Fault Location Diagnosis Based In Synchronized Phasor
Transcripción
Fault Location Diagnosis Based In Synchronized Phasor
Fault Location Diagnosis Based In Synchronized Phasor Measurements C. González, E. Vázquez, Member, IEEE and F. Sellschopp Abstract— The power systems are exposed to various types of faults that can cause disturbances. A fast restoration of faulted elements can reduce the possibility of a major disturbance, but it is necessary to determine the location of the fault. This paper describes a method for the fault location diagnosis combining information of synchronized phasor measurements and the principal component analysis as statistical analysis of the data. Results are presented for the location of fault diagnosis for various cases using the IEEE 39 bus system. Keywords— Power Systems, Fault Diagnosis, Synchronized Phasor Measurements, Principal Component Analysis. E estabilidad transitoria, etc.) para los operadores; una de estas aplicaciones sería un sistema de diagnóstico de ubicación de fallas. Un sistema para el diagnóstico de ubicación de falla es descrito en [4], éste utiliza redes de causa-efecto y modelos digráficos difusos para determinar el lugar de falla. Este sistema utiliza los estados de los relevadores e interruptores obtenidos a través del sistema SCADA para realizar una lógica de operación de protecciones ante alguna falla simple o múltiple, y utiliza los modelos difusos que revelan la incertidumbre con la que este sistema toma la decisión. I. INTRODUCCIÓN L SISTEMA eléctrico de potencia, debido a su naturaleza y complejidad, no está exento de fallas y perturbaciones por lo que se han desarrollado sistemas de protección avanzados, cuyo objetivo es evitar grandes disturbios que ocasionen la salida de una parte del sistema durante un largo período de tiempo. No siempre los esquemas de protección proporcionan la información de cuál es el elemento fallado, en especial cuando existen fallas de funcionamiento de las protecciones [1]. Por lo tanto, determinar el elemento fallado es requisito para iniciar el proceso de restauración de la red antes de que ocurra un disturbio mayor, pero debido a la gran cantidad de información que llega a los centros de control, ésta es una tarea nada fácil [2]. Por tal motivo es importante para los operadores de los centros de control que, una vez ocurrida una falla, se determine el elemento fallado de una manera rápida, veraz y confiable a fin de iniciar maniobras para recuperar el sistema. Los centros de control obtienen la información del estado de la red a través del Sistema SCADA (Sistema de Supervisión, Control y Adquisición de Datos, por sus siglas en inglés) [3]. Este sistema supervisa, controla, optimiza y administra los generadores, redes de transmisión y distribución mediante la utilización de Unidades Terminales Remotas (UTR) que recopilan datos (estado de interruptores, operación de protección, mediciones de parámetros eléctricos, etc.) en cada subestación y se envían a un centro de control (ver Fig. 1). En el centro de control, la computadora central procesa y almacena los datos recibidos y ejecuta una variedad de aplicaciones en tiempo real (estudio de flujos de potencia, C. González, Universidad Autónoma de Nuevo León (UANL), Nuevo León, México, [email protected] E. Vázquez, Universidad Autónoma de Nuevo León, Nuevo León (UANL), México, [email protected] F. Sellschopp, Instituto Tecnológico de La Laguna, Coahuila, México. [email protected] Figura 1. Esquema de Funcionamiento del Sistema SCADA. Una técnica similar a los modelos digráficos que se ha utilizado para el diagnóstico de ubicación de falla son las Redes de Petri Codificadas [5]; en este caso la determinación del lugar de falla se realiza mediante una comparación de estados antes y después de la falla utilizando la información de relevadores e interruptores operados, así como de reportes de operación errónea de dichos dispositivos de protección; el algoritmo analiza la operación lógica de relevadores e interruptores para la localización del punto de falla. Como los sistemas SCADA tienen un tiempo de barrido, los datos recopilados no están sincronizados en tiempo lo que puede ocasionar la aparición de falsos positivos. En [6] se describe un sistema experto para el diagnóstico de ubicación de fallas utilizado en la Central Eléctrica de Tohoku en Japón. Este sistema se basa en los datos del sistema antes y después de la incidencia de la falla, además toma en cuenta los datos de estado de interruptores y relevadores para descartar falsos positivos y encontrar a los posibles candidatos. Este sistema debe tener una base de datos de cada elemento del sistema para obtener un punto de partida para el análisis, sin embargo, esto es poco viable para sistemas eléctricos de gran tamaño. Un sistema híbrido que utiliza diversos algoritmos es descrito en [7] y [8]. Este sistema propone la detección, clasificación y localización del punto de falla al mismo tiempo y en un marco de tiempo de ciclos de la frecuencia fundamental; se utilizan los algoritmos de análisis de componentes simétricas, transformadas wavelets multinivel, análisis de componente principal, máquinas de soporte vectorial y redes neuronales de estructura adaptiva. Este sistema, debido a que utiliza redes neuronales, requiere entrenamiento para un óptimo funcionamiento lo cual resulta en una restricción en caso de utilizarlo en sistemas de potencia de gran tamaño. Recientemente se han empezado a utilizar las mediciones fasoriales sincronizadas (MFS) [9] para el monitoreo de los sistemas eléctricos de potencia, y las aplicaciones actuales están orientadas a controlar la estabilidad de la red. Debido al alcance de esta tecnología, en este artículo se propone utilizar las MFS, en conjunto con el análisis de componente principal como algoritmo de discriminación, para desarrollar un método de diagnóstico de ubicación de fallas que permita reducir el tiempo de restauración de la red después de un disturbio. Se presentan los resultados del diagnóstico del lugar de falla para distintos casos utilizando el sistema de 39 Nodos de la IEEE. Cabe destacar que se asume que las MFS están disponibles en cada subestación de la red eléctrica y que, a su vez, esta información se transmite a los centros de control. II. ANÁLISIS DE COMPONENTE PRINCIPAL El análisis de componente principal es una técnica estadística que reduce el número de variables con las que se trabaja en un estudio determinado sin perder información relevante. Se basa en el hecho de que todas las variables de un conjunto de datos están correlacionadas entre sí por lo que es posible obtener variables nuevas que contengan representaciones de todos las demás variables. Esta técnica fue propuesta por Karl Pearson en 1901 [10], pero no fue desarrollada sino hasta 1933 por Harold Hotteling. Esta técnica tiene numerosas aplicaciones en diversos campos de la ciencia hoy en día. El ACP consiste en aplicar una transformación lineal a un conjunto de datos de tal manera que dé como resultado la rotación ortogonal del espacio de los datos originales. Los vectores ortogonales se seleccionan para que tengan la mayor información posible mediante la varianza de los datos. El ACP tiene como objetivo principal la reducción de las dimensiones de un conjunto de datos de n-dimensiones a p–dimensiones mediante combinaciones lineales (Y=[y1, y2,…,yp]) de las variables originales (X=[x1, x2,…,xn]) de un fenómeno multidimensional, con la condición de que las combinaciones lineales exhiban una máxima varianza. La matriz de covarianza (S) de los datos originales (X) es: = ( , ⋮ ( , ) ⋯ ⋱ ) ⋯ ( , ⋮ ( , ) (1) ) donde cada elemento de (1) representa la covarianza entre dos variables del conjunto de datos originales, que se expresa como: ∑ ( − ̅ )( − ) (2) ( , ) = −1 donde xn representa la n-ésima muestra de la primera variable y yn representa la n-ésima muestra de la segunda variable, ambas normalizadas mediante la sustracción de la media de cada una de las variables (x̅ , y̅ ) respectivamente; n representa el número de muestras de cada variable. A partir de (1) se obtienen los eigenvalores y sus eigenvectores correspondientes. Estos vectores se convierten en las componentes principales y a partir de ellos se determina una nueva combinación lineal reducida dada por: = = ⋮ = ⋮ = = = = = + ⋯+ +⋯+ ⋮ +⋯+ (3) donde up representa al vector de componente principal y X representa a la matriz de los datos originales. La transformación lineal en (3) es posible si se cumple que: (4) =1 Esto significa que los vectores obtenidos sean ortogonales entre sí asegurando que exista una máxima varianza entre ellos pero no infinita, además de asegurar que no estén correlacionados. Así, las componentes principales son los eigenvectores asociados a los eigenvalores de mayor magnitud; mientras mayor varianza tenga una componente (eigenvalor) mayor será la cantidad de información retenida por éste. Siguiendo esta línea de pensamiento, el eigenvector asociado al eigenvalor de mayor magnitud es la primera componente principal, el siguiente eigenvector asociado al eigenvalor con la segunda mayor magnitud es la segunda componente principal y así hasta completar todas las componentes principales. Cuando un subconjunto de componentes principales retienen la mayor varianza de los datos originales (85% o más, de acuerdo a [11]), estas componentes son una representación del problema original, pero con un número de variables reducidas, lo que simplifica el análisis. III. MEDICIONES FASORIALES SINCRONIZADAS Un sistema de potencia es constantemente monitoreado por los centros de control para asegurar el buen estado de la red. Esto se logra, en parte, mediante la instalación de Unidades de Medición Fasorial (PMU, por sus siglas en inglés) en puntos estratégicos de la red, de tal manera que se tenga la visualización completa de los parámetros eléctricos deseados con una sincronización de tiempo. Los fasores obtenidos por los PMU en la red se sincronizan con la medición de tiempo del sistema de posicionamiento global (GPS), debido a ello también se les conoce como sincrofasores [12]. Los PMU determinan los fasores de voltaje en cada nodo de la red aplicando la Transformada Discreta de Fourier (DFT) a las muestras digitalizadas del voltaje medido [13]. La representación del sincrofasor X de una señal X(t) se define matemáticamente como: = + = √2 = √2 (cos + sin ) (5) En (5) el término Xm/√2 corresponde al valor RMS de la señal X(t) y ϕ representa el ángulo instantáneo de fase relativo a una función coseno a la frecuencia nominal del sistema. Esta transformación que realizan las PMU a una señal continua se puede observar en la Fig. 2. El cambio de frecuencia en estado estable en estas condiciones tiende a la fase del fasor de voltaje obtenido y se expresa como: (6) ∆ → Así, la representación del voltaje en un nodo del sistema de potencia como la función u(t) se expresa como: ( ) = √2 cos(2 + ) (7) donde f es la frecuencia actual y ϕ es la fase inicial. Cuando la frecuencia actual f difiere de la frecuencia nominal, el argumento del coseno cambia y puede ser reescrito como: =2 +2 ∆ ∆ = − + además de la condición de falla, de la regulación de voltaje de la red. Para un escenario de falla se forma una matriz de datos X de dimensión 10xN donde N es el número de nodos del sistema eléctrico de potencia; cada vector columna de esta matriz se forma con 10 muestras del ángulo de fase de voltaje de un nodo de la red, 5 de pre-falla y 5 de post-falla tomados una vez que el sistema recupera su estabilidad transitoria. Con el objetivo de reducir el número de observaciones (10) más no las variables (N) que corresponden a los posibles lugares de falla, la matriz es transpuesta. A partir de esta matriz se calculan las componentes principales. El criterio para identificar el lugar de falla (que dio lugar a los cambios en los ángulos de fase de los voltajes) es determinar qué elemento de la red tiene asociada la componente principal de mayor valor. En la Fig. 3 se muestra el diagrama de flujo del proceso propuesto para la determinación del lugar de la falla. (8) así, la fase absoluta es definida como: ( )=2 ∆ + (9) Para una frecuencia fuera de la nominal la fase absoluta β cambiará con el tiempo. Es importante señalar que la fase relativa tiene mucho interés en la práctica debido a que es la medida que muestra el desfase entre dos cantidades medidas en dos nodos diferentes del sistema al mismo tiempo. Figura 3. Diagrama de Flujo del Proceso. Figura 2. Representación Fasorial de una Señal Continua. Debido al gran número de aplicaciones que tienen los sincrofasores, se han desarrollado diversos estándares para homologar la forma en que las unidades de medición fasorial calculan los fasores en estado estable y en estado transitorio [14][15]. IV. MÉTODO PARA EL DIAGNÓSTICO DEL LUGAR DE FALLA Cuando una falla ocurre en el sistema de potencia se producen cambios en la red, tanto en las magnitudes eléctricas como en la topología debido a la acción de los sistemas de protección. Estos cambios son visibles en la magnitud y fase de los fasores de voltaje disponibles en las PMU ubicadas en cada nodo de la red. El método propuesto se basa en las variaciones del ángulo de fase de los sincrofasores; no se utiliza la magnitud del sincrofasor ya que ésta depende, El criterio de arranque del método propuesto debe detectar la ocurrencia de una falla, pero debe ser insensible a cambios en los fasores de voltaje debido a cambios de carga. Así, un cambio súbito de 1.0°en la fase de un voltaje de la red (|Δδi|>1.0°) indica la ocurrencia de una falla, y se inicia el proceso de diagnóstico. Sistema de Prueba El sistema eléctrico de potencia utilizado para realizar las pruebas del método propuesto es el Sistema de Nueva Inglaterra de 345 KV el cual consta de 10 generadores, 39 nodos y 46 líneas y/o transformadores mostrado en la Fig. 4. El sistema fue simulado utilizando el programa PowerWorld® [16]. Los datos de cada uno de los elementos de la red y sus controles están disponibles en [17]. En este caso, la matriz X es de dimensión (10x39). Se simularon diferentes escenarios para realizar las pruebas correspondientes al algoritmo. Estos escenarios incluyeron fallas en generadores, fallas en transformadores, fallas en nodos de la red y fallas en líneas de transmisión en diferentes puntos situados al 10%, 30%, 50%, 70% y 90% de la longitud total de la línea, completando un total de 37 escenarios de falla; todas las fallas son trifásicas y sin resistencia de falla. El criterio para determinar la componente principal a ser considerada para la determinación del lugar de falla consiste en identificar la componente que retenga la mayor varianza de los datos. A partir de (3) se determina que la primera componente principal retiene el 99.99% de la información original como se observa en la Tabla I, para el caso de una falla en el nodo 18 como ejemplo. Por lo tanto, el elemento de la red que tenga el mayor valor en esta componente será identificado como el lugar de falla. V. RESULTADOS Utilizando solamente la primera CP (Tabla I), el ACP permite la reducción de las 10 dimensiones del problema original a solamente 1 dimensión, lo que simplifica la interpretación de los resultados. A continuación se presentan los resultados obtenidos para algunos de los 37 casos que se plantearon. Figura 4. Sistema de Prueba de 39 Nodos del IEEE. TABLA I. PROPORCIÓN DE EIGENVALORES PARA EL CASO DE UNA FALLA EN EL NODO 18. Eig. Valor 1 1.9020E-01 99.999999 % 2 2.6748E-09 1.4063091E-06 % 3 1.3725E-10 7.2160882E-08 % 4 5.0107E-13 2.6344374E-10 % 5 2.7064E-13 1.4229232E-10 % 6 1.8711E-17 9.8375393E-15 % 7 7.7037E-34 4.0503154E-31 % 8 4.2764E-50 2.2483701E-47 % 9 -1.6816E-18 8.8412196E-16 % 10 -5.7880E-18 3.0431125E-15 % 100.00 % Total Proporción El criterio para determinar si la falla ocurrió en un nodo o en una línea de transmisión es mediante la evaluación del signo de los valores de la primera CP. Así, cuando todos los valores son positivos, se trata de una falla en un nodo, y si alguno de los valores es negativo, la falla ocurrió en una línea de transmisión. En primera instancia se presentan los resultados para una falla en el nodo 18. En la Fig. 5 se muestran las variaciones angulares antes y después de falla. Se puede apreciar que los resultados muestran un patrón disperso por lo que no es posible determinar, en una primera instancia, el lugar de falla, por lo que se opta por realizar el tratamiento de los datos mediante la técnica del ACP. A partir de estos datos, se construye la matriz X, se determina la primera componente principal y se evalúa el valor de esta componente para todos los elementos de la red. para determinar el lugar de falla es aquel elemento que esté conectado entre el nodo que tenga el mayor valor de la primera CP y el nodo que tenga el menor valor de la primera CP. En la Fig. 8 y Fig. 9 se muestran los resultados para una falla en las líneas conectadas entre los nodos 17-18 y los nodos 5-8 respectivamente. Figura 7. Evaluación de la Primera CP para una Falla en el Nodo 1. Figura 5. Mediciones Angulares Nodales del Sistema para Falla en Línea entre los nodos 17-18. En la Fig. 6 se muestra el valor de la primera CP para los 39 nodos de la red, como el mayor valor corresponde al nodo 18, éste es identificado como el lugar de falla. En la Fig. 7 se muestran los resultados para una falla en el nodo 1, se aprecia como el nodo 1 es el que tiene mayor valor de la primera componente y, en consecuencia, se concluye que es el lugar de falla. Figura 8. Evaluación de la Primera CP para una Falla en Línea entre los Nodos 17-18. VI. Figura 6. Evaluación de la Primera CP para una Falla en el Nodo 18. En el caso de líneas de transmisión, estos elementos están conectados a dos nodos del sistema. En este caso el criterio CONCLUSIONES El diagnóstico de ubicación de fallas es el primer paso para poder iniciar la restauración de la red eléctrica después de haber ocurrido una falla. El proceso es complejo cuando los esquemas de protección presentan fallas de funcionamiento. El método de determinación del lugar de falla propuesto utiliza las MFS en conjunto con la técnica del ACP. Éste método permite identificar la ubicación del lugar de falla utilizando una ventana de datos de 10 muestras de los ángulos de los fasores de voltaje (5 de pre-falla y 5 de post-falla). El criterio para identificar el lugar de falla (que dio lugar a los cambios en los ángulos de fase de los voltajes nodales) es determinar qué elemento de la red tiene asociada la componente principal de mayor valor. Figura 9. Evaluación de la Primera CP para una Falla en Línea entre los Nodos 5-8. En base a los resultados, se concluye que el método propuesto determina el elemento fallado en forma sencilla, confiable y segura, por lo que es factible su implementación en tiempo real. REFERENCIAS [1] M. Fawzi Abu Sharkh, Osama Abu Sharkh, Thani M. Alkhusaibi, Hilal S. Alhadi; False Operation of Protective Relays in Oman Electricity Power System and its Remedies; IEEE Power System Conference, March 2008. [2] Ren Jianwen, Zhou Ming, Li Gengyin; Analysis and Management System for Power System Fault Information Based in Intranet Network; International Conference on Power System Technology; Volume 2; 2002. [3] Nicoleta Arghira, Daniela Hossu, Ioana Fagarasan, Sergiu S. Iliescu, Daniel R. Costianu; Modern SCADA Philosophy in Power System Operation - A Survey; University Politechnica of Bucharest, Romania; Science Bulletin, Series C, Vol. 73, Issue 2, 2011. [4] Wen-Hui Chen; Online Fault Diagnosis for Power Transmission Networks Using Fuzzy Digraphs Models; IEEE Transactions on Power Delivery, Vol. 27, No. 2, April 2012. [5] Hui Ren, Zengqiang Mi; Power System Fault Diagnosis Modeling Techniques Based on Encoded Petri Nets; IEEE Power Engineering Society General Meeting, 2006, 22 June 2006. [6] Minakawa, T.; Ichikawa, Y.; Kunugi, M.; Shimada, K.; Wada, N.; Utsunomiya, M.; Development and Implementation of a Power System Fault Diagnosis Expert System; IEEE Transactions on Power Systems, Volume 10, Issue 2, May 1995, Page(s): 932-940. [7] Joe-Air Jiang, Cheng-Long Chuang, Yung-Chung Wang, Chih-Hung Hung, Jiing-Yi Wang, Chien-Hsing Lee, Ying-Tung Hsiao; A Hybrid Framework for Fault Detection, Classification and Location - Part 1: Concept, Structure and Methodology; IEEE Transactions on Power Delivery, Vol. 26, No. 3, July 2011. [8] Joe-Air Jiang, Cheng-Long Chuang, Yung-Chung Wang, Chih-Hung Hung,Jiing-Yi Wang, Chien-Hsing Lee, Ying-Tung Hsiao; A Hybrid Framework for Fault Detection, Classification and Location - Part 2: Implementation and Test Results; IEEE Transactions on Power Delivery, Vol. 26, No. 3, July 2011. [9] Enrique Martínez, Nicolás Juárez, Armando Guzmán, Greg Zweigle, Jean Leon; Using Synchronized Phasor Angle Difference for Wide-Area Protection and Control; Schweitzer Engineering Laboratories, Inc.; (www.selinc.com). [10] I. T. Joliffe; Principal Component Analysis; 2nd Edition, Springer Ed. [11] P. Sanguansat; Principal Component Analysis; 1st Edition; 2012; InTech Open (www.intechopen.com). [12] Roy Moxley; Synchrophasors in the Real World; Schweitzer Engineering Laboratories, Inc.; (www.selinc.com). [13] A. G. Phadke; J. S. Thorp; Power Electronics and Power Systems: Synchronized Phasor Measurements and Their Applications; Ed. Springer; 2008. [14] Power System Relaying Committee of the IEEE Power and Energy Society; IEEE Std. C37.118.1-2011; IEEE-SA Standards Board; December 2011. [15] Power System Relaying Committee of the IEEE Power and Energy Society; IEEE Std. C37.118.2-2011; IEEE-SA Standards Board; December 2011. [16] PowerWorld Simulator Version 16 Glover, Sarma, Overbye Edition; PowerWorld Corporation; (http://www.powerworld.com/gloversarmaoverbye). [17] Andreas Wank; Thesis: Modification of a Dynamic Simulation Tool for Power Networks to Analyze and Calibrate a Risk-Based OPF Approach; Munich Technological University; October 2012. Carlos González received the Engineering degree in Mechanical and Electrical Engineering from Universidad Autonoma de Nuevo Leon, Mexico in 2007. Actually is a student in Master degree in Electrical Engineering oriented in power systems. His current research interests are protection in power systems and fault location diagnosis in power systems. Ernesto Vázquez Martínez received the Engineering degree in Electronic and Communications en 1988, and received the Master and Doctor degree in Electrical Engineering in 1991 and 1994 respectively from Universidad Autonoma de Nuevo León, México. Since 1996 is Research Professor in Doctoral Program in Electrical Engineering from the Universidad Autonoma de Nuevo Leon, Mexico. He has conducted research at the Universities of Manitoba and Alberta, Canada, in 2001 and 2011 respectively, where work on the development of algorithms for traveling wave line protection and fault location respectively. He is a member of the Institute of Electrical and Electronics Engineers (IEEE) from United States. His research interests are the protection of electric power systems and the application of artificial intelligence techniques in power systems. Francisco S. Sellschopp Sanchez. (M’93) Received his B.Sc in Electrical Engineering from the Instituto Tecnológico de Tepic in 1994. He received the degree of M.Sc. in Electrical Engineering in 1999 at the Instituto Tecnológico de La Laguna and the degree of Doctor of Science in Electrical Engineering at the same institute in 2003. He is a full-time professor at the Instituto Tecnológico de La Laguna and his current research areas are electrical machines and electrical power systems applied to the analysis of the power quality, state estimation and power saving.