CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES NEURONALES

ARTIFICIALES A LA PROTECCIÓN DE DISTANCIA DE LÍNEAS DE

TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-MARQUARDT
 UNIVERSIDAD POLITÉCNICA SALESIANA
SEDE QUITO
CARRERA DE ELECTRICIDAD

CLASIFICACIÓN DE FALLAS ELÉCTRICAS

APLICANDO REDES NEURONALES
ARTIFICIALES A LA PROTECCIÓN DE
DISTANCIA DE LÍNEAS DE TRANSMISIÓN
BASADA EN EL ALGORITMO DE
LEVENBERG-MARQUARDT

Trabajo de titulación previo a la obtención del

Título de Ingeniero Eléctrico

AUTOR: DIEGO STALIN LIQUINCHANA SAGUANO

TUTOR: MILTON GONZALO RUIZ MALDONADO

Quito -Ecuador
2022
 . Datos de Catalogación Bibliográfica .
Diego Stalin Liquinchana Saguano

CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES NEURONALES

ARTIFICIALES A LA PROTECCIÓN DE DISTANCIA DE LÍNEAS DE
TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-MARQUARDT

Universidad Politécnica Salesiana, Quito – Ecuador 2022

Carrera de Electricidad

Breve reseña histórica e información de contacto.

Diego Stalin Liquinchana Saguano (Y’1994 – M’06). Realizó sus

estudios secundarios en el Colegio Tecnológico Superior Central Técnico
en la ciudad de Quito. Estudiante de la Carrera de Ingeniería Eléctrica de
la Universidad Politécnica Salesiana. Su trabajo se basa en clasificación
de fallas eléctricas aplicando redes neuronales artificiales a la protección
de distancia de líneas de transmisión basada en el algoritmo de levenberg-
marquardt. dliquinchana@[Link]

Dirigido por:

Milton Gonzalo Ruiz Maldonado (Y’1987-M’01), se graduó de la

Universidad Politécnica Salesiana en 2012 como Ingeniero
Electrónico y en 2015 como Ingeniero Eléctrico; Recibió su MSc. en
Redes de Comunicaciones en la Pontificia Universidad Católica del
Ecuador; Sus intereses de investigación están en comunicaciones
verdes, infraestructura de medición avanzada, red inteligente, redes
inalámbricas, gestión de energía. Es profesor de la Universidad
Politécnica Salesiana, Ecuador y parte del Grupo de Investigación GIREI.
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 la autorización de los titulares de propiedad intelectual. La infracción de los derechos
mencionados puede ser constitutiva de delito contra la propiedad intelectual. Se permite la libre
difusión de este texto con fines académicos o investigativos por cualquier medio, con la debida
notificación a los autores.

DERECHOS RESERVADOS
©2022 Universidad Politécnica Salesiana
QUITO - ECUADOR

I
 CERTIFICADO DE RESPONSABILIDAD Y AUTORÍA DEL TRABAJO DE
TITULACIÓN

Yo, Diego Stalin Liquinchana Saguano con documento de identificación 1721629150

manifiesto que:

Soy el autor y responsable del presente trabajo; y, autorizo a que sin fines de lucro la
Universidad Politécnica Salesiana pueda usar, difundir, reproducir o publicar de manera total
o parcial el presente trabajo de titulación.

Quito, 12 de septiembre del año 2022

Atentamente,

Diego Stalin Liquinchana Saguano

1721629150

II
 CERTIFICADO DE CESIÓN DE DERECHOS DE AUTOR DEL TRABAJO DE
TITULACIÓN A LA UNIVERSIDAD POLITÉCNICA SALESIANA

Yo, Diego Stalin Liquinchana Saguano con documento de identificación 1721629150,

expreso mi voluntad y por medio del presente documento cedo a la Universidad Politécnica
Salesiana la titularidad sobre los derechos patrimoniales en virtud de que soy autor del Artículo
Académico: “Clasificación de fallas eléctricas aplicando redes neuronales artificiales a la
protección de distancia de líneas de transmisión basada en el algoritmo de levenberg-
marquardt”, el cual ha sido desarrollado para optar por el título de: Ingeniero Eléctrico, en la
Universidad Politécnica Salesiana, quedando la Universidad facultada para ejercer
plenamente los derechos cedidos anteriormente.

En concordancia con lo manifestado, suscribo este documento en el momento que hago la

entrega del trabajo final en formato digital a la Biblioteca de la Universidad Politécnica
Salesiana.

Quito, 12 de septiembre del año 2022

Atentamente,

Diego Stalin Liquinchana Saguano

1721629150

III
 CERTIFICADO DE DIRECCIÓN DEL TRABAJO DE TITULACIÓN

Yo, Milton Gonzalo Ruiz Maldonado con documento de identificación 1714409065, docente
de la Universidad Politécnica Salesiana, declaro que bajo mi tutoría fue desarrollado el trabajo
de titulación: CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES
NEURONALES ARTIFICIALES A LA PROTECCIÓN DE DISTANCIA DE LÍNEAS DE
TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-MARQUARDT,
realizado por Diego Stalin Liquinchana Saguano con documento de identificación
1721629150, obteniendo como resultado final el trabajo de titulación bajo la opción Artículo
Académico que cumple con todos los requisitos determinados por la Universidad Politécnica
Salesiana.

Quito, 12 de septiembre del año 2022

Atentamente,

Ing. Milton Gonzalo Ruiz Maldonado, MSc

1714409065

IV
ÍNDICE GENERAL

1 Introducción ..................................................................................................................2
2 Fallas en el sistema de energía ..................................................................................4
3 Red Neuronal Artificial (ANN) .....................................................................................4
3.1 Red neuronal de propagación inversa (BP) ........................................................5
3.2 Clasificación de fallas por ANN ............................................................................7
3.3 Clasificación de fallas por ANN ............................................................................7
4 Formulación del problema ...........................................................................................8
4.1 Obtención y preprocesamiento de datos de voltaje y corriente ........................8
5 Análisis de resultados ................................................................................................ 10
5.1 Clasificación de fallas en sistema IEEE 9 barras .............................................11
5.2 Clasificación de fallas en sistema IEEE 14 barras ...........................................13
6 Conclusiones .............................................................................................................. 14
6.1 Trabajos futuros ................................................................................................... 15
7 Referencias................................................................................................................. 15
7.1 Matriz de Estado del Arte.................................................................................... 18
7.2 Resumen de Indicadores .................................................................................... 21

V
ÍNDICE DE FIGURAS

Figura 1. Proceso lógico para clasificar fallas [autor]. .............................................................7

Figura 2. Distribución de capas de la ANN [autor]. .................................................................9
Figura 3. Sistema de prueba IEEE 9 barras [autor]. .................................................................9
Figura 4. Sistema de prueba IEEE 14 barras [autor]. ...............................................................9
Figura 5. Precisión del sistema de clasificación de fallas, sistema IEEE 9 barras. .................. 10
Figura 6. Precisión del sistema de clasificación de fallas, sistema IEEE 14 barras. ................ 11
Figura 7. Voltajes RMS, fase a, b y c. ................................................................................... 12
Figura 8. Corrientes RMS, fase a, b y c. ................................................................................ 12
Figura 9. Respuesta de sistema de clasificación de fallas en base a ANN. ............................. 12
Figura 10. Voltajes RMS, fase a, b y c, sistema IEEE 14 barras. ...........................................13
Figura 11. Corrientes RMS, fase a, b y c, sistema IEEE 14 barras. ........................................ 13
Figura 12. Respuesta de sistema de clasificación de fallas en base a ANN, IEEE 14 barras. .. 13
Figura 13. Resumen e indicador de la temática - Estado del arte. ..........................................21
Figura 14. Indicador de formulación del problema - Estado del arte. ..................................... 22
Figura 15. Indicador de solución - Estado del arte. ................................................................ 23

ÍNDICE DE TABLAS

Tabla 1. Rango de operación de centrales de GD según su tamaño. .........................................8

Tabla 2. Parámetros para obtención de datos. ..........................................................................9
Tabla 3. Escenarios de prueba ............................................................................................... 11
Tabla 4. Resultados de casos de estudio, IEEE 9 barras ........................................................ 12
Tabla 5. Resultados de casos de estudio, IEEE 14 barras ...................................................... 13
Tabla 6. Resultados de casos de estudio, IEEE 14 barras ...................................................... 14
Tabla 7: Matriz de estado del arte. ........................................................................................ 18

VI
 CLASIFICACIÓN DE FALLAS ELÉCTRICAS
APLICANDO REDES NEURONALES ARTIFICIALES
A LA PROTECCIÓN DE DISTANCIA DE LÍNEAS DE
TRANSMISIÓN BASADA EN EL ALGORITMO DE
LEVENBERG-MARQUARDT

Resumen Abstract
Este estudio presenta un sistema de This study presents a fault classification
clasificación de fallas basado en redes system based on artificial neural networks
neuronales artificiales (ANN). En este (ANN). In this sense, the types of faults
sentido, los tipos de fallas contempladas para considered for classification are phase-to-
la clasificación son: fase a tierra, fase a fase, earth, phase-to-phase, three-phase and double
trifásicas y fallas de doble línea a tierra. line-to-earth faults. From another
Desde otra perspectiva, para el entrenamiento perspective, for ANN training, a data set is
de la ANN se edifica un conjunto de datos, constructed, containing RMS values of
que contiene valores RMS de voltajes, voltages, fault currents and zero sequence
corrientes de falla y de secuencia cero, bajo currents, under different impedance and fault
diferentes parámetros de impedancia y location parameters. These data are obtained
localización de la falla. Estos datos se from short-circuit studies and are used to
obtienen de estudios de cortocircuito y sirven extract the characteristics of the voltages and
para la extracción de características de los currents of each phase under normal and fault
voltajes y corrientes de cada fase en conditions. Therefore, the Levenberg-
condiciones normales y de falla. Por lo que, Marquardt algorithm is applied during the
se aplica el algoritmo de Levenberg- training phase of the ANN.
Marquardt durante la fase de entrenamiento For the validation of results, the fault
de la ANN. classifier is tested using the IEEE 9 and 14
Para la validación de resultados se comprueba busbar test systems. From the tests
el clasificador de fallas mediante los sistemas performed, an average fault classification
de ensayo IEEE de 9 y 14 barras. De las accuracy of 97% was obtained for each
pruebas ejecutadas se obtuvo una precisión system.
promedio del 97% de clasificación de fallas
para cada sistema.

Keywords: Artificial neural network,

Palabras Clave: Red neuronal artificial, classification, faults, Levenberg-Marquardt,
clasificación, fallas, Levenberg-Marquardt, Back propagation.
Propagación inversa.

1
1 Introducción es la falla de línea a tierra (L-G), seguido de
la bifásica (L-L) y la falla trifásica (L-L-L).
El sistema de energía eléctrica se compone Por lo tanto, el diagnóstico de fallas en un
de varios elementos que interactúan entre sí, sistema de transmisión es esencial para
dinámicos y complejos, como, líneas de mitigar los efectos que puedan producir
transmisión, generadores y estas sobre el SEP [7].
transformadores, que son propensos a sufrir Para detectar y aislar las fallas se debe
fallas eléctricas o perturbaciones. En este proporcionar de un sistema de protección
contexto, el uso de centrales eléctricas de bien coordinado, con el fin de minimizar el
alta capacidad, así como, el concepto de daño y la interrupción causados, que puedan
redes sincronizadas y desplazadas ocasionar las fallas, al sistema de energía.
geográficamente requiere la identificación Por lo anterior, existen dispositivos de
de fallas en el menor tiempo posible. Esto protección que se encargan de salvaguardar
es necesario para que los equipos de los elementos sensibles del SEP, por
protección se accionen en tiempo oportuno ejemplo, las líneas están protegidas por
con el fin de mantener al Sistema Eléctrico relés de protección, que se instalan al final
de Potencia (SEP) en estado estable [1], [2]. y al comienzo de esta. La función de estos
Por otro lado, el sistema de transmisión es detectar fallas eléctricas y desconectar las
es un componente del SEP que se expone a líneas lo más rápido posible [8].
condiciones atmosféricas, por lo que, la En el centro de control del SEP, la tarea
probabilidad de falla en líneas de del operador es analizar las alarmas
transmisión es más frecuente, a recibidas, no obstante, esta tarea puede ser
comparación del componente de difícil debido a que se requiere un
generación. En este sentido, una falla se diagnóstico preciso. En este sentido, existen
refiere a cualquier evento o perturbación momentos, como en condiciones
que afecte al funcionamiento normal del meteorológicas tormentosas, en los que la
SEP [3]. actividad de la alarma es muy alta. Esto
Las fallas se clasifican en dos tipos, supera la capacidad humana para hacer
fallas en serie y cortocircuito. Las primeras frente al gran volumen de información [7].
se identifican de forma rápida al monitorear En este sentido pueden ocurrir múltiples
el voltaje de cada fase. No obstante, este fallas junto con problemas imprevistos en
tipo de fallas no son muy comunes y se los mecanismos de protección. Estos
subclasifican en fallas de un conductor pueden reducir gravemente la velocidad de
abierto y falla de dos conductores abiertos. diagnóstico y la eficiencia global del SEP.
Por otro lado, las fallas en derivación se En estas circunstancias, existe una aparente
identifican por medio del monitoreo de la necesidad de un sistema automático
corriente de fase, puesto que, la corriente computarizado que sirva como herramienta
aumenta de forma significativa [4], [5]. para ayudar al operador del sistema. El
Las fallas de cortocircuito se dividen en sistema necesita procesar las señales
dos tipos, fallas simétricas y fallas provenientes de los dispositivos de
asimétricas. Las fallas asimétricas son, línea medición PMU desplegados en diferentes
a tierra (LG), doble línea a tierra (LL) y puntos del SEP, para detectar y clasificar el
línea a línea (LL), mientras que, las fallas tipo de falla que ocurre sobre este [9], [10].
simétricas son, triple línea (LLL) y triple En este contexto, existen varios estudios
línea a tierra (LLLG) [6]. que abordan la problemática de
Las fallas eléctricas en un sistema de clasificación de fallas, para lo cual, aplican
transmisión o distribución ocurren de forma varias tácticas, que están detalladas de la
aleatoria y su severidad dependen del tipo siguiente forma.
de falla. En este sentido la falla más severa

2
 En la investigación descrita en [11] se de transmisión. El primero es un modelo de
presenta una técnica que procede con la Memoria a Corto Plazo (LSTM), el cual, se
detección y clasificación de fallas eléctricas encarga de la detección de fallas en una
en la red de transmisión de energía, que se región específica del SEP. El segundo es el
denomina Detector de Fallas (GFD). El método LSTM que se emplea como un
GFD emplea las magnitudes de voltaje y clasificador profundo, que clasifica la falla
corriente para el cálculo de los ángulos de según el tipo y la región de ocurrencia de la
fase instantáneos (IPA). En este sentido, falla. El tercero es un modelo de regresión
estos se asocian por medio del método de LSTM que se aplica para determinar la
Transformada Discreta de Fourier. El IPA distancia exacta de la falla, que ocurre
sirve para calcular el Índice Medio de Fase dentro de una región específica.
Derivado (DPMI), así como, el Índice En [15] se propone una arquitectura
medio de fase (PMI). En este sentido, el basada en inteligencia artificial, que se
índice de fallas se calcula a partir del PMI, denomina Aprendizaje de extremo a
mismo que sirve para la detección y extremo. Esta emplea una técnica LSTM
clasificación de fallas. que se encarga de la detección y
El estudio propuesto en [12] presenta un clasificación de fallas. Los datos de entrada,
algoritmo para la ubicación y clasificación necesarios para el entrenamiento, se
de fallas en micro redes. El algoritmo obtienen mediante la ejecución de fallas de
emplea datos de voltaje y corriente, que se forma repetitiva variando los ubicación y
recopilan mediante Unidades de medición resistencia de falla. El autor menciona que
de Fasores (PMU) ubicadas en cada el método propuesto es simple y robusto
terminal del sistema. Una vez que se frente a condiciones de operación,
cuantifican las magnitudes de los fasores de impedancia de falla, parámetros de la línea
corriente y voltaje, se resuelve un conjunto de transmisión, ruido y condiciones
de 33 ecuaciones de manera simultánea. Las transitorias.
variables que incluyen las ecuaciones son, En [16] se presenta un esquema de
el voltaje en el punto de falla de las tres protección adaptativa para solventar los
secuencias (positiva, negativa y cero), problemas que representan los relés de
además, de las condiciones de contorno de distancia convencionales al momento de
la falla. proteger a líneas de transmisión. El
En la investigación descrita en [13] se problema principal surge del acoplamiento
presenta un método basado en la formación mutuo entre dos circuitos bajo diferentes
no examinada para el proceso de detección condiciones de falla, pues este
y clasificación de fallas en el SEP. El acoplamiento es de naturaleza no lineal. El
método emplea la Red de Capsulas con esquema que se propone es una Red
Filtrado Disperso (CNSF) que aprende de Neuronal Artificial (ANN), esta tiene la
forma progresiva las características de cada capacidad de clasificar la relación no lineal
falla. En consecuencia, el rendimiento de la entre las señales cuantificadas que se asocia
técnica mejora de manera progresiva y a diferentes patrones de la señal analizada.
disminuye el aumento de datos requeridos Un aspecto importante del estudio es que se
para el entrenamiento. Las señales trifásicas utilizan señales de corriente medidas en el
post falla de medio ciclo se cuantifican y se extremo local de la falla.
codifican en una sola imagen, estas sirven En [17] se presenta una ANN para la
como entrada del modelo CNSF. detección de fallas en el SEP, donde, las
En [14] se presenta tres modelos de corrientes trifásicas de un extremo de la
aprendizaje profundo para la detección, línea se toman como entrada para aplicar la
clasificación y predicción de fallas en líneas ANN. La red neuronal se entrena con un

3
conjunto de datos obtenidos de ejecuciones Las fallas simétricas producen corrientes
simultaneas de cálculos de cortocircuito, elevadas, de hasta 120 veces su valor
donde se varia parámetros como: tipo de nominal, un ejemplo de esto es una falla
falla, ubicación de la falla y resistencia de trifásica, donde las tres fases se
falla. cortocircuitan sin involucrar la referencia.
En este estudio se muestra un método Por otro lado, las fallas asimétricas son,
para clasificar fallas eléctricas aplicando monofásicas a tierra, dos fases a tierra y fase
redes neuronales artificiales a la protección a fase.
a distancia de líneas de transmisión, basada La falla monofásica a tierra (LG) se
en el algoritmo de Levenberg-Marquardt. puede producir por un aislamiento entre el
Para lo cual, se simula varios estudios de conductor de fase y tierra, o por la rotura y
cortocircuito variando parámetros como: caída del conductor de fase a tierra.
distancia, tipo de falla y resistencia de falla, Asimismo, la prevalencia de este tipo de
sobre los sistemas de prueba IEEE de 9 y 14 fallas es del 70% al 80% [19].
barras. Esto es necesario para generar una Las fallas de dos fases a tierra ocurren
base de datos, donde se cuantifique los cuando se cortocircuita dos fases
voltajes, corrientes y tipo de falla. Esta parte cualesquiera con tierra, la prevalencia de
será el ingreso para el entrenamiento, este tipo de fallas es del 10% al 17%. La
validación y ensayos de la ANN. falla de fase a fase ocurre cuando dos fases
A partir de este punto, el estudio se cualesquiera se unen, la prevalencia de este
organiza de la siguiente manera, en la tipo de fallas es del 8% al 10% [19].
unidad 2 se presentan los fundamentos de Sin embargo, los defectos de circuito
las ANN y de las redes neuronales de retro abierto suceden cuando una o más fases del
propagación. En la unidad 4 se describe la conductor se rompen, en la ubicación de la
formulación del problema, así como, el caso torre de transmisión, de una línea aérea.
de estudio. En la unidad 5 se muestra los Esto puede ocurrir cuando los disyuntores o
resultados, que se obtuvieron en la aisladores se abren, pero no se logran cerrar
investigación. Finalmente, en las unidades 6 en una o más fases. Durante el circuito
y 7 se muestran las conclusiones y trabajos abierto de una de las dos fases, fluye
futuros correspondientemente. corriente desequilibrada en el sistema, esto
provoca un recalentamiento de las
2 Fallas en el sistema de máquinas rotativas [20].
energía
3 Red Neuronal Artificial
La falla eléctrica del sistema es una
condición no deseada de cortocircuito, que
(ANN)
sucede cuando alguno de las fases falla o se La ANN se puede aplicar a la detección y
juntan ente sí. De este manera, el clasificación de fallas de forma efectiva,
cortocircuito es el tipo de defecto que debido a que, esta es una técnica de
mayor riesgo influye, debido a que, el flujo programación capaz de resolver problemas
de corriente puede causar lineales de forma fácil. Asimismo, es
sobrecalentamiento o crear fuerzas efectiva para la resolución de problemas
mecánicas que pueden dañar los equipos y donde se dispone información de forma
otros elementos del SEP [18]. Por otro lado, masiva. Además, las ANN tienen la
las fallas se clasifican en tres tipos, fallas capacidad de aprender con nuevas
simétricas, fallas asimétricas y fallas de experiencias [7]. Por otro lado, las ANN son
circuito abierto. ampliamente utilizadas e investigadas para
el problema de detección y clasificación de

4
fallas, debido a las características que se de los valores medidos desde una línea de
presentan a continuación. transmisión trifásica, de un sistema de
 Posibilidad de configurar el número de energía eléctrica. La clasificación de fallas
líneas de transmisión, es decir, se puede mediante la red neuronal se basa en seis
configurar desde una línea de entradas, que corresponden a los voltajes y
transmisión de circuito único de corrientes de cada fase. Por otro lado, el
longitud corta, hasta líneas de número total de salidas, de la red neuronal,
transmisión de circuito doble. son cuatro, que corresponden a las tres fases
 Es posible emplear varios métodos, para A, B, C y tierra, de la línea de transmisión
la resolución de la red, con diferentes trifásica [22].
condiciones del sistema de energía de
una forma rápida y confiable. 3.1 Red neuronal de propagación
 Una red neuronal puede incorporar los inversa (BP)
cambios dinámicos que sufre el SEP. Las redes neuronales multicapa se aplican
Esto es muy importante debido a que las con éxito para resolver problemas difíciles,
condiciones del sistema de energía mediante el empleo de varios
cambian posterior a una perturbación. procedimientos de aprendizaje supervisado,
 La salida de la ANN es muy rápida, entre los cuales el algoritmo de aprendizaje
debido a que converge muy rápido, por de retro propagación de error (BP) es el más
lo que, se convierte en una técnica popular. Este es un algoritmo iterativo
confiable y precisa, esto depende del basado en el gradiente, que se propone para
entrenamiento puesto que su minimizar el error generado entre el vector
funcionamiento se ve influido por una de salida existente y el querido. El término
serie de operaciones simples. retro propagación hace referencia al cálculo
El algoritmo que emplea la del gradiente para las redes neuronales
programación de la ANN brinda diversas multicapas no lineales. La salida total se
ventajas, pero también adolece de varias obtiene de la propagación de los patrones de
desventajas, que son de naturaleza muy entrenamiento mediante la red, para lo cual
compleja. Algunos de los factores se define una matriz 𝑂ℓ , donde, las entradas
importantes son: el tipo de red, arquitectura de 𝐴ℓ+1 , para todas las capas (ℓ =
de la red, selección de número de capas, 1,2 … , 𝐿 − 1), se evalúan con (2) [2].
número de neuronas, tipo de función de
activación y las cuantificaciones del 𝑂ℓ = 𝐴ℓ 𝑊 ℓ (1)
algoritmo de entrenamiento. Asimismo,
existen parámetros necesarios, como los ℓ+1 ℓ
𝑎𝑝,𝑗 = 𝑓(𝑂𝑝,𝑗 ) (2)
valores de las tensiones, corrientes previas
y posteriores a la falla de las tres fases
respectivas en estado estable, que son Donde, 𝑝 = 1, … , 𝑃 y 𝑗 = 1,2 … , 𝑛ℓ+1 .
necesarias para la detección y clasificación Asimismo, se requiere un algoritmo debido
de fallas [21]. a que se debe acoplar los pesos, de modo
Los valores de tensión y corriente, antes que la red aprenda a asignar los patrones de
y después de la falla de las tres fases, son entrada a los patrones de salida. El
diferentes y se rigen por el tipo de falla. Por algoritmo más usado para el proceso de
lo tanto, el método de clasificación de fallas entrenamiento de la ANN es el algoritmo
requiere una red neuronal que le permita BP. El aprendizaje se logra ajustando los
determinar el tipo de falla, a partir de los pesos de manera que la salida de la red, 𝐴𝐿 ,
patrones de tensiones y corrientes previas y sea lo más cercana posible al objetivo, 𝑇 𝐿 .
posteriores a la falla, que se generan a partir

5
 𝐿
En este sentido el error se calcula mediante 𝜕𝑎𝑝,𝑗
La derivada parcial 𝐿−1 se puede
(3). 𝜕𝑊𝑖,𝑗
evaluar con la regla de la cadena como en
𝑃 𝑛𝐿
1 (7).
𝐿 2
𝐸= ∑ ∑(𝑡𝑝 . 𝑗 − 𝑎𝑝,𝑗 ) (3)
2𝑃 𝐿−1
𝑝=1 𝑗=1 ∆𝑊𝑖,𝑗
Por lo que, se necesita minimizar el error 𝑃
𝜂
𝐸, con respecto a los cambios de peso 𝑊𝑖,𝑗 . = − ∑(𝑡𝑝.𝑗
De igual forma, se emplea la regla delta para 𝑃
𝑝=1
incorporar la tasa de aprendizaje 𝜂 junto con (7)
𝐿 𝐿−1 𝐿−1
las técnicas del algoritmo de descenso de − 𝑎𝑝,𝑗 ) 𝑓 ′ (𝑂𝑝,𝑗 )𝑎𝑝,𝑖
gradiente, para definir el cambio de peso. 𝑃
Los cambios de pesos son proporcionales al 𝜂 𝐿−1 𝐿−1
= ∑ 𝛿𝑝,𝑗 𝑎𝑝,𝑖
gradiente del error. 𝑝
𝑝=1

ℓ
𝜕𝐸
∆𝑊𝑖,𝑗 = −𝜂 ; 0<𝜂≤1 (4)
𝜕𝑊𝑖𝑗 𝐿−1
Donde, 𝛿𝑝,𝑗 𝐿
= (𝑡𝑝.𝑗 − 𝑎𝑝,𝑗 𝐿−1
) 𝑓 ′ (𝑂𝑝,𝑗 )y
𝐿−1 𝜕𝑎 𝐿
𝑝,𝑗
𝜕𝐸
𝑓 ′ (𝑂𝑝,𝑗 ) = 𝐿−1 . En este sentido, los
𝜕𝑂 𝑖,𝑗
Si el gradiente es positivo, el
𝜕𝑊𝑖𝑗 pesos cambian en capas inferiores, además,
cambio de peso debería ser negativo y se calculan mediante (8) y (9).
viceversa. Por lo tanto, se agrega un signo
negativo en el lado derecho de (4). De esta 𝑃
𝐿−1 𝜂
forma, los cambios de peso ∆𝑊𝑖,𝑗 para los ℓ
∆𝑊𝑖,𝑗 ℓ
= − ∑(𝛿𝑝,𝑗 ℓ
𝑎𝑝,𝑖 ); ℓ
pesos que se conectan a la capa final se 𝑃 (7)
𝑝=1
obtienen mediante (5).
= 1, … , 𝐿 − 1
𝐿−1
∆𝑊𝑖,𝑗
ℓ
𝑃 𝑛𝐿 𝛿𝑝,𝑗
𝜂 𝜕 𝑛ℓ+1
=− ∑∑ 𝐿−1 (𝑡𝑝.𝑗 (5)
2𝑃 𝜕𝑊𝑖,𝑗 ℓ+1 ℓ+1 ℓ
𝑝=1 𝑗=1 = ∑ (𝛿𝑝,𝑘 𝑤𝑗,𝑘 ) 𝑓 ′ (𝑂𝑝,𝑗 ); ℓ (8)
2 𝑘=1
𝐿
− 𝑎𝑝,𝑗 )
= 1, … , 𝐿 − 1
𝐿
Para cada 𝑗, solo un valor de 𝑎𝑝,𝑗 tiene
𝐿−1
relación con 𝑊𝑖,𝑗 , por lo que se obtiene Por lo tanto, el procedimiento de
(6). aprendizaje consiste en que la red comience
con un conjunto aleatorio de valores de
𝑃
𝜂 peso, elija uno de los patrones de
𝐿−1
∆𝑊𝑖,𝑗 = − ∑(𝑡𝑝.𝑗 entrenamiento y evalúe las salidas
𝑃
𝑝=1
(6) utilizando dicho patrón como entrada de
𝐿
𝜕𝑎𝑝,𝑗 una manera anticipada. De tal modo que,
𝐿 usando el procedimiento de BP, se evalúan
− 𝑎𝑝,𝑗 ) 𝐿−1
𝜕𝑊𝑖,𝑗 todos los cambios de peso para ese patrón.
Este procedimiento se repite para cada

6
parámetro del conjunto de entrenamiento,
es decir, para todos los pesos ∆𝑤𝑖,𝑗 [2].

3.2 Clasificación de fallas por ANN

Aunque el concepto básico de los relés
sigue siendo el mismo, la tecnología digital
ha tenido una influencia significativa en la
forma en que operan los relés y ha ofrecido
varias mejoras sobre los relés
electromecánicos tradicionales. En el
método basado en ANN, todos los datos que
se recopilan se subdividen en tres vínculos,
estos son, los vínculos de datos de
aprendizaje, comprobación y prueba. El
primer avance del procedimiento es la
detección de fallas, una vez que se sabe que
ha ocurrido una falla en la línea de
transmisión, el siguiente paso es clasificar
la falla en las diferentes categorías en
función de las fases que presentan la falla.
En el diagrama de la Figura 1 se explica el
procedimiento básico que se emplea para la
detección y clasificación de fallas basada en
ANN en la línea de transmisión de alta
tensión [17].

3.3 Clasificación de fallas por ANN

El LMA también conocido como el método
Damped Lower Squares (DLS), se utiliza en
matemáticas y computación para resolver
problemas no lineales de cuadrados
menores, fundamentalmente para la
nivelación de curvas de mínimos cuadrados.
El LMA es manejado para solucionar
dificultades genéricas de nivelación de Figura 1. Proceso lógico para clasificar fallas [autor].
curvas en diversos estudios de software, en
virtud a que, descubre un mínimo local,
El LMA intercala el algoritmo de Gauss
como ocurre con muchos algoritmos
Newton (GNA) con la técnica de descenso
apropiados, que no es obligatoriamente el
de gradiente, esto permite que, el LMA sea
mínimo total.
más firme que el GNA, esto conlleva a que
encuentra una solución en muchos casos,
aunque este muy lejos del mínimo final.
Además, el LMA alarga a que sea lo más
lento a comparación del GNA, para tareas
con buen procedimiento y cuantificaciones
de inicio sensibles [23].

7
 La implementación trascendental del que para la clasificación se considera nueve
LMA se localiza en el inconveniente de categorías diferentes, las cuales se
nivelación de las curvas de mínimos presentan en la Tabla 1. Por otra parte, la
cuadrados dado una agrupación de pares de edificación de la ANN está constituida de 8,
datos empíricos de variables autónomas y 100 y 4 neuronas, distribuidas en la capa de
dependientes (𝑥𝑖 , 𝑦𝑖 ). Pues, los parámetros entrada, oculta y salida respetivamente,
𝛽 de la curva del modelo 𝑓(𝑥, 𝛽) se deben como se representa en la Figura 2.
adecuar para limitar el aumento de
cuadrados de desviación 𝑆 (𝛽 ) [24]. Tabla 1. Rango de operación de centrales de GD según su
tamaño.
𝑚
Salida de la ANN
Tipo de
𝑆 (𝛽 ) = 𝑎𝑟𝑔𝑚𝑖𝑛𝛽 ∑ 𝑠𝑞𝑟𝑡[(𝑦𝑖 falla
A B C G
𝑖=1
(9)
− 𝑓(𝑥𝑖 , 𝛽))] ; 𝛽̅ A-G 1 0 0 1

∈ 𝑎𝑟𝑔𝑚𝑖𝑛𝛽 B-G 0 1 0 1

C-G 0 0 1 1

4 Formulación del problema A-B 1 1 0 0

La mayor amenaza para la continuidad del B-C 0 1 1 0

suministro eléctrico son las fallas del C-A 1 0 1 0
sistema, las cuales son un problema
inevitable. Por lo tanto, se necesita un A-B-G 1 1 0 1
sistema bien coordinado de protecciones, B-C-G 0 1 1 1
para detectar y asilar fallas de forma rápida,
con el fin de minimizar el daño y las C-A-G 1 0 1 1
interrupciones causados al sistema
eléctrico. Sin embargo, al existir una gran
cantidad de tipos de fallas es necesario 4.1 Obtención y preprocesamiento
aplicar un método que permita identificar el de datos de voltaje y corriente
tipo de falla de forma rápida, para que los En el modelo de práctica de la IEEE de 9 y
operadores del sistema actúen de forma 14 como se indica en la (Figura 3 y 4) se
rápida para la mitigación de esta. implementa a manera de compilación de las
En contraste, en esta investigación se cifras, debido a lo cual son obligatorios para
propone una red neuronal artificial (ANN) ensayar a la ANN.
que se utiliza como método para la Además, se hace uso del software
detección de fallas del SEP. La red MATLAB/Simulink y Power Factory, para
propuesta consta de ocho entradas y cuatro los cálculos de flujos de potencia y estudios
salidas. Las entradas son las tensiones, de cortocircuito, bajo diferentes parámetros
corrientes de falla y secuencia cero, de ubicación y resistencia de falla acorde
mientras que, la salida son cuatro variables con la Tabla 2.
binarias, una por cada fase y tierra. De esta La ubicación de la falla se modela 19
forma se generaliza la representación de veces para los 11 tipos, por lo tanto, el total
todas las permutaciones posibles, que de simulaciones son 209 (19*11). De la
involucra la combinación de fases. misma forma, para las resistencias de falla
La red neuronal propuesta es capaz de se modela 20 veces para los 11 tipos de
clasificar las fases específicas que se fallas, es decir el total de simulaciones es de
involucran en el escenario de falla, es decir, 220 (20*11). Además, se presenta el

8
algoritmo 1 para la construcción de la base
de datos, el algoritmo 2 para el
entrenamiento de la red neuronal y, por
último, el algoritmo 3 para el procedimiento
de clasificación de fallas.

Figura 2. Distribución de capas de la ANN [autor].

Tabla 2. Parámetros para obtención de datos.

Figura 3. Sistema de prueba IEEE 9 barras [autor].
Variación de
Parámetros
valores

0.001, 5, 10, 15, 20, 25,

Resistencia de falla (Ω) 30, 35, 40, 45, 50, 55, 60,
65, 70, 75, 80, 85, 90, 95

10, 20, 30, 40, 50, 60, 70,

Localización de la falla 80, 90, 100, 110, 120,
(km) 130, 140, 150, 160, 170,
180, 190

Figura 4. Sistema de prueba IEEE 14 barras [autor].

Algoritmo 1. Construcción de la base de datos

de fallas

9
 𝑛ℓ+1
Paso 1: Ingresar parámetros de falla.
ℓ ℓ+1 ℓ+1 ℓ
Tipo de falla, tiempo, resistencia de 𝛿𝑝,𝑗 = ∑(𝛿𝑝,𝑘 𝑤𝑗,𝑘 ) 𝑓 ′ (𝑂𝑝,𝑗 )
falla y distancia. 𝑘=1
Paso 2: Ejecutar estudio de cortocircuito
Paso 3 Iniciar medición de variables Paso 5 Graficar resultados del tipo de falla
eléctricas
Voltajes y corrientes. Paso 6 Regresar al paso 1
Paso 4 Almacenar resultados de voltajes y
corrientes trifásicas en la base de
datos.
Paso 5 Regresar al paso 1
5 Análisis de resultados
El análisis de resultados se basa en el
Algoritmo 2. Entrenamiento de ANN para entrenamiento, validación y prueba del
clasificación de fallas clasificador de fallas basado en la ANN,
tanto para el sistema de pruebas de 9 y 14
Paso 1 Ingresar base de datos de tipos de
fallas. barras de la IEEE. Para lo cual, el conjunto
Paso 2 Iniciar la aplicación Neural Fitting de datos obtenidos del cálculo de corto
tool de MATLAB. circuito, ante la variación de parámetros de
Paso 3 Seleccionar los datos de entrada
Entradas (Voltajes y corrientes de resistencia, ubicación y tipo de falla, se
fase) y salidas (salida binaria por dividen en tres conjuntos, 70% para
cada línea) entrenamiento, 15% para validación y 15 %
Paso 4 Dividir los datos de entrada
El 70% son de entrenamiento para pruebas, como se presenta en la Figura
El 15% corresponden a datos de 5.
validación.
El 15% son datos de prueba.
Paso 5 Definir la arquitectura de la red
8 neuronas en la entrada
100 neuronas para la capa oculta
4 neuronas sobre la capa de salida

Paso 6 Iniciar el proceso de entramiento

con el algoritmo de Levenberg
Marquardt
Hacer para todo 𝛽
𝑚

𝑆(𝛽) = 𝑎𝑟𝑔𝑚𝑖𝑛𝛽 ∑ 𝑠𝑞𝑟𝑡[(𝑦𝑖

𝑖=1
− 𝑓(𝑥𝑖 , 𝛽))]
Paso 7 Verificar las métricas de
entrenamiento
Rendimiento
Estado de entrenamiento
Error

Figura 5. Precisión del sistema de clasificación de fallas,

Algoritmo 3. Clasificación de fallas sistema IEEE 9 barras.

Paso 1 Ingresar parámetros de falla.

Tipo de falla, tiempo, resistencia de La precisión del 97% corresponde a los
falla y distancia. datos de entrenamiento, asimismo, el 96%
Paso 2 Iniciar medición de variables
eléctricas
corresponde a los datos de validación.
Voltajes y corrientes Además, para los datos de prueba, la
Paso 3 Ingresar mediciones a la ANN precisión del sistema es del 98%. De esta
Voltajes y corrientes. forma, la precisión general del sistema es
Paso 4 Aplicar la lógica de la ANN
Hacer para todo ℓ del 97%, es decir que, la clasificación de las

10
fallas es exitosa el 97% de los casos, 2 6 BG 15 0.2
mientras que, el 3% restante corresponde a
3 11 CG 25 0.2
detecciones erróneas.
En la Figura 6 se presenta la precisión del 4 21 ABG 35 0.2
sistema de clasificación de fallas para el
5 3 BCG 45 0.2
sistema IEEE de 14 barras. En este sentido,
la precisión del 97% corresponde a los datos 6 6 ACG 55 0.2
de entrenamiento, asimismo, el 98% se
7 12 AB 65 0.2
vincula a los datos de validación. Además,
para los datos de prueba, la precisión del 8 22 BC 75 0.2
sistema es del 96%. De esta forma, la
9 4 AC 85 0.2
precisión general del sistema es del 97%, es
decir que, la clasificación de las fallas es 10 8 ABC 5 0.2
exitosa el 97% de los casos, mientras que,
11 0.02 ABCG 15 0.2
el 3% restante corresponde a detecciones
erróneas.
Los escenarios descritos en la Tabla 3 se
aplican a los sistemas de prueba IEEE de 9
y 14 barras. Las variables eléctricas que se
analizan son los voltajes, corrientes de falla
y secuencia cero.

5.1 Clasificación de fallas en

sistema IEEE 9 barras
De los casos descritos en la Tabla 3, se elige
el caso 5 para realizar el análisis de las
ondas rms de voltajes (Figura 7) y
corrientes (Figura 8), mientras que, los
resultados de todos los casos se detallan en
la Tabla 4.
En la Figura 7 se observa que a los 0.1
segundos los voltajes de las fases B y C se
reducen de forma significativa, de tal forma
Figura 6. Precisión del sistema de clasificación de fallas, que tienden a cero. Este estado se mantiene
sistema IEEE 14 barras. hasta los 0.2 segundos, ya que, posterior a
este tiempo, las ondas de voltaje de las fases
En otro sentido, para analizar de forma B y C incrementan su valor hasta alcanzar
detallada los resultados obtenidos del su magnitud previo a la falla. Por otro lado,
sistema de clasificación de fallas se plantea el voltaje de la fase A aumenta ligeramente
11 casos (Tabla 3). desde el tiempo 0.1 a 0.22 segundos, ya que
posteriormente se despeja la falla.
Tabla 3. Escenarios de prueba

Tipo Distancia Duración

Rf (%) (seg)
Caso de
(Ω)
falla

1 2 AG 5 0.2

11
 existen cambios repentinos de las fallas BC
y CG, sin embargo, estos no perduran.

Figura 7. Voltajes RMS, fase a, b y c.

En la Figura 8 se presenta las ondas RMS

de corriente. En este sentido, las corrientes Figura 9. Respuesta de sistema de clasificación de fallas
de las fases B y C aumentan de forma en base a ANN.
significativa, la fase B adopta un valor de
1038 A, mientras que, la fase C un valor de Tabla 4. Resultados de casos de estudio, IEEE 9 barras
831 A. Asimismo, a partir de los 0.2
Parámetros de falla Resultado de la ANN
segundos, las magnitudes de las fases B y C
Caso

disminuyen hasta adoptar el valor previo a R

Distan
la falla. Por otro lado, la magnitud de la Fase Tipo cia A B C G
F
(%)
A se mantiene en el valor nominal previo a
la falla. 1 2 AG 5 1 0 0 1

2 6 BG 15 0 1 0 1

3 11 CG 25 0 0 1 1

4 21 ABG 35 1 1 0 1

5 3 BCG 45 0 1 1 1

6 6 ACG 55 1 0 1 1

7 12 ABG 65 1 1 0 1

8 22 BC 75 0 1 1 0

9 4 AC 85 1 0 1 0
Figura 8. Corrientes RMS, fase a, b y c. ABC
10 8 5 1 1 1 1
G
ABC
11 5 15 1 1 1 1
El comportamiento del sistema de G
detección de fallas se detalla en la Figura 9.
En este se observa que a partir de los 0.1 Los resultados obtenidos por el sistema
segundos el tipo de falla BCG cambia su de clasificación de fallas basado en la ANN
valor de 0 a 1. Este estado se mantiene hasta se detallan en la Tabla 4. En esta se observa
los 0.22 segundos, lo cual coincide con el que todas las fallas de prueba fueron
tiempo que toma el sistema en retomar sus clasificadas de forma correcta.
magnitudes nominales de voltaje y corriente
previos a la falla. También, se observa que

12
5.2 Clasificación de fallas en
sistema IEEE 14 barras
De los casos descritos en la Tabla 3, se elige
el caso 1 para realizar el análisis de las
ondas rms de voltajes (Figura 10) y
corrientes (Figura 11), mientras que, los
resultados de todos los casos se detallan en
la Tabla 5.
En la Figura 10 se observa que a los 0.1
segundos el voltaje de la fase A se reduce
de forma significativa, de tal forma que
Figura 11. Corrientes RMS, fase a, b y c, sistema IEEE
tiende a cero. Este estado se mantiene hasta 14 barras.
los 0.2 segundos, ya que, posterior a este
tiempo, la onda de la fase A incrementa su
valor hasta alcanzar su magnitud previo a la
falla. Por otro lado, el voltaje de las fases B
y C aumenta ligeramente desde el tiempo
0.1 hasta los 0.22 segundos, ya que
posteriormente se despeja la falla.

Figura 12. Respuesta de sistema de clasificación de fallas

en base a ANN, IEEE 14 barras.

Figura 10. Voltajes RMS, fase a, b y c, sistema IEEE 14

barras. En la Figura 12 se observa que a partir de
los 0.1 segundos el tipo de falla AG cambia
su valor de 0 a 1. Este estado se mantiene
En la Figura 11 se presenta las ondas
hasta los 0.22 segundos, lo cual coincide
RMS de corriente. En este sentido, la
con el tiempo que toma el sistema en
corriente de la fase A aumenta de forma
retomar sus magnitudes nominales de
significativa, situándose en un valor de
voltaje y corriente previos a la falla.
3806 A. Asimismo, a partir de los 0.2
Los resultados obtenidos por el sistema
segundos, la magnitud de la fase A
de clasificación de fallas basado en la ANN
disminuye hasta adoptar el valor previo a la
se presentan en la Tabla 5. En esta se
falla. Por otro lado, la magnitud de la fase B
observa que todas las fallas de prueba
aumenta ligeramente, mientras que, la
fueron clasificadas de forma correcta.
magnitud de la fase C disminuye
ligeramente a lo largo del tiempo de Tabla 5. Resultados de casos de estudio, IEEE 14 barras
contingencia de la falla.
as
C

Parámetros de falla Resultado de la ANN

o

13
 Distan 1 AG 1 0 0 1 1 0 0 1
R
Tipo cia A B C G
F 2 BG 0 1 0 1 0 1 0 1
(%)

1 2 AG 5 1 0 0 1 3 CG 0 0 1 1 0 0 1 1
AB
2 6 BG 15 0 1 0 1 4 1 1 0 1 1 1 0 1
G
3 11 CG 25 0 0 1 1 5 BCG 0 1 1 1 0 1 1 1
AC
4 21 ABG 35 1 1 0 1 6 1 0 1 1 1 0 1 1
G
5 3 BCG 45 0 1 1 1 AB
7 1 1 0 1 1 1 0 1
G
6 6 ACG 55 1 0 1 1 8 BC 0 1 1 0 0 1 1 0

7 12 ABG 65 1 1 0 1 9 AC 1 0 1 0 1 0 1 0

8 22 BC 75 0 1 1 0 10 ABC 1 1 1 1 1 1 1 1

9 4 AC 85 1 0 1 0 ABC
11 1 1 1 1 1 1 1 1
G
ABC
10 8 5 1 1 1 1
G
ABC
11 5 15 1 1 1 1
G 6 Conclusiones
Por último, en la Tabla 6 se presenta una El enfoque propuesto en la presente
comparación del sistema de clasificación de investigación hace uso de una red neuronal
fallas basado en una ANN, propuesto en artificial para clasificar distintos tipos de
esta investigación, con los resultados fallas como: fallas de fase a tierra, fase a
obtenidos en el estudio descrito en [17]. fase, trifásicas y fallas de doble línea a
Este estudio se basa en el cálculo de la tierra, bajo diferentes parámetros de
Transformada Wavelet Discreta (DWT) y impedancia y ubicación de la falla.
su energía, para emplear una técnica de El método desarrollado emplea los
reconocimiento de patrones y finalmente valores RMS de voltaje, corriente y las
obtener la clasificación de fallas. magnitudes de secuencia cero, que se
Se observa que los resultados obtenidos cuantifican del estudio de cortocircuito.
con las técnicas ANN y DWT son iguales, Esto se ejecuta con la intención de
sin embargo, la investigación descrita en conseguir la base de datos de entrada para el
[17] no permite una detección en tiempo entrenamiento, validación y prueba de la
real, a diferencia del estudio descrito en esta ANN.
investigación que emplea voltajes, Por la cantidad de valores producto del
corrientes de falla y secuencia cero, para cálculo repetitivo de los estudios de
clasificar la falla en tiempo real. Esto se cortocircuito bajo diferentes parámetros, la
evidencia en el análisis de la respuesta del arquitectura de la ANN es la de retro
sistema de clasificación de fallas analizado propagación. En este sentido, las capas de
en gráficos previos. entrada de la ANN son 8, mismas que
corresponden a los voltajes trifásicos,
Tabla 6. Resultados de casos de estudio, IEEE 14 barras corrientes trifásicas y de secuencia cero.
Las capas ocultas son 10 y las capas de
Resultado Resultado con salida son 4 variables binarias, que se
Transformada
Caso

Tipo con ANN wavelet discreta asocian a cada fase (A-B-C) y tierra (G).
La ANN clasifica la relación no lineal
A B C G A B C G
entre las señales de entrada, mediante la

14
identificación de patrones durante las Power Systems Using Artificial
condiciones de falla. Esto lo realiza durante Neural Network,” Am. J. Eng. Res.,
la etapa de entrenamiento, para lo cual, se vol. 2, no. 6, pp. 69–75, 2013,
maneja el LMA. En contraste, con el [Online]. Available: [Link].
clasificador de fallas, basado en la ANN, se
obtiene una precisión general promedio del [3] J. Zhang, Z. Y. He, S. Lin, Y. B.
97%, para los sistemas IEEE de 9 y 14 Zhang, and Q. Q. Qian, “An ANFIS-
barras. Además, este permite clasificar based fault classification approach in
fallas en tiempo real a diferencia de otros power distribution system,” Int. J.
métodos que necesitan datos previos, como Electr. Power Energy Syst., vol. 49,
la DWT de las señales de cada fase, para no. 1, pp. 243–252, 2013, doi:
posteriormente ingresar los datos al 10.1016/[Link].2012.12.005.
algoritmo de reconocimiento de patrones. [4] S. Mishra and A. Baral,
Por último, el rendimiento de la ANN “Classification of power system
depende de su estructura, es decir de las faults using voltage Concordia
capas de entrada, ocultas y de salida, así pattern feature aided PNN,” 2016
como, del algoritmo de aprendizaje IEEE 6th Int. Conf. Power Syst. ICPS
seleccionado para la fase de entrenamiento. 2016, pp. 0–5, 2016, doi:
10.1109/ICPES.2016.7584104.
6.1 Trabajos futuros [5] [Link], [Link],
El sistema de clasificación de fallas and [Link], “Transmission
propuesto en la presente investigación Line Faults Detection, Classification,
posee una precisión general promedio del and Location Using Discrete
97%, no obstante, la resolución de la red Wavelet Transform,” in
neuronal artificial en tiempo real tiene International Conference on Power,
algunas variaciones, es decir existe Energy and Control (ICPEC), 2013,
activaciones repentinas de algunos tipos de pp. 209–216, doi:
fallas antes de la detección final. En este 10.1201/9781568816692-11.
sentido, se propone, como trabajo futuro, la
[6] M. Jamil, A. Kalam, A. Q. Ansari,
mejora de la técnica propuesta, con el fin de
and M. Rizwan, “Generalized neural
mejorar su precisión y rendimiento.
network and wavelet transform based
Asimismo, se propone involucrar nuevas
approach for fault location
funcionalidades como: la ubicación de
estimation of a transmission line,”
ocurrencia de la falla, de tal forma, se
Appl. Soft Comput. J., vol. 19, pp.
tendría un sistema completo, que detecte,
322–332, 2014, doi:
identifique el lugar de la falla y clasifique el
10.1016/[Link].2014.02.020.
tipo de falla.
[7] M. Jamil, S. K. Sharma, and R.
7 Referencias Singh, “Fault detection and
classification in electrical power
[1] A. Maheshwari, V. Agarwal, S. K.
transmission system using artificial
Sharma, and E. Engineering,
neural network,” Springerplus, vol.
“Transmission Line Fault
4, no. 1, 2015, doi: 10.1186/s40064-
Classification Using Artificial
015-1080-x.
Neural Network Based Fault,” vol. 9,
no. 3, pp. 170–181, 2018. [8] A. Nag and A. Yadav, “Fault
Classification using Artificial Neural
[2] B. E. M Tayeb, “Faults Detection in
Network in Combined Underground

15
 Cable and Overhead Line,” in IEEE classification of transmission line
International Conference on Power faults,” Int. J. Electr. Power Energy
Electronics. Intelligent Control and Syst., vol. 133, no. June, p. 107102,
Energy Systems (ICPEICES-2016), 2021, doi:
2016, pp. 1–4, doi: 10.1016/[Link].2021.107102.
10.1109/ICPEICES.2016.7853664.
[14] S. Belagoune, N. Bali, A. Bakdi, B.
[9] I. Farhat, “Fault detection, Baadji, and K. Atif, “Deep learning
classification and location in through LSTM classification and
transmission line systems using regression for transmission line fault
neural networks.” p. 115, 2003, detection, diagnosis and location in
[Online]. Available: large-scale multi-machine power
[Link] systems,” Meas. J. Int. Meas.
1920/. Confed., vol. 177, no. December
2020, p. 109330, 2021, doi:
[10] M. Saini, A. A. Mohd Zin, M. W.
10.1016/[Link].2021.10933
Mustafa, A. R. Sultan, and R. Nur, 0.
“Algorithm for fault location and
classification on parallel [15] F. Rafique, L. Fu, and R. Mai, “End
transmission line using wavelet to end machine learning for fault
based on Clarke’s transformation,” detection and classification in power
Int. J. Electr. Comput. Eng., vol. 8, transmission lines,” Electr. Power
no. 2, pp. 699–710, 2018, doi: Syst. Res., vol. 199, no. June, p.
10.11591/ijece.v8i2.699-710. 107430, 2021, doi:
10.1016/[Link].2021.107430.
[11] B. R. Kumar, A. Mohapatra, S.
Chakrabarti, and A. Kumar, “Phase [16] A. Jain, A. Thoke, and R. Patel,
angle-based fault detection and “Fault classification of double circuit
classification for protection of transmission line using artificial
transmission lines,” Int. J. Electr. neural network,” Int. J. Electr. …, pp.
Power Energy Syst., vol. 133, no. 1029–1034, 2008, [Online].
June, p. 107258, 2021, doi: Available:
10.1016/[Link].2021.107258. [Link]
[Link].
[12] M. Abasi, A. Rohani, F. Hatami, M.
Joorabian, and G. B. Gharehpetian, [17] E. Phyo Thwe, “Fault Detection and
“Fault location determination in Classification for Transmission Line
three-terminal transmission lines Protection System Using Artificial
connected to industrial microgrids Neural Network,” J. Electr. Electron.
without requiring fault classification Eng., vol. 4, no. 5, p. 89, 2016, doi:
data and independent of line 10.11648/[Link].20160405.11.
parameters,” Int. J. Electr. Power
[18] A. Yadav and Y. Dash, “An
Energy Syst., vol. 131, no. July 2020,
p. 107044, 2021, doi: Overview of Transmission Line
Protection by Artificial Neural
10.1016/[Link].2021.107044.
Network: Fault Detection, Fault
[13] S. R. Fahim, S. K. Sarker, S. M. Classification, Fault Location, and
Muyeen, S. K. Das, and I. Kamwa, Fault Direction Discrimination,”
“A deep learning based intelligent Adv. Artif. Neural Syst., vol. 2014,
approach in detection and pp. 1–20, 2014, doi:

16
 10.1155/2014/230382.
[19] A. Prasad, J. Belwin Edward, and K.
Ravi, “A review on fault
classification methodologies in
power transmission systems: Part—
I,” J. Electr. Syst. Inf. Technol., vol.
5, no. 1, pp. 48–60, 2018, doi:
10.1016/[Link].2017.01.004.
[20] D. Guillen et al., “Fault detection and
classification in transmission lines
based on a PSD index,” IET Gener.
Transm. Distrib., vol. 12, no. 18, pp.
4070–4078, 2018, doi: 10.1049/iet-
gtd.2018.5062.
[21] E. B. M and T. O. A, “Transmission
line faults detection, classification
and location using artificial neural
network,” Proc. 2011 Int. Conf. Util.
Exhib. Power Energy Syst. Issues
Prospect. Asia, ICUE 2011, pp. 1–5,
2012, doi:
10.1109/ICUEPES.2011.6497761.
[22] S. V Khond and G. A. Dhomane,
“Fault Classification Accuracy
Measurement for a Distribution
System with Artificial Neural
Network without using Signal
Processing Technique,” Int. J. Innov.
Technol. Explor. Eng., vol. 9, no. 3,
pp. 1523–1527, 2020, doi:
10.35940/ijitee.c8558.019320.
[23] T. Anil Kumar and T. Dinesh, “Fault
detection and identification using
levenberg machine learning
algorithm,” Int. J. Sci. Technol. Res.,
vol. 9, no. 1, pp. 1166–1169, 2020.
[24] L. Jain, G. Tsihrintzis, and V. Balas,
Data Communication and Networks,
Primera ed. Poland: Springer, 2019.

17
7.1 Matriz de Estado del Arte
Tabla 7: Matriz de estado del arte.

CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES NEURONALES ARTIFICIALES A LA

PROTECCIÓN DE DISTANCIA DE LÍNEAS DE TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-
MARQUARDT

FORMULACIÓN DEL
RESTRICCIONES DEL PROPUESTAS PARA SOLUCIÓN
DATOS TEMÁTICA PROBLEMA FUNCIONES
PROBLEMA RESOLVER EL PROBLEMA PROPUESTA
OBJETIVO

TRANSFORMADA DISCRETA DE WAVELET

UBICACIÓN DEL LUGAR DE LA FALLA

CANTIDAD DE DATOS DE VOLTAJES Y

CLASIFICACIÓN DE TIPO DE FALLA

RECONOCIMIENTO DE PATRONES
NÚMERO DE CAPAS DE ENTRADA

IDENTIFICACIÓN DE LA FALLA
SISTEMA ADAPTATIVO DIFUSO
NÚMERO DE CAPAS DE SALIDA

TRANSFORMADA DE CLARKE
CLASIFICACIÓN DE FALLAS

ANALISIS DE SECUENCIAS
UBICACIÓN DE LA FALLA
DETECCIÓN DE FALLAS
TÍTULO DEL ARTÍCULO

VARIABLES BINARIAS
ITEM

TIPOS DE FALLAS
ENERGÍA DWT

FRECUENCIA
CORRIENTES

CORRIENTES
VOLTAJES
CITAS
AÑO

ANN
1 2018
Transmission Line Fault Classification Using Artificial Neural Network
Based Fault
5               
2 2013 Faults Detection in Power Systems Using Artificial Neural Network 45                
3 2013 An ANFIS-based fault classification approach in power distribution system 79                 
4 2016
Classification of power system faults using voltage Concordia pattern
feature aided PNN
3               
5 2013
Transmission Line Faults Detection, Classification, and Location Using
Discrete Wavelet Transform
48               
6 2014
Generalized neural network and wavelet transform based approach for fault
location estimation of a transmission line
81                
7 2015
Fault detection and classification in electrical power transmission system
using artificial neural network
113               

18
 CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES NEURONALES ARTIFICIALES A LA
PROTECCIÓN DE DISTANCIA DE LÍNEAS DE TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-
MARQUARDT

FORMULACIÓN DEL
RESTRICCIONES DEL PROPUESTAS PARA SOLUCIÓN
DATOS TEMÁTICA PROBLEMA FUNCIONES
PROBLEMA RESOLVER EL PROBLEMA PROPUESTA
OBJETIVO

TRANSFORMADA DISCRETA DE WAVELET

UBICACIÓN DEL LUGAR DE LA FALLA

CANTIDAD DE DATOS DE VOLTAJES Y

CLASIFICACIÓN DE TIPO DE FALLA

RECONOCIMIENTO DE PATRONES
NÚMERO DE CAPAS DE ENTRADA

IDENTIFICACIÓN DE LA FALLA
SISTEMA ADAPTATIVO DIFUSO
NÚMERO DE CAPAS DE SALIDA

TRANSFORMADA DE CLARKE
CLASIFICACIÓN DE FALLAS

ANALISIS DE SECUENCIAS
UBICACIÓN DE LA FALLA
DETECCIÓN DE FALLAS
TÍTULO DEL ARTÍCULO

VARIABLES BINARIAS
ITEM

TIPOS DE FALLAS
ENERGÍA DWT

FRECUENCIA
CORRIENTES

CORRIENTES
VOLTAJES
CITAS
AÑO

ANN
8 2016
Fault Classification using Artificial Neural Network in Combined
Underground Cable and Overhead Line
12                 
9 2003
Fault detection, classification and location in transmission line systems
using neural networks
8                
10 2018
Algorithm for fault location and classification on parallel transmission line
using wavelet based on Clarke’s transformation
14                
11 2021
Phase angle-based fault detection and classification for protection of
transmission lines
2                
Fault location determination in three-terminal transmission lines connected
12 2021 to industrial microgrids without requiring fault classification data and 3              
independent of line parameters

13 2021
A deep learning based intelligent approach in detection and classification of
transmission line faults,
6                
Deep learning through LSTM classification and regression for transmission
14 2021 line fault detection, diagnosis and location in large-scale multi-machine 8               
power systems

15 2021
End to end machine learning for fault detection and classification in power
transmission lines,
2                
16 2008
Fault classification of double circuit transmission line using artificial neural
network
65               

19
 CLASIFICACIÓN DE FALLAS ELÉCTRICAS APLICANDO REDES NEURONALES ARTIFICIALES A LA
PROTECCIÓN DE DISTANCIA DE LÍNEAS DE TRANSMISIÓN BASADA EN EL ALGORITMO DE LEVENBERG-
MARQUARDT

FORMULACIÓN DEL
RESTRICCIONES DEL PROPUESTAS PARA SOLUCIÓN
DATOS TEMÁTICA PROBLEMA FUNCIONES
PROBLEMA RESOLVER EL PROBLEMA PROPUESTA
OBJETIVO

TRANSFORMADA DISCRETA DE WAVELET

UBICACIÓN DEL LUGAR DE LA FALLA

CANTIDAD DE DATOS DE VOLTAJES Y

CLASIFICACIÓN DE TIPO DE FALLA

RECONOCIMIENTO DE PATRONES
NÚMERO DE CAPAS DE ENTRADA

IDENTIFICACIÓN DE LA FALLA
SISTEMA ADAPTATIVO DIFUSO
NÚMERO DE CAPAS DE SALIDA

TRANSFORMADA DE CLARKE
CLASIFICACIÓN DE FALLAS

ANALISIS DE SECUENCIAS
UBICACIÓN DE LA FALLA
DETECCIÓN DE FALLAS
TÍTULO DEL ARTÍCULO

VARIABLES BINARIAS
ITEM

TIPOS DE FALLAS
ENERGÍA DWT

FRECUENCIA
CORRIENTES

CORRIENTES
VOLTAJES
CITAS
AÑO

ANN
17 2016
Fault Detection and Classification for Transmission Line Protection System
Using Artificial Neural Network,
24                
An Overview of Transmission Line Protection by Artificial Neural Network:
18 2014 Fault Detection, Fault Classification, Fault Location, and Fault Direction 72                 
Discrimination

19 2018
A review on fault classification methodologies in power transmission
systems: Part—I
66               
20 2018 Fault detection and classification in transmission lines based on a PSD index 18                
               
Transmission line faults detection, classification and location using artificial
21 2011 65
neural network

22 2020
Fault Classification Accuracy Measurement for a Distribution System with
Artificial Neural Network without using Signal Processing Technique
2               
23 2020
Fault detection and identification using levenberg machine learning
algorithm
3                
24 2019
Fault Classification in a Transmission Line Using Levenberg–Marquardt
Algorithm Based Artificial Neural Network
7                

 CANTIDAD 8 1 8 7 8 5 4 7 0 8 8 3 7 3 0 1 0 1 8 7 0

20
7.2 Resumen de Indicadores

RESPUESTA A LA DEMANDA

DETECCIÓN DE
FALLAS
26

21

16

11

-4

CLASIFICACIÓN DE UBICACIÓN DE LA
FALLAS FALLA

Figura 13. Resumen e indicador de la temática - Estado del arte.

21
 FORMULACIÓN DEL PROBLEMA
25

20

15

10

0
VOLTAJES CORRIENTES VARIABLES ENERGÍA DWT
BINARIAS

Figura 14. Indicador de formulación del problema - Estado del arte.

22
 SOLUCIÓN AL PROBLEMA

10

0
CLASIFICACIÓN DE IDENTIFICACIÓN DE UBICACIÓN DEL
TIPO DE FALLA LA FALLA LUGAR DE LA FALLA

Figura 15. Indicador de solución - Estado del arte.

23