Técnica de caracterización de fallas en tiempo real basada en los valores y vectores propios de la matriz asociada a las elipses generadas por la transformada de Clarke de voltajes trifásicos
En este trabajo se presenta una técnica para caracterizar diferentes tipos de fallas de cortocircuito en tiempo real en un sistema eléctrico, específicamente las fallas AB, BC, CA, ABC, AG, BG y CG (y el funcionamiento normal), a partir de los valores propios y vectores propios de la matriz asociada...
- Autores:
-
Naranjo Cuéllar, Juan Pablo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/58901
- Acceso en línea:
- http://hdl.handle.net/1992/58901
- Palabra clave:
- Fallas
Caracterización
Clarke
Tiempo real
Raspberry Pi
Typhoon HIL
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Summary: | En este trabajo se presenta una técnica para caracterizar diferentes tipos de fallas de cortocircuito en tiempo real en un sistema eléctrico, específicamente las fallas AB, BC, CA, ABC, AG, BG y CG (y el funcionamiento normal), a partir de los valores propios y vectores propios de la matriz asociada a la elipse generada por la transformada de Clarke de las tensiones trifásicas del sistema eléctrico. El proceso se realizó en tiempo real utilizando el sistema HIL402 y una Raspberry Pi 3, y toda la programación se realizó en el lenguaje de programación Python. Se concluyó que los tipos de falla probados pueden ser caracterizados con precisión utilizando los valores y vectores propios mencionados: los valores propios pueden ser utilizados para determinar la distancia de inserción de la falla y los vectores propios pueden ser utilizados para determinar el tipo de falla que se produjo. Finalmente, se indica que el desarrollo de este trabajo sirve como parte de la etapa de entrenamiento de un modelo de machine learning para la detección y clasificación de fallas, que se desarrolla en un proyecto paralelo. |
---|