See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/259078205

Aplicacin de Redes Neuronales al Control de

Bancos de Condensadores en Sistemas
Elctricos Industriales

Conference Paper July 2006

CITATIONS READS

0 254

2 authors, including:

Miguel Arias
University of Santiago, Chile
21 PUBLICATIONS 179 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

New Algorithms View project

Engineering Problems View project

All content following this page was uploaded by Miguel Arias on 24 May 2016.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006
Aplicacin de Redes Neuronales al Control de Bancos de
Condensadores en Sistemas Elctricos Industriales
Miguel Arias Albornoz
Departamento de Ingeniera Elctrica - Universidad de Santiago de Chile
Casilla 10233 - SANTIAGO - CHILE
RESUMEN
En este trabajo se informa sobre la implementacin y pruebas de
un prototipo de controlador para reducir el consumo de potencia
reactiva y correccin del factor de potencia en sistemas
elctricos industriales, empleando bancos de condensadores.
Para el control del banco se utiliza una red neuronal artificial
que, en forma inteligente, determina la accin correcta de
conexin o desconexin de condensadores, regulando la
inyeccin de potencia reactiva de acuerdo a los requerimientos
de la carga para mantener un factor de potencia especificado. En
el trabajo se describen los aspectos ms importantes de diseo e
implementacin del controlador, y se muestra el desempeo del
prototipo implementado utilizando un sistema de prueba en
escala reducida.
Palabras Claves: Redes neuronales, control neuronal, control
de bancos de condensadores, compensacin de potencia
reactiva, correccin del factor de potencia.
1. INTRODUCCIN
La potencia reactiva no produce trabajo fsico en los equipos
elctricos, pero es necesaria para mantener el flujo
electromagntico que pone en funcionamiento equipos tales
como motores y transformadores. Cuando la cantidad de estos
equipos es apreciable, los requerimientos de potencia reactiva
tambin son significativos, provocando una reduccin
exagerada del factor de potencia. Un factor de potencia bajo
produce los siguientes efectos en la instalacin del usuario:
Aumento de la intensidad de corriente.
Prdidas en los conductores y fuertes cadas de tensin.
Incrementos de potencia en los consumos.
Reduccin de la vida til de equipos y de la capacidad de
conduccin de los conductores.
Aumento de temperatura y disminucin la vida til de los
conductores.
Aumento del costo por consumo de electricidad.
Para la empresa elctrica los efectos se traducen en:
Mayor inversin en equipos de generacin, para
suministrar la energa reactiva adicional.
Mayor capacidad en lneas y transformadores, para el
transporte y transformacin de la energa reactiva.
Juan Jos Navarro Vergara
Baja eficiencia y calidad de servicio, por causa de
elevadas cadas de tensin y baja regulacin.
Para la correccin del factor de potencia se utilizan dispositivos
reguladores de potencia reactiva que miden las necesidades de
la instalacin y conectan o desconectan condensadores hasta
alcanzar un cos prefijado. Un regulador automtico puede
trabajar en base a distintas seales, como son: tiempo,
temperatura, tensin, corriente, potencia activa, potencia
reactiva y seales compuestas, pero no tiene inteligencia para
conectar con exactitud la cantidad de condensadores en un
tiempo mnimo. Por otra parte, como se reporta en la literatura,
debido a su gran precisin y velocidad de respuesta las redes
neuronales artificiales se pueden utilizar como controlador
inteligente de potencia reactiva.
En una de las primeras aplicaciones de redes neuronales al
control de bancos de capacitores shunt y regulacin de tensin
en sistemas de distribucin de energa elctrica [1], los autores
experimentan con distintos grupos de entrada y salida de datos
para el entrenamiento en un sistema de distribucin radial con
30 barras y 5 bancos de condensadores controlables. El empleo
combinado de redes neuronales y programacin dinmica difusa
es utilizada en [2] para el control de tensin y potencia reactiva
en una subestacin de distribucin. En [3] se utiliza una red
neuronal artificial para reducir el tiempo requerido en la
operacin de capacitores, encontrando que la tcnica resulta a lo
menos 100 veces ms rpida que los mtodos tradicionales. Para
resolver el mismo problema, en [4] se aplica lgica difusa y un
algoritmo basado en programacin lineal entera recursiva,
mientras que en [5] se recurre a una tabla de decisin para
simplificar el proceso que se ilustra con aplicacin a un sistema
de 115 KV. En un trabajo reciente se informa sobre un
microcontrolador para el control de potencia reactiva [6], que en
base a medicin determina un patrn de operaciones para
mantener la potencia reactiva en un valor deseado.
La potencialidad de LabView como herramienta de adquisicin
de datos, y atractivos resultados previos [7], fue la motivacin
principal para utilizarlo en esta implementacin. Las pruebas de
laboratorio realizadas al prototipo, aplicado a un sistema
elctrico de prueba de baja tensin, han permitido obtener los
resultados satisfactorios que se informan en este trabajo, en base
a los cuales se puede concluir que, en la prctica, este
controlador funcionar como un dispositivo inteligente de
control de la potencia reactiva, con respuesta adecuada para
requerimientos en tiempo real.
 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006

2. EL SISTEMA DE PRUEBA el consumo de potencia activa y reactiva (medida con una

tarjeta de adquisicin de datos); una neurona en la capa de
Para reproducir el comportamiento de un sistema elctrico salida y cinco neuronas en la capa oculta (Fig.2). La cantidad de
industrial se ha utilizado un sistema de prueba, en escala neuronas en la capa oculta fue determinada despus de varias
reducida, alimentado con una fuente alterna de 220 volts, con simulaciones, seleccionando la que entreg mejores resultados.
resistencias e inductancias variables para obtener diferentes
condiciones de carga inductiva. El sistema de control neuronal
(neurocontrolador), acta sobre los dispositivos de conmutacin
para conectar los condensadores al sistema elctrico. En la
figura 1 se muestra el sistema de prueba y en la tabla 1 se indica
el rango de variacin del consumo.

Figura 2. Esquema de control neuronal

De acuerdo al modelo de la red neuronal [8], se emplea como

Figura 1. Sistema elctrico de prueba
entrada una muestra de la potencia activa y reactiva, medida con
una tarjeta de adquisicin de datos. El valor entregado por la
neurona de salida corresponde a la ponderacin por 76 VAR de
acuerdo a la necesidad de potencia reactiva a inyectar. Este se
transforma a nmero binario de 3 dgitos para activar los switch
(SW) de cada condensador.

Tabla N1. Rango de variacin del consumo En la figura 2, el valor de activacin de la neurona de salida es
Parmetros Rango de variacin 5, por lo tanto la potencia reactiva a inyectar es 5 x 76 = 380
VAR, que equivale a multiplicar la salida binaria 1 x 76 + 0 x
Reactancia Inductiva X: 37 956 152+ 1 x 304 = 380 VAR.
Resistencia R: 57 1000

Datos Para Entrenamiento De La Red

Los parmetros del sistema de prueba se pueden modificar en
Los datos para entrenamiento de la red neuronal fueron
forma independiente, siendo posible obtener un amplio rango de
generados mediante un programa que encuentra todas las
condiciones para evaluar el neurocontrolador. Para compensar
combinaciones posibles de P y Q, dentro de las condiciones
la potencia reactiva, se ha utilizado un grupo de tres
lmites de potencia del sistema de prueba utilizado. Las
condensadores, de 5 f, 10 f, y 20 f, con los que es posible variables de entrada corresponden a los vectores:
realizar las combinaciones que se indican en tabla 2. Esta
configuracin permite corregir el factor de potencia en el rango
cos = [0 0,05 0,1 0,15 0,2 0,25......0,95 1] y
de variacin del consumo, inyectando potencia reactiva
mediante pasos de 76 VAR, hasta un mximo de 532 VAR.
Q = [25 50 75 100 125 150 175 200 ...700] VAR.
Tabla N2. Combinaciones de los condensadores
Con estos vectores de entrada, el programa encuentra la tercera
Comb. Cap (f) Xc () Qc iny. componente P, realizando las combinaciones correspondientes
(VAR) segn la ecuacin:
1 5 63,7 76
2 10 318,3 152 P = Q / tan (1)
1y2 15 212,2 228
3 20 159,15 304 Posteriormente se eliminan los pares de valores de P y Q en los
1y3 25 127,32 380 que P resulta fuera del rango especificado, logrando un total de
2y3 30 106,1 456 282 valores para ambas potencias.
1, 2 y 3 35 91,94 532

Entrenamiento de la Red Neuronal

El entrenamiento de la red se realiz con MATLAB, ingresando
3. RED NEURONAL UTILIZADA los vectores P y Q del consumo, y una tercera componente que
corresponde a la salida objetivo (SW), es decir, la activacin de
Descripcin De La Red Neuronal. condensadores a conectar, que depende del valor ideal de factor
La red utilizada corresponde a una red feed-forward multicapa, de potencia dado por la ecuacin:
tambin conocida como red perceptron multicapa. De acuerdo a
los parmetros del sistema de prueba, la red se dise con dos
neuronas en la capa de entrada, que reciben informacin sobre cos 1 / (1 (Q / P) 2 ) cte (2)
 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006
Con una tasa de aprendizaje igual a 0,05 se logr una
convergencia rpida del error cuadrtico medio, necesitando
slo 100 iteraciones para un error inferior a 0,01. La evolucin
del proceso de convergencia se muestra en figura 3. Finalizado
el entrenamiento, la red entrega los pesos (Wik) y los bias (k),
que son utilizados en la implementacin.
Figura 3. Evolucin del error cuadrtico medio
Para verificar el comportamiento de la red neuronal con los
parmetros encontrados en el entrenamiento, se realiz una
simulacin con todos los valores entrenados, obteniendo la
correccin del factor de potencia que se observa en la Figura 4.
Figura 4. Correccin del factor de potencia
4. IMPLEMENTACIN CON LABVIEW
Adquisicin De Datos
La implementacin en LabVIEW se desarroll en dos partes: la
primera consiste en el instrumento de medicin, que
proporciona los valores de P y Q a la red neuronal. La segunda
parte es la construccin de la red neuronal entregada por
Matlab, en forma de instrumento virtual, adems de una interfaz
que permita la activacin de las salidas digitales a los switch de
conmutacin y una fcil interaccin con el usuario.
Instrumento De Medicin.
Para entregar las seales de potencia activa y reactiva a la red
neuronal fue necesario implementar un medidor de voltaje, de
corriente, y de su respectivo ngulo de desfase () en tiempo
real. Para la deteccin del desfase se utilizaron las muestras de
las seales sinusoidales de voltaje y de corriente. Las seales se
almacenaron en dos arreglos, estableciendo dos condiciones
para determinar el punto en que cada una pasa por cero. Para
ello se construy un detector de cruce por cero en el flanco de
subida de cada seal, como se muestra en Figura 5:
Figura 5. Deteccin de desfase
El detector de cruce corresponde a la solucin de la ecuacin de
la recta determinada por los subndices (i) e (i+1) para cada
seal, y queda dada por los puntos Ao y Bo. La diferencia de
tiempo entre Bo y Ao, permite calcular el ngulo de desfase ,
segn la ecuacin 3, con t en ms a 50 Hz.
= t x (/2) / 10 ms (3)
Implementacin
Con los parmetros obtenidos por simulacin se implement la
red neuronal en LabView, usando diagrama de bloques. El
programa desarrollado se muestra en la figura 6, el cual se ubic
en un subgrupo y se insert en la interfaz grfica que se muestra
en figura 7. La salida de la red se transforma a nmero binario
para determinar la potencia reactiva a inyectar necesaria para
corregir el factor de potencia.
Figura 6. Ventana de programacin de la red neuronal
 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006

Figura 7: Interfaz grfica del controlador

La interfaz grfica permite el monitoreo en tiempo real de las Pc(W)

seales de voltaje, corriente, potencia activa y reactiva. La red 1000 Qiny(VAR

neuronal puede ser activada a travs de un botn on/off bajo del 900 )
Qc(VAR)
diagrama de la misma. Al lado derecho, se muestra el factor de 800

potencia calculado a partir de la medicin de P y Q. Tambin se 700

600
observa que, para la condicin de carga especificada, la red
500
neuronal entrega un valor igual a 1, con lo cual se activa el 400
primer condensador inyectando 76 VAR al sistema y 300
manteniendo el factor de potencia constante a 0,97. Por otro 200
lado, se prob con diferentes valores de potencia activa y 100
reactiva, entre ellos los valores simulados, obteniendo 0
exactamente la misma respuesta que en la simulacin. -100
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101

Figura 8. Grfico de Potencias - Caso 1

5. RESULTADOS DE LABORATORIO

Para verificar el funcionamiento del neurocontrolador se

1
realizaron pruebas con distintas curvas de carga, reproduciendo
las condiciones de operacin con el sistema elctrico de prueba
0.9
descrito anteriormente, considerando los siguientes casos:
0.8
Caso 1
Se considera un consumo con aumento continuo de carga, sin
0.7
cambios bruscos, hasta un mximo de 929 W de potencia activa,
manteniendo esta curva sobre la de potencia reactiva. 0.6
Posteriormente se disminuye la carga gradualmente,
manteniendo por un tiempo la potencia reactiva por sobre la 0.5
activa, para luego volver a juntarlas, como muestra la figura 8. FPcorregido
FP
La correccin del factor de Potencia se muestra en la figura 9, 0.4
que parte con un valor inicial de 0.4 p.u.. 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

Figura 9. Correccin del factor de potencia - Caso1

 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006

Como la carga inicial es pequea, al inyectar potencia reactiva condiciones de carga, lo que muestra el buen funcionamiento
(76 VAR), el factor de potencia del sistema se vuelve del neurocontrolador a medida que se incrementa la carga.
capacitivo, cercano a 0.9, y el controlador no logra corregir a un
factor de potencia inductivo por sobre 0,93. Esto se debe a que Caso 3
en esta condicin de carga no se dispone de un condensador En este caso el comportamiento de la carga incluye situaciones
adecuado para ajustar el factor de potencia al valor deseado, extremas, con el objetivo de evaluar la respuesta del
puesto que los pasos del banco son fijos y no permiten un ajuste neurocontrolador frente a cambios bruscos, que pueden
fino de la inyeccin de potencia reactiva. Por este motivo, en la corresponder a la entrada y salida abrupta de motores y otros
curva de carga con la red neuronal activada aparece una equipos de alto consumo de corriente.
pequea porcin de potencia reactiva negativa, ya que el
programa se ajust para soportar hasta 20 VAR, en
condiciones lmites. 1400

Pc (W)
1200 Qiny (VAR)
Caso 2 Qc(VAR)
En el segundo caso se utiliza una curva de carga con incremento
1000
irregular de potencia activa y reactiva, de forma que la potencia
activa es siempre mayor que la reactiva (figura 10). La 800
correccin del factor de Potencia se muestra en la figura 11.
600

800
Pc(VAR) 400

Qi ny(VAR)
700
Qc(VAR) 200

600

0
500 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

400
Figura 12. Grfico de Potencia - Caso 3.
300

200
El factor de potencia corregido se muestra en la figura 13.
100
1.2

0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 1

Figura 10. Grfico de Potencias - Caso 2.

0.8

0.6
1

0.9 0.4

0.8
0.2
FP
0.7 FPcorr
0
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
0.6

0.5
Figura 13. Correccin del factor de potencia Caso 3.
FP FPcorr

0.4
En este caso se requiere utilizar las siete combinaciones
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
existentes en el banco de condensadores, sin considerar el caso
en que no es necesaria la inyeccin. Se observa que la curva es
Figura 11. Correccin del factor de potencia - Caso2 muy variable, saltando desde valores mnimos a mximos y
viceversa. Por otro lado, debido a la gran cantidad de
En este caso, la mxima inyeccin de reactivos fue de 380 condiciones de borde mencionadas, al conectar la combinacin
VAR, al final del periodo, cuando la potencia reactiva del de condensadores determinada por el controlador, existen
consumo alcanz un valor cercano a 600 VAR (inductivo). En puntos en que la potencia reactiva resultante queda negativa, sin
este caso se aprecia que a medida que aumenta el nivel de carga sobrepasar los 20 VAR mencionados anteriormente. En
existen puntos en los cuales no es necesario inyectar reactivos, cuanto a la correccin del factor de potencia que se muestra en
lo que ocurre exactamente donde ambas curvas (P y Q) estn la figura 13, se aprecia en general un buen resultado, salvo en
ms separadas. En los lugares donde ambas curvas estn ms los puntos de condicin de borde, en los cuales se necesitara un
prximas, es necesario inyectar mayor cantidad de potencia ajuste fino de reactivos a inyectar para una perfecta
reactiva. De figuras 10 y 11 se aprecia una correccin compensacin.
extraordinaria del factor de potencia para las diferentes
 5 Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica, CISCI-2006
6. CONCLUSIONES
En el desarrollo de este trabajo se muestra el desempeo de un
prototipo de controlador neuronal, el cual constituye una
solucin simple y prctica para el control del factor de potencia.
Los casos simulados y experimentales obtenidos, confirman las
ventajas y eficiencia de una estrategia de control neuronal.
A partir de las pruebas del neurocontrolador con diferentes
curvas de carga, se puede sealar que presenta una respuesta
rpida frente a cambios bruscos, y en general mantiene un buen
comportamiento frente a diferentes condiciones de carga.
Los resultados obtenidos con el sistema de prueba muestran que
es posible la aplicacin de este tipo de controlador en cualquier
consumo elctrico que requiera una compensacin continua del
factor de potencia. Dependiendo del tamao del sistema y de la
cantidad de condensadores a conectar, se puede entrenar la red
neuronal acondicionando los valores de entrada y recalculando
la salida deseada. De este modo es posible realizar el
entrenamiento y construir una nueva red neuronal de acuerdo a
las condiciones particulares de cada sistema.
En general, los reguladores automticos ms avanzados para la
compensacin de potencia reactiva funcionan con
microprocesadores, los cuales conectan escalones de un banco
con sistema paso a paso. Si la conexin de una etapa del banco
no es suficiente para corregir el factor de potencia al valor
deseado, entonces conecta la etapa siguiente, en un proceso
secuencial que vara desde 10 a 80 segundos. Ello implica que
para variaciones muy bruscas de carga, se puede emplear un
tiempo significativo para lograr una compensacin adecuada. El
neurocontrolador, en cambio, se caracteriza por conectar la
cantidad necesaria de reactivos al sistema, tan cercana al valor
exacto como lo permitan las etapas del banco, respondiendo casi
de manera instantnea frente a cualquier variacin del consumo.
En efecto, los resultados experimentales muestran que este
controlador mantiene en todo momento el factor de potencia
deseado y reduce los tiempos de conexin de los condensadores
adecuados, reduciendo las exigencias en los conductores y
equipos elctricos.
Finalmente, en cuanto a la proyeccin futura para este
neurocontrolador, se trabaja en el perfeccionamiento de la
calidad de medicin, sistemas de proteccin y filtros, y sistema
de conmutacin a travs de dispositivos de estado slido, que
brindaran una mayor rapidez y eficacia en la conexin y
desconexin de los condensadores. Otra gran proyeccin es
realizar la programacin de la red neuronal y el registro de datos
a travs de un microprocesador junto a un dispositivo de
memoria, para independizar el neurocontrolador del
computador.
View publication stats
7. REFERENCIAS
[1] Z. Gu, D. Rizy. Neural Networks for Combined Control of
Capacitor Banks and Voltage Regulators in Distribution
Systems. IEEE Transactions on Power Delivery, Vol. 11,
N 4, October 1996, pp.1921-1929.
[2] Lu. Feng-Chang. A Combined Artificial Neural Network-
Fuzzy Dynamic Programming Approach to Reactive
Power/Voltage Control in a Distribution Substation. IEEE
Transactions on Power Systems, Vol. 13, N 4, November
1998, pp. 1265-1270.
[3] B. Das, PK. Verma. Artificial Neural Network-Based
Optimal Capacitor Switching in a Distribution System.
Electric Power Systems Research. Vol 60 N2. December
2001, pp. 55-62.
[4] YM Deng, XJ Ren. Optimal Capacitor Switching Whit
Fuzzy Load Model for Radial Distribution Systems. IEE
Proc Generation Transmission and Distribution. Vol 150
N2, March 2003, pp 190-194.
[5] P. Srithorn, K. Khojulklang, T. Kulworawanichpong.
Capacitor Switching Control Using a Decision Table for a
115-KV Power Transmission System in Thailand.
Knowledge-Based Intelligent Information and Engineering
Systems, PT 1, Proceeding Lectura Notes in Computer
Science 3213; 2004, pp 1262-1268.
[6] A. Ozdemir A reactive Power Control Relay Desing with a
New Approach. Electrical Engineering. Vol. 8, N 2,
January 2006, pp. 133-140.
[7] Juan J. Navarro, M. Arias Diseo e Implementacin de un
Controlador Inteligente de Bancos de Condensadores.
XIV Congreso Chileno de Ingeniera Elctrica. Antofagasta,
Chile. Noviembre 2001.
[8] Hilera-Martnez. Redes Neuronales Artificiales. Editorial
Addison-Wesley Iberoamericana.1995.
Agradecimientos: Los autores agradecen el apoyo de DICYT-
USACH al desarrollo de este trabajo.