| dc.contributor | Pérez Londoño, Sandra Milena | |
| dc.creator | Valdés Jaramillo, Henry Giovanny | |
| dc.date | 2023-05-18T20:39:09Z | |
| dc.date | 2023-05-18T20:39:09Z | |
| dc.date | 2009 | |
| dc.date.accessioned | 2023-08-28T15:26:40Z | |
| dc.date.available | 2023-08-28T15:26:40Z | |
| dc.identifier | Universidad Tecnológica de Pereira | |
| dc.identifier | Repositorio Institucional Universidad Tecnológica de Pereira | |
| dc.identifier | https://repositorio.utp.edu.co/home | |
| dc.identifier | https://hdl.handle.net/11059/14677 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8443051 | |
| dc.description | Con el incremento en la complejidad de los actuales sistemas de potencia, se ha vuelto cada vez más importante y necesario realizar análisis del desempeño de su dinámica y estabilidad, mediante la identificación y obtención de modelos básicos de cada uno de sus componentes, que permitan obtener resultados lo más cercanos posible a las condiciones reales de operación del sistema. Entre dichos elementos se encuentra la máquina síncrona, quien desempeña un papel muy importante en la estabilidad de un sistema de potencia. Por tanto es imprescindible disponer de modelos válidos de la máquina para realizar un adecuado análisis de su desempeño sobre la red. Aunque ya ha pasado más de medio siglo desde las primeras publicaciones relacionadas con diversas metodologías acerca de la obtención de dichos modelos, aún en la actualidad sigue siendo un área de investigación atractiva y en continua evolución. Tradicionalmente los parámetros de la máquina síncrona han sido datos obtenidos mediante ensayos clásicos, los cuales utilizan metodologías invasivas que obligan a la desconexión de la máquina del sistema y por tanto a la interrupción del servicio de energía, situación que se traduce en problemas tanto técnicos como económicos, para el usuario y para la empresa de generación. Como una de las metodologías alternativas a las clásicas en cuanto a la obtención de modelos para sistemas no lineales, se encuentra la estimación de parámetros, la cual ha sido ampliamente utilizada en la identificación de parámetros de la máquina síncrona. En este proyecto se plantea la utilización de una de estas herramientas como son las redes neuronales, para la estimación fuera de línea de los parámetros de una máquina síncrona real del laboratorio, con la ventaja que su estructura y/o configuración es optimizada mediante la utilización de algoritmos genéticos. De esta forma la selección de la arquitectura de la red neuronal deja de ser un proceso empírico definido por la experiencia del diseñador, para convertirse en un sistema de selección óptimo. | |
| dc.description | Pregrado | |
| dc.description | Ingeniero(a) Electricista | |
| dc.description | Contenido
Lista de figuras.......................................................................................................................... 5
Lista de tablas ........................................................................................................................... 7
Resumen.................................................................................................................................... 8
Introducción ............................................................................................................................ 10
Capitulo 1................................................................................................................................ 15
1. MARCO TEÓRICO........................................................................................................ 15
1.1. MODELADO DE LA MÁQUINA......................................................................... 15
1.1.1. Características de la máquina sincrónica ........................................................ 16
1.1.2. CONCEPTO DE ESTADO ................................................................................ 18
1.1.3. Modelos de la máquina síncrona..................................................................... 19
1.2. ESTABILIDAD LOCAL O DE PEQUEÑA SEÑAL ............................................ 24
1.3. MODELO NO LINEAL DE TERCER ORDEN DEL GENERADOR SÍNCRONO
24
1.3.1. Modelo dinámico de la máquina síncrona conectada a un barraje infinito..... 25
1.3.2. Ecuaciones dinámicas del generador .............................................................. 27
1.3.3. Modelo de Heffron Philips.............................................................................. 28
1.4. ESTADO DEL ARTE............................................................................................. 33
1.4.1. Prueba de cortocircuito, circuito abierto y factor de potencia cero................ 34
1.4.2. Respuesta en frecuencia RF ............................................................................ 42
1.4.3. Tasa de Caída de la Componente DC (DC Decay Test)................................. 46
1.4.4. Estimación de parámetros con redes neuronales............................................. 50
1.4.5. Ensayo de respuesta en frecuencia en línea .................................................... 52
1.4.6. Descomposición del valor singular (SVD) ..................................................... 53
1.4.7. Método del gradiente conjugado..................................................................... 53
1.4.8. Máxima Similitud ........................................................................................... 53
1.4.9. Series de funciones ortogonales y series de Hartley ....................................... 54
3
1.5. REDES NEURONALES ARTIFICIALES ............................................................ 54
1.5.1. Función de propagación o de red .................................................................... 55
1.5.2. Función de activación ..................................................................................... 55
1.5.3. Conexiones ponderadas................................................................................... 56
1.5.4. Salida............................................................................................................... 56
1.6. MODO DE OPERACIÓN DE LAS RNA’s........................................................... 57
1.7. APLICACIONES DE LA RED NEURONAL ....................................................... 58
1.8. ALGORITMOS GENÉTICOS ............................................................................... 60
1.8.1. Codificación.................................................................................................... 60
1.8.2. Selección......................................................................................................... 61
1.8.3. Operador de cruzamiento................................................................................ 63
1.8.4. Operador mutación.......................................................................................... 64
1.8.5. Función de adaptación o fittnes....................................................................... 65
Capítulo 2................................................................................................................................ 66
2. METODOLOGÍA PROPUESTA PARA LA ESTIMACIÓN DE LOS PARÁMETROS
66
2.1. INTRODUCCIÓN .................................................................................................. 66
2.2. APLICACIÓN DE LAS REDES NEURONALES COMO ESTIMADORES ...... 67
2.2.1. Conjunto de entrenamiento ............................................................................. 68
2.2.2. Validación cruzada.......................................................................................... 76
2.2.3. Selección de la red .......................................................................................... 77
2.2.4. Arquitectura de la RNA seleccionada ............................................................. 78
2.2.5. Entrenamiento................................................................................................. 81
2.3. IMPLMENTACIÓN DEL ALGORITMO GENÉTICO ........................................ 84
2.3.1. Configuración del algoritmo genético............................................................. 88
2.3.2. Definición del individuo de peor calidad........................................................ 89
2.3.3. Función fittness............................................................................................... 89
2.3.4. Codificación.................................................................................................... 90
2.3.5. Tasa de cruce................................................................................................... 91
2.3.6. Tasa de mutación ............................................................................................ 92
2.3.7. Población inicial.............................................................................................. 92
4
2.3.8. Número de generaciones................................................................................. 92
Capítulo 3................................................................................................................................ 94
3. RESULTADOS............................................................................................................... 94
3.1. Inicialización del proceso........................................................................................ 94
3.1.1. Pruebas............................................................................................................ 94
3.2. Resultados del proceso de estimación y optimización de arquitectura ................ 105
3.3. Análisis ................................................................................................................. 108
3.4. Pruebas realizadas a la red resultante nn [3 12 5]................................................. 113
Capítulo 4.............................................................................................................................. 126
CONCLUSIONES, RECOMENDACIONES Y TRABAJO FUTURO.............................. 126
Anexo A................................................................................................................................ 132
BASES TEÓRICAS ADICIONALES.................................................................................. 132
Anexo B................................................................................................................................ 146
BIBLIOGRAFÍA .................................................................................................................. 152 | |
| dc.format | 161 Páginas | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Tecnológica de Pereira | |
| dc.publisher | Facultad de Ingenierías | |
| dc.publisher | Pereira | |
| dc.publisher | Ingeniería Eléctrica | |
| dc.relation | [A. Galushkin, 2007] A. I. Galushkin “Neural Networks Theory” Springer-Verlag Berlin Heildelberg, 2007. | |
| dc.relation | [A. Gómez y D. De La Fuente] A. Gómez, D. De La Fuente y P. Priore “Resolución del Problema de Strip-Packing Mediante la Metaheurística algoritmos Genéticos”, Universidad de Oviedo, Campus Biseques Gijón España. | |
| dc.relation | A Walton and J. S. Croft “The Modeling of the Synchronous Machines” James Cook University Of North Queensland, Australia. | |
| dc.relation | A Walton “Characteristics of Equivalent Circuits of Synchronous Machines” IEEE Proc.-Electr. Power Appl., Vol 143, No 1, January 1996. | |
| dc.relation | Ben Kröse and P. Vander Smagt “An Introduction to Neural Networks” The University of Amsterdam,1996. | |
| dc.relation | C. Bishop “Neural Networks for Pattern Recognition”, Clarendon Press. Oxford, 1995 | |
| dc.relation | Chiang- Tsung Huang, Yung-Tien Chen, Chun-Liang Chang and others “On-line Measurement-Based model Parameter Estimation for Synchronous Generators: Model Development & Identification Schemes” IEEE Transactions On Energy Conversion, vol. 9, No 2, June 1994 | |
| dc.relation | D. E. Goldber “Genetic Algorithms in Search Optimization and Machine Learning ” Addison Wesley Longman, Inc. 1989. | |
| dc.relation | D. J. Muñoz “Diseño y Entrenamiento en Paralelo de Redes Neuronales, por Medio de Algoritmos Genéticos Desordenados y Altamente Recursivos.” Scientia Et Technica, No 3, Mayo de 2006 UTP | |
| dc.relation | D. M. Gillard, K. E. Bollinger “ Neural Network Identification of Power System Transfer Functions,” IEEE Transaction On Energy Conversion, vol 11, No 1, March 1996. | |
| dc.relation | D. Y. Park, H. C. Karmaker and others “Standstill Frequency Response Testing and Modeling of a Salient-pole Synchronous Machines,” IEEE Transaction on Energy Conversion, vol 13, No 3, September 1998. | |
| dc.relation | E. C. Shaffter, C. A. Gross “Methods for Determining Linear Synchronous Machine Parameters” IEEE 1994. | |
| dc.relation | E. Swidenbank, S. McLoone, D. Flynn, G. W. Irwin, M. D. Brown, B. W. Hogg “Neural Network Based Control for Synchronous Generators” IEEE Transaction on Energy Conversion, vol 14, No 4, December 1999 | |
| dc.relation | F. S. Sellschopp, M.A. Arjona L. “A tool for extracting Synchronous Machine Parameters from the Dc Flux Decay Test” ScienceDirect, Electric Power System Research, October 2004. | |
| dc.relation | H. Rehaoulia , H. Henaob and G.A. Capolino “Modeling of Synchronous Machines with Magnetic Saturation” ScienceDirect, Electric Power System Research, July 2006 | |
| dc.relation | IEEE Guide: Test Procedures for Synchronous Machines, IEEE Standard 115- 1995, Dec. 1995 | |
| dc.rights | Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 de | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | 620 - Ingeniería y operaciones afines::621 - Física aplicada | |
| dc.subject | Generadores síncronos | |
| dc.subject | Aprendizaje automático en sistemas eléctricos | |
| dc.subject | Optimización de generadores síncronos | |
| dc.title | Estimación de los parámetros del modelo de tercer orden de un generador síncrono usando redes neuronales artificiales | |
| dc.type | Trabajo de grado - Pregrado | |
| dc.type | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type | http://purl.org/coar/version/c_ab4af688f83e57aa | |
| dc.type | Text | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
