M a e st r ía e n

electricidad
RPC-SO-30-No.508-2019

Op c ió n d e
t i t u l a c i ón :

ARTÍCULO PROFESIONAL DE ALTO NIVEL

T E M A :
CLASIFICACIÓN DE FALLAS ELÉCTRICAS EN LÍNEAS DE
TRANSMISIÓN USANDO TÉCNICAS DE PROCESAMIENTO DE
SEÑALES DISPERSAS Y RUIDOSAS

A U TOR :

VERÓNICA MARILÚ NAVARRETE RONQUILLO

D I R E CT OR :

MILTON GONZALO RUIZ MALDONADO

G UAYA QU IL - Ec ua dor
2021

COHORTE
2019- 2020
Autores:
Verónica Marilú Navarrete Ronquillo
Ingeniera Eléctrica.
vnavarreter@[Link]

Director:
Milton Gonzalo Ruiz Maldonado
Ingeniero Eléctrico.
Ingeniero Electrónico
Magister en Redes de Comunicaciones
mruizm@[Link]

Todos los derechos reservados.

Queda prohibida, salvo excepción prevista en la Ley, cualquier forma de reproducción, distribución, comunicación
pública y transformación de esta obra para fines comerciales, sin contar con autorización de los titulares de propiedad
intelectual. La infracción de los derechos mencionados puede ser constitutiva de delito contra la propiedad intelec-
tual. Se permite la libre difusión de este texto confines académicos investigativos por cualquier medio, con la debida
notificación a los autores.

DERECHOS RESERVADOS
©2021Universidad Politécnica Salesiana.
GUAYAQUIL – ECUADOR – SUDAMÉRICA
VERÓNICA MARILÚ NAVARRETE RONQUILLO

CLASIFICACIÓN DE FALLAS ELÉCTRICAS EN LÍNEAS DE TRANSMISIÓN USANDO TÉCNICAS DE

PROCESAMIENTO DE SEÑALES DISPERSAS Y RUIDOSAS.
 Clasificación de Fallas Eléctricas en Lı́neas de
Transmisión Usando Técnicas de Procesamiento
De Señales Dispersas y Ruidosas
1st Verónica Navarrete 2nd Milton Ruiz
Universidad Politécnica Salesiana Universidad Politécnica Salesiana
Guayaquil, Ecuador Quito, Ecuador
vnavarreter@[Link] mruizm@[Link]

Resumen—La presente investigación plantea un nuevo proceso la cual va aumentando paulatinamente el consumo y por lo
de clasificación de fallas eléctricas en lı́neas de transmisión tanto la generación eléctrica [3], [4]. Las lı́neas de trasmisión
empleando algoritmos de sensado comprimido como Matching aéreas están expuestos a fallas ya sea por averı́as internas en
Pursuit para la restauración de señales con pérdida de infor-
mación originadas por fallas en lı́neas de transmisión. Matching las lı́neas, equipos defectuosos, maniobras, operación, mante-
Pursuit permite recuperar la señal original en un porcentaje nimiento y condiciones atmosféricas en donde la probabilidad
superior al 75 % de las muestras aleatorias, el ruido en las señales de fallas ocurridas es mayor [4], [5]. Estas fallas producidas
es eliminado usando filtros de media móvil. en las lı́neas áreas ocasionan grandes consecuencias ya que
En este artı́culo se obtiene el diccionario óptimo, se procede cubren grandes distancias en comparación con otros equipos
a encontrar los números de átomos k, el número mı́nimo de
muestras m para poder proceder con la restauración de la señal del sistema eléctrico [6], las perturbaciones generadas en el
de la lı́nea 25 – 26. La reconstrucción de la señal utiliza datos funcionamiento normal del sistema conllevan a realizar un
aleatorios y dispersos, una vez conocidos los datos de muestras análisis de fallas ya que afecta a la confiabilidad del sistema
y átomos se procede a la reconstrucción de la señal. eléctrico causando efectos no deseados provocando pérdidas
Con base a los resultados se encuentra la diferencia de los puntos económicas tanto al sector industrial y residencial. Las fallas
máximos de cada ciclo de la señal original con respecto a la señal
reconstruida corrigiendo el desplazamiento. A continuación, se en las lı́neas de transmisión se clasifican en fallas de circuito
realizó el algoritmo de comprensión, obteniendo altos ı́ndices de abierto o serie y fallas de cortocircuito o derivación, en donde
99,80 % para la tasa de compresión. las fallas en serie son muy poco probables que ocurran, se
Se muestra la detección y clasificación de las fallas por medio pueden identificar con mayor facilidad con un incremento de
de la transformada de Wavelet, utilizando las señales de voltajes voltaje en una de las fases, siendo estas fallas causadas por
y corrientes reconstruidas, ya que estas señales son las que van
a presentar perturbaciones en la amplitud y cambio de fase, fallas en las lı́neas aéreas y juntas de cables. Las fallas dan
matemáticamente todas las ondas van a presentar un impulso lugar a un desequilibrio en la potencia, voltaje y corriente del
abrupto en la señal, lo que permite detectar cuando una falla sistema[6], [7]. Las fallas de cortocircuito se producen por
ocurra a través del dominio del tiempo. Mediante los resultados problemas de aislamiento entre conductores, donde se clasifi-
alcanzados es posible detectar una falla con un 100 % de precisión can en fallas asimétricas y fallas simétricas. Fallas asimétricas
tomando las muestras de la señal. Los tiempos varı́an entre
0,30ms y 1,20ms en detectar la falla y en clasificar entre el rango son fallas recurrentes que provocan un desequilibrio en el
de 0,98s y 1,40s. sistema eléctrico están dadas en falla monofásica a tierra,
Se analiza el sistema de trasmisión de alto voltaje de 39 barras bifásica y bifásica a tierra[7]. Fallas simétricas son fallas
propuesto en el programa de Power Factory, que está compuesta equilibradas, pero si se llegan a producir este tipo de fallas
por lı́neas cortas, medianas y largas, donde se simulará los ocasionan daños más severos, son originadas cuando existe
tipos de fallas y se procederá a utilizar la técnica de sensado
comprimido y el uso de la transformada de Wavelet. cortocircuito en las tres fases, por lo tanto, se da en falla
trifásica o trifásica a tierra, las posibilidades de que ocurran
I. I NTRODUCCI ÓN son muy pocas en un 2 % a 5 % que se den estas fallas en
Los sistemas de transmisión se encuentran expuestos a una el sistema[6]. Para los investigadores el principal problema
gran cantidad de fallas siendo uno de los sistemas con mayores son las altas tasas de muestreo que son necesarias para
incidentes [1], [2], las lı́neas de transmisión representan una discriminar distintos tipos de fallas, en los últimos años han
gran importancia en el Sistema Eléctrico de Potencia (SEP) ya buscado diferentes técnicas para el procesamiento de señales
que es el vı́nculo entre generación y los consumidores. El su- como la red neuronal, procesamiento automático, sistema
ministro de electricidad es una fuente básica en el ser humano de posicionamiento global, teorema de Fourier, teorema de
tanto en el desarrollo tecnológico, industrial y residencial en muestreo de Nyquist Shannon y transformada de Wavelet
que puede localizar una señal en dominio del tiempo y
frecuencia, permitiendo capturar el cambio brusco de la señal
[8], evidenciando que los investigadores han llegado a estudios
más complejos para poder tener precisión en sus resultados
usando señales de voltaje y corriente que es la que contiene
toda la información del sistema [9]. La presente investigación
se enfoca en una de las técnicas del sensado comprimido
siendo la aplicación principal en reconstruir estas señales
con pocas muestras empleando algoritmos de optimización,
utilizando señales de corriente y voltaje que contiene toda
la información del sistema eléctrico. La técnica del sensado
comprimido utiliza como principales parámetros los datos de
la medición de la señal y el diccionario que corresponde a una
matriz donde contiene múltiples funciones donde las compara
y reconstruye en base a la señal original. Se considera el
Sensado Comprimido “SC”, ya que es una técnica para el
procesamiento de señales dispersas conocido como la teorı́a de Figura 1: Modelo estándar del Sensado Comprimido[13], [17].
la detección de compresión y recuperación dispersa, es decir
que pueden aproximar una combinación lineal en una base
vectorial, SC es un método para la detección y adquisición de Donde:
datos, en la que se toma un registro de una cantidad mı́nima y es el vector de muestra M × 1.
de muestras de una señal y poder reconstruir por medio de la Φ es la matriz de detección de dimensionalidad M × N .
recopilación de la información de la muestra faltante[10], [11], x conocido como vector de dispersión, es la representa-
es considerada matemáticamente un modelo que optimiza el ción de la señal que se desea reconstruir es la de mayor
número de muestras, recuperando la señal original. La técnica interés ya que va a contener los datos obtenidos a través
de compresión está basada en transformadas de Fourier y de la medición que se realiza en el sistema eléctrico, el
Wavelet donde mantiene los coeficientes de la energı́a de vector dispersión se encuentra constituida por un vector
la señal concentrada. El presente documento se encuentra columna N × 1 que contiene los datos de las mediciones
dividido de la siguiente manera: sección II descripción de con valores reales[18]–[20].
sensado comprimido, sección III formulación del problema, n es la aportación aditiva al ruido Nx1.
sección IV análisis y resultado, finalmente, se concluye en la D es la matriz diccionario contiene infinitas señales,
sección V. teniendo una dimensionalidad M ×N [19], la que permite
II. S ENSADO C OMPRIMIDO la comparación y reconstrucción de la señal y está
constituida por diferentes elementos de formas de ondas
El sensado comprimido o determinación comprimido es
a partir de una variedad de funciones básicas.
un método matemático que proporciona trabajar con una
cantidad reducida de mediciones, SC es una de las técnicas de La matriz de detección Φ dimensionalidad MxN representa M
muestreo de señales unidimensionales a una frecuencia muy mediciones realizadas en la señal x y cada fila de la matriz
baja de Nyquist – Shannon, permitiendo reconstruir la señal Φ representa un valor lineal. M se conoce como el vector de
mediante la optimización convexa proporcionando un sensado medición y N el espacio de la señal.
de señales dispersas, obteniendo una reconstrucción de la señal El punto principal es poder recuperar la señal x que es K-
desde proyecciones aleatorias[12], [13]. Dentro del proceso de escasa donde se conoce Φ y D , primero procedemos a calcular
compresión del SC esta la adquisición de datos, codificación la representación escasa α y a continuación podemos calcular
y muestreo, que complementa la compresión, reducción de x = Dα , si M ≥ N .
dimensionalidad y optimización con el objetivo de obtener la Siendo el caso k ≤ M  N , es indicar, que el número de
reconstrucción de la señal dispersa donde X ∈ RN que se muestras sea menor del espacio de la señal y mucho menor
puede recuperar por los componentes M  N de la matriz que el nivel de dispersión k. La parte más compleja es como
base M ∗ N siendo X un valor escaso y K diferente de cero poder recuperar x sı́ tiene dimensionalidad de N × 1, donde
K  N [14]–[16]. N es igual a K-escasa. Se podrı́a representar por la siguiente
Como podemos observar en la fig. 1 se muestra en detalle expresión de matriz lineal[13]:
el proceso de reconstrucción de la señal, considerando que y = Φx + n = ΦDα = (ΦD) α (2)
siempre se debe conocer una cantidad reducida de datos de
la señal para poder realizar una representación dispersa. La Se llama la matriz detección Θ = ΦΨ, la que el sensado
Eq.1, denota la expresión matricial lineal para encontrar un comprimido va a recuperar el vector disperso S de la ob-
problema de adquisición dispersa, representando una matriz servación del vector y, reconstruyendo ası́ la señal original
de detección Φ sobre la señal x dada por: X̂ = ΦŜ [24].
S es un vector coeficiente que tiene dimensionalidad de
y = Φx + n (1) Nx1[18].
 Siendo la matriz de la señal de reconstrucción Θ la que III. F ORMULACI ÓN DEL P ROBLEMA
va a contener las propiedades de restricciones isométricas En la formulación del problema las lı́neas de transmisión se
RIP punto clave del sensado comprimido, teniendo una utilizará el sensado comprimido usando unas de las técnicas
dimensionalidad MxN [21] que es el Matching Pursuit que permite reconstruir señales
Las propiedades de la restricción isométricas (RIP) pueden aleatorias y dispersas, una alta probabilidad de reconstrucción,
recuperar señales escasas, encontrándose en las matrices alea- una cantidad de datos aleatorios, algoritmos no lineales y
torias que contengan un excelente RIP, el teorema establece un haciendo el uso correcto del diccionario para el procesamiento
lı́mite inferior con respecto a M, pero no hay dependencia de de la señal, estableciendo la utilización de las restricciones RIP
M para la constante RIP δ2k , siempre se tendrá un orden de 2K y detección comprimida, siendo este nuestro punto principal
con respecto a cualquier constante. La restricción de δ2k ≤ 1/2 de estudio. Una vez reconstruida nuestra señal utilizamos la
es parcial y se hace más bien por elección, se puede establecer transformada de Wavelet para la clasificación de falla.
lı́mites y poder trabajar en función de 0 < δ2k ≤ δmax < 1 El caso de estudio utilizado es el sistema de la IEEE de 39
[13]. barras para las respectivas simulaciones en Power Factory.
Cuando las submatrices de k columnas de la matriz Φ estén Se simularon los 11 tipos de fallas obteniendo señales de
mal condicionadas es probable que las señales dispersas se voltajes y corrientes, siendo estas señales las que van a sufrir
asignen a vectores de mediciones casi iguales, dando una perturbaciones de armónicos que se presentan en un tiempo
probabilidad de inestabilidad para recuperar la señal, donde corto en milisegundos, las mismas que serán utilizadas para
se formuló una constante isométrica restringida de una matriz la reconstrucción de la señal en sensado comprimido.
como la cantidad más pequeña δk para poder expresar lo
siguiente[17]: IV. A N ÁLISIS Y R ESULTADOS
IV-A. Señales de Falla
(1 − δk ) kxk22 ≤ kΦk22 ≤ (1 − δk kxk22 ∀ x : kxk0 ≤ k (3) Para la obtención de las señales de falla analizaremos el
sistema de trasmisión de alto voltaje de 39 barras propuesto
Por lo tanto, se necesita que se cumpla que δ2k < 1 para la en el programa Power Factory, donde se generarán fallas en la
recuperación de k señales escasas, ya que se necesita que 2k cual se va a producir perturbaciones en las señales de voltaje
columnas sea inversa o no singular. Se puede demostrar que y corriente.
δ2k ≤ 0,1con respecto a las mediciones podemos obtener un
alto porcentaje de recuperación de x [22].

II-A. Matching Pursuit

El Matching Pursuit (MP) es un algoritmo codicioso
que encuentra las mejores proyecciones de coincidencia
de datos de señales multidimensionales y aproximaciones
lineales, expandiéndolas sobre una serie de ondas o átomos
seleccionadas por el diccionario D que está compuesta por
infinitas señales[2], [23], [24]. El algoritmo 1 muestra que
la señal de entrada f(t) puede representarse a partir de un
espacio vectorial H aproximándola a partir de las funciones
infinitas del diccionario D.

A LGORITMO 1: M ATCHING P URSUIT [17].

Paso1:
Entrada: señal de la función f(t), diccionario D con matriz de Figura 2: Sistema de potencia IEEE de 39 barras.
decisión gi
Paso2: Salida: lista de coeficientes(an)N n=1 e Utilizado en el análisis de falla en la fig. 2, con una
ı́ndices de átomosγ(n)Nn=1 reactancia de falla de 10 ohm, la señal es simulada con una
Inicialización duración total de 200 ms, correspondiente a los 100 ms de
Repetir prefalla hasta alcanzar 100 ms de la falla, la falla se produce
R1 ← f (t) ; al 50 % de la lı́nea.
n ← 1; sucesivo Es importante denotar que los resultados proporcionados en
Producto interno máximo |hRn , gγn i| deD; la fig. 3 de corriente y voltajes están dado en valores [p.u],
an ← |hRn , gγn i| ; terminal i y j de corriente y voltaje con respecto al tiempo,
Rn+1 ← Rn − an gγn ; una vez obtenido dichas fallas podemos vincular los resultados
n ← n + 1; del Power Factory al software de Matlab donde contiene los
Retornar algoritmos para la reconstrucción de la señal por medio del
 1
y (n) = (x (n) + x (n − 1) + . . . + x (n − (N − 1)))
N
(4)

Cuando se presenta una pérdida de información en las

muestras de la señal de falla con una amplitud cero, se
procede a la reconstrucción por medio del SC, el algoritmo
2 muestra la reconstrucción de la señal. Los parámetros
empleados para medir la fiabilidad en la reconstrucción
de señal son: Porcentaje de Energı́a Retenida (PER), Error
Cuadrado Medio Normalizado (ECMN) y Correlación (COR).
El número de muestras de la señal se almacenan en la Señal
Original de Fila (SOF) y los datos adquiridos en la Señal
Figura 3: Señales de una falla trifásica de corriente y voltaje Original (SO).
de la lı́nea 25-26.
A LGORITMO 2: R ECONSTRUCCI ÓN DE LA S E ÑAL [17].

sensado comprimido y ası́ podemos analizar los resultados de Primero: Calcular el número de señales y número de
la señal original con base a la señal reconstruida. Cuando muestras por cada señal.
se produzca una señal con ruido antes de reconstruirla por Se almacenan en las variables J y K
el método de sensado comprimido se hace el uso del filtro [L, M ] = T amaño(SV C)
de media móvil que tiene como objetivo suavizar la señal de Segundo : Se crea los bucles F OR
entrada produciendo cambios lentos en los datos. El suavizado for i = 1 : M Permite la reconstrucción de toda la señal
es la manera de poder descubrir patrones en nuestros datos for ii = 1 : (SOF/E(i)) Indica el tamaño real de cada
para omitir el ruido que se encuentre en la señal. En la fig.4 señal y hasta qué punto debe llegar la reconstrucción de
se muestra una señal de voltaje de falla sin ruido y con ruido. las señales.
for iii = 1 : max(Ind(:, i)) Máximo número de ı́ndices de
la señal
ni = Ind(ii, i) Los ı́ndices representan el número de
señales periódicas repetidas y el orden de repetición.
SC = SCW(E(i) ni, i) Almacena los ciclos de la señal
SVC
if iii == ni Si el valor de la variables iii es igual al ı́ndice
ni, se coloca el ciclo de la señal SC
SR(E(i) ni, i)) = SC
(a) Señal sin ruido. end
end
end
Finalmente se calcula los ı́ndices de relación entre la
señal original y la reconstruida para su respectiva ve-
rificación.
PSOF
SO[n]2
P ER(:, i) = Pn=0SOF
n=0 SR[n]2
(b) Señal con ruido.
100kSRk
EnergyRecovery( %)(:, i) =
Figura 4: Señal de voltaje de falla. kSOk

En este ejemplo se planteo una señal de voltaje de falla kSO − SRk2

ECM N (:, i) =
con ruido, donde se aplica el filtro de media móvil para poder kSOk2
calcular el promedio sobre un vector de datos.
La siguiente ecuación define el filtro de media móvil, donde SOT ∗ SR
COR(:, i) =
x (n) es la señal de entrada, y (n) señal de salida y N toma SOT ∗ SO
el promedio de cada ciclo de la onda. La siguiente ecuación end
define el filtro de media móvil: Return
IV-B. Resultados Matching Pursuit señal reconstruida de la falla eléctrica, en este caso la señal
En la solución del problema de restaurar la señal mediante base es de k= 371 que representa en un 35 % y el número
la búsqueda coincidente es establecer los números de átomos de muestras m= 621 de un 85 %. La fig. 7 se observa la
denominados k, estos átomos en la señal representa la cantidad señal reconstruida obtenida por el número de átomos k=371 y
mı́nima de la señal completa. En la fig. 5 se muestra el valor cantidad de m muestras a partir del 85 %, donde la señal que
óptimo de la señal en condiciones de falla, en este caso la se encuentra de color naranja elimina el ruido producido en el
cantidad de muestras aleatorias que debe de tener el átomo es esparcimiento de la muestra, con un tiempo menor de 4s del
de 371 en un tiempo de ejecución menor de 4s, para que el valor óptimo de k.
algoritmo pueda obtener el valor óptimo del átomo(k).

Figura 7: Señal reconstruida obtenida por el número de átomos

k y m muestras vs tiempo (A-D) voltaje y (E-F) corriente en
el bus 25-26.

IV-C. Detección y Clasificación de Falla

Una vez reconstruida la señal por medio del sensado com-
Figura 5: Procesamiento del número de átomos k vs tiempo primido como se puede observar en la fig. 7 de la señal
(A-C) voltaje y (D-E) corriente en el bus 25-26. reconstruida obtenidas por el número de átomos k y m
muestras, posteriormente procesamos las señales de voltaje por
En la fig. 6, nos proporciona la cantidad de muestras medio del teorema de Wavelet, obteniendo las señales que se
necesarias para la reconstrucción de la señal, donde podemos encuentra en la fig. 8c y 9c, donde se proyecta los disturbios
observar el número de muestras para reconstruir la señal en en las señales de voltaje, donde la señal va a disminuir su
un 90 % de la señal original. La gráfica que se encuentra en amplitud de pico a pico cuando ocurra la falla. En la fig. 8c se
el literal D es la que tiene mayor número, que requiere de m muestra las señales de tensión de las fases R, S y T, observando
muestras aleatorias de 621 que representa un 85 % de datos que la falla se produce en las tres fases, presentando que la
de la señal original y un tiempo de 12s para que el algoritmo magnitud de voltaje se reduce tanto en R, S y T, considerando
pueda procesar. que el método de detección de falla debe aislar cuando se
presente una perturbación en una de las fases y poder abrir
solo la fase defectuosa.

(a) Falla en la fase R

(b) Falla en la fase S

Figura 6: Procesamiento del número de muestras para la

reconstrucción de la señal vs tiempo (A-D) voltaje y (E-F)
corriente en el bus 25-26.
(c) Falla en la fase T
Una vez obtenida la cantidad de muestras y el número de
átomo de la señal original procedemos finalmente a obtener la Figura 8: Señal de voltaje
 En la figura 8 muestra la transformada de Wavelet en un IV-D. Resultados
escenario de falla trifásica en todas las fases de R, S y T, en Se sintetiza los resultados de este trabajo para la detección
repuesta de la ondı́cula con amplitud entre 0,015 y 0,01 [pu], y clasificación de falla en la lı́nea 25-26 de trasmisión. La
la amplitud varı́a entre 0.004 a 0.008[pu] cuando se da una tabla 2. muestra los tiempos empleados por los algoritmos
pequeña perturbación. desarrollados en el caso propuesto, para la prueba de los
11 tipos de fallas en el sistema eléctrico, sin embargo,
es importante tomar en cuenta que si ocurre una falla
monofásica, puede ocurrir perturbaciones en las otras dos
fases del sistema, se indica cuando No se Detecta Falla (NDF).

(a) Transformada Wavelet de la fase R Cuadro II: Tiempo de detección y clasificación de fallas.
Tipo De Tiempo De Tiempo Resultado
Falla Detección De Clasifi- De Cla-
(ms) cación De sificación
Falla (s) De Falla
R S T
(b) Transformada Wavelet de la fase S Monofási- 0,352E-03 0,401E-03 0,312E-03 0,98456 R
ca a
Tierra
0,304E-03 0,326E-03 0,301E-03 1,36871 S
0,341E-03 0,282E-03 0,340E-03 0,98177 T
Bifásica 0,403E-03 NDF 0,290E-03 1,08345 RS
0,351E-03 NDF 0,324E-03 0,97893 ST
(c) Transformada Wavelet de la fase T NDF 0,361E-03 0,332E-03 0,98210 RT
Bifásica a 0,368E-03 NDF 0,326E-03 0,96385 RS
Figura 9: Detección de falla Tierra
0,319E-03 NDF 0,347E-03 0,94811 ST
0,302E-03 0,321E-03 NDF 0,97855 RT
El método del árbol de decisión se elige de manera lineal, Trifásica 0,308E-03 1,321E-03 0,309E-03 0,91288 RST
a medida que se va seleccionando se van cerrando las otras Trifásica a 0,431E-03 0,321E-03 0,605E-03 0,90258 RST
Tierra
opciones, por medio del uso del 0 y 1, por la cual 1 representa
la falla y 0 un sistema con normalidad, se va a obtener los
resultados para la clasificación de las fallas eléctricas haciendo C ONCLUSIONES
uso de los resultados de la señal de Wavelet. El cruce de ceros
es un punto donde cambia el signo tanto negativo y positivo El algoritmo heurı́stico desarrollado para la obtención del
formando una onda sinusoidal u otras ondas simples es donde número de átomo k y el número de muestras aleatorias,
se va a tomar los ciclos de cada señal ya sea de corriente o demuestra la reconstrucción de la señal original entre un 70 %
voltaje tanto del terminal i y j donde podemos observar en a 85 % de la señal y teniendo en referencia si tenemos una
la tabla 1. que toma con respecto en consideración los datos mı́nima cantidad de muestra aleatorias, el tiempo en obtener
de la lı́nea 25-26, la señal de falla reconstruida dándonos una la reconstrucción seria mayor.
matriz de ceros y unos tomando por ciclos de la señal. Los resultados obtenidos muestran que es posible generar un
diccionario óptimo de las señales donde va a contener la
información relevante de los diferentes tipos de fallas.
Cuadro I: Matriz de ceros y uno de los ciclos de la señal de Matching pursuit es la herramienta que se debe implementar
falla. debido a que la respuesta en la reconstrucción de la señal
VRi VSi VTi VRj VSj VTj CRi CSi CTi CRj CSj CTj Número original es muy rápida y este algoritmo reconstruye la señal
De Ciclos con un número de muestras aleatorias, aproximadamente en
0 0 0 0 0 0 0 0 0 1 1 1 1
1 1 0 1 1 1 1 1 1 1 0 0 2 un 85 %, lo que muestra que casi reconstruye en su totalidad
1 1 1 1 1 1 1 1 1 1 0 0 3 con respecto a la señal original.
1 1 1 1 1 1 1 1 1 1 1 1 4 Como lo demuestra los resultados de la clasificación de falla
1 1 1 1 1 1 1 1 1 1 1 1 5
0 1 1 0 1 1 0 1 1 1 0 1 6
por medio de la transformada de Wavelet, podemos demostrar
que hay un margen de error mı́nimo y es un método excelente
a los de mayor grado de complejidad.
Se puede apreciar en la tabla 1. que la falla inicia en el Uno de los principales problemas es la pérdida de información
primer ciclo de la señal de corriente y en el ciclo dos inicia en las señales eléctricas que puede ser causada por sensores
la falla en la señal de voltaje, donde podemos apreciar que o problemas en la transmisión de información, los datos se
se va formando la matriz de ceros y uno. Obteniendo nuestro pueden degradar o perder es en este punto donde podemos
resultado que es una falla trifásica en este caso de la lı́nea aplicar la metodologı́a propuesta y se puede poner en práctica.
25-26 por medio la transformada de Wavelet. Finalmente, se ha demostrado que el algoritmo es 100 %
confiable tanto en detección y clasificación de la señal con [20] J. C. Ferreira, E. L. Flores, y G. A. Carrijo, ((Quantization Noise
ruido en un tiempo de repuesta de detección menor de 1 on Image Reconstruction Using Model-Based Compressive Sensing)),
IEEE Lat. Am. Trans., vol. 13, n.o 4, pp. 1167-1177, abr. 2015, doi:
milisegundos. 10.1109/TLA.2015.7106372.
[21] R. A. R. Carrillo, ((Maestr´ıa en ciencias computacionales y ma-
tem´aticas industriales)), p. 76.
R EFERENCIAS [22] C.-B. Song y S.-T. Xia, ((Sparse signal recovery by `q minimization
under restricted isometry property)), IEEE Signal Process. Lett., vol. 21,
[1] V. H. Ferreira, R. Zanghi, M. Z. Fortes, S. Gomes, y A. P. Alves da n.o 9, pp. 1154-1158, sep. 2014, doi: 10.1109/LSP.2014.2323238.
Silva, ((Probabilistic transmission line fault diagnosis using autonomous [23] R. Mazhar, P. D. Gader, y J. N. Wilson, ((A matching pursuit based
neural models)), Electr. Power Syst. Res., vol. 185, p. 106360, ago. 2020, similarity measure for fuzzy clustering and classification of signals)),
doi: 10.1016/[Link].2020.106360. en 2008 IEEE International Conference on Fuzzy Systems (IEEE World
[2] E. U. Haq, H. Jianjun, K. Li, F. Ahmad, D. Banjerdpongchai, y T. Congress on Computational Intelligence), Hong Kong, China, jun. 2008,
Zhang, ((Improved performance of detection and classification of 3- pp. 1950-1955. doi: 10.1109/FUZZY.2008.4630636.
phase transmission line faults based on discrete wavelet transform and [24] Y. Wang, ((Seismic time-frequency spectral decomposition by matching
double-channel extreme learning machine)), Electr. Eng., nov. 2020, doi: pursuit)), GEOPHYSICS, vol. 72, n.o 1, pp. V13-V20, ene. 2007, doi:
10.1007/s00202-020-01133-0. 10.1190/1.2387109.
[3] B. Chaterjee, S. Debnath, ((Cross correlation aided fuzzy based rela-
ying scheme for fault classification in transmission lines)), Engineering
Science and Tecnolog, 2019, [Link]/10.1016/[Link].2019.07.002.
[4] A. Prasad y J. B. Edward, ((Application of Wavelet Technique for Fault
Classification in Transmission Systems)), Procedia Comput. Sci., vol.
92, pp. 78-83, 2016, doi: 10.1016/[Link].2016.07.326.
[5] C. M. Furse, M. Kafal, R. Razzaghi, y Y.-J. Shin, ((Fault Diagnosis for
Electrical Systems and Power Networks: A Review)), IEEE Sens. J., vol.
21, n.o 2, pp. 888-906, ene. 2021, doi: 10.1109/JSEN.2020.2987321.
[6] R.-A. Tirnovan y M. Cristea, ((Advanced techniques for fault detec-
tion and classification in electrical power transmission systems: An
overview)), en 2019 8th International Conference on Modern Power
Systems (MPS), Cluj Napoca, Romania, may 2019, pp. 1-10. doi:
10.1109/MPS.2019.8759695.
[7] A. Raza, A. Benrabah, T. Alquthami, y M. Akmal, ((A Review of Fault
Diagnosing Methods in Power Transmission Systems)), Appl. Sci., vol.
10, n.o 4, p. 1312, feb. 2020, doi: 10.3390/app10041312.
[8] D. K. J. S. Jayamaha, N. W. A. Lidula, y A. D. Rajapakse, ((Wavelet-
Multi Resolution Analysis Based ANN Architecture for Fault Detection
and Localization in DC Microgrids)), IEEE Access, vol. 7, pp. 145371-
145384, 2019, doi: 10.1109/ACCESS.2019.2945397.
[9] K. Chen, C. Huang, y J. He, ((Fault detection, classification and
location for transmission lines and distribution systems: a review on
the methods)), High Volt., vol. 1, n.o 1, pp. 25-33, abr. 2016, doi:
10.1049/hve.2016.0005.
[10] M. Testa y E. Magli, ((Compressive Bayesian K-SVD)), Sig-
nal Process. Image Commun., vol. 60, pp. 1-5, feb. 2018, doi:
10.1016/[Link].2017.08.009.
[11] Mohammad Babakmehr, ((Compressive power systems: applications of
compressive sensing and sparse recovery in the analysis of smart power
grids)) Univ. Colorado School of Mines, pp. 143, 2017.
[12] G. Pope, ((Compressive sensing: a summary of reconstruction algo-
rithms)), 2009, doi: 10.3929/ETHZ-A-005763272.
[13] Shailesh Kumar, ((Illustraed Compressed Sensing)), Electrical Enginee-
ring Department Indian Institute of Tecnology, Delhi, June. 2014.
[14] E. Astaiza, H. F. Bermudez, y W. Y. Campo, ((Efficient Wideband
Spectrum sensing Based on Compressive Sensing and Multiband Signal
Covariance)), IEEE Lat. Am. Trans., vol. 15, n.o 3, pp. 393-399, mar.
2017, doi: 10.1109/TLA.2017.7867167.
[15] M. Arciniega, “Detección y análisis armónico en señales eléctricas
usando sensado comprimido para evaluación de la calidad de energı́a.,”
Repos. Digit. Univ. Politécnica Sales., vol. 1, pp. 1–35, 2018.
[16] Yumin Tian y Zhihui Wang, ((An adaptive orthogonal matching pursuit
algorithm based on redundancy dictionary)), en 2013 10th International
Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Shen-
yang, China, jul. 2013, pp. 578-582. doi: 10.1109/FSKD.2013.6816263.
[17] M. Ruiz y I. Montalvo, ((Electrical Faults Signals Restoring Based on
Compressed Sensing Techniques)), Energies, vol. 13, n.o 8, p. 2121, abr.
2020, doi: 10.3390/en13082121.
[18] P. Andrade, “Reconstrucción de la curva de carga eléctrica residencial a
partir de selección muestral usando sensado comprimido,” Repos. Digit.
Univ. Politécnica Sales., vol. 1, pp. 1–40, 2017.
[19] S. Dahale, H. S. Karimi, K. Lai, y B. Natarajan, ((Sparsity Based Ap-
proaches for Distribution Grid State Estimation - A Comparative Study)),
IEEE Access, vol. 8, pp. 198317-198327, 2020, doi: 10.1109/AC-
CESS.2020.3035378.