Luis Bernardo Montecinos Rubilar Juan Javier Sotomayor Vásquez.

Presentación del tema: "Luis Bernardo Montecinos Rubilar Juan Javier Sotomayor Vásquez."— Transcripción de la presentación:

1 Luis Bernardo Montecinos Rubilar Juan Javier Sotomayor Vásquez

2 Determinar la distancia promedio donde se ha producido una falla trifásica para alta, media y baja impedancia. Se plantea el problema sobre un modelo de línea de transmisión del SIC, línea que comprende Cautín-Valdivia 220kV de 150 km de longitud.

3 Origen de los datos: Simulación del modelo de línea en software de Sistemas de Potencia DigSilent. Universo de datos compuesto por 441 ejemplos. Definición de Conjuntos: Conjunto de entrenamiento: 70% equivalente a 309 ejemplos. Conjunto de Validación: 15% equivalente a 66 ejemplos. Conjunto de Test: 15% equivalente a 66 ejemplos.

4 Variables utilizadas: Salidas: Resistencia en la falla [ohm] y % Distancia Entradas: Potencia de corto-circuito [MVA] Corriente de corto circuito en régimen permanente [kA] Ángulo de cortocircuito [deg] Magnitud de la corriente transciente [kA] Ángulo de la corriente transciente [deg] Impedancia de falla parte real [ohm] Impedancia de falla magnitud [ohm]

5 Entrenar una RNA con el siguiente modelo: Utilizando la herramienta de Matlab nftool y un código implementando la red newff

6 Implementación del Algoritmo de RNA en Matlab. Se crea una red newff (Feed Forward), es decir con conexión hacia delante. Se tiene una capa oculta (se varía el número de neuronas en la capa oculta desde 6 hasta 11). Se tiene una capa de salida con dos neuronas. Se impuso un límite de 400 épocas. Se utiliza la función de entrenamiento trainbfg, con la que se obtuvieron los mejores resultados. Esta emplea métodos de Newton para el cálculo de las actualizaciones. Las funciones de activación utilizadas para cada capa son tansig. Para evaluar su desempeño se utiliza el MSE en la fase de validación.

7 Neuronas Capa oculta MSE ImpedanciaMSE % Distancia Mejor Desempeño NºTRAINVAL.TESTTRAINVAL.TESTMSE VAL. 636,6921,6830,8175,4138,961,2532,51 759,9856,7449,3136,5245,5229,956,84 724,7331,5822,8759,3666,5152,340,6 849,6193,11173,940,5630,170,9852,56 984,4160,8673,6337,1534,7931,9155,16 1062,745,5257,6370,27122,861,19101,72

8 Utilización de herramienta nftool. Se crea una red newfit, de dos capas de alimentación hacia adelante que puede encajar problemas multidimensionales de mapeo arbitrariamente. Se tiene una capa oculta (se varía el número de neuronas en la capa oculta desde 6 hasta 10). Se tiene una capa de salida con dos neuronas. Se impuso un límite de 1000 épocas. Se utiliza la función de entrenamiento trainlm. Corresponde al algoritmo de Levenberg-Marquardt, que emplea modificaciones para disminuir el uso de memoria. Las funciones de activación utilizadas para cada capa son tansig. Para evaluar su desempeño se utiliza el MSE en la fase de validación.

9 Neuronas Capa oculta MSER Mejor Desempeño NºTRAINVAL.TEST MSE VAL. 60,071600,086400,800300,9999690,07160 70,089130,091020,086830,9999820,08760 80,097430,269280,299860,9999380,09620 90,072540,069050,427570,9999310,07220 100,041140,041690,058540,9999000,04161

10

11

12

13

14

15 CONCLUSIONES