Beruflich Dokumente
Kultur Dokumente
FACULTAD DE INGENIERA
CARRERA DE INGENIERA ELCTRICA
LA PAZ-BOLIVIA
Abril, 2016
Dedicatoria
Agradecimientos
IV
NDICE GENERAL
DEDICATORIA ................................................................................................... III
AGRADECIMIENTOS ....................................................................................... IV
NDICE DE TABLAS ......................................................................................... IX
NDICE DE FIGURAS ......................................................................................... X
RESUMEN ......................................................................................................... XI
CAP. I
PWIJ...................................................................................... 50
3.3.1.6.-ARCHIVO
QVAIJ .................................................................................... 51
MULTICAPA .................................................................................................... 58
3.5.1.- SIMULACIN DE LA RED ........................................................................... 59
3.5.2.- ENTRENAMIENTO DE LA RED .................................................................... 60
3.5.2.1.- REGLA DELTA GENERALIZADA ............................................................... 60
3.5.3.- MTODOS QUE SE PUEDEN UTILIZAR EN MATLAB PARA MEJORAR LA
CAPACIDAD DE LA GENERALIZACIN DE LA RED ..................................................... 61
VIII
NDICE DE TABLAS
IX
NDICE DE FIGURAS
RESUMEN
XI
XII
CAP. I
FUNDAMENTOS GENERALES
1.1.- INTRODUCCIN.-
Es importante contar con datos fiables por cuanto si estos son errados, darn
resultados errados y por tanto la operacin del sistema de potencia se tornara catica.
Por lo que el proyecto se centra en estimar los estados del sistema de potencia
(Tensin en todos los Nodos tanto en modulo y fase), a partir de las mediciones de
Tensiones, potencias Activas y Reactivas, generando un sistema de ecuaciones sper
determinado (mas ecuaciones que incgnitas), para luego realizar los clculos y
anlisis mencionados anteriormente a partir de los estados estimados mediante la red
neuronal.
13
Vi
Flujos de
Potencia
Despacho
Analisis de
Economico
Estabilidad
Interfaz
deentrada
dedatos
Estimador de Estado
Di
Coordinacion
de Protecciones
Pij y Qij
Pr opuesta
desolucion
Modulo de
Re d
Estados
calculo de flujo
Neuronal
Estimados
de potencia
Artificial
Pij Qij Pi Qi Vi
Vi
Pi y Qi
......................
Pr oyeccon
de la demanda
de energia
1.2.- ANTECEDENTES.-
14
X1
Y1
Xi
Yn c
n2
n1
Capa deentrada
n3
Capas ocultas
n c1
nc
Xn
Capa desalida
Dentro del amplio rango de posibles aplicaciones de las redes neurales artificiales en
los sistemas elctricos de potencia (SEP). Como ser operacin y procesos de control,
incluyendo el anlisis de estabilidad, proyeccin de las cargas, ESTIMACIN DE
ESTADOS, anlisis de flujos de carga, anlisis de contingencias accin de control de
emergencias. Etc. (Computer Aplications in Power volume 14 Number 3 July 2001).
Las mediciones de campo que llegan al centro de despacho de carga deben ser
filtradas y procesadas para obtener los estados ms fiables del sistema elctrico de
potencia. A este mtodo de filtrado de errores y recuperacin de la informacin perdida
la denominaremos ESTIMADOR DE ESTADO EN UN SISTEMA ELCTRICO DE
POTENCIA.
16
Pij Qij Pi Qi Vi
Vi
Enterfaz
de entrada
de datos
Pi y Qi
Pij y Qij
Modulo de
Re d
Estados
calculo de flujo
Neuronal
Estimados
de potencia
Artificial
Problema encontrado:
Los
estimadores
de
estado
tradicionales,
demandan
un
tiempo
Pregunta de investigacin:
Propuesta de solucin:
1.4.- OBJETIVOS.-
1.5.- JUSTIFICACIN:
El trabajo podr ser aplicado para estimar los
estados en un sistema elctrico de potencia considerando los modelos de lneas de
transmisin, transformadores con tap fuera de su posicin nominal y banco de
capacitores y reactores en paralelo.
18
1.6.2.- Lmites.-
19
CAP. II
MARCO TERICO
21
sinpticos de la red para que estos tengan valores precisos que permitan a la red
realizar de forma eficiente y correcta la resolucin del problema para lo cual fue
entrenado [6], [7].
El proceso general de aprendizaje consiste en introducir paulatinamente los patrones
de entrenamiento (ejemplos para aprender) y modificar los pesos sinpticos siguiendo
un algoritmo de aprendizaje que permita determinar salidas optimas deseadas [6].
22
tipo
de
entrenamiento
requiere
el
23
2.3.2.-Clulas de McCulloch-Pitts
Wn
1 Si X i Wi
S
0 en caso contrario
2.3.3.-PERCEPTRON
Los primeros estudios sobre las redes neuronales
artificiales datan de los 50, sobre todo con la aparicin del modelo PERCEPTRON.
Este modelo era un sistema capaz de realizar tareas de clasificacin de forma
automtica. La idea bsica era tener un sistema que, a partir de un conjunto de
ejemplos de clases diferentes, fuera capaz de determinar las ecuaciones de las
25
X1
W1
W2
X2
26
Y Wi Xi
*
(ec. 2.1)
i 1
Y F(Y* , )
(ec. 2.2)
1
Si Y*
F(Y* , )
1 en caso contrario
(ec. 2.3)
Y F Wi X i
i 1
(ec. 2.4)
Si Y 0
1
Y
1 en caso contrario
(ec. 2.5)
Por tanto:
W1 X1 W2 X2 0
La ecuacin de la recta 2.6 de pendiente
pasa por
(ec. 2.6)
W1
, y que en el origen de las ordenadas
W2
Clase A
Clase B
X1
El problema es como determinar la ecuacin de tal recta que separa las clases a partir
de los datos de entrenamiento. Esto es lo que precisamente hace el PERCEPTRON
en su proceso de aprendizaje [6].
El problema se complica cuando en vez de dos dimensiones hay muchas ms. En este
caso no habr que determinar rectas, sino hiperplanos.
Si se llama X
Wi de acuerdo con:
Wi d(X) Xi
4. Si no se ha cumplido el criterio de finalizacin, volver a 2.
2.3.4.- ADALINE
La caracterstica del clasificador del PERCEPTRON
viene dada por la naturaleza de sus salidas, en donde la capa de salida codifica un
valor real en una salida binaria. Al ser binarios, solo pueden codificar un conjunto
discreto de estados. Si las salidas fueran nmeros reales, podra codificar cualquier
tipo de salida y se convertiran en sistemas de resolucin de problemas generales.
28
E ep
p 1
1 n
(d p Yp ) 2
2 p 1
(ec. 2.7)
Al ser esta la medida del error global, la regla delta intenta minimizar este valor por un
proceso iterativo, con lo que se modifica los parmetros de la red, mediante la REGLA
DEL DESCENSO DEL GRADIENTE.
La idea es realizar el cambio en cada peso para el patrn actual, tal que sea
proporcional a la derivada del error, respecto del peso.
p Wj
E p
Wj
(ec. 2.8)
E p Yp
Yp Wj
(ec. 2.9)
Xj
E p
Yp
(d p Yp )
(ec. 2.10)
p Wj (d p Yp ) X j
(ec. 2.11)
29
(d p Yp ).
4. Para
todos
los
pesos,
multiplicar
dicha
diferencia
por
la
entrada
El
PERCEPTRON
MULTICAPA
es
una
30
31
X1
Y1
Xi
Yn c
n1
Capa deentrada
n2
n3
Capasocultas
n c1
nc
Xn
Capa desalida
Funcin Sigmoidal:
1
1 e x
(ec. 2.12)
1 e x
1 e x
(ec. 2.13)
f1(x)
f 2(x)
Funcin Lineal:
f3(x) x
(ec.2.14)
2.3.5.2.-Algoritmo De Retropropagacin
Primero.Se aplican una secuencia de patrones de entrada y salida deseada, la red neuronal
calcula la salida en base a los datos de entrada, se compara el resultado con la salida
deseada y se calcula el error para cada neurona de salida.
33
Segundo.El error calculado se transmite hacia atrs en forma proporcional partiendo de la capa
de salida capa por capa hasta que todas las neuronas hayan recibido un error que
describa su aportacin relativa al error total, en base al valor porcentual del error
recibido se ajustan los pesos de las sinapsis de cada neurona de tal manera que en la
siguiente vez que se presenten el mismo patrn la salida est ms cercana a la
deseada.
1 N
e(n)
N n 1
(ec. 2.15)
e(n) es el error
, dado por:
1 nc
e(n) (si(n) yi(n) )2
2 i1
Siendo
(ec. 2.16)
Y(n) [y1(n) , y2(n) ,......., ync (n) ] y S(n) [s1(n) ,s2(n) ,.......,snc (n) ] los vectores de la
n , respectivamente.
aprendizaje:
W(n) W(n 1)
Donde
e(n)
W
(ec. 2.17)
34
de la capa C 1 a la neurona i de
la capa de salida.
Utilizando la ecuacin 2.17 se tiene:
WjiC(n)1 WjiC(n11)
e(n)
(ec. 2.18)
WjiC(n)1
De acuerdo a la expresin 2.16 y teniendo en cuenta, por un lado, que las salidas
deseadas
si(n) para la red son constantes que no dependen del peso y ,por otro lado
e(n)
C1
ji(n)
(si(n) yi(n) )
yi(n)
(ec. 2.19)
WjiC(n)1
( W
j1
C 1
ji
x Cj 1 iC ) ,
el nico en el que interviene el peso WjiC1 es WjiC1 x Cj , por lo que, es el nico cuya
derivada es distinta de cero, entonces se tiene:
35
yi(n)
C1
ji(n)
W
Definimos el trmino
n c 1
f ' WjiC1 x Cj 1 iC
j1
C1
x j(n)
(ec. 2.20)
n , se tiene:
C
i(n)
nc1 C1 C1
'
(ec. 2.21)
e(n)
C1
ji(n)
C
i(n)
x Cj(n)1
(ec. 2.22)
Para todo
(ec. 2.23)
j 1,2,3,........,n c1 ; i 1,2,3,........,n c
Para todo
i 1,2,3,........,n c
(ec. 2.24)
j de la capa C 1.
WkjC(n)2 WkjC(n21)
e(n)
WkjC(n)2
(ec. 2.25)
36
A diferencia de los pesos hacia la capa de salida, el peso WkjC 2 influye todas las
salidas de la red, por lo que la derivada del error ser:
e(n)
WkjC2
nc
yi(n)
i 1
WkjC(n)2
(si(n) yi(n) )
(ec. 2.26)
de la capa oculta C 1
yi(n)
x Cj 1
C1
Wji
WkjC2
nc 1 C1 C1
f Wji x j iC
j1
'
WkjC(n)2
e(n)
nc
WkjC2
Para obtener la derivada
WkjC2
C1
ji
x Cj 1
n c 2 C 2 C 2
f Wkj x k Cj 1
k 1
, se tiene:
(ec. 2.28)
WkjC2
'
C 2
kj
i 1
x Cj 1
x Cj 1
Se define el valor de
C
i(n)
(ec. 2.27)
C2
x k(n)
(ec. 2.29)
C1
, ser:
para las neuronas de la capa C 1, entonces j(n)
C1
j(n)
nc
n c 2 C 2 C 2
C1
C
f Wkj x k j i(n)
WjiC1
k 1
i1
'
(ec. 2.30)
e(n)
C 2
kj
C1
2
j(n)
x Ck(n)
(ec. 2.31)
(ec. 2.31)
37
Para
k 1,2,3,........,n c2 ; j 1,2,3,........,n c1
Para
(ec. 2.32)
para el patrn
c 1
y j(n)
c1
j(n)
n c 1
nc c c
c
c 2
f Wkj x k j i(n)
Wjic
k 1
i1
'
(ec. 2.33)
Para
(ec. 2.34)
X (n ) , obtenindose as la respuesta de
Y(n) .
n , utilizando la
ecuacin 2.16.
4. Se aplica la regla delta generalizada para modificar los pesos y umbrales de la
red. Para ello se siguen los siguientes pasos:
I.
III.
Vi
Rij
Vj
X ij
I3
I2
Bij
Gij
Gij
Bij
B
G
1
I1 I2 I3 ij j ij Vi
Vi Vj
2
R ij jXij
2
(ec. 2.55)
39
S V I*
(ec. 2.56)
Separando parte real e imaginario podemos llegar a obtener las ecuaciones de flujos
de potencia tanto activa como reactiva.
G
V V
R
Pij Vi2 ij 2 ij 2 2i j 2 R ij cos ij X ij sin ij
2 R ij X ij R ij X ij
(ec. 2.57)
B
V V
X
Qij Vi2 ij 2 ij 2 2i j 2 R ij sin ij Xij cos ij
2 R ij Xij R ij Xij
(ec. 2.58)
Vi
I1
Rij
Vj
X ij
I3
I2
Bij
Gij
Gij
Bij
40
R
Vi Vj
Vi2 G ij
Xij sin ij R ij cos ij
Pij 2 2 ij 2
(ec. 2.59)
X
Vi Vj
Vi2 Bij
R sin ij Xij cos ij (ec. 2.60)
Qij 2 2 ij 2
2
2 ij
a 2 R ij Xij a(R ij X ij )
Consideraremos este ltimo para todos los elementos del sistema por considerarlo
general, pues solamente varia en el factor a que ser 1 si es lnea de transmisin,
caso contrario ser un transformador con tap:
k 1
k 1
Pi Pgik Pdik
V 2 G ij
R
Vi Vj
Pi i2
2 ij 2
Xij sin ij R ij cos ij
(ec. 2.61)
(ec. 2.62)
k 1
k 1
Qi Qgik Qdik
V 2 Bij
X
Vi Vj
Qi i2
2 ij 2
R sin Xij cos ij
2 R X a R 2 X 2 ij ij
j1i a
ij
ij
ij
ij
(ec. 2.63)
(ec. 2.64)
41
CAP. III
MARCO PRCTICO
INTERFAZ
DE ENTRADA
DE DATOS
Vi
Pi y Qi
Pij y Qij
RNA
ESTADOS DEL
SISTEMA
MODULO DE
CALCULO DE
FLUJOS E
INYECCIONES
DE POTENCIA
42
Donde:
Vi
Pi y Qi
Pij y Qij
43
S/ E
Rioseco
S/ E
Cosmos
2
El Alto1
S/ E
Catacora
S/ E
Kenko
1
S/ E
Alto Achachicala
4
22
20
S/ E
Achachicala
Tiquimani
17
Botijlaca
Zongo
S/ E
Rosassani
El Alto2
GEN
21
19
GEN
COBEE
S/ E
Tiquimani
18
S/ E
Challapampa
S.I.N.
16
S/ E
Cota cot a
15
S/ E
Bo log nia
14
13
Tap
Bahai
11
Tap
Chuquiaguillo
S/ E
Pichu
8
Yanacachi
S/ E
Pampahasi
12
S/ E
Cumbre
7
Chuspipata
Chojlla
10
S/ E
S/ E
Alto Achachicala
4
Rioseco
S/ E
Tiquimani
S/ E
Cosmos
S/ E
21
19
Catacora
S/ E
Kenko
1
22
20
S/ E
Zongo
Achachicala
17
Tiquimani
S/ E
18
Rosassani
S/ E
Botijlaca
Challapampa
16
15
6
S/ E
S/ E
Cota cot a
S/ E
Bolog nia
14
13
Tap
Pampahasi
12
Bahai
11
Tap
S/ E
Chuquiaguillo
Cumbre
Yanacachi
S/ E
Pichu
8
Chojlla
Chuspipata
10
Figura 3.3 Diagrama unifilar simplificado del Sistema Norte Boliviano de 115 kV
Fuente: Adaptacin propia [C.N.D.C., Julio 2015]
45
Kenko
12
Pampahasi
Cosmos
13
Bahai(Tap)
Rio Seco
14
Bolognia
Alto Achachicala
15
Cota Cota
Tiquimani
16
Rosasani
Cumbre
17
Achachicala
Chuspipata
18
Challapampa
Pichu
19
Catacora
Yanacachi
20
Zongo
10
Chojlla
21
G-Tiquimani
11
Chuquiaguillo(Tap)
22
Botijlaca
46
Lnea
Cdigo
Nodo i
Nodo j
Rij [pu]
Xij [pu]
Bij [pu]
Gij [pu]
Long [Km]
COS_KEN115
0.005130000000000
0.017669996219282
0.002166000048450
5.7
KEN_COT115
15
0.017385784499055
0.048949270321361
0.005836660024910
15.73
COS_RSE115
0.007840000000000
0.026214994328922
0.003491739829600
8.8
AAC_RSE115
0.008160000000000
0.027284998109641
0.003681871496660
9.16
TIQ_AAC11501
0.028839856332703
0.095524763705104
0.012310707745895
31.66
TIQ_AAC11502
0.028520000000000
0.096332022684310
0.011872010206860
31.56
AAC_ACH115
17
0.001405704347826
0.004703091871456
0.000626869634040
1.56
ZON_AAC115
20
0.018356975425331
0.065055243856333
0.007439922125000
20
TIQ_CUM115
0.024782593572779
0.083592362948960
0.010460354319010
27.32
10
BOT_TIQ115
22
0.000931969754253
0.003302805293006
0.000389413219650
1.05
11
CHS_CUM115
0.048916249527410
0.144560302457467
0.015992396621175
45.06
12
TCH_CUM115
11
0.007092256332703
0.026908725897921
0.003082815700002
8.47
13
CHS_PIC115
0.011959848771267
0.035110170132325
0.003900402962500
11
14
YAN_PIC115
0.012163198487713
0.034305595463138
0.004173867555200
11.2
15
CHJ_PIC115
10
0.007058999621928
0.019909497164461
0.002422430986625
6.5
16
PAM-TCH
11
12
0.003706927032136
0.012638850661626
0.001549868828750
4.1
17
PAM_TBA115
12
13
0.001928487712665
0.006723644612476
0.000792243320825
2.15
47
18
BOL-TBA115
13
14
0.002540999621928
0.007392000000000
0.000831599327212
2.31
19
ROS_TBA
13
16
0.000971777693762
0.002853647637051
0.000317905271705
0.89
20
BOL_COT115
14
15
0.005567097920605
0.016195198487713
0.001821959886175
5.06
21
ACH_CHA115
17
18
0.002579360302457
0.002596508884688
0.039376289768375
3.43
22
CHA-CTC115
18
19
0.001338559546314
0.001347460869565
0.020434380460050
1.78
23
TIG_ZON115
20
21
0.006664996597353
0.023620060491493
0.002784894448072
7.47
24
BOT_TIG115
21
22
0.002287561436673
0.008106880907372
0.000955832410240
2.56
48
3.3.1.2.-Archivo Flujcarga
Este programa en primera instancia pide la potencia
base para realizar los clculos, luego llama a dos archivos Flujpac y Flujqvar, con la ayuda
de los archivos mencionados anteriormente el programa calcula el flujo de potencias
activas y reactivas del sistema.
3.3.1.3.-Archivo Flujpac
Este programa llama al archivo pwij, con la ayuda de
este el programa calcula el flujo de potencia activa entre i y el nodo j.
3.3.1.4.-Archivo Flujqvar
Este programa llama al archivo qvaij, con la ayuda de
este el programa calcula el flujo de potencia reactiva entre i y el nodo j.
3.3.1.5.-Archivo pwij
Este programa calcula el flujo de potencia activa entre i
y el nodo j.
50
3.3.1.6.-Archivo qvaij
Este programa calcula el flujo de potencia reactiva entre
i y el nodo j.
52
53
En tanto que para la cantidad de neuronas en la capa de entrada no existe un criterio bien
definido para su seleccin, pero se observa que cuanto mayor es la cantidad de neuronas
ms robusto es el estimador, en el presente proyecto de grado se trabaj con 162 neuronas
(cantidad de datos medidos).
En cuanto a la capa oculta tampoco hay un criterio bien definido para la seleccin de la
cantidad de neuronas (en este caso 50 neuronas) ni para la seleccin de la funcin de
activacin, pero se recomienda que la funcin de activacin debe estar acorde al sistema
que se est analizando, que en este caso es un sistema no lineal, por lo que la funcin que
mejor se adecua a esa no linealidad es la Tansing, por su forma saturada que presenta.
54
Capa oculta
Entrada
X
1
Went
ent
Capa desalida
X'
Wocu
ocu
'
X' Tansig(Went X ent ) Y Purelin(Wocu X ocu )
Trainlm(Levenberg-Marquardt backpr)
Con cada uno de los mtodos de entrenamiento que se utiliz se pudo evidenciar la
influencia de los mismos en el tiempo de entrenamiento de la red, ver tabla 3.3.
55
Entrenamiento de la Red
Mtodo
Tiempo[Horas]
N de Iteraciones
trainlm
5,1097
18
trainr
5,3569
19200
trainbfg
5,4342
37
trainoss
5,8672
180284
trainb
6,0852
18815
traingdm
6,2106
48762
traingd
6,9033
108066
trainscg
6,9576
200000
traingda
7,2181
26825
trainbr
7,2953
483
La red neuronal entrenada por los diferentes mtodos mencionados anteriormente, fue
sometiendo a ruidos o errores en los datos medidos, para as realizar la validacin y
analizar la sensibilidad de la red neuronal (estimador de estado); Se pudo evidenciar que
la red neuronal ms robusta fue la que se entren con el mtodo Levenberg-Marquardt
(trainlm).
56
57
Para
la
creacin
de
la
red
en
MATLAB
del
PERCEPTRON MULTICAPA con conexin hacia adelante utilizamos la funcin newff, los
argumentos de esta funcin se describen a continuacin [1], [43]:
58
[A, B,.] este vector almacena el dato del nmero de neuronas que tienen todas
las capas ocultas de la red y del nmero de neuronas de salida, y con ello
proporciona al programa el nmero de capas que debe tener la red.
Salida=sim(net,p);
59
Para indicar que se quiere utilizar esta definicin del error en MATLAB, la variable
net.performFcn debe igualarse a MSE (en cualquier caso, este valor MATLAB lo toma por
defecto)
Para entrenar una red se utiliza la funcin train. En cuyo argumento est el nombre de la
red ya creada que se quiere entrenar y los patrones, tanto de entrenamiento p como las
deseadas T, por lo que el cdigo se escribir de la siguiente manera:
[net, pr]=train(net,p,T);
goal: este variable indica un valor mnimo limite que puede alcanzar la funcin error
de la red, si este alcanza dicho valor, el entrenamiento parara automticamente
time: este parmetro indica el tiempo mximo en segundos que puede durar el
entrenamiento de la red, una vez alcanzado este valor el entrenamiento de detendr
automticamente.
min_grad: determina el valor mnimo necesario que debe tener el gradiente para
detener el algoritmo.
Para llamar a estos parmetros se utiliza la siguiente lnea de cdigo (en el caso de la
variable ephoch):
net.trainParam.ephoch=100;
Uno
de
los
problemas
que
ocurre
durante
el
el mtodo de
61
3.5.3.1.- Regularizacin
Este mtodo implica modificar la definicin de la funcin
error utilizada en el entrenamiento.
(ec. 3.1)
(ec. 3.2)
definicin de funcin error provoca que los pesos de la red obtenidos sean pequeos, lo
que provoca una respuesta ms suave de la red, y este hace menos probable el fenmeno
de sobreaprendizaje.
En MATLAB esto se introduce modificando el valor de la variable net.performFcn al valor
msereg. El problema de este mtodo es conocer el valor optimo del parmetro , si es
muy grande puede provocar sobreaprendizaje, si es muy pequeo, la red no se adecua
bien a los datos de aprendizaje. Este valor se modifica mediante la siguiente lnea de
cdigo[1], [43]:
Net.performParam.ratio=0.5;
Los datos de entrada iniciales medidos del Sistema Norte Boliviano son los que se presentan
en las tablas 3.3, 3.4, 3.5 y 3.6 en lo que se refiere al resto de los datos de entrada para el
entrenamiento, se obtuvo al aplicar un ruido randmico a los datos de salidas deseadas
tanto a la magnitud como al ngulo de las tensiones nodales.
63
Voltajes Nodales
Nodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Subestacin/ Tap
KENKO
COSMOS
RIO SECO
ALTO ACHACHICALA
TIQUIMANI
CUMBRE
CHUSPIPATA
PICHU
YANACACHI
CHOJLLA
CHUQUIAGUILLO(TAP)
PAMPAHASI
BAHAI(TAP)
BOLOGNIA
COTACOTA
ROSASSANI
ACHACHICALA
CHALLAPAMPA
CATACORA
ZONGO
G-TIQUIMANI
BOTIJLACA
64
Cdigo
Nodo i
Nodo j
P medido [MW]
Q medido [MVAR]
COS_KEN115
18,6487726
9,08131463
KEN_COT115
15
3,1368591
56,7243679
COS_RSE115
-1,4400782
2,28344578
AAC_RSE115
-24,8270806
-5,94355146
TIQ_AAC11501
-47,748586
-8,59049701
TIQ_AAC11502
-47,748586
-8,59049701
AAC_ACH115
17
36,3141671
9,95071122
ZON_AAC115
20
-46,3996871
-9,43039774
TIQ_CUM115
9,91277423
29,3710827
10
BOT_TIQ115
22
39,2898299
4,74661359
11
CHS_CUM115
-63,8262954
4,65397882
12
TCH_CUM115
11
73,4816868
24,9318321
13
CHS_PIC115
-80,7945327
6,47948557
14
YAN_PIC115
-47,6666931
2,42016291
15
CHJ_PIC115
10
-35,2819369
1,17674536
16
PAM-TCH
11
12
72,9689368
23,5486887
17
PAM_TBA115
12
13
61,6004089
18,9488178
18
BOL-TBA115
13
14
43,5110518
12,0167238
19
ROS_TBA
13
16
18,5068265
6,5312716
20
BOL_COT115
14
15
20,8203862
6,45177434
21
ACH_CHA115
17
18
35,9398967
10,1558857
22
CHA-CTC115
18
19
16,3497216
4,18595894
23
TIG_ZON115
20
21
-46,759269
-10,2257303
24
BOT_TIG115
21
22
-45,9553748
-5,8175478
Cdigo
Nodo j
Nodo i
P medido [MW]
Q medido [MVAR]
COS_KEN115
-18,6258154
-9,21085129
KEN_COT115
15
-2,55002864
-55,6194629
COS_RSE115
1,44073785
-2,61645348
AAC_RSE115
24,8823295
5,77368318
TIQ_AAC11501
48,4401497
9,7518862
TIQ_AAC11502
48,4401497
9,7518862
AAC_ACH115
17
-36,2935436
-9,94225148
ZON_AAC115
20
46,8241196
10,2041737
TIQ_CUM115
-9,66974366
-29,5814621
10
BOT_TIQ115
22
-39,2754027
-4,73486835
11
CHS_CUM115
65,9220316
-0,03752512
12
TCH_CUM115
11
-73,0352497
-23,5296389
13
CHS_PIC115
81,5693662
-4,60354088
14
YAN_PIC115
47,9358269
-2,0930964
15
CHJ_PIC115
10
35,3673656
-1,18585482
16
PAM-TCH
12
11
-72,7355414
-22,8968498
17
PAM_TBA115
13
12
-61,5135954
-18,7190744
18
BOL-TBA115
14
13
-43,4546321
-11,9287778
19
ROS_TBA
16
13
-18,5027478
-6,54846947
20
BOL_COT115
15
14
-20,7913854
-6,53355555
21
ACH_CHA115
18
17
-35,9014782
-13,9113037
22
CHA-CTC115
19
18
-16,3456317
-6,1476697
23
TIG_ZON115
21
20
46,9122905
10,4889196
24
BOT_TIG115
22
21
46,0040687
5,8936418
Nodo
Subestacin/ Tap
P medido [MW]
Q medido [MVAR]
KENKO
21,7856317
65,8056825
COSMOS
-20,0658936
-6,9274055
RIO SECO
-23,3863428
-8,56000494
ALTO ACHACHICALA
-32,9517765
-2,29650035
TIQUIMANI
97,6427538
43,8695825
CUMBRE
-0,01435221
0,00434884
CHUSPIPATA
-14,8725011
6,44196045
PICHU
-1,37926377
-1,00663261
YANACACHI
47,9358269
-2,0930964
10
CHOJLLA
35,3673656
-1,18585482
11
CHUQUIAGUILLO(TAP)
-0,06631287
0,01904978
12
PAMPAHASI
-11,1351325
-3,94803195
13
BAHAI(TAP)
0,50428289
-0,171079
14
BOLOGNIA
-22,6342459
-5,47700341
15
COTACOTA
-23,3414141
-62,1530184
16
ROSASSANI
-18,5027478
-6,54846947
17
ACHACHICALA
-0,35364693
0,21363424
18
CHALLAPAMPA
-19,5517566
-9,72534474
19
CATACORA
-16,3456317
-6,1476697
20
ZONGO
0,06485063
-0,02155661
21
G-TIQUIMANI
0,95691576
4,6713718
22
BOTIJLACA
6,72866597
1,15877345
67
V [ kV ]
V [ p.u. ]
Angulo [ ]
113.01008
0.98270
-46.468
112.70866
0.98008
-46.636
112.64653
0.97954
-46.602
113.07153
0.98323
-46.227
115.68057
1.00592
-43.694
112.54232
0.97863
-43.745
115.82881
1.00721
-38.219
116.71193
1.01489
-36.584
117.28168
1.01984
-35.661
10
116.96756
1.01711
-36.189
11
111.15699
0.96658
-44.835
12
110.48444
0.96073
-45.350
13
110.19037
0.95818
-45.585
14
109.95128
0.95610
-45.767
15
109.68516
0.95378
-45.956
16
110.14638
0.95779
-45.614
17
112.95707
0.98224
-46.320
18
112.81191
0.98097
-46.357
19
112.77809
0.98068
-46.366
20
114.80642
0.99832
-44.562
21
115.44606
1.00388
-43.969
22
115.62080
1.00540
-43.765
68
Las tensiones y potencias Base como tambin la posicin de los taps en los
transformadores son:
Potencia base = 100 [MVA] y Voltaje base= 115 [kV]
Posicin del tap de los transformadores = 1 (no interviene en el caso de estudio)
3.7.- Resultados obtenidos al cabo del entrenamiento
Subestacin/ Tap
KENKO
COSMOS
RIO SECO
ALTO ACHACHICALA
TIQUIMANI
CUMBRE
CHUSPIPATA
PICHU
YANACACHI
CHOJLLA
CHUQUIAGUILLO(TAP)
PAMPAHASI
BAHAI(TAP)
BOLOGNIA
COTACOTA
ROSASSANI
ACHACHICALA
CHALLAPAMPA
CATACORA
ZONGO
G-TIQUIMANI
BOTIJLACA
113,01008
112,70866
112,64653
113,07153
115,68057
112,54232
115,82881
116,71193
117,28168
116,96756
111,15699
110,48444
110,19037
109,95128
109,68516
110,14638
112,95707
112,81191
112,77809
114,80642
115,44606
115,62080
113,14789
112,84830
112,78900
113,20986
115,82399
112,68646
115,96639
116,84742
117,41486
117,10374
111,29892
110,61976
110,33192
110,08246
109,82604
110,28696
113,09495
112,95535
112,91619
114,93862
115,57864
115,75796
Lnea
Cdigo
Nodo i
Nodo j
P medido [MW]
P estimado [MW]
Q medido [MVAR]
Q estimado [MVAR]
COS_KEN115
18,6487726
18,650363
9,08131463
9,0794372
KEN_COT115
15
3,1368591
3,13561658
56,7243679
56,7247147
COS_RSE115
-1,4400782
-1,44169033
2,28344578
2,28359347
AAC_RSE115
-24,8270806
-24,8265448
-5,94355146
-5,94336681
TIQ_AAC11501
-47,748586
-47,7492085
-8,59049701
-8,59064885
TIQ_AAC11502
-47,748586
-47,7492085
-8,59049701
-8,59064885
AAC_ACH115
17
36,3141671
36,3080437
9,95071122
9,95569363
ZON_AAC115
20
-46,3996871
-46,4002612
-9,43039774
-9,42984384
TIQ_CUM115
9,91277423
9,91297875
29,3710827
29,3718503
10
BOT_TIQ115
22
39,2898299
39,3048016
4,74661359
4,75813655
11
CHS_CUM115
-63,8262954
-63,8265699
4,65397882
4,65411081
12
TCH_CUM115
11
73,4816868
73,4803567
24,9318321
24,9312999
13
CHS_PIC115
-80,7945327
-80,793137
6,47948557
6,47853118
14
YAN_PIC115
-47,6666931
-47,6658455
2,42016291
2,42020083
15
CHJ_PIC115
10
-35,2819369
-35,28273
1,17674536
1,17898583
16
PAM-TCH
11
12
72,9689368
72,9725966
23,5486887
23,5501968
17
PAM_TBA115
12
13
61,6004089
61,6041561
18,9488178
18,9456642
18
BOL-TBA115
13
14
43,5110518
43,5008558
12,0167238
12,017176
19
ROS_TBA
13
16
18,5068265
18,4993137
6,5312716
6,53518797
70
20
BOL_COT115
14
15
20,8203862
20,8214265
6,45177434
6,45231668
21
ACH_CHA115
17
18
35,9398967
35,9417255
10,1558857
10,1593675
22
CHA-CTC115
18
19
16,3497216
16,3484489
4,18595894
4,20513097
23
TIG_ZON115
20
21
-46,759269
-46,7605755
-10,2257303
-10,2242712
24
BOT_TIG115
21
22
-45,9553748
-45,9479153
-5,8175478
-5,82382305
Lnea
Cdigo
Nodo j
Nodo i
P medido [MW]
P estimado [MW]
Q medido [MVAR]
Q estimado [MVAR]
COS_KEN115
-18,6258154
-18,6274044
-9,21085129
-9,20896931
KEN_COT115
15
-2,55002864
-2,54878028
-55,6194629
-55,6197931
COS_RSE115
1,44073785
1,44235042
-2,61645348
-2,61659983
AAC_RSE115
24,8823295
24,8817913
5,77368318
5,77349014
TIQ_AAC11501
48,4401497
48,4407903
9,7518862
9,75209832
TIQ_AAC11502
48,4401497
48,4407903
9,7518862
9,75209832
AAC_ACH115
17
-36,2935436
-36,2874252
-9,94225148
-9,94725071
ZON_AAC115
20
46,8241196
46,8247018
10,2041737
10,2036484
TIQ_CUM115
-9,66974366
-9,66993618
-29,5814621
-29,5821895
10
BOT_TIQ115
22
-39,2754027
-39,2903626
-4,73486835
-4,74634939
11
CHS_CUM115
65,9220316
65,9223256
-0,03752512
-0,03759907
12
TCH_CUM115
11
-73,0352497
-73,0339358
-23,5296389
-23,5291685
71
13
CHS_PIC115
81,5693662
81,5679428
-4,60354088
-4,60266799
14
YAN_PIC115
47,9358269
47,9349698
-2,0930964
-2,09316102
15
CHJ_PIC115
10
35,3673656
35,3681629
-1,18585482
-1,18808321
16
PAM-TCH
12
11
-72,7355414
-72,7391772
-22,8968498
-22,8982761
17
PAM_TBA115
13
12
-61,5135954
-61,5173354
-18,7190744
-18,7158957
18
BOL-TBA115
14
13
-43,4546321
-43,4444603
-11,9287778
-11,9293005
19
ROS_TBA
16
13
-18,5027478
-18,4952373
-6,54846947
-6,55239287
20
BOL_COT115
15
14
-20,7913854
-20,7924227
-6,53355555
-6,53408898
21
ACH_CHA115
18
17
-35,9014782
-35,9033012
-13,9113037
-13,914779
22
CHA-CTC115
19
18
-16,3456317
-16,3443567
-6,1476697
-6,16683842
23
TIG_ZON115
21
20
46,9122905
46,9136033
10,4889196
10,4874828
24
BOT_TIG115
22
21
46,0040687
45,9965953
5,8936418
5,89986789
Subestacin/ Tap
P medido [MW]
Q estimado [MVAR]
KENKO
21,7856317
21,7859796
65,8056825
65,8041519
COSMOS
-20,0658936
-20,0690947
-6,9274055
-6,92537584
RIO SECO
-23,3863428
-23,3841944
-8,56000494
-8,55996664
ALTO ACHACHICALA
-32,9517765
-32,9596348
-2,29650035
-2,29130892
72
TIQUIMANI
97,6427538
97,6585707
43,8695825
43,8820852
CUMBRE
-0,01435221
-0,01614944
0,00434884
0,00322125
CHUSPIPATA
-14,8725011
-14,8708114
6,44196045
6,44093211
PICHU
-1,37926377
-1,38063274
-1,00663261
-1,00348132
YANACACHI
47,9358269
47,9349698
-2,0930964
-2,09316102
10
CHOJLLA
35,3673656
35,3681629
-1,18585482
-1,18808321
11
CHUQUIAGUILLO(TAP)
-0,06631287
-0,06133917
0,01904978
0,02102835
12
PAMPAHASI
-11,1351325
-11,1350211
-3,94803195
-3,95261185
13
BAHAI(TAP)
0,50428289
0,48283406
-0,171079
-0,16353167
14
BOLOGNIA
-22,6342459
-22,6230338
-5,47700341
-5,47698381
15
COTACOTA
-23,3414141
-23,341203
-62,1530184
-62,1538821
16
ROSASSANI
-18,5027478
-18,4952373
-6,54846947
-6,55239287
17
ACHACHICALA
-0,35364693
-0,34569968
0,21363424
0,21211679
18
CHALLAPAMPA
-19,5517566
-19,5548524
-9,72534474
-9,70964806
19
CATACORA
-16,3456317
-16,3443567
-6,1476697
-6,16683842
20
ZONGO
0,06485063
0,0641263
-0,02155661
-0,0206228
21
G-TIQUIMANI
0,95691576
0,96568805
4,6713718
4,66365973
22
BOTIJLACA
6,72866597
6,70623269
1,15877345
1,1535185
CAP. IV
CONCLUSIONES Y RECOMENDACIONES
4.1.- Conclusin
Analizando objetivos alcanzados en el presente trabajo.
Objetivos secundarios:
1) Estudiar RNAS orientados al reconocimiento de patrones.
En vista de los resultados obtenidos de los flujos de potencia a partir de los estados
estimados, como tambin en vista del cdigo de programacin en MATLAB adjunto
al presente trabajo, se puede evidenciar el alcance satisfactorio de este objetivo.
74
Objetivo general:
En base al anlisis anterior de los objetivos alcanzados, se puede indicar que el problema
de estimacin de estado puede ser resuelto a travs de la aplicacin de las redes
neuronales artificiales, lo cual result ser robusto ante posibles ruidos o errores que puede
tener ciertas mediciones que se utilizan para la planificacin o anlisis de flujos e
inyecciones de potencia en un sistema elctrico, adems que resulta ser factible la
implementacin prctica.
75
4.2.- Recomendaciones
En vista del proceso de desarrollo del presente proyecto
y de los resultados obtenidos al cabo del mismo, se puede recomendar y/o indicar que:
76
CAP. V
BIBLIOGRAFA Y ANEXOS
5.1.- Bibliografa
[1] Howard Demuth Mark Beale - 1998. Neural Network Toolbox for use with MATLAB
[2] James A. Freeman/ David M. Skapura - 1993. Redes Neuronales
[3] Jose Ramon Hilera Gonzales/ Victor Martiez Hernando - 1995. Redes Neuronales
Artificiales
[4] Edgar Sanchez Sinencio/ Clifford Lau - 1995. Artificial Neural Networks
[5] IEEE
[6] Pedro Isasi viuela/ Ins M. Galvn Len - 2004. Redes de Neuronas Artificiales Un
Enfoque Prctico, Primera edicin, Editorial Pearson Education-Prentice Hall.
[7] Pedro Ponce Cruz Julio 2010. Inteligencia artificial con aplicaciones a la
ingeniera, Primera edicin, Editorial Alfaomega.
[8] Russell, Stuart J. / Meter Norvig - 2004. Inteligencia artificial, Un enfoque moderno,
Segunda edicin, Editorial Pearson Education-Prentice Hall.
77
[15] Ruperto Juan Aduviri Rodrguez La Paz 1992. Estimador de Estado en Sistemas
de Potencia
[16] Felipe Santiago Quisbert Navarro La Paz 2009. Estimador de Estados en
Sistemas Elctricos
[17] Michel Hernndez Hazel Yurai Junio 2009. Estimacin de estado por mnimos
cuadrados ponderados en sistemas de potencia empleando el mtodo de newton
[18] Fernando Manuel Betancourt Ramrez Diciembre 1988. Consideraciones prcticas
para la utilizacin de tcnicas de estimacin de estado
[19] Rodrigo Jos Albuquerque-2012. Mtodos alternativos para estimacin de estado
en sistemas de energa elctrica
[20] Jorge Luis Ramirez Izaga Septiembre 2007. Nuevos modelos para la estimacin
de estado en redes de distribucin
[21] Holly Moore - 2007. Matlab para ingenieros, Primera edicin, Editorial Pearson
Education-Prentice Hall.
[22] Javier Garca De Jaln/ Jos Ignacio Rodrguez Septiembre 2005. Aprenda matlab
7.0 como si estuviera en primero
[23] John H. Mathews/ Kurtis D. Fink - 2000. Mtodos numricos con matlab, Editorial
Prentice Hall.
[24] Roberto Rodrguez del Rio. Graficas con matlab
[25] Hernan Catari Ramos/Rodmy Miranda Ordoez Marzo 2009. Matlab para el
anlisis de sistemas elctricos de potencia
[26] Guzman Dolores Misael junio 2012. Flujos de potencia con matlab
[27] Cesar Prez Madrid 2002. Matlab y sus aplicaciones en las ciencias y la
ingeniera, Primera edicin, Editorial Pearson Education-Prentice Hall.
[28] Cesar Perez Madrid 2011. Matlab a travs de ejemplos, Primera edicin, Editorial
Garceta.
[32] Diego Orlando Barragan Guerrero - Mayo 2008. Manual de interfaz grfica de
usuario en matlab
[33] Maulio Rodriguez - Octubre 1992. Anlisis de sistemas de potencia, Segunda
edicin, Editorial Universidad de Zulia.
[34] Gabriel Arguello Ros - Marzo 1988. Anlisis y control de sistemas elctricos de
potencia
[35] Gilberto Enriquez Harper. Tcnicas computacionales en sistemas elctricos de
potencia, Pre-Edicin, Editorial Limusa.
[36] John J. Grainger/ William D. Stevenson Jr. - 1996. Anlisis de sistemas de potencia,
Primera edicin, Editorial Mc Graw Hill.
[37] J. Duncan Glover/Mulukutia S. Sarma - 2004. Sistemas de potencia anlisis y
diseo, Tercera edicin, Editorial Thomson.
[38] Turan Gonen - 1988. Transmission system engineering analysis and design
[39] Theodore Wildi - 2007. Maquinas elctricas y sistemas de potencia, Sexta edicin,
Editorial Pearson Education-Prentice Hall.
[40] E.E. Staff- M.I.T. circuitos magnticos y transformadores, Editorial Revert.
[41] Stephen j. Chapman. Maquinas elctricas, Tercera edicin, Editorial Mc Graw Hill.
[42] Mara Jos Gmez Gallego - 2012. Redes neuronales artificiales para la
simulacin, estimacin y control de caudales impulsados por estaciones de bombeo
en zonas regables.
[43] Alonso Moreno Rodrguez - 2011. Desarrollo de una interfaz grfica de redes
neuronales usando Matlab.
79
5.2.- Anexos
5.2.1.- Anexo A: Deduccin detallada de las ecuaciones para los componentes del
sep.
Vi
Vj
R
I3
I2
B
2
G
2
G
2
B
2
Figura A
Aplicando ley corrientes de Kirchhoff:
B
1
G
I1 I2 I3 j Vi
Vi Vj
2
R jX
2
Si la potencia aparente se expresa como:
S V I*
Entonces se tiene que:
*
G B
1
Sij Vi I1* Vi j Vi
Vi Vj
2
R jX
2
80
G B
R jX *
R jX
G B
*
*
Sij Vi j Vi* 2
V
V Vi* Vi Vj*
i
j
i i
2
2
2 i
2
R X
2
R X
2
2
R jX
2
2 o
G B
Sij j Vi 0o 2
V
0 Vi Vj i j
i
2
2
2
R
Sabiendo que:
Vi Vj i j Vi Vj cos ij j sin ij
Por tanto:
R jX
2
G B
Sij j Vi 0o 2
R X2
2 2
2
G B
Sij j Vi 0o
2 2
R 2 X2
0o Vi Vj cos ij j Vi Vj sin ij
R 2 X2
j R V V sin
X V V sin
R Vi Vi Vj cos ij
2
R Vi 0o Vi Vj cos ij
X Vi 0o Vi Vj cos ij
R 2 X2
ij
ij
R 2 X2
X Vi Vj sin ij
G
2
Vi
2
R 2 X2
R 2 X2
2
X
V
Vi Vj cos ij
R
V
V
sin
i
B
2
i
j
ij
j Vi
2
R 2 X2
R 2 X2
Sij
Vi Vj
R
2
G
Sij 2
R
cos
Xsin
i
ij
ij
2
2
2
2
R
X
R
B
Vi Vj
X
2
j 2
R
cos
Xsin
ij
ij 2
2 R X 2 i
R X2
81
R Vi Vj
G
R cos ij Xsin ij
Pij Vi2 2
2
2
2
2
R
X
R
X Vi Vj
B
R sin ij Xcos ij
Qij Vi2 2
2
2
2
2 R X R X
Vi
I1
Vj
I3
I2
G
2
B
2
G
2
B
2
Figura A1
Sabemos que:
Ii
Ik
a*
Vi a Vk
I k I1
B
1
G
I1 I2 I3 j Vk
Vk Vj
2
R jX
2
82
Entonces:
Ii
1 G
Ik 1 G
B
1
B Vi
1 Vi
k
j
j
*
a* a* 2
2
R jX
2 a R jX a
a 2
Ii j i
Vj
a 2
2 a R jX a
S V I*
Entonces se tiene que:
*
1 G B V
1 Vi
Sij Vi I*i Vi j i
Vj
2 a R jX a
a 2
1 G B Vi* R jX Vi*
*
Sij Vi j 2
j
a 2 2 a R X2 a
1 G B Vi Vi* R jX Vi Vi*
*
Sij j
2
i
j
a 2
2 a
R X2 a
2 o
2 o
Vi Vj i j
R jX Vi 0
G B Vi 0
Sij j
2
2
2
2
2 a
R X a
a
Sabiendo que:
Vi Vj i j Vi Vj cos ij j sin ij
Por tanto:
2 o
2 o
Vi Vj cos ij
Vi Vj sin ij
R jX Vi 0
G B Vi 0
Sij j
2
2
2
2
2
2
a
R
X
a
a
a
83
Vi 2 0o Vi Vj cos ij
Vi Vj sin ij
R 2
2 o
R
a
a
Vi 0
j
a
2
2
2
2
a
R X
R X2
G B
Sij j
2
2
Vi 2 0o Vi Vj cos ij
Vi Vj sin ij
X 2
X
a
a
j
2
2
2
R X
R X2
Vi 2 Vi Vj cos ij
Vi Vj sin ij
R 2
2
X
a
a
G V
a
Sij i2
2
2
2
2
2 a
R X
R X
Vi 2 Vi Vj cos ij
Vi Vj sin ij X
2
2
R
a
a
B Vi
a
j 2
2
2
2
2
2
a
R
X
R
2
Vi Vj
R Vi
G
Sij 2
R
cos
Xsin
ij
ij
2
2
2
2
2
R
X
a
a R X
2
B
Vi Vj
X Vi
j 2
R cos ij Xsin ij
2
2
2 R X 2 a 2
a
R
Vi Vj
Vi2 G
R
Xsin ij R cos ij
Pij 2 2
2
2
2
a 2 R X a(R X )
Vi Vj
Vi2 B
X
R sin ij Xcos ij
Qij 2 2
a 2 R X 2 a(R 2 X 2 )
84
Con las ecuaciones anteriores podemos obtener los flujos de potencia a travs del
transformador con el tap fuera de la posicin nominal y que se encuentra en el lado del
nodo i .
De una manera anloga, el flujo de potencia desde el nodo j est dado por las siguientes
expresiones:
Vi Vj
R
G
Xsin ji R cos ji
Pij Vj2 2
2
2
2
2
R
X
a(R
X
)
Vi Vj
X
B
R sin ji Xcos ji
Qij Vj2 2
2
2
2
2 R X a(R X )
CDIGO EN MATLAB
Archivo .m sistema_a _simular
ESTIMADOR DE ESTADO MEDIANTE REDES NEURONALES ARTIFICIALES
POSTULANTE: JUAN CARLOS HUAQUISACA PAYE
TUTOR: ING. JUAN RUPERTO ADUVIRI RODRGUEZ
%.....................................................................................
%...........
%...........
clc
clear all
close all
format long
');%100;
87
NGULOS NODALES
disp('___________________ANGULOS DE VOLTAJES NODALES EN GRADOS_____________')
D;
for k=1:n
fprintf('
D_%d=%.6f',k,D(k))%muestra P con 6 decimales
%_________PARA QUE MATLAB DESPLIEGUE EN DOS COLUMNAS LOS RESULTADOS
if mod(k,2)==0
% si k es par
fprintf('\n\n\n')
% EQUIVALE A UN ENTER( es como en c++)
else
fprintf('
')% deja un espacio
end
end
disp('_____________________________________________________________________')
disp(' ')
88
POTACTIV(I(l),J(l)))
')
end
disp(' ')
for l=1:nn
VECT_FLU_P1(l)=POTACTIV(J(l),I(l));
fprintf(' P%d-%d=%.6f :',J(l),I(l),
POTACTIV(J(l),I(l)))
%___________________________________
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')
disp('_____________________________________________________________________')
disp(' ')
for l=1:nn
VECT_FLU_Q1(l)=POTREACTIV(J(l),I(l));
fprintf(' Q%d-%d=%.6f :',J(l),I(l), POTREACTIV(J(l),I(l)))
%___________________________________
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
')
end
end
disp(' ')
Archivo .m Flujcarga
FUNCIN "Flujcarga"
function
Poten = Flujcarga(V,D,n,R,X,G,B,V_BASE,a,ptbas)
end
% for i=1:n
%
D(i)=D(i)*pi/180;
% end
% V;
% D;
FPACT=Flujpac(G,R,X,V,D,n,a,ptbas); %calculo del flujo
FQREA=Flujqvar(B,R,X,V,D,n,a,ptbas); %calculo del flujo
Archivo .m Flujpac
FUNCIN "Flujpac"
function FP=Flujpac(G,R,X,V,D,n,a,ptbas)
91
Archivo .m Flujqvar
FUNCIN "Flujqvar"
function FQ=Flujqvar(B,R,X,V,D,n,a,ptbas)
%calculo del flujo de potencia activa
%FA=Flujqvar(B,R,X,V,D,n,a)
%G = matriz de conductancia
92
Archivo .m pwij
FUNCIN "pwij"
function pij=pwij(gij,rij,xij,vi,vj,di,dj,a,b)
%pwij Potencia activa en linea
% pwij(gij,rij,xij,vi,vj,di,dj)
%gij - conductancia de linea a tierra
%rij - resistencia en serie de linea
93
Archivo .m qvaij
FUNCIN "qvaij"
94
95
%.....................................................................................
clc
clear all
format long
96
end
ptbas=input(' Potencia Base en MVAS ??
for i=x*n+1:(x+1)*n
POTACTIV1(x+1,i-x*n)=vect(i);
end
end
%_______________________________________________________________________________________
%_______________________________________________________________________________________
%_______________________________________________________________________________________
for u=0:n-1;
% FORMANDO MATRIZ DE POTENCIAS REACTIVAS
for j=(u+n)*n+1:(u+n+1)*n
POTREACTIV1(u+1,j-(u+n)*n)=vect(j);
end
end
POTINYECACT=diag(POTACTIV1)' ;
% potencias activas inyectadas
POTINYECREA=diag(POTREACTIV1)';
% potencias reactivas inyectadas
for h=1:n;
%_remplazando por cero la diagonal en la matriz de potencias activas y reactivas
for k=1:n
if h==k
POTACTIV1(h,k)=[0];
POTREACTIV1(h,k)=[0];
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
else
POTACTIV(h,k)=POTACTIV1(h,k);
POTREACTIV(h,k)=POTREACTIV1(h,k);
end
end
end
disp(' ')
disp('_____________________________________________________________________')
disp('_____________________________________________________________________')
%________________________________________________________________________
V_%d=%.6f',k,V(k))
% si k es par
')
end
98
NGULOS NODALES
disp('___________________ANGULOS DE VOLTAJES NODALES EN GRADOS_____________')
for k=1:n
fprintf('
% si k es par
')
end
disp('_____________________________________________________________________')
disp(' ')
% si k es par
')
end
disp(' ')
disp('_____________________________________________________________________')
disp('_____________________________________________________________________')
disp(' ')
99
POTACTIV(I(l),J(l)))
')
end
disp(' ')
for l=1:nn
VECT_FLU_P1(l)=POTACTIV(J(l),I(l));
fprintf(' P%d-%d=%.6f :',J(l),I(l),
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
end
POTACTIV(J(l),I(l)))
')
end
100
disp(' ')
disp('_____________________________________________________________________')
POTREACTIV(I(l),J(l)))
')
end
disp(' ')
for l=1:nn
VECT_FLU_Q1(l)=POTREACTIV(J(l),I(l));
fprintf(' Q%d-%d=%.6f :',J(l),I(l), POTREACTIV(J(l),I(l)))
if mod(l,2)==0% si k es par
fprintf('\n\n\n')
else
fprintf('
end
')
end
disp(' ')
101
TENSIONES Y ANGULOS
_________________________________
figure(1)
bar([V',D'])
grid on
legend('Voltaje_i','Angulo_i')
title('VOLTAJES Y ANGULOS')
xlabel('NODOS')
ylabel('EN [KV] Y []')
pause(2)
%_________________ POTENCIAS INYECTADAS
figure(2)
bar([POTINYECACT',POTINYECREA'])
grid on
legend('Pi','Qi')
title('POTENCIAS INYECTADAS')
xlabel('NODOS')
ylabel('EN [MW] Y [MVAR]')
pause(2)
%_________________ FLUJOS DE POTENCIA
_________________________________
_________________________________
figure(3)
bar([VECT_FLU_P',VECT_FLU_P1',VECT_FLU_Q',VECT_FLU_Q1'])
grid on
legend('Pij','Pji','Qij','Qji')
title('FLUJOS DE POTENCIA')
xlabel('LINEAS')
ylabel('EN [MW] Y [MVAR]')
pause
end
102