Aplicación de Redes Neuronales en El Cálculo de Sobretensiones y Tasa de Contorneamientos

6.
Aplicacin de redes neuronales

en el clculo de sobretensiones
y tasa de contorneamientos
6.1. INTRODUCCIN
Este captulo presenta los resultados obtenidos al analizar el comportamiento de lneas areas de
distribucin frente al rayo empleando redes neuronales. El clculo de la tasa de
contorneamientos se realizar de manera estadstica aplicando el mtodo de Monte Carlo,
siguiendo el procedimiento que se ha comentado en el captulo anterior.
La aplicacin del mtodo de Monte Carlo en el anlisis estadstico de sobretensiones
atmosfricas en lneas areas de distribucin puede ser una tarea muy laboriosa debido al
elevado nmero de parmetros que intervienen en una sobretensin. Adems, la duracin de esta
tarea puede ser muy larga si los algoritmos de clculos de sobretensiones son muy sofisticados.
Debido a esto, en este captulo se ha desarrollado una aproximacin basada en el empleo de
redes neuronales.
Una red neuronal es un procesador paralelo que puede ser entrenado para reproducir un
determinado comportamiento natural o artificial. La principal ventaja del empleo de una red
neuronal frente a un algoritmo tradicional podra estar por tanto en la velocidad de clculo si el
algoritmo es muy sofisticado. Esto sera todava ms evidente si el nmero de casos a calcular
fuese muy elevado, lo que puede ocurrir con fenmenos como el rayo. Sin embargo, es necesario
tener en cuenta que al tiempo de clculo mediante red neuronal es necesario aadir el tiempo de
entrenamiento, y adems que actualmente no existe un consenso total sobre el algoritmo de
clculo ms adecuado para obtener sobretensiones inducidas en una lnea de distribucin por
descargas que caen a tierra en sus cercanas. Solo cuando la red neuronal fuese entrenada con
datos de campo las ventajas frente a cualquier algoritmo tradicional seran evidentes.
Este captulo se ha dividido en tres partes.
La seccin 2 presenta una introduccin a las redes neuronales y muy especialmente al modelo
Backpropagation empleado en este estudio.
En la seccin 3 se detalla el proceso de entrenamiento de redes neuronales que se ha seguido y
los resultados obtenidos con los distintos estudios realizados, concretamente la aplicacin de
una red neuronal en la clasificacin de descargas atmosfricas y en el clculo de
sobretensiones originadas por estas descargas. El clculo de las sobretensiones inducidas por
descargas a tierra se ha realizado mediante la frmula de Rusck y mediante el mtodo de
Chowdhuri.
Finalmente, la ltima seccin presenta el estudio de validacin que se basar
fundamentalmente en el clculo de la tasa de contorneamientos mediante las redes neuronales
desarrolladas anteriormente y mediante los algoritmos de clculo empleados en el
entrenamiento.
142
Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos
6.2. INTRODUCCIN A LAS REDES NEURONALES

6.2.1. Conceptos generales
6.2.1.1. Definicin
Existen numerosas formas de definir lo que es una red neuronal, como por ejemplo
Red neuronal artificial es una nueva forma de computacin, inspirada en modelos biolgicos.
Red neuronal artificial es un modelo matemtico compuesto por un gran nmero de
elementos procesales organizados en niveles.
Red neuronal artificial es un sistema de computacin hecho por un gran nmero de elementos
simples, elementos de proceso muy interconectados, los cuales procesan informacin por medio
de su estado dinmico como respuesta a entradas externas.
Redes neuronales artificiales son redes interconectadas masivamente, en paralelo, de
elementos simples (usualmente adaptativos) y con organizacin jerrquica las cuales intentan
interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso
biolgico.
En las redes neuronales biolgicas, las clulas (neuronas) corresponden a los elementos de
proceso anteriores. Las interconexiones se realizan por medio de las ramas de salida (axones)
que producen un nmero variable de conexiones (sinapsis) con otras neuronas (o quizs con
otras partes como msculos y glndulas). Las redes neuronales son sistemas con elementos de
proceso muy interconectados.
La compleja operacin de las redes neuronales es el resultado de abundantes lazos de
realimentacin junto con no linealidades de los elementos de proceso y cambios adaptativos de
sus parmetros, que pueden definir incluso fenmenos dinmicos muy complicados.
La programacin de una red se puede realizar de dos formas
alterando las estructuras de interconexin entre las clulas
cambiando las fuerzas de estas interconexines.
Figura 6.1. Forma general de una neurona.
143
Parece que existen bastantes estrategias claras sobre como cambiar las fuerzas en la direccin
correcta, mientras que los cambios en las interconexiones son mas difciles de definir, porque
suelen tener efectos radicales en el comportamiento de la red, especialmente en lo concerniente a
la operacin secuencial y las funciones jerrquicas.
6.2.1.2. Aplicaciones
Las redes neuronales forman una teora computacional emergente que puede utilizarse en gran
nmero y variedad de aplicaciones. Se pueden desarrollar redes neuronales en un periodo de
tiempo razonable y pueden realizarse tareas concretas mejor que con otras tecnologas
convencionales, incluyendo los sistemas expertos. Cuando se implementan mediante hardware
(redes neuronales con chips VLSI), presentan una alta tolerancia a fallos del sistema y
proporcionan un grado de paralelismo en el proceso de datos muy grande. Esto hace posible
insertar redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados.
Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene una aplicacin
particular ms apropiada. A continuacin se muestran algunos ejemplos
obtencin de modelos de retina (Biologa)
identificacin de candidatos para posiciones especficas (Empresa)
previsin del tiempo (Medio ambiente)
valoracin del riesgo de los crditos (Finanzas)
identificacin de falsificaciones (Finanzas)
inspeccin de calidad (Manufacturacin)
control de produccin en lneas de proceso (Manufacturacin)
lectores de rayos X (Medicina)
clasificacin de las seales de radar (Militar)
creacin de armas inteligentes (Militar).
Este trabajo est enfocado hacia el campo de reconocimiento de patrones, es decir, se introducen
una serie de variables de entrada (intensidad, velocidad,...) y se obtienen varias variables de
salida como por ejemplo la tensin inducida en una lnea. Sern estas variables de salida las que
tendrn que ser estimadas en la fase de aprendizaje de la red neuronal. Para este estudio se
emplear el modelo de red neuronal Backpropagation, la cual ser descrita en el apartado 6.2.2.
144
6.2.1.3. Tipos de redes neuronales en el reconocimiento de patrones

Dentro del campo de reconocimiento de patrones, existen actualmente varios modelos de redes
neuronales. Entre los ms importantes se pueden mencionar los siguientes
1) Self-Organizing-Map (SOM)/Topology-Preserving-Map (TPM)
aparecen entre los aos 1980-1984
realizan mapas de caractersticas comunes de los datos aprendidos
una limitacin importante es la necesidad de un largo proceso de entrenamiento
creadas por Teuvo Kohonen.
2) Backpropagation
aparece en el ao 1985 (aunque se conoca desde 1974)
es la red ms popular
se han llevado a cabo numerosas aplicaciones con xito
utiliza un aprendizaje sencillo
es potente
tiene como limitaciones un largo tiempo de aprendizaje y la necesidad de una cantidad
considerable de ejemplos
creada por Paul Werbos, David Parker y David Rumelhart.
3) Mquinas de Boltzman y Cauchy
aparecen entre los aos 1985-1986
son un tipo de redes bastante simples
representacin de patrones de manera ptima
necesitan un tiempo muy largo de aprendizaje
creada por Jeffrey Hinton, Terry Sejnowski, Harold Szu.
4) Teora de la resonancia adaptativa (ART)
aparece en el ao 1986
es sofisticada pero poco utilizada
como limitaciones tiene la sensibilidad a la translacin, distorsin y escala
creada por Gail Carpenter y Stephen Grossberg.
145
6.2.1.4. Elementos de una red neuronal

Una red neuronal es un procesador paralelo que intenta reproducir el comportamiento de una
neurona biolgica. Cualquier modelo de red neuronal consta de dispositivos elementales de
proceso, las neuronas. Cada neurona est caracterizada en cualquier instante por un valor
numrico denominado valor o estado de activacin ai(t); asociado a cada unidad, existe una
funcin de salida o de transferencia fi, que transforma el estado actual de activacin en una seal
de salida yi. Dicha seal es enviada a travs de los canales de comunicacin unidireccionales a
otras unidades de la red; en estos canales la seal se modifica de acuerdo con la sinapsis (el peso
wji) asociada a cada uno de ellos segn una determinada regla. Las seales moduladas que han
llegado a la seal j-sima se combinan entre ellas, generando as la entrada neta o total
Net j = y i w ji
(6.1)
Una funcin de activacin F, determina el nuevo estado de activacin aj(t+1) de la neurona,

teniendo en cuenta la entrada total calculada y el anterior estado de activacin aj(t).
La dinmica que rige la actualizacin de los estados de las unidades (evolucin de la red
neuronal) puede ser de dos tipos: modo asncrono y modo sncrono. En el primer caso, las
neuronas evalan su estado continuamente, segn les va llegando informacin, y lo hacen de
forma independiente. En el caso sncrono, la informacin tambin llega de forma continua, pero
los cambios se realizan simultneamente, como si existiera un reloj interno que decidiera cuando
deben cambiar su estado. Los sistemas biolgicos se encuentran probablemente entre ambas
posibilidades.
Es importante resaltar el concepto general de aprendizaje. Se puede considerar que el
conocimiento en una red neuronal artificial se encuentra representado en los pesos de las
conexiones entre neuronas. Todo proceso de aprendizaje implica cierto nmero de cambios en
estas conexiones. En realidad puede decirse que se aprende modificando los valores de los pesos
de la red. Al igual que el funcionamiento de una red depende del nmero de neuronas de las que
disponga y de como estn conectadas entre s, cada modelo dispone de sus propias tcnicas de
aprendizaje.
6.2.1.5. Estructura de una red neuronal artificial
Una vez definidos los componentes ms importantes de una red neuronal: Unidades de
procesamiento (la neurona artificial), estado de activacin de cada neurona, patrn de conexin
entre neuronas, regla de propagacin, funcin de transferencia, regla de activacin, y regla de
aprendizaje; ser importante destacar que una red se puede organizar tambin en funcin de:
Nmero de niveles o capas, nmero de neuronas por nivel, patrones de conexin, y flujo de
informacin.
6.2.1.6. Caractersticas de las redes neuronales artificiales
Existen cuatro aspectos que caracterizan una red neuronal: la arquitectura, el mecanismo de
aprendizaje, el tipo de asociacin realizada entre la informacin de entrada y de salida, y por
ltimo, la forma de representacin de estas informaciones.
146
Figura 6.2. Entradas y salidas de una neurona Uj.
a) Arquitectura
La arquitectura o topologa de una red neuronal, consiste en la organizacin y disposicin de
las neuronas formando capas o agrupaciones de neuronas ms o menos alejadas de la entrada
y salida de la red. En este sentido los parmetros fundamentales de la red son: el nmero de
capas, el nmero de neuronas por capa, el grado de conectividad y el tipo de conexiones entre
neuronas.
Cuando se realiza una clasificacin de la red en trminos topolgicos, se suele distinguir entre
las redes con una sola capa o nivel de neuronas y las redes con mltiples capas (2, 3, etc.).
b) Mecanismo de aprendizaje
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a
una informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje
se reducen a la destruccin, modificacin y creacin de conexiones entre las neuronas. En los
sistemas biolgicos existe una continua creacin y destruccin de conexiones. En los modelos
de redes neuronales artificiales, la creacin de una nueva conexin implica que el peso de la
misma pasa a tener un valor distinto de cero.
Durante el proceso de aprendizaje los pesos de las conexiones de la red sufren
modificaciones, por tanto se puede afirmar que este proceso ha terminado (la red ha
aprendido) cuando los valores de los pesos permanecen estables
dw ij
dt
=0
(6.2)
Un aspecto importante en el aprendizaje de las redes neuronales es conocer como se

modifican los valores de los pesos, es decir, cuales son los criterios que se siguen para
cambiar el valor asignado a las conexiones cuando se pretende que la red aprenda una nueva
informacin.
147
Estos criterios determinan lo que se conoce como regla de aprendizaje de la red. De forma
general se suelen considerar dos tipos de reglas: las que responden a lo que habitualmente se
conoce aprendizaje supervisado, y las correspondientes a un aprendizaje no supervisado. La
diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente externo
(supervisor) que controle el proceso de aprendizaje de la red.
Otro criterio que se puede utilizar para diferenciar las reglas de aprendizaje se basa en
considerar si la red puede aprender durante su funcionamiento habitual o si el aprendizaje
supone la desconexin de la red, es decir, su inhabilitacin hasta que el proceso termine. En el
primer caso, se tratara de un aprendizaje ON LINE, mientras que el segundo es lo que se
conoce como aprendizaje OFF LINE.
Cuando el aprendizaje es OFF LINE, se distingue entre una fase de aprendizaje o
entrenamiento y una fase de operacin o funcionamiento, existiendo un conjunto de datos de
entrenamiento y un conjunto de datos de test o prueba que sern utilizados en la
correspondiente fase. En las redes con aprendizaje OFF LINE, los pesos de las conexiones
permanecen fijos despus que termina la etapa de entrenamiento de la red. Debido
precisamente a su carcter esttico, estos sistemas no presentan problemas de estabilidad en
su funcionamiento.
En las redes con aprendizaje ON LINE no se distingue entre fase de entrenamiento y de
operacin, de tal forma que los pesos varan dinmicamente siempre que se presente una
nueva informacin del sistema. En este tipo de redes, debido al carcter dinmico de las
mismas, el estudio de la estabilidad suele ser un aspecto fundamental del estudio.
c) Tipo de asociacin entre las informaciones de entrada y salida
Existen dos formas primarias de realizar la asociacin entre entrada/salida que se
corresponden con la naturaleza de la informacin almacenada en la red. Una primera sera la
denominada heteroasociacin, que se refiere al caso en que la red aprende parejas de datos
[(A1, B1 ), (A2 , B2 ),...,(A n , Bn )]
(6.3)
de tal forma que cuando se le presenta una informacin de entrada Ai, deber responder
generando la correspondiente salida asociada Bi. La segunda se conoce como autoasociacin,
donde la red aprende ciertas informaciones A1,A2,...,An, de tal forma que cuando se le
presenta una informacin de entrada realizar una autocorrelacin, respondiendo con uno de
los datos almacenados, el ms parecido al de la entrada.
Estos dos mecanismos de asociacin dan lugar a dos tipos de redes neuronales: las redes
heteroasociativas y las autoasociativas. Una red heteroasociativa podra considerarse aquella
que computa cierta funcin, que en la mayora de los casos no podr expresarse
analticamente, entre un conjunto de entradas y un conjunto de salidas, correspondiendo a
cada posible entrada una determinada salida. Por otra parte, una red asociativa es una red cuya
principal misin es reconstruir una determinada informacin de entrada que se presenta
incompleta o distorsionada (le asocia el dato almacenado ms parecido).
En realidad estos dos tipos de modelos de redes no son diferentes en principio, porque una red
heteroasociativa puede ser siempre reducida a una autoasociativa mediante la concatenacin
de una informacin de entrada y su salida (respuesta) asociada, para obtener la informacin de
entrada de la red autoasociativa equivalente.
148
d) Representacin de la informacin de entrada y salida

Las redes neuronales pueden tambin clasificarse en funcin de la forma en que se
representan las informaciones de entrada y las respuestas o datos de salida. As, en un gran
nmero de redes, tanto los datos de entrada como los de salida son de naturaleza analgica, es
decir, son valores reales continuos, normalmente normalizados, y su valor absoluto ser
menor que la unidad. Cuando esto ocurre, las funciones de activacin de las neuronas sern
tambin continuas, de tipo lineal o sigmoidal.
Otras redes, por el contrario, slo admiten valores discretos o binarios {0,1} en su entrada,
generando tambin unas respuestas a la salida de tipo binario. En este caso, las funciones de
activacin de las neuronas sern del tipo escaln.
La Tabla 6.1 muestra los modelos de red neuronal ms conocidos dentro del campo de aplicacin
del reconocimiento de patrones y las caractersticas ms relevantes de cada uno segn la
clasificacin que se ha desarrollado.
Tabla 6.1. Caractersticas de los modelos de redes neuronales.
MODELO
DE RED
TPM
Backpropagation
Boltzman
Machine
Cauchy
Machine
ART
ON LINE/
OFF LINE
APRENDIZAJE
SUPERVISADO/
NO
SUPERVISADO
2 capas
Feedforward
Conexiones laterales
Off
No supervisado
n capas
Feedforward
Off
TOPOLOGA
ASOCIACIN
INFORMACIN
DE ENTRADA Y
SALIDA
Competitivo
Heteroasociacin
Analgica
Supervisado
Correccin
error
Heteroasociacin
Analgica
Off
Supervisado
Estocstico,
Hebbiano,
Correccin
error
Heteroasociacin
Binaria
Off
No supervisado
Estocstico
Heteroasociacin
E: analgica
S: binaria
On
No supervisado
Competitivo
Heteroasociacin
Analgica
REGLA
1 capa
3 capas
Feedforward
1 capa
3 capas
Feedforward
2 capas
Feedforward
/Feedback
6.2.2. Modelo de red neuronal Backpropagation

6.2.2.1. Introduccin
El algoritmo de propagacin hacia atrs, o retropropagacin (Backpropagation), es una regla de
aprendizaje que se puede aplicar en modelos de redes con ms de dos capas. De forma
simplificada, el funcionamiento de una red Backpropagation consiste en el aprendizaje de un
conjunto predefinido de pares de entradas-salidas dados como ejemplo, empleando un ciclo
propagacin-adaptacin de dos fases: primero se aplica un patrn de entrada como estmulo para
la primera capa de las neuronas de la red, este estmulo se va propagando a travs de todas las
capas superiores hasta generar una salida, el resultado obtenido en las neuronas de salida se
compara con la salida que se desea obtener y se calcula un valor del error para cada neurona de
149
salida. A continuacin, estos errores se transmiten hacia atrs, partiendo de la capa de salida,
hacia todas las neuronas de la capa intermedia que contribuyan directamente a la salida,
recibiendo el porcentaje de error aproximado a la participacin de la neurona intermedia de la
salida original. Este proceso se repite capa por capa, hasta que todas las neuronas de la red hayan
recibido un error que describa su aportacin relativa al error total. Basndose en el valor del error
recibido, se reajustan los pesos de conexin de cada neurona, de manera que la siguiente vez que
se presente el mismo patrn, la salida est ms cercana a la deseada.
En la etapa de entrenamiento, este tipo de red neuronal es capaz de adaptar los pesos de las
neuronas de las capas intermedias con el objetivo de minimizar el error entre un conjunto de
patrones dados como ejemplo y sus salidas estimadas. En la etapa de validacin, se aplica esa
misma relacin a nuevos patrones de entrada no utilizados durante el proceso de entrenamiento.
Esta es una de las caractersticas ms importantes de las redes neuronales. Se entiende como
capacidad de generalizacin a la facilidad que tiene una red neuronal de dar salidas satisfactorias
a entradas que el sistema no ha visto nunca en su fase de entrenamiento. En general, la red debe
encontrar una representacin interna que le permita generar las salidas deseadas cuando se le dan
las entradas de entrenamiento, y que pueda aplicar, adems, a entradas no presentadas durante la
etapa de aprendizaje para clasificarlas segn las caractersticas que compartan con los ejemplos
de entrenamiento.
6.2.2.2. Proceso de aprendizaje de la red neuronal
6.2.2.2.1. Algoritmo de entrenamiento
En una red Backpropagation existe una capa de entrada con n neuronas, una capa de salida con
m neuronas y al menos una capa oculta de neuronas internas. Cada neurona de una capa (excepto
las de entrada) recibe entrada de todas las neuronas de la capa anterior y enva su salida a todas
las neuronas de la capa posterior (excepto las de salida). No hay conexiones hacia atrs
(feedback) ni conexiones laterales entre neuronas de la misma capa. La figura 6.3 muestra la
estructura general.
A continuacin se presentan los pasos y frmulas a utilizar para aplicar el algoritmo de
entrenamiento.
1) Se inicializan los pesos de la red con valores pequeos aleatorios.
2) Se presenta un patrn de entrada, Xp (xp1,xp2,...,xpn), y se especifica la salida deseada que debe
generar la red (d1,d2,...,dm). Si por ejemplo la red es utilizada como un clasificador todas las
salidas sern cero, salvo una, que ser la de la clase a la que pertenece el patrn de entrada.
3) Se calcula la salida actual de la red. Para ello se presentan las entradas a la red y se va
calculando la salida que presenta cada capa hasta llegar a la capa de salida (y1,y2,...,ym). Los
pasos seran los siguientes
se calculan las entradas netas para las neuronas ocultas procedentes de las neuronas de
entrada; para una neurona j oculta
(h)
(h)
net (h)
pj = w ji x pi + j
i
(6.4)
150
Figura 6.3. Modelo de arquitectura de una red Backpropagation.
en donde el ndice h se refiere a magnitudes de la capa oculta (hidden), el subndice p, al psimo vector de entrenamiento, j a la j-sima neurona oculta, y es el umbral de activacin
de la neurona y puede ser opcional; el ndice i se vara entre 1 y el nmero de neuronas de
la capa de entrada.
se calculan las salidas de las neuronas ocultas
y pj = f j(h) (net (h)
pj )
(6.5)
se realizan los mismos clculos para obtener las salidas de las neuronas de salida (output)
(o)
(o)
net (o)
pk = w kj y pj + k
(6.6)
y pk = f k(o) (net (o)

pk )
(6.7)
donde el ndice j vara entre 1 y el nmero de neuronas de la capa oculta.

4) Se calculan los trminos de error de las salidas de todas las neuronas. Si la neurona k est en
la capa de salida el error es
(o)'
(o)
(o)
pk = (d pk y pk ) f k ( net pk )
(6.8)
siendo f k(o)' (net (o)

pk ) la tasa de cambio o pendiente de la funcin de transferencia. Si la neurona
j no es de salida el error es
(h)'
(h)
(o) (o)
(h)
pj = f j ( net pj ) pk w kj
k
valor que depende de todos los trminos de error de la capa de salida.
(6.9)
151
Los umbrales internos de las neuronas se adaptan de forma similar, considerando que estn
conectados con pesos desde entradas auxiliares de valor constante.
5) Se actualizan los pesos. Para ello, se utiliza el algoritmo recursivo, comenzando por las
neuronas de salida y trabajando hacia atrs hasta llegar a la capa de entrada, ajustando los
pesos de la siguiente forma
para los pesos de las neuronas de la capa de salida
(o)
(o)
w (o)
kj ( t + 1) = w kj ( t ) + w kj ( t + 1)
(6.10)
(o)
w (o)
kj ( t + 1) = pk y pj
(6.11)
para los pesos de las neuronas de una capa oculta

(h)
(h)
w (h)
ji ( t + 1) = w ji ( t ) + w ji ( t + 1)
(6.12)
(h)
w (h)
ji ( t + 1) = pj x pi
(6.13)
siendo la tasa de aprendizaje (amplitud de paso).

A mayor tasa de aprendizaje, mayor es la modificacin de los pesos en cada iteracin, con lo
que el aprendizaje ser en general ms rpido. Aunque, por otro lado, puede dar lugar a
oscilaciones. Para filtrar esas oscilaciones se aade en las expresiones anteriores el trmino
constante (momento) que determina el efecto en t+1 del cambio de los pesos en el instante t
... + w ji (t ) w ji ( t 1)
(6.14)
6) El proceso se repite hasta que el error

Ep =
1 m
2
(d pk y pk )
2 k =1
(6.15)
resulta aceptablemente pequeo para cada uno de los patrones aprendidos.
6.2.2.2.2. Variables significativas del entrenamiento

A continuacin se describen las variables ms importantes que actan en el algoritmo de
aprendizaje. La variacin de dichas variables puede alterar de manera considerable los resultados
del entrenamiento, y por tanto el funcionamiento de la red neuronal.
Nmero de neuronas de la capa oculta: Generalmente un aumento de neuronas ocultas
aumenta la eficacia del aprendizaje. Sin embargo, hay que tener en cuenta que existe un
margen ptimo en el nmero de neuronas ocultas, es decir, fuera de ese intervalo los
resultados pueden empeorar. Con un error elevado en la salida, un aumento del nmero de
neuronas ocultas puede hacer que disminuya dicho error. De todas formas la tendencia es
tener el menor nmero posible de ellas ya que el proceso de aprendizaje es ms rpido.
152
Nmero de capas ocultas: Un aumento del nmero de capas de neuronas ocultas se traduce en
un cambio en la estructura de la red, pudindose obtener resultados diferentes. Generalmente
con una capa oculta es suficiente. En una red neuronal sin capas ocultas normalmente solo se
pueden tener relaciones lineales entre la entrada y la salida.
Condiciones iniciales: Una mejora en las condiciones iniciales de pesos y umbrales da la
posibilidad de que se alcance un mnimo global y no uno local. Diferentes condiciones
iniciales pueden hacer que se alcancen diferentes mnimos, y por tanto diferentes resultados.
Nmero de iteraciones: Un nmero elevado de ellas significa un entrenamiento lento.
Mediante control de los otros parmetros se puede conseguir que la red entrene con un
nmero ms reducido de iteraciones. Recurdese que el objetivo del entrenamiento de una red
neuronal es adaptar los pesos y los umbrales de las neuronas para as minimizar el error entre
un conjunto de patrones dados como ejemplo y sus salidas estimadas. La figura 6.4 muestra
un ejemplo de superficie de error tpico con una funcin de transferencia sigmoidal logstica.
Patrones de entrada y salida: Un aumento del nmero de patrones de entrada y salida hace que
la red tenga un mejor aprendizaje, y que por tanto cuando se muestren a la red datos
desconocidos (diferentes de los utilizados en el entrenamiento) el error en el clculo de las
salidas sea ms pequeo. Sin embargo, cuanto mayor sea el nmero de datos ms largo es el
proceso de aprendizaje de la red neuronal. Es muy importante hacer un estudio previo de los
datos para evitar confusiones a la red neuronal. Cuanto ms definidos estn los datos ms
rpido aprender la red.
Tasa de aprendizaje: La tasa de aprendizaje es la encargada de acelerar el proceso de
aprendizaje. Se suelen escoger valores pequeos, empezando con una tasa constante.
Lgicamente es deseable que, hasta alcanzar el mnimo, el entrenamiento sea rpido mientras
que en el entorno del mnimo sea lento para poder alcanzarlo plenamente. Por este motivo se
utiliza una tasa de aprendizaje variable, adaptativa a lo largo del proceso de entrenamiento.
Momento: Contrarresta las posibles inestabilidades que se crean en la variacin de los pesos,
y es importante porque reduce la posibilidad de caer en un mnimo local, adems puede
acelerar enormemente el proceso.
Figura 6.4. Superficie del error.
153
Funcin de transferencia: La funcin de transferencia o funcin de activacin es la encargada

de representar las salidas en funcin de las entradas a cada neurona. Para el modelo de red
Backpropagation dicha funcin debe ser derivable. Las figuras 6.5, 6.6 y 6.7 muestran algunas
de las funciones de transferencia ms utilizadas con este modelo. Las dos sigmoidales han de
ser adaptadas a las salidas, es decir, los datos de salida han de ser normalizados. Tambin es
muy importante normalizar las entradas netas, y una vez normalizadas elegir su mejor
intervalo. A continuacin se explican ms detalladamente estas tcnicas.
6.2.2.2.3. Tcnicas para la mejora del entrenamiento

A continuacin se comentan una serie de tcnicas interesantes que pueden mejorar en algunos
casos la eficacia del entrenamiento de una red neuronal.
a) Variacin de la pendiente de la funcin de transferencia
La funcin de transferencia lineal responde a la expresin
f(x) = a x + b
(6.16)
donde a es la pendiente, x es la entrada neta de la neurona y b es el umbral de la neurona.

Variando la pendiente se puede conseguir una mejor adaptacin de las salidas de la red
neuronal. En la figura 6.8 se puede observar como vara la funcin de transferencia al variar la
pendiente.
Con la funcin sigmoidal, para la mayora de los valores del estmulo de entrada (variable
independiente), el valor dado por la funcin es cercano a uno de los valores asintticos. Esto
hace que en la mayora de los casos, el valor de salida est comprendido en la zona alta o baja
del sigmoide. De hecho, cuando la pendiente es elevada, esta funcin tiende a la funcin
escaln. Sin embargo, la importancia de la funcin sigmoidal es que su derivada es siempre
positiva y cercana a cero para los valores grandes positivos o negativos; adems, toma su
valor mximo cuando x es 0. Esto hace que se puedan utilizar las reglas de aprendizaje
definidas para la funcion escaln, con la ventaja, respecto a esta funcin, de que la derivada
est definida en todo el intervalo. La funcin sigmoidal logstica responde a la expresin
f(x) =
c
+d
1 + exp{ a(x + b)}
(6.17)
Con d=0 y c=1 se tiene una funcin sigmoidal que toma los valores asintticos 0 y 1.
Ajustando estos parmetros se pueden obtener salidas deseadas por el usuario.
La funcin de transferencia sigmoidal tangencial hiperblica es similar a la anterior, aunque
en este caso la salida tambin puede ser negativa. Esta funcin responde a la expresin
exp{2a ( x + b)} 1
+ d
f ( x ) = c
exp{2a (x + b)} + 1
(6.18)
Con d=0 y c=1 se tiene una funcin sigmoidal que toma los valores asintticos -1 y 1.
Las figuras 6.9 y 6.10 muestran la importancia de adaptar la pendiente de estas funciones. Al
disminuir la pendiente hay ms probabilidad de que las salidas no sean las asintticas.
154
Figura 6.5. Funcin de transferencia lineal.
Figura 6.6. Funcin de transferencia sigmoidal logstica.
Figura 6.7. Funcin de transferencia sigmoidal tangencial hiperblica.
Figura 6.8. Funcin de transferencia lineal. Variacin de la pendiente.
Figura 6.9. Funcin de transferencia log-sigmoidal. Variacin de la pendiente.
Figura 6.10. Funcin de transferencia tan-sigmoidal. Variacin de la pendiente.
155
156
b) Intervalo de las entradas netas

El mnimo error que alcanza la red durante el entrenamiento en algunos casos depende
considerablemente del intervalo escogido para las entradas netas de las neuronas. En ambas
funciones de transferencia, sigmoidal logstica y sigmoidal tangencial, las salidas estn
acotadas entre 0 y 1 o entre -1 y 1 respectivamente, por tanto habr un intervalo mximo a
partir del cual las salidas o bien no variarn o bien empeorarn. En el caso de utilizar una
funcin lineal, dado que la salida no est acotada, el intervalo de las entradas netas no tiene
lmite de apertura.
Veamos algunos ejemplos. La figura 6.11 muestra la funcin de transferencia sigmoidal
logstica con un umbral (variable b) igual a 1. Para conseguir que la funcin proporcione
valores entre 0 y 1, las entradas han de tener un valor cercano al 0. Se puede observar que los
valores de salida comienzan a ser asintticos a partir de unos valores de entrada entre -5 y 5.
No obstante este intervalo no tiene porque ser el mejor, puesto que esto depende de los datos
de entrada y del umbral de activacin de la neurona. Las figuras 6.12 y 6.13 muestran los
diferentes intervalos de salida segn se escojan los intervalos {0,1} o {-1,1} para las entradas.
Dar mejores resultados un intervalo {-1,1}, porque es mayor. Tambin hay que tener en
cuenta que adaptando el umbral se puede obtener cualquier salida dentro del intervalo {0,1}.
La figura 6.14 muestra que un cambio en el umbral de la neurona (por ejemplo, b=3),
desplaza la grfica de la funcin de transferencia a lo largo del eje de abcisas.
Las directrices a seguir para el correcto ajuste del intervalo de las entradas netas pueden ser
1) Normalizar las entradas netas simtricamente, es decir, tomando como extremos 1 y -1
2) Aumentar el intervalo de dichas entradas hasta obtener un error mnimo.
c) Normalizacin de los datos

A continuacin se comentan algunos de los mtodos ms utilizados para normalizar datos.
Mtodo 1: MXIMO
Supngase que los datos que se quieren normalizar se encuentran dentro del vector
DATOS(i), con i=1,...,n. El procedimiento a seguir es el siguiente:
1) Se busca el mximo del vector DATOS(i)
2) Se normalizan los datos segn la relacin
DATOS _ norm(i) = DATOS(i)/Max
(6.19)
Los datos normalizados caen dentro del intervalo {0,1} en el caso de que los datos originales
sean positivos, si tambin son negativos caern dentro del intervalo {-1,1}.
.
Figura 6.11. Funcin de transferencia log-sigmoidal (completa/b=1).
Figura 6.12. Funcin de transferencia log-sigmoidal (intervalo {0,1}/b=1).
Figura 6.13. Funcin de transferencia log-sigmoidal (intervalo {-1,1}/b=1).
157
158
Figura 6.14. Funcin de transferencia log-sigmoidal (completa/b=3).
Mtodo 2: MNIMO-MXIMO
El procedimiento a seguir es bastante parecido al anterior:
1) Se busca el mximo y el mnimo del vector DATOS(i)
2) Se normalizan los datos segn la relacin
DATOS _ norm(i) =
DATOS(i) - Min
Max Min
(6.20)
Estos datos normalizados caen dentro del intervalo {0,1} sean cuales sean los datos
originales. No obstante es importante destacar que en los datos normalizados siempre habr
un valor que ser 0 y otro que ser 1.
Mtodo 3: MEDIA-DESVIACIN TIPO
Con este mtodo se pueden obtener datos normalizados dentro del intervalo {-1,1} o dentro
del intervalo {0,1}. Inicialmente se calcula
DATOS _ norm(i) =
DATOS(i)
(6.21)
Los datos normalizados caen dentro del intervalo {-k1,k2}. Ntese que k1 y k2 son nmeros
reales positivos, y que y son la media y la desviacin tipo de los datos de entrada,
respectivamente. Para que los datos normalizados caigan dentro del intervalo {-1,1}, se dividen
por el mayor de k1 o k2. Para que los datos normalizados caigan dentro del intervalo {0,1} se
hace lo siguiente:
1) A los datos normalizados se les suma el mayor de k1 y k2. Ahora estos datos caen dentro
del intervalo {0,k3}, siendo k3=k1+k2.
2) Los datos normalizados se dividen por k3, obtenindose as el intervalo de {0,1}.
159
6.2.2.3. Proceso de validacin de la red neuronal

Una vez que la red neuronal ha sido entrenada, se procede a su validacin, es decir, se presentan
datos diferentes de los utilizados en el proceso de aprendizaje. El objetivo es estudiar la
respuesta de la red neuronal frente a datos que no han sido utilizados durante el entrenamiento.
Para visualizar la validacin de la red se dispone de grficos similares a los realizados durante el
entrenamiento. La figura 6.15 muestra un ejemplo de validacin de una red neuronal
Backpropagation.
a) Error porcentual en las salidas de la red neuronal
b) Salidas calculadas vs. salidas deseadas

Figura 6.15. Validacin de una red neuronal.
160
6.3. ENTRENAMIENTO DE REDES NEURONALES EN EL CLCULO

DE SOBRETENSIONES POR RAYOS
6.3.1. Introduccin
El objetivo del entrenamiento es minimizar la diferencia entre la salida real y la calculada por la
red neuronal mediante el ajuste de los parmetros de la red. Como resultado se obtiene la
configuracin de la red mediante pesos (W) y umbrales (B).
A continuacin se resume la estrategia general seguida en el entrenamiento
1) Se empieza con una capa oculta y un nmero determinado de neuronas ocultas. Se fijan los
valores de 0.25 para la tasa de aprendizaje y 0.9 para el momento. Se utiliza la funcin de
transferencia sigmoidal logstica para todas las neuronas tanto de las capas ocultas como de la
capa de salida.
Dentro de este apartado se distinguen las siguientes fases
se intentan encontrar unas buenas condiciones iniciales de pesos y umbrales con el objetivo
de estimar un primer comportamiento de la red neuronal
con las condiciones iniciales anteriores se ajusta el intervalo de las entradas netas y la
pendiente de la funcin de transferencia.
2) Se vara el nmero de neuronas de la primera capa oculta
3) En caso de ser necesario se aade una segunda capa oculta y se vara el nmero de neuronas
de esta capa
4) Con la arquitectura elegida se terminan de ajustar los parmetros de la tasa de aprendizaje y el
momento.
Los valores son normalizados segn el mtodo media-desviacin tipo, ver apartado 6.2.2.2.3.
El entrenamiento de la red neuronal en el clculo de sobretensiones originadas por el rayo se
realizar de dos formas diferentes segn se tenga en cuenta la funcin de probabilidad que sigue
la velocidad de retorno del rayo: distribucin uniforme y velocidad en funcin de la intensidad
de pico de la descarga, ver expresin (3.10).
Antes de mostrar el entrenamiento de la red neuronal en el clculo de sobretensiones originadas
por el rayo, se muestra un ejemplo de red neuronal trabajando como clasificador de tipos de
impacto del rayo en una lnea sin cable de tierra con una altura media de sus conductores de 10
m, ver figura 4.2. No se estudiar el clasificador para lneas con cable de tierra porque siguiendo
el mismo ejemplo, tal como muestra la figura 4.4, la probabilidad de que un rayo impacte en un
conductor de fase es muy reducida, por lo que el clasificador de descargas se convierte en el
estudiado en el caso de lneas sin cable de tierra, aunque con la diferencia de que los impactos
pueden ser a tierra o al cable de tierra, en lugar de a los conductores de fase.
161
6.3.2. Clasificador de descargas atmosfricas. Lneas sin cable de tierra

El objetivo es comprobar que la red neuronal puede funcionar como clasificador y distinguir
entre descargas a la lnea y descargas a tierra. Adems se comprobar que las pautas del
entrenamiento a seguir posteriormente son adecuadas. Esta tarea se ha realizado exclusivamente
con una lnea cuyos conductores se encuentran todos a una altura media de 10 m.
Las variables de entrada y salida de la red neuronal son las siguientes
Entradas (variables independientes): Intensidad mxima de la descarga (variable I), distancia
perpendicular entre la lnea y la descarga (variable y)
Salida de la red neuronal (variable dependiente): Tipo de descarga, directa / indirecta
(variable t).
La red neuronal se ha entrenado con un total de 300 patrones generados de forma aleatoria. Cada
patrn esta formado por un valor para cada entrada (I,y) y el correspondiente valor para la salida
(t).
a) Intensidad de la descarga
Los valores de la intensidad de la descarga se generan siguiendo el procedimiento visto en el
apartado 5.3.1 del captulo 5.
b) Distancia perpendicular entre la lnea y la descarga
El valor de esta distancia se genera de forma aleatoria, entre 0 m y 500 m, utilizando una
distribucin uniforme.
c) Tipo de descarga
Se utiliza el Modelo Electrogeomtrico, ver expresin (4.2), para saber si una descarga,
caracterizada por los parmetros que componen la entrada de la red neuronal (I,y), es directa a
la lnea (t = 1) o directa a tierra (t = 0). La figura 6.16 visualiza la clasificacin de descargas
de acuerdo con el Modelo Electrogeomtrico descrito en el captulo 4, seccin 4.2.
Entrenamiento
La Tabla 6.2 muestra una pequea parte de los datos utilizados en el entrenamiento. El proceso
seguido se detalla a continuacin.
1) Se fijan los parmetros iniciales de la red neuronal
1 capa de neuronas ocultas
4 neuronas en la capa oculta
funciones de transferencia: log-sigmoidal
tasa de aprendizaje variable, 0=0.25, i=1.01, d=0.6
momento =0.9.
162
a) Modelo Electrogeomtrico. Vista bidimensional.
b) Modelo Electrogeomtrico. Vista tridimensional.

Figura 6.16. Clasificador de descargas atmosfricas de acuerdo con
el modelo electrogeomtrico (h = 10 m)
Tabla 6.2. Datos del entrenamiento.

ENTRADAS
Intensidad
(kA)
43
8
34
30
11
74
41
37
14
42
30
3
57
10
16
9
17
11
54
9
13
47
8
11
16
17
22
18
31
7
20
38
16
25
16
66
47
53
23
18
24
18
36
33
58
41
6
23
6
38
16
Distancia lnea descarga

(m)
68
27
416
114
21
433
66
497
374
242
4
219
340
299
467
331
119
5
481
98
69
288
499
235
292
254
366
397
39
246
395
178
329
9
203
388
232
36
123
128
112
160
16
449
18
310
435
427
82
117
269
SALIDA
Tipo descarga
0
1
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
163
164
a) Estudio previo. Se pretenden conseguir unas buenas condiciones iniciales para el estudio
del intervalo de las entradas netas y el de la pendiente de la funcin de transferencia. Tras
varios entrenamientos, se han escogido las condiciones iniciales de pesos y umbrales que
dan el mnimo error global. Los dos prximos estudios se realizarn con 1000 iteraciones.
b) Ajuste del intervalo de las entradas netas de la funcin de transferencia. Se aumenta el
intervalo de dichas entradas hasta que se alcanza un mnimo. Solo ajustando el intervalo de
las entradas netas se consiguen muy buenos resultados. Recurdese que todava no se han
ajustado los parmetros principales de la red. Se acepta que las entradas de la red neuronal
se encuentren dentro del intervalo [-32,32].
c) Ajuste de la pendiente de la funcin de transferencia. Se vara la pendiente de la funcin de
transferencia hasta encontrar el mnimo error. Es importante destacar que aunque hay dos
funciones de transferencia, las pendientes de dichas funciones se variarn por igual. Del
estudio se deduce que una variacin de la pendiente no disminuye el error.
2) Se vara el nmero de neuronas de la capa oculta. Se han realizado 2 estudios con cada
estructura diferente, uno a 1000 iteraciones para buscar unas buenas condiciones iniciales, y
otro ms largo, a 10000 iteraciones, para encontrar un buen mnimo. Se ha llegado a la
conclusin de que un aumento de neuronas ocultas (de 4 a 6) no slo mejora los resultados
sino que adems acelera enormemente el proceso. Por ejemplo, mientras que con 4 neuronas
ocultas el mnimo global se encuentra a ms de 100000 iteraciones, con 6 neuronas ocultas un
error bastante ms pequeo se consigue en menos de 1000 iteraciones.
3) Se aade una capa ms de neuronas ocultas y se mantiene constante el nmero de neuronas de
la primera capa. En este caso, con una capa ms de neuronas ocultas el entrenamiento se
ralentiza considerablemente. Adems, no se consiguen mejores resultados.
4) Del estudio anterior se concluye que una estructura de red neuronal aceptable es la siguiente
primera capa oculta: 6 neuronas
funciones de transferencia: log-sigmoidal.
A continuacin se intentarn ajustar los parmetros propios de la fase del aprendizaje tales
como el momento y la tasa de aprendizaje. Es importante resaltar que con estos ajustes
(incluido el del momento) el error puede disminuir, aunque de forma poco sensible.
a) Tasa de aprendizaje. El entrenamiento se realiza con una tasa de aprendizaje variable, ya
que despus de realizar una serie de pruebas con diferentes valores de este parmetro se
admite que una tasa de aprendizaje constante empeora los resultados. Adems se llega
tambin a la conclusin de que el valor adoptado durante el entrenamiento por los
diferentes parmetros que componen la tasa de aprendizaje variable es ptimo.
b) Ajuste del momento. El valor actual (0.9) es aceptable.
5) La estructura final de la red escogida, ver figura 6.17, con todos sus parmetros ajustados es
la siguiente
165
1 capa de 6 neuronas ocultas

funciones de transferencia: log-sigmoidal
momento: =0.9.
Los resultados del entrenamiento con esta red se exponen en la figura 6.18. Se puede observar
que el ajuste es muy bueno. No solo la red neuronal no se confunde en ninguno de los casos
sino que adems ningn error supera el 5%. La Tabla 6.3 muestra los patrones del
entrenamiento que han superado el 1 % de error. Se puede ver que tan solo 5 patrones, de una
cantidad total de 300, han superado este error.
Validacin
A continuacin se valida la red neuronal analizando su comportamiento con datos que no han
sido utilizados en el proceso de entrenamiento. La validacin de esta red neuronal se realiza con
2000 patrones. En los grficos de la figura 6.19 se puede observar el error cometido en el clculo
de las salidas y el ajuste de las salidas con los valores de los pesos y umbrales ptimos
conseguidos en el entrenamiento de la red neuronal. De estos grficos se deduce que tan solo
unos pocos patrones, 13, son confundidos por la red neuronal. Esto significa que la red clasifica
correctamente en ms de un 99 % de los casos. La Tabla 6.4 muestra las salidas calculadas para
estos patrones.
166
Figura 6.17. Arquitectura de red neuronal.

Tabla 6.3. Resultados del entrenamiento.
ENTRADAS
Intensidad
(kA)
43
41
7
36
23
SALIDA
DESEADA
SALIDA
CALCULADA
Distancia lnea Tipo descarga Tipo descarga

descarga
(m)
68
0
0.0155
66
0
0.0234
38
0
0.0292
55
1
0.9797
45
1
0.9623
Error (%)
1.55
2.34
2.91
2.03
3.77
Tabla 6.4. Resultados de la validacin.

ENTRADAS
Intensidad
(kA)
13
9
12
7
8
38
157
24
104
32
3
35
39
SALIDA
DESEADA
SALIDA
CALCULADA
Distancia lnea descarga

Tipo descarga Tipo descarga
(m)
37
0
0.9551
36
0
0.6519
37
0
0.9005
29
0
0.9976
35
0
0.6960
62
1
0.1242
141
0
1.0000
49
1
0.4525
111
0
0.9699
57
1
0.1364
25
0
0.9987
59
1
0.2095
64
1
0.0352
Error (%)
95.50
65.19
90.04
99.76
69.60
87.57
99.99
54.74
96.99
86.36
99.87
79.04
96.48
a. Error porcentual en las salidas.
167
b. Ajuste de las salidas.

Figura 6.18. Entrenamiento de la red neuronal.
a. Error porcentual en las salidas.
b. Ajuste de las salidas.

Figura 6.19. Validacin de la red neuronal.
168
6.3.3. Clculo de sobretensiones en lneas sin cable de tierra. Velocidad de

retorno del rayo con distribucin uniforme
6.3.3.1. Mtodo de Rusck
El objetivo es desarrollar una red neuronal que permita calcular sobretensiones originadas por el
rayo en lneas sin apantallar, y de acuerdo con el modelo de Rusck cuando se trata de descargas a
tierra. Las pautas que se van a seguir en este entrenamiento son las mismas que se comentaron en
la aplicacin anterior. En este estudio se han escogido las siguientes variables de entrada y salida
de la red
perpendicular entre la lnea y la descarga (variable y), velocidad de retorno del rayo (variable
v), altura de la lnea (variable h)
Salidas (variables dependientes): Tipo de descarga, directa / indirecta (variable t),
sobretensin que aparece en la lnea (variable V).
La figura 6.20 muestra la geometra general para dos configuraciones de lnea, horizontal y
vertical. Sin embargo, con el mtodo de Rusck solamente es necesario especificar una altura
media para los conductores de fase como entrada de la red neuronal. Adems, este conductor
equivalente se encontrara situado en el eje del poste, es decir x = 0. Por tanto, en este estudio no
se tendr en cuenta el tipo de configuracin de la lnea, horizontal o vertical, en los datos de
entrada de la red neuronal.
La red neuronal se ha entrenado con un total de 2500 patrones diferentes calculados de forma
aleatoria. Cada patrn esta formado por un valor para cada entrada (I,y,v,h) y el correspondiente
valor para cada salida (t,V). A continuacin se comenta como se genera cada valor de las
variables de entrada.
Figura 6.20. Geometra de la lnea.
169
a) Intensidad de la descarga
Los valores de la intensidad de la descarga se generan siguiendo el procedimiento visto en el
apartado 5.3.1 del captulo 5.
El valor de esta distancia se genera de forma aleatoria, entre 0 m y 500 m, considerando una
c) Velocidad de retorno del rayo
El valor de la velocidad de retorno del rayo se genera de forma aleatoria, entre 30000 km/s y
150000 km/s, suponiendo una distribucin uniforme.
d) Altura de la lnea
Se han utilizado los valores de 5 m, 8 m, 11 m, 14 m y 17 m, en el entrenamiento de la red
neuronal. Con los dos valores extremos, 5 m y 17 m, se cubre la totalidad de lneas de
distribucin.
e) Tipo de descarga
Se utiliza la expresin (4.2) para saber si una descarga, caracterizada por los parmetros que
componen la entrada de la red neuronal (I,y,v,h), es directa (t = 1) o indirecta (t = 0).
f) Sobretensin que aparece en la lnea
Se utiliza la expresin (4.6) para calcular la tensin que aparece en la lnea si la descarga es
directa a los conductores de fase, y la expresin (4.20) si la descarga es directa a tierra.
Entrenamiento
La Tabla 6.5 muestra una parte de los datos utilizados en el entrenamiento. El proceso seguido se
detalla a continuacin.
1) Se fijan los siguientes parmetros
1 capa de neuronas ocultas
4 neuronas en la capa oculta
funciones de transferencia: tan-sigmoidal (capas ocultas), lineal (capa de salida)
momento =0.9.
Una diferencia muy importante respecto a la aplicacin estudiada en el apartado anterior son
las funciones de transferencia utilizadas con esta red neuronal. Puesto que la salida ms
importante de la red neuronal es la que calcula las tensiones, se ha escogido como funcin de
transferencia global la denominada funcin de aproximacin (funcin tan-sigmoidal en las
diferentes capas ocultas y funcin lineal en la capa de salida). Se ha demostrado que esta
arquitectura de red neuronal es capaz de aproximar cualquier funcin con un nmero finito de
discontinuidades y precisin arbitraria. Cuanto ms compleja sea la funcin ms neuronas
sern necesarias para poder aproximarla.
170

ENTRADAS
Altura
Intensidad
(m)
5
5
5
5
5
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
17
17
17
17
17
17
17
17
(kA)
1
1
1
1
200
63
56
19
53
34
152
139
41
44
78
41
58
30
34
27
59
6
10
92
35
29
38
33
14
17
40
61
33
18
10
20
59
46
21
21
78
36
48
49
19
24
12
12
31
13
Distancia
descarga - lnea
(m)
0
0
500
500
0
300
474
67
203
335
214
242
416
480
145
277
156
489
240
376
33
61
471
55
494
95
90
69
205
179
400
49
446
69
222
175
328
307
207
330
440
204
143
159
94
296
386
124
134
402
SALIDAS
Velocidad
(km/s)
30000
150000
30000
150000
30000
141534
134736
77057
78053
149545
68439
124134
139549
59657
60652
132145
51039
131538
34022
82476
127945
66066
37615
142365
86894
145569
40431
132751
86288
110321
56453
147171
61259
130003
32269
122137
56836
43630
93298
132746
73465
56447
102262
87842
67014
67621
104471
79831
67439
55616
Tipo
descarga
1
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Tensin
(kV)
207.23
207.23
0.32
0.41
41446.53
68.51
37.96
81.18
74.01
33.26
198.40
247.97
43.90
34.82
201.87
64.45
136.95
26.85
50.38
28.01
13596.17
39.88
7.26
21228.74
27.93
137.88
153.91
207.96
27.15
40.86
37.70
14033.48
27.89
114.46
16.57
63.23
85.53
69.79
52.57
35.36
87.18
84.85
214.07
191.18
118.80
48.89
19.74
59.17
135.80
18.71
171
a) Estudio previo. Tanto ste como los prximos estudios se realizarn con 1000 iteraciones.
Por ahora, el objetivo es conseguir unas buenas condiciones iniciales para el estudio del
intervalo de las entradas netas y el de la pendiente de las funciones de transferencia. Se
guardan los pesos y los umbrales que dan el mnimo error. Se comprueba que en este punto
todava existe un error considerable en el clculo de las salidas.
b) Ajuste del intervalo de las entradas netas de las funciones de transferencia. A diferencia del
ejemplo anterior, en este caso se concluye que aumentando el intervalo de dichas entradas
no se modifica en absoluto el mnimo alcanzado.
c) Ajuste de la pendiente de la funcin de transferencia. Se varan por separado las pendientes
de las funciones de transferencia. En este caso, una variacin en el valor de dichas
pendientes disminuye notablemente el mnimo conseguido. Se mantienen como valores
ptimos un valor unidad para la pendiente de la funcin tan-sigmoidal, y un valor de 0.1
para la funcin lineal. Se observa claramente que la capa de neuronas tan-sigmoidales es la
que acta como clasificador, y la capa de neuronas lineales es la que termina adaptando las
tensiones.
2) Variacin del nmero de neuronas de la primera capa oculta. Se han realizado 2 estudios con
cada estructura diferente, uno a 1000 iteraciones para buscar unas buenas condiciones
iniciales, y otro ms largo, a 10000 iteraciones, para encontrar un buen mnimo. En este caso,
se ha aumentado hasta 10 el nmero de neuronas y los resultados apenas han mejorado.
3) Variacin del nmero de neuronas de la segunda capa oculta. Se aade una capa ms de
neuronas ocultas y se mantiene constante en 4 el nmero de neuronas de la primera capa. Se
comienzan a conseguir mejores resultados con el aumento del nmero de neuronas de esta
segunda capa. A la vista de los resultados conseguidos se prefiere aumentar el nmero de
neuronas de la primera capa oculta para as poder aumentar el nmero de neuronas de la
segunda capa. Se prueban diferentes estructuras, la que mejor se adapta tiene 14 neuronas en
la primera capa oculta y 12 neuronas en la segunda capa oculta.
4) Del estudio anterior se concluye que la estructura de red neuronal ajustada es la siguiente
primera capa oculta: 14 neuronas
segunda capa oculta: 12 neuronas
funciones de transferencia: tan-sigmoidal (capas ocultas), lineal (capa de salida).
A continuacin se intentarn ajustar los parmetros propios de la fase del aprendizaje tales
como el momento y la tasa de aprendizaje. Tal como se coment durante el entrenamiento del
ejemplo, con estos ajustes el error disminuir poco.
a) Tasa de aprendizaje. Se comprueba que una tasa de aprendizaje adaptativa va mejor que
una constante, y que los parmetros actuales son aceptables.
b) Ajuste del momento. Se comprueba que el valor actual (0.9) es aceptable.
5) La estructura final de la red con todos sus parmetros ajustados es la siguiente, ver figura 6.21
172
2 capas de neuronas ocultas, con 14 y 12 neuronas respectivamente

momento: =0.9.
Los resultados del entrenamiento con esta red se muestran en la figura 6.22. Los grficos se
han calculado con las salidas normalizadas porque muestran de manera ms clara el error
cometido por la red neuronal en el entrenamiento. Debido a la enorme diferencia entre los
valores extremos de las tensiones, esta red neuronal ha funcionado mucho mejor con datos
normalizados. Se puede observar que el ajuste es muy bueno. Por un lado, el error cometido
en los valores calculados de las salidas que actan como clasificador no supera en ningn
caso el 1 %. En el clculo de las tensiones, el error cometido no supera el 2 %, estando en la
mayora de los casos por debajo del 1 %.
Figura 6.21. Arquitectura de la red neuronal (Mtodo de Rusck con lneas sin apantallar).
173
Validacin
La validacin de esta red neuronal se realiza con 6000 patrones que no han intervenido en el
proceso de entrenamiento. Se han utilizado 1000 patrones para cada altura de la lnea (5 m, 8 m,
10 m, 11 m, 14 m y17 m). La altura de 10 m no ha sido utilizada durante el entrenamiento de la
red neuronal.
Los grficos de las figuras 6.23, 6.24, y 6.25 muestran para tres alturas diferentes el error
cometido en el clculo de ambas salidas y el ajuste de las salidas con los valores de los pesos y
umbrales ptimos conseguidos en el entrenamiento de la red neuronal. Se puede observar que en
ms del 99 % de los casos el error cometido en el clculo de tensiones se encuentra por debajo
del 2 %. En unos pocos casos el error puede llegar a alcanzar el 10 %, y esto ocurre cuando la
red neuronal muestra confusin en la clasificacin de descargas.
174
a. Error porcentual en el clculo de sobretensiones.
c. Error porcentual en la clasificacin de descargas.

b. Ajuste de las salidas (tensiones).
d. Ajuste del clasificador.

Figura 6.23. Validacin de la red neuronal. Altura = 5 m.
175
176


177
178
6.3.3.2. Mtodo de Chowdhuri

En este estudio se han escogido las siguientes variables de entrada y salida de la red
Entradas: Intensidad mxima de la descarga (variable I), tiempo de frente de la onda de
corriente del rayo (variable tf), distancia perpendicular entre la lnea y la descarga (variable y),
velocidad de retorno del rayo (variable v), altura de cada conductor de fase (variable hc1,
variable hc2, variable hc3), distancia al eje de cada conductor de fase (variable xc1, variable xc2,
variable xc3)
Salidas: Tipo de descarga, directa / indirecta (variable t), sobretensin que aparece en la lnea
(variable V).
aleatoria. Cada patrn esta formado por un valor para cada entrada (I,tf,y,v,hc1,hc2,hc3,xc1,xc2,xc3)
y el correspondiente valor para cada salida (t,V). A continuacin se comenta como se genera
cada valor de las variables anteriores.
a) Intensidad y tiempo de frente
Los valores de la intensidad y del tiempo de frente de la onda de corriente del rayo se generan
siguiendo el procedimiento visto en el apartado 5.3.1 del captulo 5.
El valor de esta distancia se genera de forma aleatoria, entre 0 m y 500 m, utilizando una
150000 km/s, utilizando una distribucin uniforme.
d) Geometra de la lnea
Se han utilizado 5 configuraciones diferentes para las lneas de tipo horizontal. La altura en
cada configuracin ha sido de 5 m, 8 m, 11 m, 14 m y 17 m. La figura 6.20 muestra los tipos
de lnea utilizados en el entrenamiento.
Se han utilizado 4 configuraciones diferentes para las lneas de tipo vertical (con tres alturas
diferentes para cada conductor de fase): 5 m, 7 m, 9 m (configuracin 1), 8 m, 10 m, 12 m
(configuracin 2), 11 m, 13 m, 15 m (configuracin 3), 14 m, 16 m, 18 m (configuracin 4).
Para cada configuracin de lnea horizontal se han utilizado dos tipos de distancias al eje
diferentes por parte de cada conductor: -1 m, 0 m, 1 m (distancia entre conductores ms
externos = 2 m), -3 m, 0 m, 3 m (distancia entre conductores ms externos = 6 m). En lneas
verticales se ha supuesto que los conductores se encuentran colocados en el eje de la lnea, es
decir, distancia al eje = 0.
La Tabla 6.6 resume las combinaciones adoptadas en el entrenamiento de la red neuronal para
las variables altura y distancia al eje.
179
Tabla 6.6. Variables altura y distancia al eje.

hc1 (m)
hc2 (m)
hc3 (m)
xc1 (m)
xc2 (m)
xc3 (m)
-1
-3
-1
-3
Lnea
11
11
11
-1
horizontal
11
11
11
-3
14
14
14
-1
14
14
14
-3
17
17
17
-1
17
17
17
Lnea
10
12
vertical
11
13
15
14
16
18
e) Tipo de descarga
Se utiliza la expresin (4.2) para saber si una descarga, caracterizada por los parmetros que
componen la entrada de la red neuronal (I,tf,y,v,hc1,hc2,hc3,xc1,xc2,xc3), es directa (t = 1) o
indirecta (t = 0).
f) Sobretensin que aparece en la lnea
directa a los conductores de fase, y la expresin (4.46) si la descarga es directa a tierra.
Entrenamiento
El objetivo no es repetir todos los pasos que se realizaron en el entrenamiento de la red neuronal
del apartado anterior (mtodo de Rusck), sino verificar que la estructura final obtenida en aquel
estudio es tambin adecuada en este estudio. La Tabla 6.7 muestra una parte de los datos
utilizados en el entrenamiento.
La estructura de red neuronal utilizada ha sido la siguiente
momento =0.9.
180

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
conductor 3
(m)
(m)
(m)
5
5
5
8
8
8
11
11
11
11
14
14
14
14
17
17
17
5
5
5
8
8
8
8
11
11
11
11
5
5
5
8
8
8
11
11
11
11
14
14
14
14
17
17
17
7
7
7
10
10
10
10
13
13
13
13
5
5
5
8
8
8
11
11
11
11
14
14
14
14
17
17
17
9
9
9
12
12
12
12
15
15
15
15
SALIDAS
Distancia
al eje
conductor 1
(m)
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Intensidad
Tiempo
de frente
(kA)
-1
-1
-1
-3
-3
-3
-1
-1
-1
-1
-1
-1
-1
-1
-3
-3
-3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
3
3
3
1
1
1
1
1
1
1
1
3
3
3
0
0
0
0
0
0
0
0
0
0
0
84
53
22
26
26
35
56
14
38
32
30
36
7
21
12
47
46
19
31
26
10
13
30
30
25
18
71
61
(
s)
3.0
4.0
4.0
5.5
3.0
3.0
5.5
4.0
6.0
6.5
4.0
2.0
3.5
8.0
4.0
6.0
6.0
2.5
5.0
3.5
2.5
1.5
3.0
7.0
2.5
7.0
1.5
2.5
Distancia
descarga
- lnea
(m)
377
328
94
146
467
81
148
81
1
66
330
417
426
112
319
316
206
185
288
166
20
327
453
282
215
313
477
145
Velocidad
Tipo
descarga
(km/s)
144526
48847
106585
103137
130097
103224
92466
128948
40498
132818
148007
70709
71680
94621
78217
78665
110840
81739
116289
50056
35702
98577
66939
136151
84226
91809
119058
37554
Tensin
(kV)
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
34.69
115.21
23.07
29.43
19.69
87.67
104.59
24.54
9433.73
34.19
26.25
203.89
25.14
36.44
46.82
120.53
79.47
65.51
23.95
131.66
2541.86
52.52
101.95
16.40
131.32
24.96
192.61
1091.42
181
El entrenamiento de esta red neuronal queda reducido a los siguientes pasos

1) Se realiza un estudio previo con el objetivo de conseguir unas buenas condiciones iniciales
para el estudio posterior de la pendiente de las funciones de transferencia. Se guardan los
pesos y los umbrales que dan el mnimo error. Se comprueba que en general existe un error
considerable en el clculo de las salidas.
2) Ajuste de la pendiente de las funciones de transferencia. Se varan por separado las pendientes
de las funciones de transferencia. Una variacin en el valor de dichas pendientes disminuye
notablemente el error conseguido. Se mantiene un valor unidad para la pendiente de la
funcin tan-sigmoidal, y un valor de 0.1 para la funcin lineal.
3) Se entrena la red neuronal con la estructura comentada anteriormente y con las pendientes
ajustadas, y se comprueba que esta estructura entrena correctamente, siendo los errores de
clculo de las salidas muy pequeos. La figura 6.26 muestra la arquitectura de la red, mientras
que la figura 6.27 muestra los resultados del entrenamiento obtenidos con esta red. Se puede
observar que el ajuste es similar al que se obtuvo con el mtodo de Rusck. Por un lado, el
error cometido en los valores calculados de las salidas que actan como clasificador no supera
en ningn caso el 1 %. En el clculo de las tensiones, en ms de un 90 % de los datos el error
cometido no supera el 1 %.
Figura 6.26. Arquitectura de la red neuronal (Mtodo de Chowdhuri con lneas sin apantallar).
182
Validacin
La validacin de esta red neuronal se ha realizado con 6000 patrones que no han intervenido en
el proceso de entrenamiento. Se han utilizado 1000 patrones para cada una de las
configuraciones de lnea mostradas en la Tabla 6.8.
Los grficos de las figuras 6.28, 6.29, y 6.30 muestran los resultados obtenidos para 3 de las
configuraciones anteriores. Los resultados obtenidos con las otras configuraciones son similares.
Las conclusiones de este estudio son similares a las que se obtuvieron con el mtodo de Rusck.
En general el error cometido en el clculo de tensiones se encuentra por debajo del 2 %, aunque
cuando la red neuronal presenta confusin en la clasificacin de descargas el error es mayor.
Tabla 6.8. Variables altura y distancia al eje de la lnea.
Lnea
horizontal
Lnea
vertical
hc1 (m)
hc2 (m)
hc3 (m)
xc1 (m)
xc2 (m)
xc3 (m)
-1.5
1.5
10
10
10
-2
17
17
17
-3
10
12
14
14
16
18

183
184
Figura 6.28. Validacin de la red neuronal. Lnea horizontal, altura = 10 m, distancia entre conductores ms externos = 4 m.
185
Figura 6.29. Validacin de la red neuronal. Lnea vertical, altura c1 =10 m, altura c2 =12 m, altura c3 =14 m.
186
Figura 6.30. Validacin de la red neuronal. Lnea vertical, altura c1 =14 m, altura c2 =16 m, altura c3 =18 m
187
6.3.4. Clculo de sobretensiones en lneas con cable de tierra. Velocidad de

retorno del rayo con distribucin uniforme
Entradas: Intensidad mxima de la descarga (variable I), distancia perpendicular entre la lnea
y la descarga (variable y), velocidad de retorno del rayo (variable v), altura de cada conductor
de fase (variable hc1, variable hc2, variable hc3), altura del cable de tierra (variable hct),
distancia al eje de cada conductor de fase (variable xc1, variable xc2, variable xc3), resistencia
de puesta a tierra de los postes (variable R)
Salidas: Tipo de descarga, directa al cable de tierra/directa al conductor de fase/indirecta
(variable t), sobretensin que aparece en la lnea (variable V).
aleatoria. Cada patrn esta formado por un valor para cada entrada (I,y,v,hc1,hc2,hc3,
hct,xc1,xc2,xc3,R) y el correspondiente valor para cada salida (t,V). A continuacin se comenta
como se genera cada valor de las variables anteriores.
a) Intensidad
La intensidad de la descarga se calcula siguiendo el procedimiento visto en el apartado 5.3.1
del captulo 5.
El valor de esta distancia se genera de forma aleatoria, entre 0 m y 500 m, considerando una
150000 km/s, suponiendo una distribucin uniforme.
d) Geometra de la lnea
Tanto para las lneas de tipo horizontal como las de tipo vertical se han utilizado las
configuraciones comentadas en el apartado 6.3.3, ver figura 6.31. La nica diferencia es que
la red neuronal se ha entrenado con dos valores diferentes de distancias al eje en el caso de la
lnea vertical, 0.5 m y 1.5 m, respectivamente, en lugar de estar los conductores colocados
sobre el eje de la lnea. Esto ha sido as porque en una lnea vertical la distancia al eje de los
conductores es la distancia horizontal entre conductores y cable de tierra.
El cable de tierra se encuentra situado sobre el eje de la lnea, esto es xct = 0, y su altura
depender de la altura de los conductores, aunque se han utilizado dos alturas diferentes del
cable de tierra para cada altura diferente de la lnea. Las Tablas 6.9 y 6.10 resumen las
combinaciones adoptadas en el entrenamiento de la red neuronal.
188
Tabla 6.9. Variables altura de los conductores, altura del cable de tierra,
distancia al eje de los conductores y resistencia de puesta a tierra. Lnea horizontal.
hc1 (m)
hc2 (m)
hc3 (m)
xc1 (m)
xc2 (m)
xc3 (m)
hct (m)
R (
)
5
5
5
5
5
5
5
5
5
5
5
5
8
8
8
8
8
8
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
14
14
14
14
14
17
17
17
17
17
17
17
17
17
17
17
17
5
5
5
5
5
5
5
5
5
5
5
5
8
8
8
8
8
8
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
14
14
14
14
14
17
17
17
17
17
17
17
17
17
17
17
17
5
5
5
5
5
5
5
5
5
5
5
5
8
8
8
8
8
8
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
14
14
14
14
14
17
17
17
17
17
17
17
17
17
17
17
17
-1
-1
-1
-1
-1
-1
-3
-3
-3
-3
-3
-3
-1
-1
-1
-1
-1
-1
-3
-3
-3
-3
-3
-3
-1
-1
-1
-1
-1
-1
-3
-3
-3
-3
-3
-3
-1
-1
-1
-1
-1
-1
-3
-3
-3
-3
-3
-3
-1
-1
-1
-1
-1
-1
-3
-3
-3
-3
-3
-3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
3
3
3
3
3
3
1
1
1
1
1
1
3
3
3
3
3
3
1
1
1
1
1
1
3
3
3
3
3
3
1
1
1
1
1
1
3
3
3
3
3
3
1
1
1
1
1
1
3
3
3
3
3
3
6.5
6.5
6.5
8.0
8.0
8.0
6.5
6.5
6.5
8.0
8.0
8.0
9.5
9.5
9.5
11.0
11.0
11.0
9.5
9.5
9.5
11.0
11.0
11.0
12.5
12.5
12.5
14.0
14.0
14.0
12.5
12.5
12.5
14.0
14.0
14.0
15.5
15.5
15.5
17.0
17.0
17.0
15.5
15.5
15.5
17.0
17.0
17.0
18.5
18.5
18.5
20.0
20.0
20.0
18.5
18.5
18.5
20.0
20.0
20.0
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
189
distancia al eje de los conductores y resistencia de puesta a tierra. Lnea vertical.
hc1 (m)
hc2 (m)
hc3 (m)
xc1 (m)
xc2 (m)
xc3 (m)
hct (m)
R (
)
5
5
5
5
5
5
5
5
5
5
5
5
8
8
8
8
8
8
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
14
14
14
14
14
7
7
7
7
7
7
7
7
7
7
7
7
10
10
10
10
10
10
10
10
10
10
10
10
13
13
13
13
13
13
13
13
13
13
13
13
16
16
16
16
16
16
16
16
16
16
16
16
9
9
9
9
9
9
9
9
9
9
9
9
12
12
12
12
12
12
12
12
12
12
12
12
15
15
15
15
15
15
15
15
15
15
15
15
18
18
18
18
18
18
18
18
18
18
18
18
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
10.5
10.5
10.5
12.0
12.0
12.0
10.5
10.5
10.5
12.0
12.0
12.0
13.5
13.5
13.5
15.0
15.0
15.0
13.5
13.5
13.5
15.0
15.0
15.0
16.5
16.5
16.5
18.0
18.0
18.0
16.5
16.5
16.5
18.0
18.0
18.0
19.5
19.5
19.5
21.0
21.0
21.0
19.5
19.5
19.5
21.0
21.0
21.0
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
10
40
70
190
Figura 6.31. Geometra de la lnea.
e) Resistencia de puesta a tierra

Se han utilizado tres valores constantes con cada configuracin de lnea diferente, 10 , 40
y 70 , respectivamente, ver Tablas 6.9 y 6.10.
f) Tipo de descarga
Al igual que en los apartados anteriores, se utiliza el Modelo Electrogeomtrico para saber si
una descarga, caracterizada por los parmetros que componen la entrada de la red neuronal
(I,y,v,hc1,hc2,hc3,hct,xc1,xc2,xc3,R), es directa al cable de tierra (t = 2), directa a los conductores
de fase (t = 1) o indirecta (t = 0).
g) Sobretensin que aparece en la lnea
directa al cable de tierra, la expresin (4.6) si la descarga es directa a los conductores de fase,
y la expresin (4.20) si la descarga es directa a tierra, esta ltima corregida por el factor de
apantallamiento, ver expresin (4.26).
Entrenamiento
Para entrenar la red neuronal se seguir la metodologa utilizada en el apartado 6.3.3, mtodo de
Chowdhuri, verificndose de esta manera que la estructura final obtenida cuando la lnea no tena
instalado un cable de tierra es tambin adecuada en este estudio. La Tabla 6.11 muestra una parte
de los datos utilizados en el entrenamiento.
191

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
Altura
conductor 3 cable de tierra
(m)
(m)
(m)
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
5
5
5
8
8
8
11
11
11
14
14
14
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
7
7
7
10
10
10
13
13
13
16
16
16
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
9
9
9
12
12
12
15
15
15
18
18
18
SALIDAS
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Resistencia
puesta a
tierra
(
)
Intensidad
(m)
Distancia
al eje
conductor 1
(m)
Velocidad
(kA)
Distancia
descarga lnea
(m)
6.5
6.5
6.5
9.5
9.5
9.5
12.5
12.5
12.5
15.5
15.5
15.5
15.5
20.0
20.0
20.0
12.0
12.0
12.0
13.5
13.5
13.5
18.0
18.0
18.0
21.0
21.0
21.0
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-3
-3
-3
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1
1
1
1
1
1
1
1
1
1
1
1
1
3
3
3
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
10
10
10
10
10
10
70
70
70
70
70
70
70
40
40
40
10
10
10
40
40
40
70
70
70
40
40
40
38
46
50
42
70
52
22
54
29
15
6
18
25
23
33
28
122
24
59
31
18
36
19
29
40
95
23
55
27
176
484
144
50
114
419
312
65
269
486
392
456
320
359
325
125
262
250
162
141
145
455
348
399
137
273
261
67302
82717
105755
57624
102486
44807
79720
39058
58285
117063
65281
110143
52464
110411
82567
105604
83891
44443
81682
69564
88791
115639
35518
131650
125241
87428
47980
85219
Tipo
Tensin
descarga
(km/s)
(kV)
2
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
217.06
32.36
13.45
53.68
385.25
82.67
14.68
45.40
120.15
21.61
3.95
17.58
18.23
33.25
40.44
40.29
229.72
19.82
54.80
55.04
38.93
78.91
15.01
37.63
44.07
331.19
36.85
99.70
192

momento =0.9.
El entrenamiento de esta red neuronal consta de los siguientes pasos
1) Estudio previo. Se guardan los pesos y los umbrales que dan el mnimo error.
2) Ajuste de la pendiente de las funciones de transferencia. Se mantiene un valor unidad para la
pendiente de la funcin tan-sigmoidal, y un valor de 0.3 para la funcin lineal.
ajustadas hasta que el error se estabiliza. La figura 6.32 muestra la arquitectura de la red,
mientras que la figura 6.33 muestra los resultados del entrenamiento obtenidos con esta red.
Se puede observar que el ajuste es similar al que se obtuvo en el apartado 6.3.3, con lnea sin
cable de tierra. Tanto en el clasificador como en el clculo de las tensiones en ms de un 90 %
de los datos el error cometido no supera el 5 %.
Validacin
el proceso de entrenamiento. Se han utilizado 1000 patrones para cada configuracin de lnea,
ver Tabla 6.12.
Se puede observar que en la mayora de los casos el error cometido en el clculo de
sobretensiones no supera el 3%. Adems, en ms del 99 % de los casos la red neuronal no
presenta confusiones al clasificar las descargas.
193
Figura 6.32. Arquitectura de la red neuronal (Mtodo de Rusck con lneas apantalladas).
distancia al eje de los conductores y resistencia de puesta a tierra.
Lnea
horizontal
Lnea
vertical
hc1 (m)
hc2 (m)
hc3 (m)
xc1 (m)
xc2 (m)
xc3 (m)
hct (m)
R (
)
-1.5
1.5
6.5
30
10
10
10
-2
11.5
50
17
17
17
-3
18.5
10
10.5
20
10
12
14
15.5
50
14
16
18
1.5
1.5
1.5
19.5
70
194

195
Figura 6.34. Validacin de la red neuronal. Lnea horizontal, altura conductores = 10 m, distancia entre conductores ms externos = 4 m,
altura cable de tierra = 11.5 m, resistencia de puesta a tierra = 50 .
196
Figura 6.35. Validacin de la red neuronal. Lnea vertical, altura c1 =10 m, altura c2 =12 m, altura c3 =14 m, distancia horizontal conductores - cable de tierra = 1 m,
197
Figura 6.36. Validacin de la red neuronal. Lnea vertical, altura c1 =14 m, altura c2 =16 m, altura c3 =18 m, distancia horizontal conductores - cable de tierra = 1.5 m,
198

velocidad de retorno del rayo (variable v), altura de cada conductor de fase (variable hc1,
variable hc2, variable hc3), altura del cable de tierra (variable hct), distancia al eje de cada
conductor de fase (variable xc1, variable xc2, variable xc3), resistencia de puesta a tierra de los
postes (variable R)
Este estudio se ha realizado de manera idntica al anterior, mtodo de Rusck. La nica diferencia
es que con el mtodo de Chowdhuri la red neuronal tiene una entrada ms, el tiempo de frente,
cuyos valores se han generado siguiendo el procedimiento visto en el apartado 5.3.1 del captulo
5.
Entrenamiento
Para entrenar la red neuronal se seguir la metodologa utilizada en los apartados anteriores. La
Tabla 6.13 muestra una parte de los datos utilizados en el entrenamiento.
momento =0.9.
El entrenamiento de esta red neuronal tiene los siguientes pasos
ajustadas hasta que el error se estabiliza. La figura 6.37 muestra la arquitectura de la red,
mientras que la figura 6.38 muestra los resultados del entrenamiento obtenidos con esta red.
Aunque los resultados del entrenamiento han sido algo peores que con el mtodo de Rusck, se
puede observar que en general el error cometido en las dos salidas, clasificador y clculo de
tensiones, no supera el 5 %.
199

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
Altura
(m)
(m)
(m)
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
5
5
5
8
8
8
11
11
11
14
14
14
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
7
7
7
10
10
10
13
13
13
16
16
16
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
9
9
9
12
12
12
15
15
15
18
18
18
SALIDAS
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Resistencia
puesta a
tierra
(
)
Intensidad
(m)
Distancia
al eje
conductor 1
(m)
8.0
8.0
8.0
9.5
11.0
11.0
12.5
12.5
12.5
15.5
15.5
17.0
17.0
20.0
20.0
20.0
10.5
12.0
12.0
15.0
15.0
15.0
16.5
16.5
18.0
21.0
21.0
21.0
-3
-3
-3
-1
-1
-1
-1
-3
-3
-1
-1
-1
-1
-1
-1
-1
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
3
3
3
1
1
1
1
3
3
1
1
1
1
1
1
1
1.5
1.5
1.5
0.5
0.5
0.5
0.5
0.5
0.5
1.5
1.5
1.5
70
70
70
10
10
40
40
10
10
40
40
70
70
40
40
40
40
40
70
10
10
10
40
40
40
70
70
70
29
136
66
52
18
11
92
44
42
18
30
34
17
33
22
10
23
21
68
30
150
9
59
20
22
78
142
56
(kA)
Tiempo Distancia
de frente descarga lnea
(m)
(
s)
9.0
3.0
3.5
2.0
4.5
6.5
9.0
2.0
2.0
5.0
6.5
3.0
3.5
1.5
9.0
4.0
10.5
9.0
6.0
2.0
6.0
2.0
1.5
5.5
1.5
5.5
8.0
2.5
377
147
161
432
488
132
169
171
14
411
463
303
196
358
486
269
251
418
115
129
95
485
279
205
394
265
450
362
Velocidad
Tipo
Tensin
descarga
(km/s)
76350
31777
61855
92757
46634
62081
61182
102868
136539
61905
48117
86004
79542
100006
61462
69497
33577
133333
82608
141703
38035
82897
109728
97807
78116
50988
57135
56223
(kV)
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
12.30
776.40
135.40
83.52
37.39
18.09
134.33
144.10
243.13
41.02
70.39
97.36
54.32
143.15
33.30
37.26
42.74
4.28
89.01
57.09
976.40
22.21
206.35
27.84
103.72
326.07
279.95
364.64
200
Validacin
el proceso de entrenamiento. Se han utilizado las mismas 6 configuraciones de lnea que se
encuentran definidas en la Tabla 6.12.
Los resultados han sido similares a los obtenidos con el mtodo de Rusck para lneas
apantalladas, aunque ahora la red neuronal es algo ms compleja. Los grficos apenas muestran
confusin por parte de la red neuronal en la clasificacin de descargas, y adems, en general el
error cometido en el clculo de las tensiones es inferior al 3 %.
Figura 6.37. Arquitectura de la red neuronal (Mtodo de Chowdhuri con lneas apantalladas).

201
202
203
204
205
6.3.5. Clculo de sobretensiones en lneas sin cable de tierra. Velocidad de

retorno del rayo en funcin de la intensidad mxima
perpendicular entre la lnea y la descarga (variable y), velocidad de retorno del rayo (variable
v), parmetro W (variable W), altura de la lnea (variable h).
aleatoria. Este estudio se ha realizado de manera idntica al utilizado con el mtodo de Rusck en
lneas sin apantallar y distribucin de velocidad de retorno del rayo uniforme, para ms detalles
ver el apartado 6.3.3. La diferencia es que ahora la velocidad de retorno del rayo se calcula a
partir de la intensidad de pico de la descarga. Por tanto, se aadir una nueva entrada a la red
neuronal, la que corresponde al parmetro W, ver expresin (3.10), el cual tomar cuatro valores
diferentes en este entrenamiento: 50, 200, 350 y 500.
Entrenamiento
momento =0.9.
El entrenamiento de esta red neuronal se puede resumir en los siguientes pasos
ajustadas hasta que el error se estabiliza. La figura 6.42 muestra la arquitectura de la red, y la
figura 6.43 muestra los resultados del entrenamiento obtenidos con esta red. Se puede
observar que en general el error cometido en las dos salidas, clasificador y clculo de
tensiones, se encuentra acotado por debajo del 10 %. Los resultados han sido algo peores que
cuando se supuso que la velocidad segua una distribucin uniforme, lo cual es lgico porque
la complejidad de la red neuronal ha aumentado.
206
Tabla 6.14. Datos de entrenamiento.

ENTRADAS
Altura
Intensidad
(m)
5
5
5
5
5
5
5
5
5
5
8
8
8
8
8
8
8
8
8
8
11
11
11
11
11
11
11
11
11
11
14
14
14
14
14
14
14
14
14
14
17
17
17
17
17
17
17
17
17
17
(kA)
33
61
39
13
19
30
19
33
38
34
57
26
17
13
19
30
96
33
38
34
36
18
23
21
4
22
13
6
15
25
33
38
34
46
21
50
40
49
45
17
50
66
25
58
26
17
14
19
30
101
Distancia
descarga - lnea
(m)
180
268
86
45
376
122
99
357
346
250
92
312
130
231
194
440
417
175
164
68
354
416
76
151
457
44
363
96
427
173
172
161
65
200
117
264
193
354
428
234
138
25
99
405
492
311
44
375
253
97
SALIDAS
Velocidad
(km/s)
189164
221982
197870
136277
157425
182746
155906
189164
197139
190863
111845
78178
64567
56773
67218
83642
139184
88060
93326
89268
116477
86204
95400
91473
42008
93466
72761
49079
77999
100000
74647
79730
75699
86642
59537
90453
81175
89626
86204
53620
211598
225918
173205
219407
174348
151115
138325
157425
182746
245354
50
50
50
50
50
50
50
50
50
50
350
350
350
350
350
350
350
350
350
350
200
200
200
200
200
200
200
200
200
200
500
500
500
500
500
500
500
500
500
500
50
50
50
50
50
50
50
50
50
50
Tipo
descarga
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
1
Tensin
(kV)
40.82
54.27
101.66
57.21
10.51
53.11
38.91
20.60
24.88
30.39
187.30
23.17
35.92
15.28
26.36
19.22
74.09
54.53
66.72
144.39
42.36
17.17
119.03
54.39
3.16
5408.67
13.30
21.07
13.25
59.62
94.67
117.47
8800.07
115.11
84.04
96.56
102.19
70.56
53.11
33.27
287.43
17335.63
185.40
115.87
38.22
38.42
3572.99
36.08
87.48
26731.23
207
Figura 6.42. Arquitectura de la red neuronal (Mtodo de Rusck con lneas sin apantallar).
Validacin
el proceso de entrenamiento. Se han utilizado 1000 patrones para cada combinacin de la altura
de la lnea y del parmetro W mostrada en la Tabla 6.15. Los grficos de las figuras 6.44, 6.45, y
6.46 muestran los resultados obtenidos para 3 de las configuraciones anteriores. Los resultados
obtenidos con las otras configuraciones son similares. Estos resultados muestran que en la
inmensa mayora de los casos el error cometido en el clculo de tensiones se encuentra por
debajo del 3 %, y que la red neuronal apenas muestra confusin en la clasificacin de descargas.
Tabla 6.15. Variables altura y parmetro W.
h (m)
5
8
8
10
10
11
14
14
17
17
W
50
200
500
350
500
50
200
500
350
200
208
209
Figura 6.44. Validacin de la red neuronal. Altura = 5 m, W = 50.
210
211

212

velocidad de retorno del rayo (variable v), parmetro W (variable W), altura de cada
conductor de fase (variable hc1, variable hc2, variable hc3), distancia al eje de cada conductor
de fase (variable xc1, variable xc2, variable xc3)
aleatoria. Este estudio es similar al utilizado con el mtodo de Chowdhuri en lneas sin apantallar
y distribucin de velocidad de retorno del rayo uniforme, para ms detalles ver el apartado 6.3.3.
Al igual que con el mtodo de Rusck, la diferencia es que ahora se debe de aadir una nueva
entrada a la red neuronal, la que corresponde al parmetro W, porque la velocidad de retorno del
rayo se calcula a partir de la intensidad de pico de la descarga, ver expresin (3.10). La red
neuronal se ha entrenado de nuevo con cuatro valores diferentes del parmetro W: 50, 200, 350 y
500.
Entrenamiento
momento =0.9.
figura 6.48 muestra los resultados del entrenamiento obtenidos con esta red. Tal y como
ocurri con el mtodo de Rusck, los resultados han sido algo peores que cuando se supuso
que la velocidad segua una distribucin uniforme. Ahora el error cometido en las dos salidas,
clasificador y clculo de tensiones, se encuentra acotado por debajo del 5 %.
213

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
conductor 3
(m)
(m)
5
5
5
8
8
8
11
11
11
14
14
14
17
17
17
5
5
5
8
8
8
8
11
11
11
14
14
14
5
5
5
8
8
8
11
11
11
14
14
14
17
17
17
7
7
7
10
10
10
10
13
13
13
16
16
16
SALIDAS
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Intensidad
Tiempo
de frente
(m)
Distancia
al eje
conductor 1
(m)
(kA)
5
5
5
8
8
8
11
11
11
14
14
14
17
17
17
9
9
9
12
12
12
12
15
15
15
18
18
18
-3
-3
-3
-1
-1
-1
-3
-3
-3
-3
-3
-3
-1
-1
-1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
3
3
1
1
1
3
3
3
3
3
3
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
83
32
34
62
41
38
54
20
86
29
70
18
24
40
60
9
29
27
16
38
25
80
22
67
4
25
15
46
(
s)
5.0
6.5
3.0
7.5
3.5
3.0
2.0
4.0
5.0
4.0
8.5
5.5
2.5
2.5
3.5
3.5
2.5
6.0
1.5
3.5
4.5
6.5
2.0
9.5
7.0
8.0
2.5
3.0
Distancia
descarga lnea
(m)
Velocidad
80
289
377
258
323
458
424
492
285
177
238
181
20
153
493
247
157
314
315
45
318
480
315
15
402
240
310
437
131025
86829
88667
99285
82120
79241
216173
160357
238306
106759
152753
86204
170848
200000
221565
60573
105950
103464
62725
93326
77460
129069
61588
102786
26726
99105
79241
129152
Tipo
descarga
(km/s)
Tensin
(kV)
350
350
350
500
500
500
50
50
50
200
200
200
50
50
50
200
200
200
350
350
350
350
500
500
500
200
200
200
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
18791.36
19.91
38.33
44.49
77.98
72.21
10.27
7.90
15.79
71.01
32.51
45.20
6351.99
35.27
15.21
29.15
68.44
21.19
127.84
9531.97
57.20
38.39
184.52
17349.94
27.40
36.56
91.04
77.82
214
Figura 6.47. Arquitectura de la red neuronal (Mtodo de Chowdhuri con lneas sin apantallar).
Validacin
La red neuronal se ha validado con 10000 patrones que no han intervenido en el proceso de
entrenamiento, con 1000 patrones para cada una de las configuraciones de lnea mostradas en la
Tabla 6.17. Los grficos de las figuras 6.49, 6.50, y 6.51 muestran los resultados obtenidos para
3 de las configuraciones anteriores. Los resultados obtenidos con las otras configuraciones son
similares. En general, el error cometido en el clculo de tensiones se encuentra por debajo del 3
%, y la red neuronal apenas muestra confusin en la clasificacin de descargas.
Tabla 6.17. Variables altura, distancia al eje de la lnea y parmetro W.
Lnea
horizontal
Lnea
vertical
hc1 (m)
5
10
10
17
17
5
5
10
10
14
hc2 (m)
5
10
10
17
17
7
7
12
12
16
hc3 (m)
5
10
10
17
17
9
9
14
14
18
xc1 (m)
-1.5
-2
-2
-3
-3
0
0
0
0
0
xc2 (m)
0
0
0
0
0
0
0
0
0
0
xc3 (m)
1.5
2
2
3
3
0
0
0
0
0
W
50
200
500
350
500
50
200
500
350
200

215
216
Figura 6.49. Validacin de la red neuronal. Lnea horizontal, altura = 10 m, distancia entre conductores ms externos = 4 m, W = 200.
217
Figura 6.50. Validacin de la red neuronal. Lnea vertical, altura c1 =10 m, altura c2 =12 m, altura c3 =14 m, W = 500.
218
Figura 6.51. Validacin de la red neuronal. Lnea vertical, altura c1 =14 m, altura c2 =16 m, altura c3 =18 m, W = 200.
219
6.3.6. Clculo de sobretensiones en lneas con cable de tierra. Velocidad de

retorno del rayo en funcin de la intensidad mxima
Entradas: Intensidad mxima de la descarga (variable I), distancia perpendicular entre la lnea
y la descarga (variable y), velocidad de retorno del rayo (variable v), parmetro W (variable
W), altura de cada conductor de fase (variable hc1, variable hc2, variable hc3), altura del cable
de tierra (variable hct), distancia al eje de cada conductor de fase (variable xc1, variable xc2,
variable xc3), resistencia de puesta a tierra de los postes (variable R)
aleatoria. Este estudio es similar al utilizado con el mtodo de Rusck en lneas apantalladas y
distribucin de velocidad de retorno del rayo uniforme, para ms detalles ver el apartado 6.3.4.
En este apartado el nmero de patrones ha sido escogido teniendo en cuenta una duracin
aceptable del proceso de entrenamiento. Sin embargo, es fcil darse cuenta que el nmero de
patrones utilizados comienza a ser un problema ya que en el mismo estudio pero con distribucin
de velocidad uniforme se utilizaron casi 9000. La red neuronal se ha entrenado con cuatro
valores diferentes del parmetro W: 50, 200, 350 y 500, los mismos que han sido utilizados para
lneas sin apantallar.
Entrenamiento
momento =0.9.
figura 6.53 muestra los resultados del entrenamiento obtenidos con esta red. El error cometido
en las dos salidas, clasificador y clculo de tensiones, se encuentra acotado por debajo del 10
%.
220

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
Altura
(m)
(m)
(m)
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
5
5
5
8
8
8
11
11
11
14
14
14
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
7
7
7
10
10
10
13
13
13
16
16
16
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
9
9
9
12
12
12
15
15
15
18
18
18
SALIDAS
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Resistencia
puesta a
tierra
(
)
Intensidad
(m)
Distancia
al eje
conductor 1
(m)
Velocidad
(kA)
Distancia
descarga lnea
(m)
6.5
6.5
6.5
11.0
11.0
11.0
14.0
14.0
14.0
15.5
15.5
15.5
15.5
20.0
20.0
20.0
12.0
12.0
12.0
15.0
15.0
15.0
16.5
16.5
16.5
21.0
21.0
21.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-1.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0
0.5
0.5
0.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
1.5
10
10
10
10
10
10
70
70
70
10
10
10
10
10
10
10
70
70
70
40
40
40
70
70
70
10
10
10
27
23
27
24
35
80
33
33
36
16
15
20
31
29
47
82
15
25
44
31
23
20
45
46
28
60
7
75
131
147
214
127
305
266
464
428
188
386
30
239
84
53
171
221
233
411
372
157
23
27
352
304
235
146
342
358
177647
168393
177647
75251
90453
129399
112902
112163
116477
62725
59835
69749
85574
180763
208826
236177
79241
99105
127395
72486
62254
58835
206474
207666
179743
98198
33985
108347
Tipo
descarga
(km/s)
Tensin
(kV)
50
50
50
350
350
350
200
200
200
350
350
350
350
50
50
50
200
200
200
500
500
500
50
50
50
500
500
500
0
0
0
0
0
0
0
0
0
0
2
0
0
2
0
0
0
0
0
0
2
2
0
0
0
0
0
0
31.54
23.47
19.26
38.14
24.38
69.35
22.96
24.44
61.38
13.22
83.41
27.14
123.92
166.63
154.07
220.55
15.95
15.38
32.39
61.87
326.95
290.62
64.03
76.00
56.35
192.08
7.78
100.29
221
Figura 6.52. Arquitectura de la red neuronal (Mtodo de Rusck con lneas apantalladas).
Validacin
La red neuronal se ha validado con 10000 patrones que no han intervenido en el proceso de
entrenamiento, con 1000 patrones para cada una de las configuraciones de lnea mostradas en la
Tabla 6.19. Los grficos de las figuras 6.54, 6.55, y 6.56 muestran los resultados obtenidos para
3 de las configuraciones anteriores. Los resultados obtenidos con las otras configuraciones son
similares. Al igual que en el entrenamiento, en general los errores correspondientes a ambas
salidas de la red neuronal, clasificador y clculo de tensiones, se encuentran por debajo del 10 %.
distancia al eje de los conductores, resistencia de puesta a tierra y parmetro W.
Lnea
horizontal
Lnea
vertical
hc1 (m)
hc2 (m)
hc3 (m)
hct (m)
xc1 (m)
xc2 (m)
xc3 (m)
5
10
10
17
17
5
5
10
10
14
5
10
10
17
17
7
7
12
12
16
5
10
10
17
17
9
9
14
14
18
6.5
11.5
11.5
18.5
18.5
10.5
10.5
15.5
15.5
19.5
-1.5
-2
-2
-3
-3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.5
2
2
3
3
0
0
0
0
0
R (
)
30
50
50
10
10
20
20
50
50
70
W
50
200
500
350
500
50
200
500
350
200
222
223
altura cable de tierra = 11.5 m, resistencia de puesta a tierra = 50 , W = 200.
224
225
226

velocidad de retorno del rayo (variable v), parmetro W (variable W), altura de cada
conductor de fase (variable hc1, variable hc2, variable hc3), altura del cable de tierra (variable
hct), distancia al eje de cada conductor de fase (variable xc1, variable xc2, variable xc3),
resistencia de puesta a tierra de los postes (variable R)
aleatoria. Este estudio es similar al utilizado con el mtodo de Chowdhuri en lneas apantalladas
y distribucin de velocidad de retorno del rayo uniforme, para ms detalles ver el apartado 6.3.4,
la nica diferencia es que se ha aadido una nueva entrada, la correspondiente al parmetro W.
La red neuronal se ha entrenado con cuatro valores diferentes del parmetro W: 50, 200, 350 y
500.
Entrenamiento
momento =0.9.
figura 6.58 muestra los resultados del entrenamiento obtenidos con esta red. Se puede
observar que el error cometido por el clasificador se encuentra por debajo del 5 %, y que el
error cometido en el clculo de tensiones es inferior al 10 %.
227

ENTRADAS
Altura
conductor 1
Altura
conductor 2
Altura
Altura
(m)
(m)
(m)
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
5
5
5
8
8
8
11
11
11
14
14
14
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
7
7
7
10
10
10
13
13
13
16
16
16
5
5
5
8
8
8
11
11
11
14
14
14
14
17
17
17
9
9
9
12
12
12
15
15
15
18
18
18
SALIDAS
Distancia
al eje
conductor 2
(m)
Distancia
al eje
conductor 3
(m)
Resistencia
puesta a
tierra
(
)
Intensidad
(m)
Distancia
al eje
conductor 1
(m)
6.5
6.5
6.5
11.0
11.0
11.0
12.5
12.5
12.5
17.0
17.0
17.0
17.0
20.0
20.0
20.0
12.0
12.0
12.0
15.0
15.0
15.0
16.5
16.5
16.5
19.5
19.5
19.5
-3.0
-3.0
-3.0
-1.0
-1.0
-1.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
-3.0
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
1.5
1.5
1.5
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
1.5
1.5
1.5
3.0
3.0
3.0
1.0
1.0
1.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0
3.0
0.5
0.5
0.5
1.5
1.5
1.5
0.5
0.5
0.5
1.5
1.5
1.5
70
70
70
70
70
70
40
40
40
40
40
40
40
70
70
70
10
10
10
40
40
40
10
10
10
40
40
40
29
17
37
49
32
38
161
32
15
32
51
17
26
13
9
43
38
10
48
18
34
23
36
25
53
22
25
64
(kA)
Tiempo Distancia
de frente descarga lnea
(m)
(
s)
2.5
1.5
3.5
5.0
4.5
2.5
3.0
4.0
4.0
4.0
4.0
8.5
8.5
4.5
3.0
4.5
6.0
3.0
3.0
6.0
3.0
1.5
5.5
4.0
5.5
2.0
3.5
5.5
358
310
49
219
469
58
393
268
59
425
266
187
11
151
475
436
223
305
251
365
310
207
360
83
317
314
266
466
Velocidad
Tipo
Tensin
descarga
(km/s)
105950
82820
118535
210511
186508
196396
168214
86204
60816
86204
106528
63654
78889
136277
114354
203350
93885
50000
103705
85096
114354
95400
77242
64838
92477
165831
172039
224393
(kV)
200
200
200
50
50
50
350
350
350
350
350
350
350
50
50
50
350
350
350
200
200
200
500
500
500
50
50
50
0
0
2
0
0
2
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
25.02
35.88
636.78
7.41
3.89
627.44
67.64
57.96
72.16
59.62
83.08
32.74
343.69
17.61
14.12
10.06
32.32
36.38
64.84
18.93
47.03
101.39
57.04
114.29
66.89
24.67
15.37
11.25
228
Validacin
Para validar esta red neuronal se ha seguido un procedimiento similar al utilizado con el mtodo
de Rusck. La red neuronal se ha validado con 10000 patrones que no han intervenido en el
proceso de entrenamiento, distribuyendo 1000 para cada una de las configuraciones de lnea
mostradas en la Tabla 6.19. Los grficos de las figuras 6.59, 6.60, y 6.61 muestran los resultados
obtenidos para 3 de las configuraciones anteriores. Los resultados obtenidos con las otras
configuraciones son similares. Los resultados de la validacin muestran que los errores
correspondientes a ambas salidas de la red neuronal, clasificador y clculo de tensiones, en
general se encuentran acotados por debajo del 10 %.
Figura 6.57. Arquitectura de la red neuronal (Mtodo de Chowdhuri con lneas apantalladas).
229
230
231
232

Aplicación de Redes Neuronales en El Cálculo de Sobretensiones y Tasa de Contorneamientos

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Aplicación de Redes Neuronales en El Cálculo de Sobretensiones y Tasa de Contorneamientos

Hochgeladen von

Copyright:

Verfügbare Formate

6.

Aplicacin de redes neuronales

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.2. INTRODUCCIN A LAS REDES NEURONALES

Figura 6.1. Forma general de una neurona.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.2.1.3. Tipos de redes neuronales en el reconocimiento de patrones

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.2.1.4. Elementos de una red neuronal

Una funcin de activacin F, determina el nuevo estado de activacin aj(t+1) de la neurona,

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.2. Entradas y salidas de una neurona Uj.

Un aspecto importante en el aprendizaje de las redes neuronales es conocer como se

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

[(A1, B1 ), (A2 , B2 ),...,(A n , Bn )]

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

d) Representacin de la informacin de entrada y salida

6.2.2. Modelo de red neuronal Backpropagation

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.3. Modelo de arquitectura de una red Backpropagation.

y pk = f k(o) (net (o)

donde el ndice j vara entre 1 y el nmero de neuronas de la capa oculta.

siendo f k(o)' (net (o)

valor que depende de todos los trminos de error de la capa de salida.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

para los pesos de las neuronas de una capa oculta

siendo la tasa de aprendizaje (amplitud de paso).

6) El proceso se repite hasta que el error

resulta aceptablemente pequeo para cada uno de los patrones aprendidos.

6.2.2.2.2. Variables significativas del entrenamiento

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.4. Superficie del error.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Funcin de transferencia: La funcin de transferencia o funcin de activacin es la encargada

6.2.2.2.3. Tcnicas para la mejora del entrenamiento

donde a es la pendiente, x es la entrada neta de la neurona y b es el umbral de la neurona.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.5. Funcin de transferencia lineal.

Figura 6.6. Funcin de transferencia sigmoidal logstica.

Figura 6.7. Funcin de transferencia sigmoidal tangencial hiperblica.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.8. Funcin de transferencia lineal. Variacin de la pendiente.

Figura 6.9. Funcin de transferencia log-sigmoidal. Variacin de la pendiente.

Figura 6.10. Funcin de transferencia tan-sigmoidal. Variacin de la pendiente.

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

b) Intervalo de las entradas netas

c) Normalizacin de los datos

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.12. Funcin de transferencia log-sigmoidal (intervalo {0,1}/b=1).

Figura 6.13. Funcin de transferencia log-sigmoidal (intervalo {-1,1}/b=1).

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

Figura 6.14. Funcin de transferencia log-sigmoidal (completa/b=3).

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.2.2.3. Proceso de validacin de la red neuronal

a) Error porcentual en las salidas de la red neuronal

b) Salidas calculadas vs. salidas deseadas

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.3. ENTRENAMIENTO DE REDES NEURONALES EN EL CLCULO

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos

6.3.2. Clasificador de descargas atmosfricas. Lneas sin cable de tierra

Aplicacin de redes neuronales en el clculo de sobretensiones y tasa de contorneamientos