TRABAJO

1/6

Ttulo

Determinacin del factor de carga de prdidas de energa en redes elctricas de media tensin mediante el uso de redes neuronales
93

N de Registro (Resumen)

Empresa o Entidad Empresa Distribuidora La Plata S.A. (EDELAP S.A.) Universidad Tecnolgica Nacional Facultad Regional La Plata (U.T.N. F.R.L.P.)

Nombre Dr. Ing. Pascual Hctor O. Ing. Albanese Ariel A. Ing. Fata Omar A. Ing. Bonavita Eduardo O.

Autores del Trabajo Pas Argentina Argentina Argentina Argentina

e-mail opascual@frlp.utn.edu.ar ariel.albanese@aes.com oafata@frlp.utn.edu.ar eduardo.bonavita@aes.com

Palabras Clave

Prdidas tcnicas, Factor de carga de prdidas, Redes Neuronales.

RESUMEN: Todos los sistemas elctricos son afectados, en mayor o menor medida, por prdidas de energa, las cuales causan diversos perjuicios al medio ambiente en general, requiriendo mayor consumo de recursos no renovables debido a que se debe disponer mayor generacin conforme aumentan las prdidas; y al sistema elctrico en particular, limitando la capacidad tcnica y aumentando la solicitacin de las instalaciones. En general las prdidas de energa pueden clasificarse en dos grupos: Prdidas tcnicas y no tcnicas. Las empresas de distribucin de energa adoptan variadas metodologas para el clculo de las perdidas tcnicas, que se nutren de la informacin proveniente directamente de mediciones y de datos que se desprenden de algoritmos de clculo. Es comn, que los procedimientos empleados para el clculo utilicen un factor denominado: factor de carga de prdidas. Actualmente, para obtener un valor aproximado de dicho factor que permita agilizar los clculos, se utiliza tpicamente una ecuacin emprica. Es objeto del presente trabajo mostrar un mtodo alternativo para obtener un valor del factor de carga de perdida con un grado mayor de aproximacin. Para ello se aplica un algoritmo de inteligencia artificial, particularmente una red neuronal, que luego de un apropiado entrenamiento permite obtener resultados satisfactorios.

_________________________
PAPER-93-18022010.DOC

1/6

TRABAJO
2/6

1.

Introduccin

Los sistemas elctricos de potencia estn compuestos por una variada cantidad de elementos, los cuales no presentan un comportamiento ideal de funcionamiento en rgimen nominal de trabajo (transformadores, lneas, etc.) [1], [2], [3], [4] y [5], motivo por el cual, los mismos presentan prdidas de energa que se encuadran dentro de las denominadas prdidas tcnicas y se calculan a travs de diferentes metodologas [6], [7], [8] y [9]. Las prdidas tcnicas de energa vinculadas con un alimentador de media tensin tpico estn relacionadas principalmente con el valor de la resistencia elctrica de los conductores, la magnitud cuadrtica de la corriente elctrica que por ellos circula y el tiempo de exposicin de dichos conductores a la circulacin de la mencionada corriente. Considerando que la corriente elctrica en un alimentador de media tensin tpico no permanece constante conforme transcurre el paso del tiempo, el valor de prdida tcnica de energa, asociada con dicho alimentador, para un determinado periodo de tiempo queda expresado a travs de la siguiente expresin:

la ecuacin (1), es una prctica habitual la utilizacin del valor de corriente eficaz mxima correspondiente al periodo de anlisis, por ser ste un valor caracterstico y fcil de obtener de los alimentadores. Contemplando lo dicho, la expresin (2) permite obtener el valor de la energa de perdida Ep correspondiente a un alimentador a travs de la utilizacin de la corriente eficaz mxima para calcular la potencia de perdida mxima Pp max , la cual multiplicada por el tiempo arrojar un valor de energa, que afectado por el Factor de carga de perdida Fcp permitir obtener el valor de energa de perdida correspondiente al periodo de tiempo que se est considerando.

Ep = t Pp max Fcp
Donde:

(2)

Pp max :Prdidas de potencia para el

momento de la demanda mxima. [W] Fcp : Factor de carga de prdidas. Mediante la aplicacin de la ecuacin (2) es posible calcular la energa perdida en cada alimentador de media tensin que compone el sistema elctrico, utilizando como dato su demanda mxima. El clculo del factor de carga de perdida Fcp , se efecta a travs de una relacin emprica de uso generalizado en los estudios de planificacin de redes de distribucin, dada por la expresin (3), la cual permite determinar el Fcp cuando el factor de carga Fc del alimentador bajo anlisis es conocido [10]. Entendiendo como factor de carga Fc a la relacin entre el consumo durante un perodo determinado de tiempo y el consumo que habra resultado de la utilizacin permanente de la potencia mxima observada durante dicho perodo, como se desprende de la ecuacin (4).

Ep = Pp (t ) dt = I 2 (t ) r dt
0 0

(1)

Donde:

Ep : Prdida de energa [Joule] Pp : Prdidas de potencia. [W] I : Corriente eficaz [A] r : Resistencia elctrica [ohm] t : Tiempo [seg]
Con el objeto de obtener los valores de las prdidas de potencia Pp (t ) correspondientes a un periodo de tiempo, se realizan sucesivas simulaciones de flujos de cargas a lo largo del lapso de tiempo considerado. En redes con numerosa cantidad de alimentadores, resulta extremadamente laborioso y poco prctico calcular el valor de prdida tcnica de energa de este modo, debido al elevado tiempo de procesamiento y clculo que demanda. Para disminuir considerablemente la cantidad de flujos de cargas necesarios y facilitar la resolucin de

Fcp = 0.7 (Fc ) + 0.3 Fc ( 1)

2

(3)

Fc :

E P max t

( 1)

(4)

Donde:

E : Energa consumida en periodo

determinado de tiempo. [Joule]

_________________________
PAPER-93-18022010.DOC

2/6

TRABAJO
3/6

P max : Potencia mxima registrada en

periodo determinado de tiempo. [W] Con el objeto de disminuir los errores que se introducen en el clculo de la perdida de energa Ep debido a la utilizacin del factor de carga de perdida, el presente trabajo muestra una forma alternativa de clculo de dicho factor Fcp . 2. Metodologa alternativa para clculo del Factor de carga de prdida La perdida de energa en un alimentador se modifica de acuerdo a las variaciones de la carga de dicho alimentador, una curva tpica de variacin de la demanda diaria de un alimentador puede tomar una forma como la mostrada en la Figura 1.
Curva de demanda horaria 60 50 40 30 20 10 0

en distintos momentos del da durante diferentes das representativos. 2.1. Red Neuronal Artificial. Con el objeto de relacionar los valores de corrientes eficaces que se desprenden de la curva de demanda diaria con el factor de carga de perdida, se estudiaron las caractersticas de diferentes arquitecturas de redes neuronales artificiales (RNA) [11] y [12], a travs de las cuales se pretende aprovechar su capacidad de reconocer y clasificar patrones, para determinar con un grado mayor de aproximacin el Fcp . En virtud de las caractersticas de los datos que se disponen, se consider apropiado para este caso la utilizacin de una arquitectura de red neuronal denominada Backpropagation o red de propagacin hacia atrs (BPN). Esta red fue descrita formalmente en primer lugar por Werbos [13] y posteriormente por Parker [14] y por Rummelhart y McClelland [15]. La Figura 2 muestra en forma general la arquitectura de la BPN, la cual est diseada para funcionar como red multicapa empleando un modo supervisado de aprendizaje. Se encuentra completamente interconectada entre capas y no hay conexiones de realimentacin ni conexiones que salten una capa.

Corriente [A]

10 Tiempo [h]

15

20

Figura 1 - Curva de demanda horaria de un alimentador de media tensin tpico. El valor del factor de carga de prdida permite calcular con una aproximacin aceptable la perdida de energa de un alimentador de distribucin y es una prctica comn obtenerlo actualmente utilizando una relacin emprica dada por la ecuacin (3). Para poder obtener un Fcp que permita arrojar valores ms aproximados de la perdida de energa Ep , se propone la utilizacin de un algoritmo de inteligencia artificial, particularmente una arquitectura de red neuronal. Los datos que ingresan a la red neuronal para obtener como resultado el valor del Fcp , y que comnmente se encuentran disponibles, son valores de corriente eficaz correspondiente al alimentador de media tensin considerado. Estos datos son tomados Figura 2 - Arquitectura general de la Red de propagacin hacia atrs BPN. La arquitectura de red neuronal seleccionada es capaz de resolver problemas complejos de reconocimiento de tramas, cuando los datos utilizados para el entrenamiento de la misma son coherentes con la realidad fsica que representan.

_________________________
PAPER-93-18022010.DOC

3/6

TRABAJO
4/6
Esta red aprende un conjunto predefinido de pares de entrada-salida dados como ejemplo, entendiendo como entrada al vector de corrientes eficaces que representan el comportamiento de la demanda durante un da, y salida al valor del factor de carga de perdidas Fcp . Una vez que se ha aplicado una trama de entrada como estmulo para la primera capa de unidades de la red, sta se va propagando a travs de todas las capas superiores hasta generar una salida. La seal de salida se compara entonces con la salida deseada, y se calcula una seal de error. La seal de error se transmite hacia atrs, partiendo de la capa de salida hacia todos los nodos de la capa intermedia que contribuyan directamente a la salida. Sin embargo, las unidades de la capa intermedia slo reciben una fraccin de la seal total de error, basndose aproximadamente en la contribucin relativa que haya aportado la unidad a la salida original. Este proceso se repite, capa por capa, hasta que todos los nodos de la red hayan recibido una seal de error que describa su contribucin relativa al error total. Basndose en la seal de error percibida, se actualizan los pesos de conexin de cada unidad para hacer que la red converja hacia un estado que permita codificar todas las tramas de entrenamiento. La importancia de este proceso consiste en que, a medida que se entrena la red, los nodos de las capas intermedias se organizan as mismo de tal modo que los distintos nodos aprenden a reconocer diferentes caractersticas del espacio total de entradas. Despus del entrenamiento, cuando se les presente una trama arbitraria de entrada que contenga las corrientes eficaces representativas de una curva de demanda diaria, se espera que las unidades de las capas ocultas de la red respondan con una salida que represente el valor correcto del factor de carga de perdidas, interpretando de esta forma la informacin contenida en la nueva trama de entrada, en virtud de su semejanza con aquellas caractersticas que las unidades individuales hayan aprendido a reconocer durante su proceso de entrenamiento. Es importante destacar que la BPN posee una representacin interna que le permite generar las salidas deseadas cuando se le dan las entradas de entrenamiento y cuando a esta misma representacin interna se le aplican entradas que no fueron utilizadas, la BPN las clasificar segn las caractersticas que compartan con los ejemplos que hayan sido utilizados en el proceso de entrenamiento. Contemplando los datos de corrientes que provienen de las mediciones realizadas y luego de hacer el procesamiento sobre los mismos para que puedan ser utilizados en forma ptima, los pasos que se efectan para el entrenamiento de la red neuronal seleccionada, se pueden resumir de la siguiente manera: Aplicar un vector de entrada con los valores de corriente eficaces representativos de la curva de demanda diaria y calcular su salida. Calcular el error en relacin con el factor de carga de prdida real. Determinar en qu direccin (+ -) debe cambiarse los pesos para reducir el error, entendiendo como pesos a los valores que ponderan las conexiones entre los nodos que conforman la red. Determinar la cantidad en que es preciso cambiar cada peso. Corregir los pesos de las conexiones antes mencionadas. Repetir los pasos anteriores para todos los patrones de datos que fueron seleccionados para el entrenamiento hasta reducir el error a un valor aceptable. 2.2. Datos utilizados y resultados obtenidos Los datos de corriente utilizados corresponden a un alimentador de media tensin de la distribuidora EDELAP S.A., el cual abastece de energa a reas geogrficas cuyos clientes tienen un comportamiento de consumo del tipo residencial y puede ser tomado como representativo. Para este alimentador se consideraron 55 das, de los cuales se dispone de 24 valores de la corriente eficaz que conservan una proporcionalidad con la curva de demanda diaria. Los registros citados corresponden a valores de corrientes eficaces pertenecientes a un intervalo temporal que contempla los meses de enero y julio del ao 2009. Cabe aclarar que se excluyeron de este conjunto aquellos registros que involucran transferencias de cargas entre alimentadores. Considerando que el factor de carga de perdida representa la relacin entre la perdida de energa producida por efecto de la corriente eficaz durante un periodo determinado de tiempo y las prdidas de energa que habran resultado de la utilizacin permanente de la potencia mxima, de la ecuacin (2) se desprende la siguiente expresin (5).

_________________________
PAPER-93-18022010.DOC

4/6

TRABAJO
5/6

Fcp =

Ep t Pp max

( 1)

(5)

Esta ltima expresin es la utilizada para calcular los valores reales del factor de carga de prdidas Fcp , en virtud de que el valor de prdida de energa

Con el objeto de visualizar numricamente lo mostrado en la Figura 3. Se presenta la Tabla 1, en la cual se muestrean resultados concretos del factor de carga de perdida Fcp , calculado a travs de las dos metodologas contempladas en el presente trabajo. Tabla 1.
Factor de carga de Prdida Alimentador Emprico Da Valor Real Error [%] 13.2 11.0 8.6 6.5 9.0 7.8 9.5 8.5 7.3 5.5 6.8 5.9 RNA Error [%] 0.7 1.8 0.9 2.2 1.2 5.6 4.3 2.5 0.1 1.2 0.2 1.6

Ep expresado en la misma es obtenido por la

integracin de los resultados de numerosas simulaciones de flujos de carga, las que permiten construir la curva de prdidas de potencia para cada da considerado en el entrenamiento de la red neuronal. Para la comprobacin del adecuado funcionamiento de la RNA se utilizaron datos de das que no fueron usados para el entrenamiento pero que igualmente pertenecen al mismo periodo de tiempo, e incluso se verifico el adecuado comportamiento de la red neuronal utilizando datos provenientes de otro alimentador. La Figura 3 muestra algunos de los resultados obtenidos del error relativo provocado por la utilizacin de la expresin emprica (3) y el error relativo cometido por la utilizacin de la metodologa propuesta para el clculo del factor de carga de prdidas a travs del uso de una red neuronal entrenada para tal efecto. En dicha figura se aprecian los errores relativos cometidos con ambas metodologas de clculo para algunos das y distintos alimentadores utilizados y no utilizados en el entrenamiento de la RNA.
14.0% 12.0% 10.0%

Valor

Valor

I I I I I I II II II II II II

04-Ene 14-Ene 29-Ene 04-Jul 08-Jul 20-Jul 04-Ene 14-Ene 29-Ene 04-Jul 08-Jul 20-Jul

0.401 0.495 0.567 0.546 0.517 0.541 0.426 0.468 0.519 0.575 0.572 0.574

0.455 0.549 0.616 0.581 0.564 0.584 0.467 0.507 0.557 0.606 0.611 0.608

0.404 0.504 0.572 0.558 0.523 0.572 0.445 0.479 0.519 0.581 0.574 0.583

3.

Conclusiones

El Factor de carga de perdida

Fcp permite

8.0% 6.0% 4.0% 2.0% 0.0% 1 2 3 4 5 6 7 8 9 10 11 12 Tiempo [dias] Implementando RNA Implementando Formula Emprica

obtener el valor de energa de perdida Ep , sin necesidad de realizar numerosas simulaciones de flujos de cargas a lo largo del lapso de tiempo considerado, lo cual permite optimizar el tiempo de procesamiento y clculo. La metodologa propuesta en el presente trabajo para el clculo de dicho factor, aporta la posibilidad de mejorar los resultados obtenidos, sin agregar complejidad en el clculo ya que una vez que el algoritmo ha sido entrenado correctamente slo resta su aplicacin para obtener el Fcp de los distintos tipos de alimentadores de media tensin. Considerando los resultados obtenidos en los clculos realizados, para los cuales se utilizaron valores de corriente provenientes de distintos alimentadores de media tensin y determinados das considerados como representativos (Figura 3 y Tabla 1), es posible concluir que el algoritmo

Error relativo [%]

Figura 3 - Errores relativos en el clculo del

Fcp

_________________________
PAPER-93-18022010.DOC

5/6

TRABAJO
6/6
propuesto tiene un comportamiento satisfactorio ya que los errores cometidos en relacin con el valor real del Fcp no superan el 5.6 % para todos los clculos efectuados. Cabe destacar que en todos los casos contemplados en el presente trabajo, los errores cometidos con la metodologa propuesta fueron notablemente inferiores a los que se presentan cuando se utiliza la expresin emprica (3) los cuales alcanzan valores de hasta 13.2 % de error. En virtud de lo mencionado es posible concluir que el empleo de una RNA (red neuronal artificial) es un mtodo alternativo adecuado para la resolucin del objetivo planteado. 4. Bibliografa Standard Levels of Energy Losses in Primary Distribution Circuits for SCADA Application, IEEE Transactions on Power Systems, Vol. 17, N. 3, August 2002. [8] JIANG Hui-lan, AN Min, LIU Jie, XU Jianqiang A Practical Method of Calculating the Energy Losses in Distribution Systems Based on RBF Network, 2005 IEEE/PES Transmission and Distribution Conference & Exhibition, Asia and Pacific, Dalian, China. [9] Hong-Rui Wang, Guo-Jie Yang, Xiu-Ling Liu, A New Algorithm for the Theoretical Energy Loss Calculation of the Distribution Network Based on Artificial Neural Networks, Proceedings of the Sixth International Conference on Machine Learning and Cybernetics, Hong Kong, 19-22 August 2007. [10] M.W. Gustafson & J.S. Baylor, The equivalent hours loss factor revisited , IEEE Transactions on Power Systems, Vol. 3 , No. 4, November 1988. [11] James A. Anderson, Redes Neurales, Alfaomega, Mexico, 2007. [12] Bonifacio Martin del Brio y Alfredo Sanz Molina, Redes Nueronales y Sistemas Difusos, Alfaomega, Mexico, 2001. [13] Werbos P. Beyond Regrssion: New Tools for Prediction and Analysis in the Behavioral Sciences. Tesis doctoral, Harvard, Cambridge, MA, Agosto de 1974. [14] Parker D. B. Learning Logic. Technical Report TR-47, Center for Computational Research in Economics and Management Science, MIT, Cambridge, MA, Abril de 1985. [15] James McClelland y David Rummelhart. Exploration in Parallel Distributed Processing, volumenes 1 y 2, MIT Press, Cambridge, MA, 1986.

[1] Turan Gnen, Electric Power Distribution System Engineering, McGraw-Hill, United States of America, 1986. [2] E.E. Staff del M.I.T., Circuitos Magnticos y Transformadores, Revert, Argentina, 1984. [3] P. F. Van Eldik y P. Cornelius, Aparatos de Corriente Alterna con Ncleo de Hierro, Biblioteca Tcnica Philips, Paraninfo, Espaa, 1964. [4] Turan Gnen, Modern Power System Analysis, John Wiley & Sons, United States of America, 1988. [5] Enrique Ras, Transformadores de potencia, de medida y de proteccin, Marcombo, Barcelona, 1972 (2 edicin). [6] Nazarko, J.; Styczynski, Z.; Poplawski, M.; The fuzzy approach to energy losses calculations in low voltage distribution networks, Power Engineering Society Winter Meeting, 2000. IEEE, Vol 4, Page(s): 2763 2768, 23-27 Jan. 2000. [7] H. M. Khodr, J. Molea, I. Garca, C. Hidalgo, P. C. Paiva, J. M. Yusta, and Alberto J. Urdaneta,

_________________________
PAPER-93-18022010.DOC

6/6