Atributos Relevantes para el Diagnóstico Automático de Eventos de Tensión en Redes de Distribución de Energía Eléctrica

• Victor Barrera Núñez ^[1] ; Ronald Velandia ^[2] ; Fredy Hernández ^[2] ; Joaquim Meléndez ^[1] ; Hermann Vargas ^[2]
  1. [1] Universitat de Girona

     Universitat de Girona

     Gerona, España

     
  2. [2] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Revista iberoamericana de automática e informática industrial ( RIAI ), ISSN-e 1697-7920, Vol. 10, Nº. 1, 2013, págs. 73-84
• Idioma: español
• Títulos paralelos:
  • Relevant Attributes for Voltage Event Diagnosis in Power Distribution Networks
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se aborda el diagnóstico de eventos o perturbaciones de tensión registradas en subestaciones de distribución. La aparición de dichos eventos se debe a causas diversas que van desde faltas en la red, el arranque de motores de inducción, energización de transformadores y conmutación de bancos de capacitores. Se propone la caracterización de estos eventos de tensión a partir de atributos extraídos directamente de la forma de onda, y que se relacionan con los fenómenos físicos asociados tanto con las causas de los eventos, como con su localización relativa respecto del punto de medida. Se ha estudiado la relevancia de dichos atributos mediante un análisis estadístico de la varianza (MANOVA). Los atributos más relevantes se han utilizado para la obtención de reglas de clasificación mediante algoritmos de aprendizaje automático. Los resultados fueron obtenidos empleando datos de 484 eventos reales y 38 eventos simulados.

  • English

    This paper focuses on diagnosis of voltage events collected in power distribution networks. Fault networks, induction motor starting, transformer energization and capacitor bank switching cause voltage events. A characterization of voltage events using attributes directly extracted from the voltage and current waveforms is done in this paper. The used attributes are highly related with the event root-cause as well as the relative location of the event source with respect to the measurement point. The relevance of each attribute has been assessed applying a statistical analysis of variance (MANOVA). The most relevant attributes have been used as input to rule-extraction algorithms in order to extract classification rules. The results were obtained using 484 real-world and 38 synthetic voltage events.