
desde un sistema inicial del cual se subsequently simulate cases of
toman patrones de identificación de transmission line failures.
corriente para posteriormente realizar la
simulación de casos de fallas en líneas
de transmisión.
1
1. Introducción alteran y muestran una alteración de la
En la actualidad los Sistemas Eléctricos forma de onda con respecto a la forma
de Potencia se han desarrollado a tal de onda común, estas formas de onda
nivel que han evolucionado a redes alteradas pueden ser tomadas y usadas
eléctricas inteligentes que permite para la detección e identificación de las
mantener una buena calidad de energía, fallas producidas [6]. Las formas de
en sistemas eléctricos de transmisión al onda alteradas también pueden ser
ser de gran extensión el rendimiento que usadas para tomar patrones los cuales
se tiene al ser perturbados por una falla serán usados para el estudio apoyándose
afecta directamente la fiabilidad del en la técnica de Aprendizaje
Sistema Eléctrico de Potencia (SEP)[1], Automático o Machine Learning (ML).
por lo tanto el uso de y aprovechamiento ML es considerado como una
de las tecnologías de comunicaciones en herramienta que usa cálculos suaves
estos sistemas es indispensable porque para la identificación de fallas, de este
permite la comunicación entre los modo es posible entrenar a la maquina
abonados del sistema eléctrico y las con patrones reales existentes tomados
centrales de generación, esta de una parte del SEP o también de
comunicación debe ser veloz simuladores que generan estos patrones
permitiendo que los centros de cómputo basados en la realidad.
procesen la información recibida, se
realice un monitoreo y dando una Obtener las características apropiadas
respuesta al problema.(1) La para implementar un algoritmo de ML
transmisión de esos datos para el eficiente y que permita realizar la
monitoreo se realizan de varias formas identificación en todos los casos de
como fibra óptica, transmisión satelital estudio propuestos, una gran ventaja de
como formas de comunicación los que este método es la baja sensibilidad a los
buscan que sean de forma óptima hasta cambios en los parámetros efectivos
en los eventos más críticos que puedan como son la magnitud y la dirección de
enfrentar, es por eso que para disminuir la falla, el ángulo de inicio de la falla y
la cantidad de información necesaria la resistencia de falla por mencionar los
para identificar una falla en el sistema más relevantes. Además, los datos
de potencia se utilizaran patrones de tomados son de un solo extremo de la
fallas en líneas de transmisión ya que línea lo que hace que ya no sea
estos se almacenan en una base de datos necesario tomar datos de ambos
reducida y no es necesaria la extremos lo que hace que ya no sea
información de monitoreo desde dos necesario la transmisión de una señal y
puntos, haciendo que sea necesario sincronizar los datos de ambos
solamente la información desde un extremos[7].
punto de control[2][3] .
Las herramientas mencionadas
La rápida identificación de las fallas anteriormente tienen limitación en la
es uno de los aspectos más relevantes ya dimensión de entrada de los datos que
que aportan a que se realicen trabajos de ocasiona un gran problema cuando se
reparación más rápidos y en la toma de utiliza una gran cantidad de datos,
decisiones para las medidas a tomar , prácticamente no son adecuados para
identificar los puntos débiles en las realizar un ML con patrones.
líneas de transmisión [4][5].
Por otro lado, la reducción de los
Al momento que se producen estas patrones con el uso de transformaciones
fallas las formas de onda comunes se lineales puede resultar con la
2
Figura 1. Red de Transmisión Eléctrica.
eliminación de información que sea útil, de aprendizaje supervisado, que permite
es por eso que los patrones resultantes el uso de patrones para realizar una
de una Transformada de Wavelet [19] o identificación y clasificación del tipo de
una Transformada de Fourier [10] falla producido en una línea de
pueden ocultar algunos datos útiles. transmisión del SEP [6], [20].
3
aprendizaje de técnicas las cuales Algunos de los algoritmos
aprovechen la potencia y mayor comprendidos en este tipo de
capacidad de trabajo, las cuales son aprendizaje son:
implementados en muchos campos del
desarrollo de ingeniería. • Regresión Lineal (Linear Regression)
• K Vecinos más Cercanos (K-Nearest
Existen varias clasificaciones de ML Neighbors) (KNN)
debido a las tecnologías y sus nuevos • Máquina de Vector de Soportes
algoritmos que son los siguientes: (Support Vector Machine) (SVM)
• Árbol de decisión para Clasificación
(Decision Tree Classification)
2.1 Aprendizaje no supervisado
(Unsupervised Learning)
En los problemas de aprendizaje no
2.3 K-Vecinos más cercanos (K-
supervisado, no se contiene un conjunto Nearest Neighbors) (KNN)
de datos, este a su vez comienza la KNN es uno de los algoritmos más
recolección de datos y el algoritmo se simples y no por eso deja de ser una
encarga de manera independiente una potente herramienta que puede dar
clasificación y comienza una resultados muy competitivos. Es uno de
clasificación de acuerdo a sus los más utilizados para el
características. reconocimiento de patrones, debido a
Algunos de los algoritmos esto sería el algoritmo a utilizarse para
comprendidos en este tipo de el estudio de identificación de fallas
aprendizaje son: eléctricas mediante patrones en líneas
de transmisión.
• Agrupamiento de K-Medias (K- Es un clasificador e identificador
Means Clustering) robusto y versátil que a menudo se usa
• Redes Neuronales (Neuronal como un punto de referencia para
Network) clasificadores más complejos como las
• Agrupamiento Jerárquico ANN y SVM. A pesar de su
(Hierarchical Clustering) simplicidad, KNN puede superar a los
clasificadores más potentes.
Por mencionar varios, ya que estos
tienen sus clasificaciones que tienen Este algoritmo consiste en seleccionar
enfoques más exactos pero la misma un valor de K. Al momento del análisis
base del autoaprendizaje. los K datos más cercanos al valor que se
desea predecir será la solución.
2.2 Aprendizaje Supervisado Acá lo importante es seleccionar un
(Supervised Learning) valor de K acorde a los datos para tener
En los problemas de aprendizaje una mayor precisión en la
supervisado, comenzamos el análisis identificación.
con un conjunto de datos que contiene
ejemplos de entrenamiento con Las ventajas que tiene este algoritmo
etiquetas correctas asociadas. El son las siguientes:
algoritmo aprenderá la relación entre los
datos y sus etiquetas y aplicará esa No hace suposiciones explícitas sobre
relación aprendida para clasificar datos la forma funcional de los datos,
completamente nuevos que la máquina evitando los peligros de la distribución
no haya vista antes. subyacente de los datos.
Algoritmo simple, para explicar,
comprender e interpretar.
4
Alta precisión (relativa). Es bastante El problema que se planea resolver es
alta pero no competitiva en plantear un método diferente y darle un
comparación con modelos de enfoque nuevo que pueda aportar con
aprendizaje mejor supervisados. otros estudios, ya que el método
Insensible a los valores atípicos. La propuesto es usado comúnmente para
precisión puede verse afectada por el localizar fallas, lo que permitiría que las
ruido o las características irrelevantes. tecnologías de comunicación que se
usen puedan manejar una base de datos
Las desventajas de este algoritmo son consolidada y sin muchos recursos.
las siguientes:
4. Método propuesto
El algoritmo no aprende El método propuesto permitirá tomar la
explícitamente un modelo, en su lugar, señal de corriente a analizar, ya que, al
elige memorizar las instancias de ser identificación por patrones, no se
capacitación que se utilizan tendría limitaciones de amplitud,
posteriormente como conocimiento. duración de falla como los limitantes
Esto supone que, solo cuando se realiza más visibles, ya que se hace un
una consulta a nuestra base de datos, es tratamiento previo a los datos obtenidos
decir cuando le pedimos que prediga de la señal. Los datos de señales y
una etiqueta dada una entrada, el patrones de fallas serán tratados como
algoritmo usará las instancias de bases de datos para evitar redundancia
entrenamiento para entregar una entre la información de las señales, y
respuesta. por consecuencia tener una mejor
Computacionalmente costoso, porque condición para su análisis.
el algoritmo almacena todos los datos de
entrenamiento. Pero con las tecnologías
computacionales actuales va quedando 4.1 Generación de la señal de
de lado este inconveniente ya que cada entrada
vez son más robustas y rápidas en Para el estudio se utilizará el software
procesamiento. PSCAD y el ejemplo IEEE 14 BUS
Requisito de memoria alta. Almacena BAR. Este consiste en un sistema de
todos (o casi todos) los datos de potencia de 14 barras a un voltaje de
entrenamiento. 138kV a 60Hz, del cual se realizará
simulación de diferentes tipos de fallas
Teniendo en cuenta todos los puntos como son Línea-tierra (LG), Línea-
de vista expuestos se toma la decisión de Línea-tierra (LLG), Línea-Línea-Línea-
realizar el estudio de identificación de tierra (LLLG), se obtendrá las señales
patrones mediante el algoritmo de los de corriente necesarias generando la
vecinos más cercanos (KNN). falla en las líneas de transmisión del
sistema obteniendo 75 casos diferentes
3. Planteamiento y solución de fallas, por la combinación de realizar
fallas y toma de señales desde diferentes
del problema
puntos del sistema de potencia. Después
Como objetivo se desea determinar la de cada simulación las simulaciones
identificación de fallas en líneas de serán gravadas en un archivo el cual será
transmisión para un sistema eléctrico de tomado por Matlab.
potencia, haciendo que los datos
necesarios para su identificación sean
los más adecuados posibles en la base de
datos de patrones, que permitan un alto
porcentaje en la identificación.
5
Figura 2. Ejemplo IEEE 14 Barras usado en el estudio.
6
Esta operación será aplicada a cada 𝑑𝑖𝑚𝑒𝑛𝑠𝑖𝑜𝑛𝑎𝑙 𝑋𝑖 =
dato de las señales tratadas y a los (𝑋1𝑖 , 𝑋21 , … , 𝑋𝑝𝑖 ) ∈ 𝑋.
patrones de falla obtenidos para que se Estos vectores almacenados,
encuentren en una misma escala que patrones, son comparados con el vector
servirá posteriormente tal como se de señal a analizar, con lo cual se
muestra en la figura (4). determinan los vecinos más cercanos y
estos son asignados como válidos
correspondiente a su distancia,
generalmente usada la distancia
euclidiana dada por la ecuación:
7
modo el método tiene una analogía de los resultados se presentan de acuerdo
validación leave-one-out, para que sea al tipo de falla.
posible mostrar la respuesta deseada.
5.1 Fallas línea tierra (LG)
Tabla 1. Algoritmo para la identificación de fallas Todas las fallas son generadas en las
en sistemas eléctricos de potencia basado en el
reconocimiento de patrones.
líneas de transmisión, las fallas LG
tienen una probabilidad de 80-85% de
Paso Adquisición de datos del Sistema producirse, por eso es tan importante
1 de Potencia Eléctrico que se pueda identificar una falla para
Búsqueda del inicio de la falla que sus respectivas protecciones actúen
generada correctamente.
𝑘 𝑎 −𝑚𝑖𝑛
Paso 𝑒𝑘 = 𝑚𝑎𝑥−𝑚𝑖𝑛 ,
4
con 𝑖 = 1 hasta 𝑁
8
Figura 6. Resultado de la identificación de la falla Figura 8. Resultado de la identificación de la falla
en la fase C. en la fase C.
9
repeticiones de 5 veces de cada caso
para confirmar el resultado.
10
En la figura (12) se muestra la salida falla, el modelo tuvo 3.007952s en
del modelo realizado y su respuesta identificar la falla de la señal de entrada.
confirmando en qué fase sucedió la
falla, el modelo tuvo 3.044709s en
identificar la falla de la señal de entrada.
11
En la figura (15) se muestra la señal Tabla 7. Tabla de distancias entre vectores de falla
LLG con R=100.
generada de corriente en uno de las
Vectores de Señal de
barras del sistema desde PSCAD.
entrada
A B C
A 0.0035 0.2059 0.0075
Vectores
B 0.0056 0.0973 0.0052
de Falla
C 0.0056 0.0593 0.0034
12
En la figura (19) se muestra la señal
generada de corriente en uno de las
barras del sistema desde PSCAD.
13
En la figura (21) se muestra la señal De estos resultados también se puede
generada de corriente en uno de las obtener una matriz de confusión la que
barras del sistema desde PSCAD. nos indica los falsos positivos y falsos
negativos generados en los casos de
prueba y así determinar la precisión del
modelo propuesto como se muestra en
la tabla (11).
Tabla 11.Tabla de distancias entre vectores de falla
LLLG con R=100.
Valor Predicho
Falla Falla Falla
LG LLG LLG
Falla
Figura 21.Señal de falla LLLG con R=100.
124 9 1
LG
Valor Falla
7 140 3
En la figura (22) se muestra la salida Real LLG
del modelo realizado y su respuesta Falla
0 4 46
confirmando en qué fase sucedió la LLG
falla, el modelo tuvo 3.524201s en
identificar la falla de la señal de entrada. Se tiene que para una falla tipo LG se
tiene 135 pruebas comprendidas entre
fallas AG, BG y CG. Para una falla tipo
LLG se tiene 150 pruebas comprendidas
entre fallas ABG, ACG y BCG. Para
una falla tipo LLLG se tiene 50 pruebas
de la falla ABCG.
Tabla 10. Tabla de distancias entre vectores de Se realiza los mismos casos para una
falla LLLG con R=100. diferente impedancia de falla, lo que
Vectores de Señal de causa que la amplitud de las señales
entrada disminuyan, pero obteniendo resultados
A B C similares de precisión al tener una
A 0.0052 0.0053 0.0068 impedancia de falla cero.
Vectores
B 0.0053 0.0037 0.0052
de Falla
C 0.0055 0.0050 0.0036
14
6. Conclusiones 2178, no. Ssn, pp. 13–17, 2018.
[3] M. G. Ruiz Maldonado and E.
En la presente investigación se pudo Inga, “Asignación óptima de
determinar que a pesar de que es un recursos de comunicaciones para
algoritmo simple puede entregar un sistemas de gestión de energía,”
gran resultado y al usar el algoritmo de Enfoque UTE, vol. 10, no. 1, pp.
KNN es muy flexible y se lo puede 141–152, 2019.
utilizar de varias formas, pero en un [4] A. Zapata-Tapasco, S. Pérez-
caso particular usado para identificar Londoño, and J. Mora-Flórez,
con patrones guardados en bases de “Método basado en clasificadores
datos, esto hace que se deje abierto a k-NN parametrizados con
futuros estudios a que se realice con algoritmos genéticos y
diferentes bases de datos de patrones en laestimación de la reactancia para
casos deseados. localización de fallas en sistemas
de distribución,” Rev. Fac. Ing.,
Se pudo demostrar que es posible no. 70, pp. 220–232, 2014.
realizar un reconocimiento a través de [5] M. M. Saha, J. Izykowski, and E.
patrones, a pesar de que no es una forma Rosolowski, “Fault Location on
común, pero dando un buen resultado en Power Networks,” Power Syst.,
el que incluso se pudo mostrar que el vol. 48, pp. 1–422, 2010.
modelo puede demorar alrededor de 3s [6] A. Yadav and A. Swetapadma,
en identificar cada tipo de falla, además “Fault analysis in three phase
se pudo determinar que la amplitud de transmission lines using k-nearest
las señales no sería un problema neighbor algorithm,” 2014 Int.
después de normalizar la señal. Conf. Adv. Electron. Comput.
Commun. ICAECC 2014, pp. 1–5,
También se pudo determinar al variar 2015.
la impedancia de falla que disminuyen [7] R. Mardiana, H. Al Motairy, and
los casos de prueba, pero también C. Q. Su, “Ground fault location
permitió ver un radio de afectación de la on a transmission line using high-
falla producida en las líneas de frequency transient voltages,”
trasmisión hacia los elementos y IEEE Trans. Power Deliv., vol.
equipos del sistema de potencia, es decir 26, no. 2, pp. 1298–1299, 2011.
ver hasta donde llegaría la afectación [8] Y. Sheng and S. M. Rovnyak,
del sistema alrededor de la falla “Decision tree-based
producida. methodology for high impedance
fault detection,” IEEE Trans.
7. Referencias Power Deliv., vol. 19, no. 2, pp.
533–536, 2004.
[9] S. Osowski and R. Salat, “Fault
[1] M. Ruiz and E. Inga, “Despliegue location in transmission line using
óptimo de redes ópticas para hybrid neural network,”
comunicaciones en redes COMPEL Int. J. Comput. Math.
eléctricas inteligentes,” I+D Electr. Electron. Eng., vol. 21, pp.
Tecnológico, vol. 15, no. 2, pp. 18–30, 2002.
79–85, 2019. [10] T. Bouthiba, “Fault location in
[2] M. Ruiz, P. Masache, and J. EHV transmission lines using
Dominguez, “High availability artificial neural networks,” Int. J.
network for critical Appl. Math. Comput. Sci, vol. 14,
communications on smart grids,” pp. 69–78, 2004.
CEUR Workshop Proc., vol.
15
[11] J. Ezquerra, V. Valverde, A. faults on transmission lines using
Mazón, I. Zamora, and J. J. Monte Carlo simulation,” IEEE
Zamora, “Field programmable Trans. Fuzzy Syst., vol. 16, no. 4,
gate array implementation of a pp. 909–919, 2008.
fault location system in [18] J. Sadeh and H. Afradi, “A new
transmission lines based on and accurate fault location
artificial neural networks,” IET algorithm for combined
Gener. Transm. Distrib., vol. 5, transmission lines using Adaptive
no. 2, pp. 191–198, 2011. Network-Based Fuzzy Inference
[12] R. Salat and S. Osowski, System,” Electr. Power Syst. Res.,
“Accurate fault location in the vol. 79, no. 11, pp. 1538–1545,
power transmission line using 2009.
support vector machine [19] S. Ekici, S. Yildirim, and M.
approach,” IEEE Trans. Power Poyraz, “A transmission line fault
Syst., vol. 19, no. 2, pp. 979–986, locator based on Elman recurrent
2004. networks,” Appl. Soft Comput.,
[13] V. Malathi, N. S. Marimuthu, and vol. 9, no. 1, pp. 341–347, 2009.
S. Baskar, “Intelligent approaches [20] G. Morales-España, J. Mora-
using support vector machine and Flórez, and G. Carrillo-Caicedo,
extreme learning machine for “A complete fault location
transmission line protection,” formulation for distribution
Neurocomputing, vol. 73, no. 10, systems using the k-nearest
pp. 2160–2167, 2010. neighbors for regression and
[14] U. B. Parikh, B. Das, and R. classification,” 2010 IEEE/PES
Maheshwari, “Fault classification Transm. Distrib. Conf. Expo. Lat.
technique for series compensated Am. T D-LA 2010, pp. 810–815,
transmission line using support 2011.
vector machine,” Int. J. Electr.
Power Energy Syst., vol. 32, no. 6,
pp. 629–636, 2010.
[15] Y. Zhang, J. Chen, Q. Fang, and
Z. Ye, “Fault analysis and
prediction of transmission line
based on fuzzy K-Nearest
Neighbor algorithm,” 2016 12th
Int. Conf. Nat. Comput. Fuzzy
Syst. Knowl. Discov. ICNC-FSKD
2016, pp. 894–899, 2016.
[16] M. J. Reddy and D. K. Mohanta,
“A Wavelet-neuro-fuzzy
Combined Approach for Digital
Relaying of Transmission Line
Faults,” Electr. Power
Components Syst., vol. 35, no. 12,
pp. 1385–1407, 2007.
[17] M. J. B. Reddy and D. K.
Mohanta, “Performance
evaluation of an adaptive-
network-based fuzzy inference
system approach for location of
16
8. Estado del arte
Tabla 13.Matriz del Estado del Arte
REGRESION Y CLASIFICACION
IDENTIFICACION DE FALLAS
IDENTIFICACIÓN DE FALLAS
IDENTIFICACION DE FALLAS
EFICIENCIA DE LOS DATOS
LOCALIZACIÓN DE FALLAS
LOCALIZACIÓN DE FALLAS
IMPEDANCIA DE FALLA
ÁRBOL DE DECISIONES
TÍTULO DEL ARTÍCULO
K VECINOS CERCANOS
K VECINOS CERCANOS
ANÁLISIS DE SEÑALES
REDES ADAPTATIVAS
REDES NEURONALES
REDES NEURONALES
PUBLISH OR PERISH
BASE DE DATOS
LOGICA DIFUSA
SMART GRIDS
COBERTURA
N° DE CITAS
WAVELETS
WAVELETS
ITEM
AÑO
17
Decision tree-based methodology for
8 2004
high impedance fault detection
206
Fault location in transmission line
9 2002
using hybrid neural network
13
Fault location in EHV transmission
10 2004 lines using artificial neural 100
networks
Field programmable gate array
implementation of a fault location
11 2011
system in transmission lines based
17
on artificial neural networks
Accurate fault location in the power
12 2004 transmission line using support 173
vector machine approach
Intelligent approaches using support
vector machine and extreme
13 2010
learning machine for transmission
72
line protection
Fault classification technique for
14 2010 series compensated transmission 107
line using support vector machine
Fault analysis and prediction of
15 2016 transmission line based on fuzzy K- 4
Nearest Neighbor algorithm
A Wavelet-neuro-fuzzy Combined
16 2007 Approach for Digital Relaying of 62
Transmission Line Faults
Performance evaluation of an
adaptive-network-based fuzzy
17 2008 inference system approach for 93
location of faults on transmission
lines using Monte Carlo simulation
A new and accurate fault location
algorithm for combined transmission
18 2009
lines using Adaptive Network-Based
102
Fuzzy Inference System
A transmission line fault locator
19 2009
based on Elman recurrent networks
69
A complete fault location
formulation for distribution systems
20 2011
using the k-nearest neighbors for
9
regression and classification
CANTIDAD: 17 17 7 20 17 3 10 9 7 3 6 6 1 7 5 3 5 1 2 3 6 1 5 16
18
FORMULACIÓN DEL PROBLEMA
TEMÁTICA
ALGORITMOS 12
DE
0
IDENTIFICACIÓN DE LOCALIZACIÓN DE FALLAS ANÁLISIS DE SEÑALES REDES NEURONALES SMART GRIDS
REDES FALLAS
EFICIENCIA DE
ELÉCTRICAS DE
LOS DATOS
TRANSMISIÓN
Figura 24. Resumen del Estado del Arte Figura 23. Indicadores del Estado del Arte
19
SOLUCIONES DE MAYOR ANÁLISIS
18
16
14
10
0
K VECINOS CERCANOS IDENTIFICACION DE WAVELETS REDES ADAPTATIVAS REGRESION Y
FALLAS CLASIFICACION
20