Aplicaciones de Inteligencia

Artificial en Sistemas de Potencia

Dr. Antonio Morán Cárdenas

IEEE Sociedad de Robótica y Automatización
Aplicaciones de la Inteligencia Artificial
en Sistemas de Potencia Eléctrica

Operación y Control de Sistemas Eléctricos

Predicción de Demanda
Despacho Económico
Diagnóstico y Ubicación de Fallas
Evaluación de la Seguridad de la Red
Estabilidad de Sistemas de Potencia
Técnicas de Inteligencia Artificial

Redes Neuronales
Lógica Difusa
Redes Neuro-Difusas
Algoritmos Genéticos
Reconocimiento de Caras

Maria
Reconocimiento de Caras

Maria

Cerebro Maria
Estimación de Función

x
y = ax + b

x
y = ax2 + bx + c
 Entrenamiento de Red Neuronal

Datos
x1 x2 y1 y2 v11 w11
* * * * x1 y1
* * * *
* * * * x2 y2
v23 w32
* * * *
Auto Conducción de Vehículos
Auto Conducción de Vehículos
Robot Móvil que Esquiva Obstáculos

Posición Final
Deseada
 Tratamiento Médico

Presión Pulso Dosis de

Sanguínea Cardiaco Medicina
 Tratamiento Médico

Niveles actuales (Presión, Pulso)

Niveles deseados (Presión, Pulso)

Medicina 1

Medicina 2

Niveles actuales Medicina 1

Cerebro Medicina 2
Niveles deseados
 Tratamiento Médico
Problema de Control

Niveles Medicina Niveles

Deseados Actuales
Doctor Paciente
Aplicaciones de la Inteligencia Artificial
en Sistemas de Potencia Eléctrica

Operación y Control de Sistemas Eléctricos

Predicción de Demanda
Despacho Económico
Diagnóstico y Ubicación de Fallas
Evaluación de la Seguridad de la Red
Estabilidad de Sistemas de Potencia
Diagnóstico y Ubicación de Fallas en
Sistemas de Transmisión

Determinar el tipo de falla y el lugar

donde se ha producido
 Tipos de Fallas

Falla Tipo
Falla 1 Fase 1 a Tierra
Falla 2 Fase 2 a Tierra
Falla 3 Fase 3 a Tierra
Falla 4 Fase 1 a Fase 2

Falla 5 Fase 2 a Fase 3

Falla 6 Fase 3 a Fase 1
Falla 7 Fases 1 y 2 a Tierra

Falla 8 Fases 2 y 3 a Tierra

Falla 9 Fases 1 y 3 a Tierra
Falla 10 Tres Fases
 Diagnóstico de Fallas
Qué Información Usar?

Entrada Salida
1 : Falla del tipo
Valor RMS de la
considerado
corriente de fase
0 : No falla del tipo
después de la falla
considerado

I1 RMS
Detector de 1
I2 RMS Falla para
0
I3 RMS Cada Tipo
 Diagnóstico de Fallas
Una Red Neuronal para Cada Tipo de Falla

v
I1 RMS w
1
I2 RMS
0
I3 RMS
 Datos de Entrenamiento de Red Neuronal

I1 RMS
1
I2 RMS
0
I3 RMS
Entradas
Salida
I1 RMS I2 RMS I3 RMS
12.5 12.8 12.5 0 Sin Falla

8.8 12.3 12.4 1 Falla 1

8.6 12.6 11.9 1 Falla 1

11.8 12.1 12.9 0 Sin Falla

12.6 11.6 6.9 0 Otra Falla

 Diagnóstico de Fallas

Falla 1

La red neuronal
con salida = 1
Falla 2 corresponde a
I1 RMS una falla.
I2 RMS
Las salidas de
I3 RMS las otras redes
neuronales son
cercanas a cero.
Falla 9

Falla 10
 Ubicación de Fallas
Qué Información Usar?

Entrada Salida
Distancia del lugar
Valor RMS de la
de la falla
corriente de fase
después de la falla Coordenadas del
lugar de la falla

I1 RMS
Determinación Distancia
I2 RMS del Lugar de la
Falla Coordenadas
I3 RMS
 Ubicación de Fallas

I1 RMS

I2 RMS Distancia

I3 RMS

I1 RMS
Coordenada X
I2 RMS
Coordenada Y
I3 RMS

(Salidas normalizadas)
 Ubicación de Fallas
I1 RMS X
Falla 1 I2 RMS
Y
I3 RMS

I1 RMS X
Falla 2 I2 RMS Una red neuronal para
Y
I3 RMS cada tipo de falla

Las coordenadas (x,y)

pueden ser de un
plano de red
I1 RMS X
Falla 9 I2 RMS
Y
I3 RMS

I1 RMS X
Falla 10 I2 RMS
Y
I3 RMS
 Datos de Entrenamiento de Red Neuronal

I1 RMS
Falla 1: Fase 1 a Tierra X
I2 RMS
Y
I3 RMS
Entradas Salida
I1 RMS I2 RMS I3 RMS X Y
9.1 12.8 12.5 0.25 1.20
8.8 12.3 12.3 1.15 0.55
7.6 12.6 12.9 0.60 1.20 Una red neuronal
para cada tipo de
8.8 13.1 12.9 0.85 2.70 falla

6.6 11.6 6.9 1.45 0.95

 Diagnóstico de Fallas
Pruebas y Resultados

Identificación del Tipo de Falla:

100% en datos de entrenamiento
92% en datos de validación

Determinación de Coordenadas (x,y)

0% de error en datos de entrenamiento
9% de error en datos de validación
 Predicción de Carga Eléctrica

Importante para el adecuado planeamiento y

operación de un sistema eléctrico:

Despacho eficiente
Programación de operación
Planificación de inversiones

Economía, calidad y seguridad en

el suministro de energía eléctrica
Predicción de Carga Eléctrica

Predicción de Corto Plazo

Día, Semana

Predicción de Mediano Plazo

Mes, Semestre, Año

Predicción de Largo Plazo

Cinco a mas años
 Predicción de Corto Plazo
Próximas 24 horas
Qué información usar?

Calendario Climatológicos Económicos

Mes Temperatura max, min y Incremento PBI último

promedio del día anterior mes
Día
Humedad del día Índice de actividad
anterior industrial
Intensidad de lluvia Índice de actividad
día anterior minera

Demanda en las últimas

24 horas
 Predicción de Corto Plazo

1:00
Demanda
24 horas 2:00
anteriores
3:00

4:00
Día Predictor de 5:00
Demanda Eléctrica Demanda
Mes
6:00 horaria

Data
climatológica

22:00

23:00
Data
económica 24:00
 Red Neuronal

v
w

34 24
Entradas Salidas
 Red Neuronal
Datos de Entrenamiento

34 Entradas 24 Salidas
* * * * * * * * * * * *
* * * * * * * * * * * *
* * * * * * * * * * * *
.. .. ... .. .. .. ... ..
. . . . . .
* * * * * * * * * * * *
Predicción de Demanda de 24 Horas

Potencia
300
(MW)

250
Real
200 Predicción

150

100

50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Hora del día

 Despacho Económico

Dado un sistema eléctrico con:

Centrales de generación de capacidad
y costos de operación
Demanda eléctrica en diferentes puntos
de la red

Determinar la cantidad de potencia a generar

en cada central ara satisfacer la demanda al
menor costo posible
Sistema Eléctrico Interconectado

Bus 8 Bus 7 Bus 6

Bus 5

Bus 4

Bus 3
Bus 1 Bus 2 ~
~ ~
Costo de Operación de los Generadores

Costo de Operación del Generador C:

C = a + b PG + c PG2
PG : Potencia activa generada

Gen Pmax Pmin a b c

Bus [MW] [MW] [$/h] [$/MWh] [$/MW2h]

Bus 1 308 0 647 20 0.032

Bus 2 350 0 647 20 0.032

Bus 3 250 0 1830 27 0.063

Distancias e Impedancias entre Barras

Distancia R [Ω ]
Línea De A X[Ω ]
[Km]
1 1 8 55 0.055 0.210
2 1 6 45 0.020 0.080
3 1 2 3 0.003 0.014
4 2 7 60 0.015 0.115
5 2 5 50 0.050 0.192
6 3 4 16 0.016 0.060
7 4 7 43 0.043 0.165
8 4 6 43 0.043 0.165
9 5 6 16 0.014 0.061
10 7 8 31 0.031 0.119
 Problema de Despacho Económico

Minimizar costo total de generación de N centrales:

N N
Σ Ci = Σ (ai + bi PGi + ci PGi2)
Satisfaciendo la demanda de M consumidores y
considerando las pérdidas en líneas PL
N M
Σ PGi = Σ Di + PL

Considerando capacidad de generación de cada central

PGiMin < PGi < PGiMax i = 1, 2 .… N

Demanda de Potencia Eléctrica
Demanda [MW] Demanda
Total
Bus 4 Bus 5 Bus 6 Bus 7 Bus 8 [MW]
0 46 1 15 90 152
0 56 10 25 100 191
0 66 20 35 110 231
0 76 30 45 120 271
0 86 40 55 130 311
0 96 50 65 140 351
0 106 60 75 150 391
10 116 70 85 160 441
20 126 80 95 170 491
30 136 90 105 180 541
40 146 100 115 190 591
50 156 110 125 200 641
60 166 120 135 210 691
70 176 130 145 220 741
 Demanda – Generación
Demanda [MW] Generación [MW]

Bus 4 Bus 5 Bus 6 Bus 7 Bus 8 Bus 1 Bus 2 Bus 3

0 46 1 15 90 152 0 0
0 56 10 25 100 191 0 0
0 66 20 35 110 231 0 0
0 76 30 45 120 271 0 0
0 86 40 55 130 305 6 0
0 96 50 65 140 305 46 0
0 106 60 75 150 286 105 0
10 116 70 85 160 305 116 20
20 126 80 95 170 305 127 59
30 136 90 105 180 305 135 101
40 146 100 115 190 305 145 141
50 156 110 125 200 305 175 161
60 166 120 135 210 305 205 181
70 176 130 145 220 305 235 201
 Despacho Económico

Diferentes técnicas para resolver el problemas de

despacho eléctrico

Programación Lineal
Programación Cuadrática

Cuando el costo de operación no es una función

cuadrática C = a + b P + c P 2 + d PG3
G G

Redes Neuronales