Trabajo Fin de Master Captulo 5

_____________________________________________________________________________________

CAPITULO 5.-
APLICACIN DE REDES NEURONALES AL
MODELADO DE DESCARGAS ELCTRICAS EN GASES
La vista siempre debe aprender de la razn
(Johannes Kepler)

Este captulo se compone de dos partes: una primera, en la que se analizan

tres estudios, en los que las redes neuronales artificiales (en adelante, RNA) se
aplican al modelado de diferentes aspectos de las descargas elctricas en
gases y en una segunda parte, donde se compara los resultados de uno de los
anteriores estudios, con la teora general de RNA y pequeas simulaciones
realizadas por el autor.

En el anexo II, se recoge un breve resumen de las principales caractersticas y

funcionamiento de las RNA, utilizado a lo largo de este captulo.

5.1. Estudios sobre RNA en el mbito de las descargas

elctricas en gases
En este apartado, se analizan tres estudios que utilizan las RNA, en el
modelado y anlisis de diferentes aspectos de las descargas elctricas en
gases. En cada estudio, se evalan fundamentalmente, tres aspectos:

Parmetro de la descarga elctrica en estudio

Tipo y caractersticas de la RNA seleccionada

Resultados y conclusiones obtenidas

5.1.1. PRIMER ESTUDIO: Modelado de la extincin del arco elctrico en un

interruptor de AT [19]

a) Planteamiento del problema

El estudio [19] analiza el comportamiento del arco elctrico durante su

extincin, en un interruptor de alta tensin a frecuencia industrial (50 Hz) con
las siguientes caractersticas:

- Tensin nominal: 245 kV

- Corriente de corte: 50 kA.

Para dicho estudio, se utiliza como parmetro de entrada y de salida de la red

neuronal respectivamente, el tiempo y la tensin del arco elctrico; sta ltima,
medida entre los electrodos del interruptor en el estudio [20], que considera
dicha tensin sigue un modelo de conductancia de Cassie, que tal y como se
vi en el captulo 4, se puede expresar mediante:

Universidad de Sevilla 44
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

d ln g 1 varc P

= 1 R
dt vo2 PP

donde,

g, es la conductancia del arco elctrico.

varc, es la tensin del arco elctrico.
PR, prdida de potencia por conduccin elctrica.
PP, prdida de potencia por radiacin trmica.
, vo , son constantes deducidas a partir del documento [20].

b) Tipo y caractersticas de la RNA

La RNA empleada en el estudio, presenta la siguiente estructura y

caractersticas:

Estructura: Red perceptrn multicapa (MLP, en terminologa anglosajona) de 3

capas. Capa de entrada, con 1 neurona y funcin de activacin sigmoide. Capa
oculta, con nmero de neuronas variable (n) y funciones de activacin
sigmoides. Capa de salida, 1 neurona y funcin de activacin lineal positiva.

Tiempo Tensin de arco

t varc

Figura 22.- Estructura de red del estudio [19]

Algoritmo de entrenamiento: Utiliza tres algoritmos diferentes:

- Algoritmo backpropagation (GRP) (funcin trainrp de MATLAB),

- Algoritmo backpropagation con momento (GDM) (funcin traingdm de
MATLAB) y
- Algoritmo basado en el mtodo Levenberg-Marquardt (LM) (funcin
trainlm en MATLAB).

En el entrenamiento, utiliza la funcin MSE (Mean Square Error) como funcin

de anlisis de rendimiento. Y como criterio para finalizar el entrenamiento: 1000
iteraciones o cuando el error mximo de la salida, sea inferior a 10-5.

Datos de entrenamiento y de test: utiliza los valores de tensin del arco

obtenidos experimentalmente en el documento [20], representados en la
siguiente figura (figura 23):

Universidad de Sevilla
45
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

Tensin de Arco (varc)

Corriente de Arco (iarc)

Tiempo (s)

Figura 23.- Datos experimentales de tensin y corriente de arco en un interruptor de AT [20]

c) Resultados y Conclusiones

En este estudio, se compara el comportamiento de la red para tres algoritmos

de entrenamiento diferentes, con los resultados experimentales y analticos
presentados en el documento [20].

Algoritmo de entrenamiento MSE N Iteraciones

-9
Levenberg Marquardt (LM) 2,110 9
-6
Backpropagation con momento (GDM) 9,5610 408
Backpropagation (GRP) 3,9104 79

Tabla 7.- Rendimiento de la RNA para diferentes algoritmos de entrenamiento [20]

Universidad de Sevilla
46
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

Tensin de arco Varc(V) Rendimiento de la RNA

105

100

10-5

Tiempo (s) Iteracin

Tensin de arco Varc(V) Rendimiento de la RNA

105

100

10-5

Tiempo (s) Iteracin

Tensin de arco Varc(V) Rendimiento de la RNA

105

100

10-5

Tiempo (s) Iteracin

Figura 24.- Simulaciones y comparaciones realizadas en el estudio [20]

Universidad de Sevilla
47
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

Este estudio, concluye que los algoritmos Levenberg-Marquardt (LM) y

Backpropagation con Momento (GDM) dan mejores resultados que el
Backporpagation (GRP), para predecir el comportamiento de la extincin del
arco en interruptores de AT. Por ltimo, el estudio aclara que aunque las
simulaciones, mediante los algoritmos LM y GDM, obtienen resultados
prximos a los experimentales, las herramientas RNA son herramientas ciegas
en cuanto al conocimiento de los fenmenos responsables de la extincin del
arco elctrico, por eso, si se desea estudiar la relacin de la extincin del arco,
con respecto a parmetros como la temperatura y la presin, se necesita acudir
a otros modelos.

5.1.2. SEGUNDO ESTUDIO: Modelado de la tensin de ruptura de una

descarga en un medio gaseoso de Ar+SF6 [17]

a) Planteamiento del problema

En este estudio, se analiza la capacidad de la RNA para predecir la tensin de

ruptura de una mezcla de gas de Ar+SF6. El modelo analtico para calcular la
tensin de ruptura entre dos electrodos en un medio gaseoso, viene dado por
la ley de Paschen (ver anexo II).

b) Tipo y caractersticas de la RNA

La RNA utilizada presenta la siguiente estructura y caractersticas:

Estructura: Red MLP de 3 capas: la capa de entrada formada por 2 neuronas,

una capa oculta de 25 neuronas y una capa de salida de 1 neurona. La funcin
de activacin de las neuronas de la red, es la tangente hiperblica (tanh).

Concentracin de SF6
Tensin de ruptura
Presin del gas y
p

Figura 25.- Estructura de red del estudio [17]

Algoritmo de entrenamiento: El algoritmo de entrenamiento utilizado es el

backpropagation con momento, con un coeficiente de entrenamiento () de

Universidad de Sevilla
48
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

0.39 y un coeficiente de momento () de 0.9. La funcin de error para analizar

el rendimiento de la red es:

dy
e=
d
donde,
e, es el error relativo.
d, es la tensin de ruptura obtenida experimentalmente.
y, es la tensin de ruptura obtenida a la salida de la RNA.

Datos de entrenamiento y de test: Los valores de entrada son la presin y la

concentracin de SF6 de la mezcla gaseosa. Se utilizan 39 valores que recoge
el documento [18]: 27 para la fase de entrenamiento y 12 para la fase de test.

c) Resultados y Conclusiones

Las RNA son buenas herramientas en la prediccin de la tensin de ruptura de

mezclas de gases Ar+SF6, ya que se obtiene un error relativo del 5,1637% para
presiones de 50kPa, del 1,8505% para presiones de 100 kPa y del 4,9783%
para presiones de 150 kPa. Es decir, se obtienen predicciones de la tensin de
ruptura para este tipo de medios gaseosos, con un error alrededor del 5%.

Figura 26.- Simulaciones y comparaciones realizadas en el estudio [17]

Universidad de Sevilla
49
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

Figura 26 (cont.).- Simulaciones y comparaciones realizadas en el estudio [17]

5.1.3. TERCER ESTUDIO: Modelado de la tensin de ignicin de una

descarga elctrica parcial en el aire [15]

a) Planteamiento del problema

Este estudio desea predecir la tensin de ignicin de una descarga elctrica

parcial en el aire. El modelo analtico para calcular la tensin de ignicin de la

Universidad de Sevilla
50
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

descarga elctrica parcial utilizado en este documento, est basado en una

expresin experimental usada por Hall y Russek [16]

v' = 26.5( pt1 ) + 0.55

donde,

v, es la tensin de ignicin de la descarga elctrica parcial (kV).

p, es la presin (atmsferas).
t1, es la distancia entre los electrodos (cm).

b) Tipo y caractersticas de la RNA

La RNA utilizada presenta la siguiente estructura y caractersticas:

Estructura: Red MLP de 3 capas: capa de entrada formada por 2 neuronas

con funciones de activacin tansig; una capa oculta, en el que se busca el
nmero de neuronas ptimo, con funciones de activacin logsig y una capa de
salida de 2 neuronas, con funcin de activacin purelin.

Distancia entre electrodos Tensin de ignicin

t1 v

Presin del gas Campo elctrico

p E

Figura 27.- Estructura de red del estudio [15]

Algoritmo de entrenamiento: El algoritmo de entrenamiento utilizado es el

backpropagation con momento, en el que se estudia los valores ptimos de los
coeficientes de entrenamiento () y de momento (). En este estudio se indica
que Rumelhart [21] sugiere que para muchas aplicaciones prcticas, los
valores ptimos para y son 0.25 y 0.9, respectivamente.

En el entrenamiento, se utiliza la funcin MSE (Mean Square Error) como

funcin para analizar el rendimiento de la red.

Datos de entrenamiento y de test: Los valores de entrada son la presin (p,

en atmsferas) y el hueco relleno de aire (t1, en centmetros). Se utilizan 36
valores que recoge el documento [16]: 29 para la fase de entrenamiento y 6
para la fase de test. Los valores de entrada utilizados se normalizan entre (0,1).

Universidad de Sevilla
51
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

c) Resultados y Conclusiones

La estructura de red ptima obtenida consiste en una red MLP-BP de cuatro

capas con coeficiente de aprendizaje () igual a 0.9 y coeficiente de momento
() 0.95. Una capa de entrada formada por 2 neuronas, dos capas ocultas, de 6
neuronas cada una y una capa de salida, de 2 neuronas. Las funciones de
activacin para las neuronas de cada capa son {tansig, logsig, purelin},
respectivamente.

Obteniendo un error absoluto en la prediccin del voltaje de ignicin de una

descarga parcial de 3,26%.

Tensin de ignicin
Distancia entre electrodos Presin v (kV) MAE
t1(cm) p (atm) Modelado (%)
Experimental
RNA
3,0 1,10 1,21
0,08
7,1 2,05 1,97
3,7 2,85 2,79
0,021 3,26
6,4 4,05 4,08
4,4 4,70 4,66
0,035
5,8 5,40 5,51
Tabla 8.- Comparacin entre datos experimentales y datos del modelo de la RNA del documento [15]

Figura 28.- Simulaciones y comparaciones realizadas en el estudio [15]

Por lo tanto, se concluye la validez a la hora de utilizar una RNA, en la

prediccin de la tensin de excitacin de una descarga parcial en el aire, al
obtenerse un error mximo por debajo del 4%.

Universidad de Sevilla
52
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

5.2. Anlisis de resultados y conclusiones del tercer estudio

del apartado anterior
En este apartado, se comparan los resultados y conclusiones obtenidas en el
tercer estudio del apartado anterior, con simulaciones propias, atendiendo a
cuatro factores:

Coeficiente de entrenamiento () y coeficiente de momento ()

Funcin de activacin
Estructura de la red
Algoritmo de aprendizaje

5.2.1 Coeficiente de entrenamiento () y coeficiente de momento ()

En el estudio [15] se obtiene que, para una MLP-BP (perceptrn multicapa con
algoritmo backpropagation, en terminologa anglosajona) de 5 neuronas, en la
capa oculta y un valor del coeficiente de entrenamiento () de 0.9 y del
coeficiente de momento () de 0.95, el valor MSE obtenido es de 0,0161, tras
2500 iteraciones. En la simulacin realizada, tambin se obtuvo una red optima
para estos valores de y .

Coeficiente de aprendizaje () Coeficiente de momento () MSE

0.95 0.9 0.0162
0.25 0.9 0.0174
Tabla 9.- Red MPL-BP con 5 neuronas en la capa oculta {tansig,logsig,purelin} y 2500 iteraciones

5.2.2. Funcin de activacin

En la simulacin realizada, se detecta la gran influencia de las funciones de

activacin en el rendimiento de la red. Obtenindose los siguientes resultados
(tabla 10), para diversas funciones de activacin en cada una de las neuronas
de las diferentes capas de la RNA:

Funciones de activacin MSE

{tansig,logsig,purelin} 0.0162
{logsig,logsig,purelin} 0.0263
{tansig,tansig,purelin} 0.0224
{tansig,tansig,tansig} 0.00243
Tabla 10.- Red MPL-BP con 5 neuronas en la capa oculta y 2500 iteraciones

5.2.3. Estructura de la red

En este apartado, nuestra simulacin coincide con el estudio [15] en cuanto al

nmero ptimo de neuronas en la capa oculta para RNA con dos capas
ocultas, pero discrepa con dicho estudio, en el nmero ptimo de neuronas en
redes con una sola capa oculta, al haberse conseguido mejores prestaciones
en redes MLP-BP con 6 neuronas en la capa oculta, en vez de 5 neuronas.

Universidad de Sevilla
53
Trabajo Fin de Master Captulo 5
_____________________________________________________________________________________

N de neuronas en la capa oculta MSE

3 0.0264
5 0.0162
6 0.0144
7 0.0158
10 0.0212
Tabla 11.- Red MPL-BP con 1 capa oculta {tansig,logsig,purelin} y 2500 iteraciones

N de capas ocultas MSE

1 0.0144
2 0.0140
3 0.0144
Tabla 12.- Red MPL-BP con 6 neuronas en cada capa oculta {tansig,logsig,purelin} y 2500 iteraciones

5.2.4. Algoritmo de entrenamiento

Por ltimo, y aunque el estudio [15] no realice una comparativa de la influencia

de los algoritmos de entrenamiento, en el rendimiento de la red utilizada, se
comprueba la validez de la teora de RNA, al observarse la primaca en cuanto
a rapidez de convergencia y rendimiento, de los algoritmos Quasi-Newton y los
basados en el mtodo Levenberg-Marquardt, frente a los algoritmos de
backpropagation.

Algoritmo de aprendizaje MSE Iteraciones

Quasi-Newton (trainbfg) 0.0101 14
Levenberg-Marquardt (trainlm) 0.0101 300
Back-Propagation (traingd) 0.0162 2500
Tabla 13.- Red MPL-BP con 5 neuronas en la capa oculta {tansig,logsig,purelin}

Universidad de Sevilla
54