Estimacin de las componentes simtricas mediante

redes neuronales adaptativas

Francisco Javier Alcntara Benjumea y Patricio Salmern Revuelta
Departamento de Fsica Aplicada e Ingeniera Elctrica
Escuela Politcnica Superior. Universidad de Huelva
Crta. De Palos de la Fra. s/n; 21819 Palos de la Fra.. Huelva. Espaa
FcoJavier.Alcantara@dfaie.uhu.es Patricio.Salmeron@dfaie.uhu.es

Resumen :.En este trabajo se presenta un nuevo mtodo

de medida basado en redes neuronales adaptativas, que
permite la estimacin de las componentes simtricas de
tensin e intensidad en un sistema trifsico de cuatro
conductores. El procedimiento se basa en el uso de los
vectores de Park para el tratamiento de las seales y utiliza
como unidad de clculo una celda neuronal adaptativa
denominada ADALINE (ADAptative LInear Network). En
el tratamiento matemtico se hace una separacin entre el
clculo de las partes real e imaginaria del vector de Park y
la correspondiente a la componente homopolar. La red
neuronal adaptativa descompone cada una de estas partes
en sus armnicos y calcula las componentes simtricas en
base a esta descomposicin. Como caso prctico se aplic
el procedimiento a la estimacin de las componentes
simtricas de una tensin trifsica desequilibrada y no
senoidal.

determinacin de las componentes de secuencia

homopolar. Recientemente, se estn aplicando las
redes neuronales artificiales a la resolucin de
problemas en el mbito de la Ingeniera Elctrica [3].
La tcnica de las ANN permite aumentar la rapidez y
fiabilidad del clculo debido al elevado paralelismo
en el procesamiento que supone su utilizacin.
En este trabajo se presenta una nueva
metodologa basada en la aplicacin de las redes
neuronales adaptativas al vector de Park de tensin e
intensidad de un sistema trifsico de potencia. Este
nuevo enfoque del problema posibilita la estimacin
rpida y precisa de las componentes simtricas de
tensin e intensidad en un sistema trifsico de cuatro
conductores con un reducido coste computacional.

Palabras clave :.redes neuronales, medida, armnicos,

sistemas trifsicos

1. Introduccin
Debido a la utilizacin creciente de cargas
electrnicas que incluyen entre sus componentes
elementos no lineales, (como diodos, tiristores,
triacs,...) se hace necesario el planteamiento de
nuevas metodologas de anlisis y medida de las
magnitudes elctricas bsicas en situaciones de
desequilibrio y distorsin. Para tal fin se han
desarrollado un elevado nmero de trabajos sobre la
caracterizacin de la potencia elctrica en el dominio
de la frecuencia en condiciones generales de
asimetra y distorsin [1]. Se han desarrollado
distintos algoritmos de clculo basados en la
aplicacin de la FFT a las seales de tensin e
intensidad. Los autores han venido trabajando en esa
rea proponiendo el uso de la FFT a los vectores de
Park de tensin e intensidad [2]. La aplicacin
sistemtica de las FFT al vector de Park permite
obtener las componentes simtricas de secuencia
directa e inversa de la variable elctrica en cuestin.
Este procedimiento simplifica desde el punto de
vista computacional la medida de las magnitudes de
potencia en sistemas de tres conductores. No
obstante, la medida en sistemas de cuatro
conductores requiere un clculo adicional para la

2. Los vectores de Park en el anlisis

de sistemas trifsicos
Es habitual en la Teora de mquinas elctricas la
utilizacin de los vectores espaciales o de Park. El
vector de Park de tensin se define como,

vp =

2
( va + vb + 2 v c )
3

(1)

donde =exp(j 2/3) y va, vb y vc son los valores

instantneos de las tensiones de fase. Los vectores de
Park se pueden relacionar con los fasores de las
componentes simtricas [4]. Si se supone una tensin
senoidal en el que V+ es el fasor de secuencia directa
de la tensin trifsica y V- es el fasor de secuencia
inversa, se tiene,

V p = V + e j1t + V e j1t

(2)

La ecuacin (1) se puede extender a situaciones

no senoidales expresando el vector de Park en
trminos de la serie compleja de Fourier.

Vp =

k =

Y e
k

k =

jk1t

(3)

As, la descomposicin en series complejas de

Fourier proporciona, a la frecuencia angular h1
(h=|k|) dos vectores (k=h y k=-h) con diferentes
amplitudes y girando a la misma velocidad angular y
sentido contrario.
Para cada frecuencia angular se cumple:

Yk = Vh para k 0
Yk = V-h para k % 0

f (t ) = W T x (t )

(7)

donde W=(W1, W2, ... ,WN) constituye el vector de

pesos de la red. La seal estimada por la red, f (t) es

comparada con la seal real y el error obtenido se
usa, a travs de un lazo de realimentacin para
actualizar los pesos (fig 1).

(4)

Los vectores de Park proporcionan, de esta

forma, los fasores de las componentes simtricas de
tensin e intensidad para cada ndice armnico k.
Esta propiedad del vector de Park puede ser
aprovechada para obtener las componentes de
secuencia directa e inversa a travs de la DFT
compleja de dicho vector.
2.1. Componente homopolar
En los sistemas trifsicos donde existen
componentes de secuencia cero es necesario un
clculo adicional. En efecto, el anlisis de la
componte de secuencia homopolar se realiza a travs
de la secuencia de muestras reales:

v o (t) =

1
3

[v a (t ) + v b (t ) + v c (t )]

(5)

Esta secuencia se puede relacionar con el fasor

de secuencia homopolar. Se tiene,

v (t ) = 2 Re(V0 e jk1t )

(6)

k =1

A partir de (6), se obtiene el fasor de secuencia

homopolar de la tensin.

3. Redes neuronales adaptativas

En este trabajo se van a utilizar las redes
neuronales adaptativas para estimar las componentes
simtricas de la tensin e intensidad de un sistema de
potencia.
Las redes neuronales adaptativas [5,6] permiten
estimar cualquier variable elctrica f(t) del sistema
siempre que sta pueda descomponerse mediante una
combinacin lineal de funciones dependientes del
tiempo, x(t)=(f1(t),f2(t), ... ,fN(t))T de tal forma que:

Fig. 1: Estructura de la red neuronal adaptativa

La seal se muestrea a un intervalo fijo t en los

instantes de tiempo kt. Se tiene pues una seal

estimada, f k (t) , una seal real fk(t) y un error ek(t)

para cada valor de k,

f k (t) = W ( k ) T x k (t )

(8)

El algoritmo de actualizacin de pesos incluido

es el de Widrow-Hoff que minimiza el error

cuadrtico medio entre la seal f k (t) y fk(t). Este

algoritmo se rige por la expresin:

W(k + 1 ) = W ( k ) +

ek x k ( t )
x kT (t ) x k (t )

(9)

En (9) xkT(t)xk(t) es la norma de xk(t), por lo

tanto, el segundo sumando es proporcional al error y
su direccin la del vector xk(t). En la expresin se
introduce el parmetro para mejorar la
convergencia de la red. Se hace variar en funcin
del error y la derivada del error con lo que se logra
mejorar la convergencia.

= 0 + c1e + c2 e

(10)

v1 p = V1+ e j1t + V1 e j1t

Tras el proceso iterativo, el error ek(t) es

suficientemente pequeo y la seal estimada f k (t)

bastante fiable

4. Aplicacin de las redes neuronales

adaptativas a la estimacin de las
componentes simtricas
Se pretende la estimacin de las componentes
simtricas de la tensin y la intensidad en un sistema
de potencia a cuatro conductores. El esquema de
entrada/salida del sistema de medida basado en la
red neuronal que hace esa funcin es el siguiente,
fig. 2.
va

vp

vb

BLOQUE

vc

DE

ia

CALCULO

ib

ic

v0

Vn+

An
BLOQUE

Vn-

DE

Vn0

CALCULO

In+

In-

An

ip

Bn

i0

Bn

In0

con:

V1+ = V1+r + jV1+i

V1 = V1r + jV1i

El sistema neuronal consta de un primer bloque

de clculo en el que se construyen los vectores de
Park de la tensin y de la intensidad, as como v0(t) e
i0(t). Tomando como ejemplo la tensin, el vector de
Park vp puede expresarse como una serie compleja
de Fourier (3), ahora expresada en la forma
trigonomtrica (11),

v p = A0 + An cosn1t + Bn sen n1t

(11)

A1r + B1i
2
A B1i
V1r = 1r
2
V1+r =

A1i B1r
2
(16)
A1i B1r

V1i =
2
V1+i =

Las ecuaciones (12)-(16) se pueden generalizar a

cualquier armnico n. Las mismas expresiones se
obtienen para el vector de Park de la intensidad.
La expresin (11) del desarrollo en series de
Fourier del vector de Park se utiliza como base de
una red neuronal adaptativa que estima su parte real
y su parte imaginaria en la forma descrita por (17):

v p = W ( k ) T x k (t )
T

cos k1t
sen k t
1
x k (t ) =

cos nk1t
sen nk1 t

con:

A1 = A1r + jA1i
B1 = B1r + jB1i

W(k + 1 ) = W ( k ) +

(13)

Podemos relacionar esta expresin con los

fasores de las componentes directa e inversa.

(19)

El funcionamiento de la red se basa en los

principios descritos en el apartado 3 con la inclusin
de una modificacin en el algoritmo de WidrowHoff,

En concreto para el armnico fundamental:

(12)

(17)

W ( k ) = [A0 ( k ) A1 ( k ) B1 ( k ) ... ... An ( k ) Bn ( k )] (18)

n =1

v1p = A1 cos1t + B1 sen1t

(15)

Al identificar las expresiones podemos calcular

los fasores V1+ y V1- en funcin del desarrollo en
series de Fourier de vp dado que:

Fig. 2: Esquema de entrada/salida del sistema de

medida

Es decir, tiene como entradas las tres tensiones

de fase y las tres intensidades de lnea y como
salidas los fasores de las componentes simtricas de
tensin e intensidad hasta el armnico de orden n.

(14)

con

ek k ( t )
x kT (t ) k (t )

(20)

k (t ) = 0,5sgn( xk (t )) + 0,5 xk (t ) (21)

El trmino que contiene sgn(xk(t)) aumenta la

rapidez de la convergencia ya que los elementos que
componen el vector k(t) son siempre mayores o
iguales que los de xk(t) y as se aumenta el tamao de
los saltos en W(k) en cada iteracin.

Una vez adaptados los pesos a los coeficientes Ai

y Bi del desarrollo en series de Fourier del vector de
Park, un segundo bloque de clculo obtiene los
fasores Vi+ y Vi- a partir de las ecuaciones (16).
Para la componente homopolar de la tensin el
desarrollo es anlogo. Se parte de la descomposicin
en series de Fourier de v0(t)

vo (t ) = A0' + A0' cosn1t + Bn' sen n1t (22)

400
200
Voltios
0
-200
-400
0

0.02

n =1

Esta expresin es la base de una red neuronal

adaptativa que estima v0(t) y se identifica con

v0 (t ) = 2 V 0 e jk1t

(23)

k =1

A partir de (23) se obtiene,

Vnr0 =

An'
B'
Vni0 = n
2
2

(24)

En el segundo bloque de clculo se emplean estas

ecuaciones para obtener Vn0 a partir de An y Bn. El
desarrollo anterior se aplica con los mismos
resultados al vector de Park de la intensidad.

0.04

0.06

0.08

Tiempo (segundos)

Fig. 3: Fuente de tensin trifsica desequilibrada y no

senoidal

Los resultados de las estimaciones se presentan a

continuacin. En la figura 4 se pueden ver las
magnitudes de los fasores de tensin de las tres
secuencias para el armnico fundamental. Puede
verse como se consigue la estimacin del armnico
fundamental de secuencia positiva en un periodo. En
la figura 5 se aprecia la estimacin de las fases de los
mismos fasores de la figura anterior. Se consigue la
estimacin deseada en dos periodos.

400
V1+ 300
Voltios

200

5. Anlisis de un caso prctico

100

Como aplicacin del sistema neuronal se

consider una fuente trifsica desequilibrada de
secuencia directa donde las tensiones de fase son
v1 ( t ) = 220 2 sen 1t + 22 2 sen 51t + 22 2 sen 71t

v 2 (t ) = 0,8 220 2 sen( t + 120 )

1

+ 22 2 sen( 51t + 120 ) + 22 2 sen( 7 + 120 )

1

v 3 ( t ) = 1,2 220 2 sen( t 120 )

(25)

22 2 sen( 5 t 120 ) + 22 2 sen( 7 120 )

1

70
60
50
V1
Voltios 40
30
20
10

El hizo la simulacin del sistema utilizando los

blockset de Simulink en el entorno Matlab.
La figura 3 muestra las tres tensiones de fase. La
fuente de tensin trifsica desequilibrada tiene,
adems del armnico fundamental, los armnicos 5
y 7 por lo que que el sistema de estimacin de las
componentes simtricas obtendr las componentes
de secuencia directa, inversa y homopolar.

70
60
V1
50
Voltios
40
30
20
10
0

0.02 0.04

0.06

0.08

Tiempo (segundos)

Fig. 4: Magnitudes de las componentes simtricas del

primer armnico

En las siguientes figuras se presentan las

magnitudes y las fases de los fasores
correspondientes a las tres secuencias para los
armnicos 5 y 7. En el caso del fasor de secuencia
inversa del armnico 5 se consigue su estimacin en
dos periodos, figuras. 6-7. La estimacin de los
fasores de secuencia directa y homopolar (de menor
cuanta ya que no corresponde a la secuencia natural
del armnico) se consigue en tres periodos.

-40
V1+ -60
Fase

-80

-100
100
V1- 50
Fase 0

Los fasores correspondientes a las tres secuencias

del armnico 7 se presentan en las figuras 8-9
donde se puede ver que la estimacin se consigue
despus de tres periodos.

-50
-100
100
80
V10 60
Fase
40
20
0
-200

100
V5+ 50
Fase
0
-50
0.02

0.04

0.06

0.08

Tiempo (segundos)

-100

Fig 5. Fases de las componentes simtricas del primer

armnico

50

35
30
+ 25
V5
20
Voltios
15
10
5

V5- 0
Fase

-50
-100
100

12
10
V50 8
Voltios
6
4
2

50
V50 0
Fase

-50
-100

0.02

0.04

0.06

0.08

Tiempo (segundos)

50
V5- 40
Voltios 30

Fig. 7: Fases de las componentes simtricas del

armnico quinto

20
10
0

0.02

0.04

0.06

0.08

Tiempo (segundos)

Fig. 6: Magnitudes de las componentes simtricas del

quinto armnico

Las magnitudes y las fases de las componentes

simtricas de los armnicos restantes no se muestran
ya que sus valores estimados no son apreciables

60
50
V7+ 40
Voltios 30
20
10

100
50
+

V7
0
Fase

-50
-100
100

20

V7Fase

V7- 15
Voltios

50
0

10

-50

-100
12
10
0
V7
8
Voltios
6
4
2

100
50

V70
Fase

-50
0

0.02

0.04

0.06

0.08

Tiempo (segundos)

Fig. 8: Magnitudes de las componentes simtricas del

armnico sptimo

0.02

0.04

0.06

0.08

Tiempo (segundos)

Fig. 9: Fases de las componentes simtricas del

armnico sptimo

8. Conclusiones
Se ha presentado un nuevo procedimiento de
medida de las componentes simtricas en sistemas
elctricos de potencia basado en redes neuronales
adaptativas. El sistema de medida est diseado para
estimar las componentes simtricas de la tensin e
intensidad en un sistema trifsico de cuatro
conductores desequilibrado y distorsionado. El
procedimiento seguido consiste en aplicar la teora
de los vectores de Park al anlisis de los sistemas
trifsicos desequilibrados. El sistema de medida se
compone de tres bloques. Un primer bloque
construye los vectores de Park y las componentes
homopolares de las tensiones e intensidades de
entrada. Un segundo bloque, desarrollado a partir de
una red neuronal adaptativa determina las amplitudes
complejas del espectro de los vectores de Park.
Finalmente, un tercer bloque obtiene las

componentes simtricas de cada armnico a partir de

las salidas de la red neuronal. Como aplicacin
prctica se aplic el algoritmo a una tensin trifsica
desequilibrada y no senoidal
Los resultados obtenidos permiten concluir que
el enfoque adoptado es viable para la determinacin
de las componentes simtricas de las seales
trifsicas segn un compromiso aceptable entre
exactitud y rapidez. La metodologa desarrollada se
puede utilizar como base de un procedimiento de
medida de los trminos de potencia en condiciones
de asimetra y distorsin.

Espaolas de Ingeniera Elctrica, Volumen 4.

Lisboa, Julio 1999

Referencias
[1]

[2]

[3]

IEEE Working Group on Nonsinusiodal Situations:

Effects on Metter Performance and Definitions on
Power, Practical Definitions for Power in Systems
with Nonsinusiodal Waveforms and Unbalanced
Loads: a Discussion, IEEE Trans on Power
Delivery, Vol 11, no 1,Enero 1996
F. J. Alcntara, P. Salmern, S. P. Litrn, J. R.
Vzquez. Anlisis y Medida de las Componentes
de Corriente y de Potencia en un Circuito Trifsico
Desequilibrado y no Senoidal, 6as Jornadas LusoEspaolas de Ingeniera Elctrica, Volumen 3,
Lisboa, Julio 1999
J. R. Vzquez, F. J. Alcntara, P. Salmern, S. P.
Litrn. Diseo con Redes Neuronales del Control
de un Filtro Activo de Potencia, 6as Jornadas Luso-

[4]

L. Cristaldi, A. Ferrero. Mathematical Foundations

in the Instantaneous Power Concepts: An Algebraic
Approach, ETEP, vol 6, no 5, Septiembre/Octubre
1996

[5]

P. K. Dash, S. K. Panda, Baburam Mishra, D. P.

Swain. Fast Estimation of Voltage and Current
Phasors in Powers Networks Using an Adaptative
Neural Network, IEEE Trans on Power Systems,
vol 12, no 4, noviembre1997

[6]

P. K. Dash, S. K. Panda, A. C. Liew, B. Mishra, R.

K. Jena. A New Approach to Monitoring Electric
Power Quality, Electric Power System Research,
46, 1998