1

Resumen—En este documento se revisa la

definición de un Sistema Eléctrico de Potencia y sus equipos que lo componen, se menciona algunas herramientas de Inteligencia Artificial y sus campos de aplicación, finalmente se hace el análisis de algunas aplicaciones de Inteligencia Artificial en los Sistemas Eléctricos de Potencia.

Índice de Términos—Inteligencia Artificial, Sistemas

Eléctricos de Potencia

I. INTRODUCCIÓN

OS Sistemas Eléctricos de Potencia, han sido estudiados y analizados desde su concepción,

puesto que, el control y operación del mismo, tanto en condiciones estables como transitorias, garantiza que el sistema sea confiable, para lograr este objetivo se desarrolla grandes estudios eléctricos, tal como, estudios de flujos de potencia, cortocircuitos, coordinación de protecciones, estabilidad transitoria, estabilidad de frecuencia, operación frente a contingencias, ubicación optima de condensadores, arranque de motores, expansión del sistema, etc. Conforme un sistema eléctrico se va expandiendo, es necesario el desarrollo de herramientas de análisis más complejas, que van más allá de formulaciones matemáticas. He ahí en donde se utilizan los métodos de análisis de IA, métodos de optimización, tanto heurísticos como meta heurísticos, todo esto, enfocado a un control y operación adecuada del sistema.

II. SISTEMA ELÉCTRICO DE POTENCIA [1]

Un SEP, es el conjunto de centrales generadoras, de líneas de transmisión interconectadas entre sí y de sistemas de distribución esenciales para el

consumo de energía eléctrica. El SEP está formado por cuatro partes

principales: generación, transmisión, subtransmisión y distribución; siendo:

A. Generación

Es donde se produce la energía eléctrica, por medio de las centrales generadoras, las que representan el centro de producción, y dependiendo de la fuente primaria de energía, se pueden clasificar en centrales hidroeléctricas, térmicas, geotérmicas, nucleares, solares y eólicas.

B. Líneas de Transmisión

Son los elementos encargados de transmitir la energía eléctrica, desde los centros de generación a los centros de consumo, a través de distintas etapas de transformación de voltaje; las cuales también se interconectan con el SEP. Los voltajes de transmisión utilizados en Ecuador son de 138 kV y 230 kV.

C. Líneas de Subtransmisión

Las líneas de subtransmisión difieren de las líneas de transmisión por su nivel de voltaje y distancia de la línea, por ejemplo, en Ecuador se tiene niveles de voltaje de subtransmisión de 69 kV y 46 kV.

D. Subestaciones Eléctricas

En función a su diseño son las encargadas de interconectar líneas de transmisión de distintas centrales generadoras, transformar los niveles de voltajes para su transmisión o consumo.

Las S/E’s eléctricas por su tipo de servicio se clasifican en elevadoras, reductoras, compensadoras, de maniobra, distribución, rectificadoras e inversoras.

Sin duda la denominación de una S/E como transmisión o distribución es independiente de las

Inteligencia Artificial en Sistemas Eléctricos de Potencia

Antonio de Jesús Ortiz L., Herramientas de Inteligencia Artificial, Maestría en Ingeniería Eléctrica en Distribución, EPN

L

2

tensiones involucradas, y está determinada por el fin a que se destinó.

En la Fig. 1 se puede apreciar un SEP de manera algo resumida.

Fig. 1. Representación de un SEP

III. INTELIGENCIA ARTIFICIAL [2]

La IA es considerada una rama de la computación y relaciona un fenómeno natural con una analogía artificial a través de programas de computador. La IA puede ser tomada como ciencia si se enfoca hacia la elaboración de programas basados en comparaciones con la eficiencia del hombre, contribuyendo a un mayor entendimiento del conocimiento humano.

Fig. 2 Inteligencia Artificial Si por otro lado es tomada como ingeniería,

basada en una relación deseable de entrada-salida para sintetizar un programa de computador. "El resultado es un programa de alta eficiencia que funciona como una poderosa herramienta para quien la utiliza."

A través de la IA se han desarrollado los sistemas expertos que pueden imitar la capacidad mental del hombre y relacionan reglas de sintaxis del lenguaje

hablado y escrito sobre la base de la experiencia, para luego hacer juicios acerca de un problema, cuya solución se logra con mejores juicios y más rápidamente que el ser humano. En la medicina tiene gran utilidad al acertar el 85 % de los casos de diagnóstico. En el ámbito de la Ingeniería Eléctrica, ha impactado favorablemente en el análisis del comportamiento de la red eléctrica, actualmente se busca multiplicar sus capacidades en esta área para beneficio del consumidor final.

IV. HISTORIA DE LA INTELIGENCIA ARTIFICIAL [3]

En 1937 el matemático inglés Alan Mathison Turing (1912-1953) publicó un artículo de bastante repercusión sobre los "Números Calculables", que pueden considerarse el origen oficial de la Informática Teórica.

En este artículo, introdujo la Máquina de Turing, una entidad matemática abstracta que formalizó el concepto de algoritmo y resultó ser la precursora de las computadoras digitales. Con ayuda de su máquina pudo demostrar que existen problemas irresolubles que ningún ordenador será capaz de solucionar, por ello Turing es considerado el padre de la teoría de la computabilidad.

También se le considera el padre de la IA, por su famosa Prueba de Turing, que permitiría comprobar si un programa de ordenador puede ser tan inteligente como un ser humano.

V. TÉCNICAS DE INTELIGENCIA ARTIFICIAL [4]

A. Redes Neuronales

Es un sistema de computación que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. Además, el software de red neuronal se puede usar para simular una red neuronal por medio de computadoras normales. Las redes neuronales pueden procesar muchas piezas de información al mismo tiempo y aprender a reconocer patrones.

3

Fig. 3 Esquema básico de una Red Neuronal

Artificial A diferencia de los sistemas expertos, un sistema

de red neuronal aprende por ensayo y error. Las redes neuronales son excelentes para el

reconocimiento de patrones. Por ejemplo, las computadoras de red neuronal se pueden usar para leer los códigos de barra de los cheques bancarios a pesar de manchas o de una impresión de baja calidad.

B. Lógica Difusa

Se basa en reglas que no tienen límites discretos, sino que se prolongan en un continuum, permitiendo a un sistema manejar mejor la ambigüedad. Esto es muy útil para reflejar cómo tienden a pensar las personas, en términos relativos, no absolutos. Cuando la lógica difusa se incorpora a un SE, el resultado es un sistema que limita mejor la manera natural en que un experto humano resolvería un problema.

Fig. 4 Conjuntos Difusos

Un concepto fundamental en la aplicación de lógica difusa es el de la variable lingüística de una variable matemática; su valor se describe con una palabra en lugar de un número. Ejemplo, la edad se es joven, de los 15 a los 20, pero a los 35 todavía se considera joven.

C. Algoritmos genéticos

Son funciones matemáticas que usan los principios de Darwin para mejorar una aplicación.

Las funciones se diseñan para simular en software, en cuestión de minutos o segundos, lo que sucede en ambientes naturales durante millones de años.

Fig. 5 Esquema de Recombinación de un Algoritmo Genético

D. Agentes inteligentes

La creación más reciente en IA son los agentes inteligentes, programas de computadora que automáticamente revisan enormes cantidades de datos y seleccionan y entregan la información más adecuada para el usuario, de acuerdo con requisitos contextuales o específicos.

El propósito principal de los agentes inteligentes es realizar sus tareas significativas más rápido, con más frecuencia y de manera más efectiva, que la gente. Los expertos dicen que pronto los agentes inteligentes vincularán automáticamente su computadora con sitios favoritos, le avisarán cuando éstos se hayan actualizado y adecuarán páginas específicas a sus preferencias.

VI. ÁREAS DE APLICACIÓN DE LA INTELIGENCIA

ARTIFICIAL [5]

La IA a medida del tiempo ha ido creciendo, y poco a poco se fue implementando en diversas áreas debido a su gran aceptación en el campo laboral ya que facilita ciertas tareas de los humanos y reduce los costos, algunas de estas áreas son las siguientes:

A. Inteligencia Artificial en Ingeniería

Diagnóstico de fallos, sistemas inteligentes de

4

control, sistemas inteligentes de fabricación, ayuda inteligente al diseño, sistemas integrados de ventas, diseño, producción, mantenimiento, herramientas de configuración expertas, despacho económico en generación eléctrica, expansión de la red eléctrica, protecciones eléctricas, monitoreo de transformadores de potencia, ubicación de compensadores de potencia reactiva, etc.

B. Inteligencia Artificial en la Robótica

Se podría decir que la rama de la robótica va de la mano con la IA ya que expresa muy detalladamente la misma, y siempre se acostumbra a vincular ambas ciencias. Un robot es la representación más precisa de lo que es la IA.

Fig. 6 Inteligencia Artificial en la Robótica

C. Inteligencia Artificial en la Medicina

Esta ciencia tan importante como lo es la medicina ha tenido la necesidad de incluir la IA en su campo ya que se han desarrollado máquinas que interpretan imágenes médicas, controlan las unidades de cuidados intensivos, monitorean a los pacientes y realizan diagnósticos. Además se han creado máquinas que a su vez crean diseños de prótesis, hasta sistemas expertos que colaboran a los médicos en cualquier actividad a la cual le fue asignada. Actualmente se han desarrollado máquinas que detectan las enfermedades posibles a mediano plazo de un paciente, y así prevenir muchas de ellas.

Fig. 7 Cirugía Robótica

D. Inteligencia Artificial en la Biología

En el ámbito de la biología se hace necesario el uso de la IA debido a que existen problemas con mayor complejidad que consumen mucho tiempo y dedicación, sin embargo la IA ha logrado reducir la problemática aportando grandes avances como lo es un analizador de ADN, elaboraciones de modelos biológicos, realizar seguimientos de los comportamientos de los diversos organismos, desarrollo de embriones, entre otros.

E. Inteligencia Artificial en el Espacio

Cuando hablamos del espacio tendemos a relacionar inteligencia con robots, y esto se debe a que en los últimos años la NASA ha tenido la necesidad de realizar estudios más profundos en otras partes del Universo, por eso ha mezclado ambos términos logrando conseguir esa información a través de máquinas razonables. Mayormente usan carros robots con cámaras y micrófonos que le permitan al mismo introducirse en lugares de difícil acceso sustrayendo los datos necesarios para el estudio requerido.

VII. APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL

EN SISTEMAS ELÉCTRICOS DE POTENCIA [6]

La IA ha sido útil para resolver problemas del SEP cuando hay una buena correspondencia entre las características del problema y los de la herramienta de IA. Por ejemplo, un aspecto de los problemas en los SEP, que es de suma importancia para la aplicación de IA, es el comportamiento no lineal de varios componentes del sistema eléctrico.

5

Las no linealidades son de tres tipos, casi lineal, no lineal continuo y discreto. En condiciones normales de operación, muchos problemas pueden ser tratados como casi lineales, y muchas aplicaciones numéricas toman ventaja de esto para minimizar los tiempos de solución.

A medida que el SEP se estresa más, ya sea por cargas grandes o trasferencias de carga, por ejemplo, las no linealidades llegan a ser más grandes como para no ignorarlas, y los límites de control empiezan a aparecer. En cualquiera de los casos, casi lineal y no línea, el sistema de potencia se encuentra con cambios discretos, planeados o no planeados, ocasionados por la operación de conexión, ya sea manual o automático. Por un lado, el comportamiento no lineal de componentes significa que incluso una aplicación que se ocupa de un componente a la vez será no trivial. Por otra parte, los problemas no lineales son precisamente el tipo que las herramientas de IA pueden abordar.

Las herramientas de IA pueden ser usadas ampliamente en el área de sistemas de potencia para capacitar al personal para y resolver problemas asociados. Experiencias en la solución de estos problemas y la utilización de heurísticos usualmente contribuyen a la calidad de la solución y la velocidad a la cual es obtenida.

Ahora mostraremos cómo los sistemas expertos, redes neuronales artificiales, y los algoritmos genéticos podemos apoyar tres áreas específicas de la gestión de los sistemas de energía.

A. Los sistemas expertos para el procesamiento de alarmas

Los operadores del sistema mantienen informados sobre el estado actual de SEP a través de un Sistema de Gestión de la Energía (EMS), que transmite información a los operadores como alarmas. Tradicionalmente, cada alarma ha representado un evento en el SEP, por ejemplo, la apertura de un interruptor potencia. Las alarmas normalmente se producen a un ritmo relativamente lento. Ciertos eventos pueden causar la aparición de cientos de alarmas. Un escaneo a través de estas alarmas para extraer la información más importante y construir una imagen del nuevo estado del sistema puede ser difícil.

Un enfoque para el procesamiento de alarmas clasifica las alarmas según su prioridad para ayudar a los operadores a identificar las piezas más importantes de información. Otros enfoques tratan de reconstruir las alarmas EMS para sintetizar la información de nivel más alto para presentar a los operadores, mientras que suprime las alarmas EMS constituyentes.

Cualquiera que sea la tarea específica del procesador de alarma, el conocimiento experto de los operadores es útil en el análisis de las alarmas. Gracias a su comprensión y experiencia en la operación del SEP, los operadores pueden determinar qué información es importante y cómo puede ayudar a construir una información de alto nivel. Los Sistemas Expertos para el procesamiento de alarmas almacenadas extrajeron este conocimiento para realizar la tarea de una manera similar a la del experto. Con la priorización del sistema experto, el filtrado, y la asimilación de información de bajo nivel, los operadores pueden obtener información de alto nivel con mayor rapidez y utilizar su tiempo para otras tareas. Estos beneficios son de suma importancia durante contingencias, cuando hay muchas alarmas y su procesamiento es más difícil.

Fig. 8. Centro de Control de un SEP

Los procesadores de alarma deben cumplir con estándares muy altos de aceptación. Los operadores se basan en la información que reciben de las alarmas para la toma de decisiones críticas, a menudo bajo la presión del tiempo. La adición de una capa de procesamiento de la información no debe corromper o distorsionar la transferencia de información a los operadores. Así, el procesador de alarma debe ser preciso y consistente.

6

Con los avances en los dispositivos del SEP y comunicaciones, más información se recoge y se presenta a los operadores. El aumento de la información no solo permitirá una visión más completa del estado del sistema de energía, sino que también aumentará la necesidad de procesamiento de alarmas para manejar con eficacia toda la información del sistema.

B. Las redes neuronales artificiales para la previsión de carga

Para asegurarse de que la demanda de carga pueda ser abastecida al 100%, la planificación de la operación y el planeamiento de las operaciones deben asegurarse de que suficiente generación esté disponible y que la capacidad de transmisión y distribución sea suficiente para ser entregada. En la planificación de operaciones donde las capacidades de generación son fijos, pero los generadores podrían estar dentro o fuera de línea, manteniendo algunas unidades en la línea representa un costo de combustible, incluso cuando no están generando potencia. Por ejemplo, la caldera debe mantenerse caliente en grandes centrales térmicas. Para la planificación, la capacidad instalada representa los costos de capital. Un factor clave en estos análisis es la carga que debe ser servido en el futuro. La calidad de la predicción de carga puede influir en gran medida la calidad de los planes desarrollados. La previsión de carga es difícil, en parte porque la carga se basa en decisiones individuales, distribuidas por personas que responden a su deseo para la electricidad.

Fig. 9 Curva de carga típica de un SEP La previsión de carga normalmente usa

comportamiento de carga histórica para formar una

predicción. Los datos históricos muestran una correlación a corto plazo entre la demanda total de la carga y de información climática como la temperatura, nubosidad y viento, y tales factores sociológicos como el día de la semana.

Debido a que las ANNs pueden codificar complejas relaciones no lineales, los investigadores han utilizado para capturar a las relaciones entre la carga y los factores seleccionados. Estas relaciones están representadas en los datos históricos, que se utiliza para entrenar a la red. A menudo, estas redes de usan datos de predicción como entrada (tales como la temperatura o los indicadores económicos), lo que podría limitar la exactitud de las predicciones de carga. La investigación muestra que las ANNs pueden producir predicciones de carga con una precisión comparable a otros (por ejemplo, estadísticas) métodos.

C. Los algoritmos genéticos para la programación de mantenimiento del generador

Los generadores son típicamente grandes, sistema de energía costosos que requieren un mantenimiento regular para mantener su eficiencia y vida útil esperada. Sin embargo, un generador sin usar es también costoso, ya que el capital invertido en esa máquina está siendo inactivo. La determinación de la programación óptima de mantenimiento del generador y la incorporación de este plan con otros problemas operacionales tales como el compromiso y la seguridad de la unidad son difíciles. La programación de mantenimiento del generador presenta un problema de optimización de gran tamaño que sufre de una no linealidad y complejidad combinatoria. Encontrar una solución a este problema en un plazo razonable de tiempo implica técnicas que permitan alcanzar soluciones casi óptimas. El problema es determinar un buen candidato para las técnicas de búsqueda heurística como los algoritmos genéticos. Ciertos aspectos del problema tienen una formulación natural de AG, el estado binario de los generadores (dentro o fuera de línea) se ajusta a la forma AG requerida. El costo es un objetivo-mínimo incorporado en la función de aptitud para comparar la calidad de los miembros de la población. Para asegurar una buena solución, los parámetros para la

7

ejecución del AG, como el tamaño de la población, las tasas de supervivencia y las tasas de mutación, deben adaptarse al problema. Con estos parámetros ajustados correctamente, el proceso de evolución puede proporcionar una solución casi óptima.

Un AG también puede ser utilizado en la compensación de potencia reactiva, ya sea para reducir pérdidas de energía en la red o para mejorar niveles de voltaje a nivel de carga o factor de potencia en puntos de interconexión a sistemas de transmisión, una aplicación utilizada ampliamente es la ubicación óptima de capacitores en redes de distribución.

VIII. CONCLUSIONES

La Inteligencia Artificial tiene una amplia gama de aplicación en todas las ramas de ingeniería, ciencia, medicina, etc., sin embargo, aún no se ha cubierto toda esta gama con aplicaciones que ayuden al ser humano frente a la toma de decisiones en base a criterios establecidos por una aplicación de Inteligencia Artificial. De igual manera, la aplicación de Inteligencia Artificial en los sistemas eléctricos de potencia, están en vías de desarrollo, puesto que, pocas son las aplicaciones que se han desarrollado hasta el día de hoy, sin embargo, el esfuerzo realizado en aplicaciones desarrolladas en base a IA para la operación de los SEP, han sido de gran utilidad frente a la toma de decisiones de un operador en condiciones de falla de un SEP, logrando reducir los tiempos de desconexión de la energía eléctrica.

REFERENCIAS [1] J. J. Grainger, W. D. Stevenson, “Análisis de Sistemas de

Potencia,”, 2nd ed., Ed. México: McGraw-Hill, 1996. [2] http://bvs.sld.cu/revistas/san/vol2_2_98/san15298.htm. [3] https://es.wikipedia.org/wiki/Historia_de_la_inteligencia

_artificial [4] http://actividad1sistemasexpertos.blogspot.com [5] http://inteligenciaartificialgrupo7.blogspot.com/2013/02/

normal-0-21-false-false-false-es-ve-x.html [6] R. D. Christie, G. W. Rosenwald, C. C. Liu, “AI

Application Areas in Power Systems”, University of Washington.