MODELIZACIÓN DE LA RESISTENCIA DE PUESTA A TIERRA EMPLEANDO REDES NEURONALES
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo de este trabajo es el desarrollo de una metodología para la estimación de la resistencia de puesta a tierra usando técnicas de inteligencia artificial, en particular redes neuronales artificiales –RNA–. Es conocido que el valor de la resistencia de una puesta a tierra depende principalmente de sus características morfológicas, siendo también directamente proporcional al valor de la resistividad del suelo. Por otra parte, este último se modifica de acuerdo con el contenido de humedad, por lo cual el valor de la resistencia de puesta a tierra fluctúa a lo largo del año según el régimen de lluvias. Es importante entonces predecir dichas fluctuaciones.
Mediante este trabajo se pretende principalmente aprovechar las capacidades de las RNA para aprender y reconocer patrones de relación entre diversos parámetros. Aplicando la técnica propuesta se estima la resistencia de puesta a tierra tomando en cuenta mediciones de resistividad del suelo y precipitación acumulada. Las RNA desarrolladas han sido entrenadas y validadas mediante el uso de datos experimentales, con el fin de examinar su capacidad para predecir la resistencia de puesta a tierra. Los resultados obtenidos demuestran la eficacia de la metodología propuesta
Detalles del artículo
Usted es libre de:
Compartir— copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
Adaptar— remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución— Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Referencias
NICORA, M. Gabriela, et al. Electric atmospheric activity in Argentina, a study for estimating the annual death rate by lightning. Lightning Protection (XII SIPDA), 2013 International Symposium on. IEEE, 2013. p. 340-344.
SARAJCEV, Petar; VUJEVIC, Slavko. A review of methods for grounding grid analysis. En Software, Telecommunications & Computer Networks, 2009. SoftCOM 2009. 17th International Conference on. IEEE, 2009. p. 42-49.
81-2012- IEEE. Guide for Measuring Earth Resistivity, Ground Impedance, and Earth Surface Potentials of a Grounding System. 2012.
CABALLERO, Aldo. Las puestas a tierra en los sistemas eléctricos. Editorial
Universitaria. Colección Cátedra. 1999. p. 81-87.
BANTON, O.; CIMON, M.-A.; SEGUIN, M.-K. Mapping field-scale physical properties of soil with electrical resistivity. Soil Science Society of America Journal, 1997, vol. 61, no 4, p. 1010-1017.
GONOS, I. F.; MORONIS, A. X.; STATHOPULOS, I. A. Variation of Soil Resistivity and Ground Resistance during the Year. Proc. 28th Int. Conf. Lightning Protection, 2006, p 740-744.
ANDROVITSANEAS, Vasilios P., et al. Wavelet neural network for ground resistance estimation. High Voltage Engineering and Application (ICHVE), 2014 International Conference on. IEEE, 2014. p. 1-5.
WENNER, Frank. A Method of Measuring Earth Resistivity. US Bur. Standards Sei. Paper, 1916, no 258. p 469-478.
HERTZ, John; KROGH, Anders; PALMER, Richard G. Introduction to the theory of neural computation. Basic Books, 1991.
RUMERHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagation errors. Nature, 1986, vol. 323, p. 533-536.
ASIMAKOPOULOU, Fani E., et al. Estimation of the earth resistance by Artificial Neural Network model. IEEE Transactions on Industry Applications, 2015, vol. 51, no 6, p. 5149-5158.
ASIMAKOPOULOU, Fani E., et al. Estimation of seasonal variation of ground resistance using Artificial Neural Networks. Electric Power Systems Research, 2013, vol. 94, p. 113-