Inge CuC

Clasificación de zonas en fallas en sistemas de distribución de energía utilizando algoritmos de agrupamiento

Daniela Castillo Acosta

Universidad del Magdalena

Carlos Arturo Robles Algarin

Universidad del Magdalena

Luis Camargo Ariza

Universidad del Magdalena

DOI: https://doi.org/10.17981/ingecuc.21.1.2025.09

Palabras clave: K-means, sistemas de distribución de energía, modelo de mezcla gaussiana, algoritmo de maximización de expectativas, zonas en falla, algoritmos de agrupamiento

---

Resumen

Introducción: La mayor causa de las interrupciones del servicio de energía se genera en las redes de distribución. Las fallas requieren de reparaciones antes de restablecer el servicio, lo cual exige de su localización rápida, puesto que este proceso influye en la duración y frecuencia de las interrupciones. Muchas empresas solo realizan estudios de la calidad del servicio de energía a través de la medición de la frecuencia equivalente de las interrupciones y la duración equivalente de las interrupciones del servicio, debido a que no tienen la capacidad de invertir tiempo y dinero en estrategias para mejorar la confiabilidad del sistema.

Objetivo: Determinar la ubicación de la zona en falla en sistemas de distribución de energía de media tensión.

Metodología: Se aplicaron los métodos de agrupamiento k-means y el modelo de mezcla gaussiana basado en el algoritmo de maximización de expectativas, para la creación de grupos a partir de sus características, definiendo así la probabilidad de pertenencia a cada uno.

Resultados: Se estableció una metodología para la detección de fallas de forma eficiente, que sirve de soporte para procesos de planificación y ejecución de planes de acción, facilitando la toma de medidas correctivas relacionadas con la continuidad del servicio y disminuyendo el tiempo de restauración del sistema.

Conclusiones: La aplicación de los algoritmos k-means y modelo de mezclas gaussianas permite identificar posibles zonas en falla de acuerdo con los datos de las pruebas. Aunque no mostrará una zona única que se encuentre en falla, puesto que realiza estimaciones de acuerdo con los datos, es una herramienta para tomar decisiones según las estimaciones obtenidas.

---

Citas

Comisión de Regulación de Energía y Gas, “Identificación y análisis de los niveles de calidad del servicio alcanzables en las redes de distribución de energía eléctrica del SIN,” Apolo CREG, Dec. 2013. http://apolo.creg.gov.co/Publicac.nsf/52188526a7290f8505256eee0072eba7/c55a6288b2a5fd1a05257cfb0054ae53/$FILE/Circular036-2014%20Anexo.pdf (accessed Jul. 31, 2023).

Comisión de Regulación de Energía y Gas, “Resolución No. 070 de 1998,” Apolo CREG, Oct. 2008. http://apolo.creg.gov.co/Publicac.nsf/Indice01/Resoluci%C3%B3n-1998-CREG070-98 (accessed Jul. 31, 2023).

Superintendencia delegada para Energía y Gas, “Diagnóstico de la calidad del servicio de energía eléctrica en Colombia 2017,” Superservicios.gov, Jul. 2018. https://www.superservicios.gov.co/sites/default/files/inline-files/diagnosticodecalidad2017_version_06072018_1%20%281%29.pdf (accessed Jul. 31, 2023).

Superintendencia delegada para Energía y Gas, “Diagnóstico de la calidad del servicio de energía eléctrica en Colombia 2018,” 2019.

D. Vargas Jiménez, “Estudio de indicadores de calidad del suministro de energía eléctrica de una red de distribución a 13.2 kV,” 2015. Accessed: Jul. 31, 2023. [Online]. Available: https://repositorio.unal.edu.co/handle/unal/60037

J. Dolores and J. Cervantes, Sistemas de distribución de energía eléctrica / José Dolores Juárez Cervantes. 2002. https://core.ac.uk/download/pdf/48392416.pdf

C. J. Zapata G, “Colapsos de voltaje en sistemas de potencia,” ACIEM, May 1996. https://academia.utp.edu.co/planeamiento/files/2014/01/cjz-colapsos-voltaje.pdf

J. J. Mora Flórez, J. (Colomer L. Colomer, Joaquim. Meléndez Frigola, Gilberto. Carrillo Caicedo, and I. i A. Universitat de Girona. Departament d’Electrònica, Localización de faltas en sistemas de distribución de energía eléctrica usando métodos basados en el modelo y métodos basados en el conocimiento. Universitat de Girona, 2007.

A. O’Hagan, T. B. Murphy, L. Scrucca, and I. C. Gormley, “Investigation of Parameter Uncertainty in Clustering Using a Gaussian Mixture Model Via Jackknife, Bootstrap and Weighted Likelihood Bootstrap,” Oct. 2015, [Online]. Available: http://arxiv.org/abs/1510.00551

Y. Xie, S. Zhou, Y. Xiao, S. Kulturel-Konak, and A. Konak, “A β-accurate linearization method of Euclidean distance for the facility layout problem with heterogeneous distance metrics,” Eur J Oper Res, vol. 265, no. 1, pp. 26–38, Feb. 2018, doi: 10.1016/J.EJOR.2017.07.052.

A. García Herrero, “Algorithms for Gaussian mixture model(gmm) estimation,” 2015. Accessed: Jul. 31, 2023. [Online]. Available: https://repositorio.unican.es/xmlui/bitstream/handle/10902/6676/376307.pdf?sequence=1

M. Gong, Q. Cai, X. Chen, and L. Ma, “Complex network clustering by multiobjective discrete particle swarm optimization based on decomposition,” IEEE Transactions on Evolutionary Computation, vol. 18, no. 1, pp. 82–97, Feb. 2014, doi: 10.1109/TEVC.2013.2260862.

M. Charrad, N. Ghazzali, U. Laval, and A. Niknafs, “NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set Véronique Boiteau,” 2014. [Online]. Available: http://www.jstatsoft.org/

B. Desgraupes, “Clustering Indices,” 2017.

M. Mirzaei, Z. Kadir, and H. Hizam, “Lightning Measurement involving 4 base stations located at UTM Skudai, UTeM Melaka, Kolej Uniti Negeri Sembilan and Universiti Tenaga Nasional (UNITEN) View project Heuristic Incipient Fault Monitoring and Diagnostic Platform for Line Start Permanent Magnet Synchronous Motors View project,” 2009. [Online]. Available: https://www.researchgate.net/publication/234682955

O. O. Austin, O. Alonge, and A. J. Adeniyi, “Fault Diagnosis Algorithm and Protection of Electric Power Systems in an Alternative Distribution System,” Journal La Multiapp, vol. 1, no. 3, pp. 8–16, Dec. 2020, doi: 10.37899/journallamultiapp.v1i3.192.

R. Dashti, M. Ghasemi, and M. Daisy, “Fault location in power distribution network with presence of distributed generation resources using impedance based method and applying π line model,” Energy, vol. 159, pp. 344–360, Sep. 2018, doi: 10.1016/J.ENERGY.2018.06.111.

J. Faig, J. Melendez, S. Herraiz, and J. Sánchez, “Analysis of faults in power distribution systems with distributed generation,” Renewable Energy and Power Quality Journal, vol. 1, no. 8, pp. 863–868, Apr. 2010, doi: 10.24084/repqj08.502.

G. Morales-España, H. Vargas, and J. Mora-Florez, “Método de localización de fallas en sistemas de distribución basado en gráficas de reactancia,” Scientia Et Technica, Aug. 2007.

W. J. Gil-González, J. J. Mora-Flórez, and S. Pérez-Londoño, “Comparative analysis of metaheuristics optimization techniques to parameterize fault locators for power distribution systems,” 2013. Accessed: Jul. 31, 2023. [Online]. Available: http://www.scielo.org.co/pdf/inco/v15n1/v15n1a10.pdf

A. da S. Santos, L. T. Faria, M. L. M. Lopes, A. D. P. Lotufo, and C. R. Minussi, “Efficient Methodology for Detection and Classification of Short-Circuit Faults in Distribution Systems with Distributed Generation,” Sensors, vol. 22, no. 23, Dec. 2022, doi: 10.3390/s22239418.

A. Recioui, B. Benseghier, and H. Khalfallah, “Power system fault detection, classification and location using the K-Nearest Neighbors,” Aug. 2015, pp. 1–6. doi: 10.1109/INTEE.2015.7416832.

A. C. Adewole, R. Tzoneva, and S. Behardien, “Distribution network fault section identification and fault location using wavelet entropy and neural networks,” Appl Soft Comput, vol. 46, pp. 296–306, Sep. 2016, doi: 10.1016/J.ASOC.2016.05.013.

J. Mora-Flórez, J. Cormane-Angarita, and G. Ordóñez-Plata, “k-means algorithm and mixture distributions for locating faults in power systems,” Electric Power Systems Research, vol. 79, no. 5, pp. 714–721, May 2009, doi: 10.1016/j.epsr.2008.10.011.

I. Olkin and A. R. Sampson, “Multivariate Analysis: Overview,” International Encyclopedia of the Social & Behavioral Sciences, pp. 10240–10247, Jan. 2001, doi: 10.1016/B0-08-043076-7/00472-1.

P. Lama, “Bachelor’s thesis (UAS) Information Technology Text Mining and Clustering 2013 Prabin Lama CLUSTERING SYSTEM BASED ON TEXT MINING USING THE K-MEANS ALGORITHM 45 pages Instructor: Patric Granholm CLUSTERING SYSTEM BASED ON TEXT MINING USING THE K-MEANS ALGORITHM,” 2013.

G. Kou, Y. Peng, and G. Wang, “Evaluation of clustering algorithms for financial risk analysis using MCDM methods,” Inf Sci (N Y), vol. 275, pp. 1–12, Aug. 2014, doi: 10.1016/j.ins.2014.02.137.

M. Gong, Q. Cai, X. Chen, and L. Ma, “Complex Network Clustering by Multiobjective Discrete Particle Swarm Optimization Based on Decomposition,” IEEE Transactions on Evolutionary Computation, vol. 18, no. 1, pp. 82–97, 2014, doi: 10.1109/TEVC.2013.2260862.

Y. Zhang et al., “An expectation–maximization algorithm for estimating proportions of deletions among bacterial populations with application to study antibiotic resistance gene transfer in Enterococcus faecalis,” Mar Life Sci Technol, vol. 5, no. 1, pp. 28–43, Feb. 2023, doi: 10.1007/s42995-022-00144-z.

F. De Felice, L. Mazzoni, and F. Moriconi, “An Expectation-Maximization Algorithm for Including Oncological COVID-19 Deaths in Survival Analysis,” Current Oncology, vol. 30, no. 2, pp. 2105–2126, Feb. 2023, doi: 10.3390/curroncol30020163.

J. Qiao et al., “Data on MRI brain lesion segmentation using K-means and Gaussian Mixture Model-Expectation Maximization,” Data in Brief, vol. 27, Dec. 2019, doi: 10.1016/j.dib.2019.104628.

PSI Neplan AG. NEPLAN. Archivo (Versión 5.5) 2012. Accessed: Sep. 05 https://www.neplan.ch/archive/?lang=es

Google Research. Google Colab. Ap. 2018 Accessed: Sep. 05 https://colab.research.google.com/?hl=es

Ordóñez Plata, G., Angarita, J. C., & Mora Flórez, J. “Faulted zone determination using statistical modeling of voltage sag database in power distribution systems”, Rev. Fac. Ing. Univ. Antioquia, no. 47, pp. 197-208, 2009.

Morales España, G., Barrera Cárdenas, R., Raúl, H., & Torres, V. “Unique localization of faults in distribution systems by means of zones with SVM”, Rev. Fac. Ing. Univ. Antioquia, no. 47, pp. 187-96, 2009.

Jagua Gualdrón, J. L. Metodología para la localización de fallas en sistemas de distribución. 2022. Available: https://repositorio.unal.edu.co/bitstream/handle/unal/81834/1098607872.2022.pdf?sequence=3

Zapata Tapasco, A., Pérez Londoño, S., & Mora Flórez, J. “Metodología híbrida basada en el regresor knn y el clasificador boosting para localizar fallas en sistemas de distribución”, Ingeniería y competitividad, vol. 16, no. 2, pp. 165–177, 2014.

Zapata Tapasco, A., Pérez Londoño, S., & Mora Flórez, J. “Método basado en clasificadores k-NN parametrizados con algoritmos genéticos y la estimación de la reactancia para localización de fallas en sistemas de distribución”, Rev. Fac. Ing. Univ. Antioquia, no. 70, pp. 220-232, 2014.