Revision as of 08:55, 17 May 2022

Resumen: El presente trabajo académico de investigación propone un método basado en Análisis de Componentes Principales (PCA) para la detección de fallas en sensores relacionado con control local de conversores de voltaje CA/CC en una Micro-red (MR) con posibilidad de acoplamiento a la red. Con el fin de conseguir lo antes mencionado se realiza una simulación de una Micro-red con variedad de cargas (lineales y no lineales) y generadores tanto convencionales como renovables, así como elementos de almacenamiento que en conjunto poseen sistemas de CC y CA con sus respectivos conversores. Los investigadores proponen dos escenarios de falla y un escenario de operación normal que sirve de referencia para llevar a cabo los análisis mencionados. Como resultado de lo antes mencionado se ha implementado un algoritmo que a partir de los componentes principales de las clases mencionados calcula diferencias entre los espacios obtenidos a partir de un total de 195 variables recolectadas en todas las barras del sistema, además del sensado para control local. Las observaciones obtenidas son alrededor de 145000 tomas de valores.

Palabras-clave: Micro-red, Control local, Convertidores de Voltaje, Detección e Identificación de Fallas, Análisis de Componentes Principales.

Abstract: The present academic research work proposes a method based on Principal Component Analysis (PCA) for the detection of failures in sensors related to local control of AC / DC voltage converters in a micro-grid (MR) with the possibility of coupling to the net. In order to achieve the aforementioned, a simulation of a micro-grid is carried out with a variety of loads (linear and non-linear) and both conventional and renewable generators, as well as storage elements that together have DC and AC systems with their respective converters. The researchers propose two failure scenarios and a normal operating scenario that serves as a reference to carry out the analyzes. As a result of the, an algorithm has been implemented that, based on the main components of the mentioned cases, calculates differences between the spaces obtained from a total of 195 variables collected in all the bars of the system, in addition to the sensing for local control. The observations obtained are around 145000 value takes.

Keywords : Microgrid, Local Control, Voltage Source Converter; Fault Detection and identification, Principal Component Analysis.

1. Introducción

En la actualidad cada vez se ha vuelto más común la existencia de pequeñas redes eléctricas que difieren de las convencionales por la ausencia de conexiones con las redes de distribución convencionales dada la lejanía a estas infraestructuras de distribución [1], [2]. Históricamente las redes aisladas han funcionado haciendo uso de sistemas de generación con tecnologías que requerían de la utilización de combustibles fósiles, sin embargo, la introducción de sistemas de generación que hacen uso de energías renovables ha posibilitado el uso de generación que hacen uso de recurso solar, eólico, hidráulico, entre otros [3], [4]. Tales centrales muestran incrementos sostenidos de producción energética en diversas locaciones en los últimos 30 años [4].

Uno de los principales objetivos de las Micro-redes (MR) radica en garantizar un suministro de potencia de calidad e ininterrumpido a un bajo costo además de considerar el total de las restricciones ambientales [1], [2]. El uso de tecnologías fotovoltaicas, eólicas, celdas de almacenamiento y otras tecnologías renovables además del uso de tecnologías diésel, térmica o hidráulica o incluso los elementos de compensación, adecuadamente coordinada permite cubrir la demanda y la calidad de la potencia en las MRs [5]–[8].

Parte de los grandes desafíos a los que se expone una MR consiste en la dificultad que significa realizar tareas como el despacho adecuado de una gran cantidad de unidades de generación, gestionar la carga de sistemas de almacenamiento y la posterior descarga de estos con estricto apego a las condiciones de operación y calidad del servicio. El seguimiento de tales condiciones puede representar una barrera a ser superada para los sistemas de control del sistema, con la MR operando tanto conectada a la red convencional como en modo aislado [2], [9], [10].

A pesar de todas las ventajas que muestran las MR, es preciso indicar que estos sistemas también deben superar diversas amenazas, incluyendo fallas y ataques cibernéticos o ciber ataques [2]. La escasez de recursos computacionales, las restricciones asociadas a la comunicación, así como la información sensible inmersa en su operación, hacen que este tipo de redes sean atractivas para la existencia de ataques informáticos; dentro de los problemas que se identifican se incluye la falta de sistemas redundantes para la comunicación [2], [11], [12]. La identificación de tales problemas y fallas es igual de desafiante, esto en términos de que la operación de las MR es dinámica y basada en factores naturales, lo que le da un alto grado de impredecibilidad [11], [13].

Una de las formas en las que se realiza la identificación y detección de problemas dentro de un MR es la propuesta en [14] donde por medio de un monitoreo de cargas no invasivo (NILM) se determina el estado de la red sin necesidad de colocar elementos de censado en cada carga asociada a la MR. El objetivo del NILM es conocer el consumo que se produce en cada carga. Con esta información también es posible indicar y guiar a los usuarios para que aprovechen de mejor forma la energía disponible. Los autores indican que esta es una forma muy alentadora de detectar y clasificar los fallos que se presentan en las MR y con tendencia a advertir al usuario de la existencia de fallas antes de que las averías se produzcan en forma efectiva.

La estrategia para la detección de fallas de [15] consiste en la utilización de inteligencia artificial para la detección de eventos que provocan el aislamiento de determinado punto o puntos de la red, mediante la utilización de reconstrucción de señales por medio de la transformada Wavelet con filtrado de las señales que permite conocer en forma rápida los cambios en la frecuencia y la presencia de transientes, así como variaciones en voltaje.

La propuesta de [16] tiene relación con la detección de señales falsas o de intentos de “secuestro” de la MR donde las señales de los sensores son modificadas por señales falsas sean estas positivas o negativas de los valores reales causando que los sistemas de control tomen decisiones erráticas que conllevan la pérdida de la red. Se plantea además la utilización de un algoritmo que discrimine las fallas según el origen en fallas de sensores y ataques de secuestro, promoviendo la mitigación de los efectos de ambos eventos de falla mediante un esquema que se caracteriza por su simplicidad.

El trabajo establecido por los autores de [17] consiste en el uso de sensores basados en electromagnetismo que monitorean la condición de los elementos de generación. En este caso se emplea un arreglo de antenas con bobinado para detectar las señales provenientes de diversas fuentes incluyendo convertidores y generadores en forma simultánea. Por medio de redes neuronales (ANN), los campos son analizados para la detección de anomalías y de patrones de comportamiento, para luego establecerse una base de datos que contenga las formas de las señales sanas, de aquellas que son muestra de anomalías y fallas, estableciendo las condiciones para una detección temprana de estados anómalos de toda la MR.

Las diversas tecnologías de diagnóstico, detección e identificación de fallas en sistemas dinámicos, en complementos con mecanismos de Tolerancia a fallas [2], [3], [13], [18], son una forma relevante de mejora de la confiabilidad de un sistema, sabiendo que el diagnóstico de una falla implica el estudio de varias etapas como son la prueba, separación e identificación de las fallas que ocurren en determinado sistema. En este sentido se pueden reconocer modelos de diagnóstico analíticos y modelos basados en recopilación y uso de datos [2], [19].

El objetivo de un análisis de fallas es proveer suficiente información para entender las razones que llevaron a la existencia de interrupciones y con ello en medida de lo posible restaurar el servicio con rapidez e inclusive reducir la posibilidad de falla. Dentro de este análisis se plantea la necesidad de conocer el sistema y sus componentes a profundidad, así como el entorno y las condiciones de trabajo; potenciando la posibilidad de contar con medidas preventivas que reduzcan las pérdidas de servicio y los daños en el equipamiento. En este sentido, el procesamiento de las señales se vuelve fundamental, involucrando diversas técnicas que están basadas en PCA, que pasan a trabajar en conjunto con los dispositivos de protección; siendo fundamental el papel del PCA para la reducción de la dimensión del grupo de datos en análisis, conociendo que existen variables interrelacionadas mientras que las variaciones de los datos se mantienen; los componentes principales se suelen obtener a partir de la matriz de covarianza después de ejecutar un proceso de simplificación [20].

Otro indicador que se emplea es de tipo estadístico SPE que constituye una representación aproximada del subespacio residual, con el fin de identificar de mejor forma las variaciones existentes en los residuos. Otra propuesta consiste en la utilización del indicador T² que toma ciertos valores propios para ser colocados en el subespacio residual. La combinación de SPE y T² permite una descripción completa de la variación de los datos originales en forma simplificada que permiten la mejora de la precisión del proceso de monitoreo. Es necesario indicar que todos estos indicares son adecuados para la detección de fallas únicas, faltando aún mayor revisión del método para la detección de eventos múltiples [19], [21], [22].

La presente investigación propone el desarrollo de una estrategia para detectar fallas en Fuentes VSCs acopladas a Micro-redes (MR) en CA y CC. El método de detección de fallas propuesto basado en PCA busca la detección de las fallas de sensado sobre el Control Local (LC) de los VSCs. Durante el desarrollo de la investigación fueron analizados los datos correspondientes a las variables: desbalance de voltaje, corriente, potencia activa, potencia reactiva, otras que fueron consideradas necesarias, conformando al menos dos clases principales (operación normal y operación en falla). La MR de prueba estará compuesta de: dos Paneles fotovoltaicos (PVs), dos sistemas de almacenamiento de energía (BESS), cargas lineales, no lineales y opera en modo aislado [1], [23]. EL método de detección de fallas obtenido servirá como base para futuros trabajos de adaptación para el control jerárquico y su tolerancia a fallas. Los resultados se verifican y comparan mediante simulación en Matlab / Simulink.

2. Detección de fallas

Dentro de la industria al igual que en otras áreas la detección de fallas puede reducir la afectación real sobre un proceso determinado, de ese modo se puede que decir que las anomalías presentadas podrían a la larga implicar deficiencias en la calidad de un servicio o en la operación repercutiendo incluso en el rendimiento del proceso. Sin embargo, no sólo los procesos se ven afectados sino también los sistemas de control ligados [2], [13], [24].

Se puede decir que en gran medida los métodos utilizados para la detección de fallas se pueden dividir en dos grandes grupos caracterizados por el uso o ausencia de una representación de la planta. Aquellos que hacen uso de una representación de la planta usualmente se basan en ecuaciones diferenciales y los mismos hacen uso de filtros y observadores teniendo por supuesto el completo conocimiento de la dinámica del sistema, otra alternativa contempla el uso de modelos que representan en cierta medida las posibles anomalías, una tercera alternativa se basa en el reconocimiento de patrones sin un modelado completo de la estructura interna del proceso [24], [25].

El segundo conjunto de métodos excluye la necesidad del conocimiento de la dinámica del sistema y basa su operación en el uso de redundancias, sensores y análisis de pequeña señal dentro de lo cual se menciona con principal relevancia el análisis espectral ya que se menciona que una alteración en el espectro de una señal viene acompañada de una anomalía, la gran desventaja radica en la incapacidad para detectar anomalías en la instrumentación del proceso [2], [24].

3. Análisis de componentes principales

Ante la presencia de una cantidad considerable de datos con una gran cantidad de variables es necesaria la introducción de un método de análisis, se presenta entonces el Análisis de Componentes Principales (PCA) cuyo principal objetivo es l reducción de la cantidad de variables considerando la menor pérdida de datos posible. El resultado del método implica una combinación lineal de las variables de origen y que son independientes [26], [27].

Algo importante a considerar radica en la correcta interpretación de la relación entre los factores y sus variables iniciales, esto se debe a que la correlación de los datos debe ser alta para poder garantizar que una pequeña cantidad de datos podrán representar adecuadamente el sistema que se estudia. Por otro lado, la correcta selección de factores es algo importante a considerar para recoger la variabilidad del sistema consecutivamente entre el primer factor y los sucesivos entonces, los factores seleccionados se llamarán componentes principales [28], [29].

Luego y de manera matricial es posible representar los llamados coeficientes factoriales de las variables (valores de correlación) y su dimensión vendrá dada en función de la cantidad de componentes principales y la cantidad de variables a estudiar. Los valores de los coeficientes factoriales deberán estar cercanos a un valor unitario pero cada variable tendrá valores elevados con un solo factor y no deberían coeficientes similares entre los diferentes factores. En resumen, la metodología consiste en una transformación ortogonal o proyección con variables correlacionadas en datos no correlacionados y que toman el nombre de componentes principales [27]–[29].

Se considera la existencia de una cantidad determinada de variables a partir de las cuales se espera construir un nuevo conjunto de variables no relacionadas entre ellas y que deban satisfacer la necesidad de que sus varianzas vayan reduciéndose progresivamente. Las nuevas variables serán combinaciones lineales de las variables originales como se puede observar en la ecuación (1).

En donde ${\displaystyle a'_{j}=(a_{1j},a_{2j},...,a_{pj})}$ es un vector de contantes, mientras que x es un vector que contiene las variables iniciales.

Luego, la necesidad radica en maximizar la varianza tarea que puede ser alcanzada al aumentar los valores de los coeficientes y con el fin de mantener la ortogonalidad de la transformación planteada se ingresa la ecuación (2) que restringe el módulo del vector de constantes a un valor de 1.

Con la premisa anterior se selecciona el primer componente al seleccionar un coeficiente de modo que la primera variable a calcular tenga la mayor varianza posible, el segundo componente entonces se calculará de modo que esta nueva componente esté correlacionada con la primera componente y así en el sucesivo consiguiendo a la vez que en cada cálculo la varianza sea menor.

Luego de un proceso de optimización llevado a cabo se obtiene un total de componentes y es el producto de los autovectores calculados y multiplicados por el vector de variables originales, lo antes expuesto se muestra en la ecuación (3) de la cual se desprende la expresión (4).

Finalmente, al analizar la matriz de covarianzas de los coeficientes mostrados en y será la mostrada en la ecuación (5), dada la no correlación de los coeficientes ${\displaystyle y_{1},...,y_{p}}$ .

El cálculo de los coeficientes puede realizarse por medio de procesos como el bien conocido método de multiplicadores de Lagrange al tener una función de variables y que además está sujeto a restricciones. De tal modo, la ecuación (6) muestra la función a maximizar y la ecuación (7) representa la restricción a la que se sujeta la expresión [30], [31].

4. Algoritmo de Detección de Fallas de Sensado basado en Análisis de Componentes Principales

El método planteado supone la existencia de un conjunto de datos previamente registrados dado que el método se plantea netamente como histórico, por tanto, la MR planteada para el desarrollo posee un esquema de registro de datos entre los cuales se registran variables como lo son el voltaje, potencia activa y reactiva, THD, factor de potencia, ángulo, corriente, voltajes de supervisión. Dichos datos entonces serán transferidos al modelo que calcula los componentes principales del sistema en condición de falla y en ausencia de la misma con el fin de determinar la existencia de la falla de alguna naturaleza al comparar los componentes principales de las clases que se detallarán más adelante. La Tabla 1 muestra las variables seleccionadas para llevar a cabo el método planteado.

Las funciones utilizadas, así como el pseudocódigo implementado se muestran en las tablas 2 y 3 correspondientemente.

5. Caso de Estudio y Análisis de Resultados

Al considerar el estudio sobre redes híbridas lo que se contempla en la existencia de una MRH estará compuesta por dos paneles fotovoltaicos, dos sistemas de almacenamiento BESS, cagas líneas y no lineales además de que el sistema trabajará en modo aislado de la red convencional. Por otro lado, se contempla que el estudio se realizará sobre las fuentes convertidoras de voltaje o VSC [1], [32].

Se plantean 3 escenarios de operación de la MR, el primero contempla la operación en condiciones nominales, el segundo escenario introduce una falla abrupta de sensado y finalmente el tercer escenario introduce una falla de valor fijo en la etapa de sensado. Los dos últimos escenarios introducen el daño en la etapa de sensado del conversor CA/CC 1 conectado entre el bus de CC y la red de CA, dicho conversor es capaz de operar como inversor o como rectificador según sea el caso. Es necesario indicar que los escenarios explicados con anterioridad son llevados a cabo con el máximo de la demanda y que de las 12 señales que son tomadas como referencia para el control del conversor en cuestión son 3 las señales afectadas por las fallas expuestas para el escenario 2 y 3.

Las simulaciones se llevaron a cabo en un computador portátil con procesador Intel® Core™ i7-6700HQ CPU @ 2.60 GHz 2.60 GHz, 16 GB de RAM y tarjeta gráfica NVIDIA GEFORCE GTX 960M + Intel® HD Graphics 530.

A continuación, se muestra el estudio llevado a cabo para 3 clases diferentes de operación siendo 2 de ellas clases con fallas mientras que la primera clase representa la operación normal.

5.1. Clase 1.

La primera clase hace referencia a la operación del sistema en condiciones de operación normal esto implica que no se ha introducido ningún tipo de falla en el sensado del controlador del conversor de voltaje 1. La demanda se sitúa en su escenario de máxima demanda. La figura 1 muestra los valores de voltaje de fase tomados desde el sensado para controlar el conversor de CA/CC que es objeto de estudio. La figura 2 ilustra los voltajes sensados en el mismo punto que los mostrados por la figura 8 sin embargo, para este caso los valores mostrados se encuentran en valores RMS.

5.2. Clase 2

La clase 2 representa una clase en el cual el sensor encargado de aportar la información de los voltajes es afectado bruscamente y obtiene un valor de cero lo cual supone una falla abrupta en el sensor. La figura 3 muestra las señales sensadas para el control del conversor en donde se puede observar que para el caso de la señal correspondiente al voltaje la señal presenta un fallo abrupto (valor nulo) a los 0.15 segundos de simulación.La figura 4 muestra por otro lado las señales RMS sensadas en el mismo punto, es notorio que existe una falla en ese punto como se explicó en puntos anteriores.

5.3. Clase 3

La clase 2 expuso un fallo abrupto en el sensado del voltaje de fase, la clase que se presenta en este apartado propone la existencia de una falla en el sensado del voltaje cuya consecuencia radica en la presencia continua de un valor a la salida del sensor, a continuación, a esta falla la llamaremos de valor fijo. Finalmente, se muestran los valores de voltaje sensados en el punto mencionado en las clases anteriores de manera que la figura 5 ilustra la falla mencionada en la cual se observa que a los 0.15 segundos de la simulación el voltaje sensado se coloca en un valor fijo de 130 V en las 3 fases que se sensan. La figura 6 ilustra la falla de valor fijo sobre las mediciones en valores RMS.

De las clases antes expuestas se genera para cada uno de ellos un conjunto de datos que incluyen voltaje, corriente, potencia activa, potencia reactiva, frecuencia y los voltajes sensados para control con lo cual se obtiene un total de 211 variables y para los 0.35 segundos seleccionados se generan alrededor de 145500 observaciones. Los datos generados para todas las clases son luego procesados para obtener sus componentes principales. La tabla 4 muestra los componentes principales de cada clase con su respectiva distribución de varianza (columna 2) por cada componente principal (CP), el porcentaje de varianza o la representatividad (columna 3) de cada uno de los componentes para el espacio generado y el porcentaje acumulado (columna 4) de la varianza, medida que ayuda a comprender la cantidad de componentes principales a utilizar para describir la mayor porción del sistema en estudio.

Es importante aclarar que los datos presentados son aquellos obtenidos para la totalidad de datos analizados incluyendo las 211 variables con todas sus observaciones. Para la clase en la cual no existe falla en el sensado es posible notar que los primero 5 componentes aportan con la mayor representatividad del sistema siendo los 2 primeros componentes los que representan alrededor del 85% mientras que, al considerar los primeros 5 componentes se tiene una representatividad acumulada del 99%.Las clases 2 y 3 se manejan de una manera similar, sus primeros 2 componentes representan alrededor del 80% mientras que se requiere de 5 componentes para describir más del 95%.

Se puede observar que la presencia de fallas provoca la alteración de los componentes y los porcentajes de representatividad. Es posible entonces realizar una comparación de espacios entre la clase 1 y la clase 2 y una nueva comparación entre clase 1 y clase 3. La diferencia angular entre uno y otro espacio puede indicar que las observaciones analizadas no son las mismas lo cual para el caso que compete a esta investigación significa una alteración de señales. La tabla 5 muestra la diferencia angular mencionada con anterioridad.

5.4. Detección de Fallas

La figura 7 por otro lado muestra un histograma de los valores de distribución de la varianza de las 3 componentes más importantes para las 3 clases presentadas. A pesar de que las variaciones son mínimas entre la clase 2 y la clase 3, ambas difieren en valor con la clase 1 aportando con ello notoriedad en la diferencia entre las clases dada la ocurrencia de las fallas en el sensado. Con el fin de comparar las diferencias de los componentes y sus porcentajes de representatividad, en el caso del porcentaje de varianza o representatividad es aún más evidente la diferencia de valores lo cual evidencia claras diferencias entre las 3 clases con lo cual además de mostrar un fallo puede ayudar a discriminar 2 fallos diferentes.

Al graficar los scores de los 5 componentes iniciales es de principal interés el analizar los componentes 4 y 5, como se puede observar en las figuras 8a y 8b. La figura 8b ilustra de manera análoga a lo visto en la figura 8a pero para el caso de la componente 5. En esta clase es más evidente la variación a pesar de que entre la clase 2 y 3 la diferencia no es apreciable, si lo es respecto a la clase que no tiene influencia de ninguna falla.

Otro análisis realizado se ejecuta sobre los coeficientes de Hotelling (medida estadística de la distancia multivariante de las observaciones al centro del espacio) lo cuales son graficados en simultáneo para los diferentes componentes (5 primeros componentes) y sobre las 3 clases estudiadas. Se puede notar que en las secciones finales se producen alteraciones tal como sucedió con los scores esto se vuelve evidente al calcular el residuo generado entre los coeficientes de Hotelling de la clase sin falla y las clases con ocurrencia de fallas.

La figura 8c ilustra el total de los coeficientes de Hotelling para las 3 clases. Dado que el coeficiente en mención hace referencia a la distancia de las observaciones respecto al centro del nuevo espacio creado, un aumento en el valor implica una diferencia de la ubicación de la observación respecto al centro del espacio lo cual en consecuencia implica una anomalía en las variables estudiadas. Es congruente con una variación respecto a la clase de condición normal dada la anomalía o fallo, la señal ha sido sometida al mismo análisis realizado en la figura 8b a fin de observar de mejor manera las variaciones. Se puede observar que los lapsos cercanos a los 0.15 segundos (momentos en los cuales se produce la falla) se dan las mayores variaciones entre las clases en falla y la clase sin falla.

La figura 9a muestra las violaciones que se dan respecto a los umbrales planteados siendo posible visualizar aquellos puntos que más se alejan del umbral. Por último, se muestra el aporte de cada variable a los componentes principales como vectores de color azul que parten desde el centro y se ubican en los diferentes cuadrantes los mismos que ilustran el aporte de cada variable a un componente, dada la naturaleza bidimensional de la gráfica solamente es posible visualizar las 2 primeras componentes principales que en realidad representan más del 80% en todas las clases (figura 9b).

También es posible visualizar las observaciones en relación con el componente 1 y 2 en la figura 30, todo el universo de observaciones es colocado por medio de sus scores en la gráfica y cómo cada una de ellas se relaciona con los componentes principales dichos puntos corresponden a las trazas de color rojo que a pesar de mostrar una relativa forma similar a una elipse corresponden realmente a la totalidad de observaciones de las 211 variables y 145500 observaciones.

6. Conclusiones

El uso del método Análisis de Componentes Principales permite reducir considerablemente la cantidad de variables que se colocan en estudio manteniendo la información del sistema al conseguir una gran representatividad en unos pocos componentes calculados; consiguiendo el 80% de representatividad con 3 componentes y más del 95% con 5 componentes.

El desplazamiento angular a pesar de tener un valor relativamente bajo respecto a los 5 componentes evidencia una alteración en las variables almacenadas, es evidente que el fallo en el sensado de 12 variables no altera significativamente el espacio generado por los componentes principales, pero tal alteración si permite detectar variaciones entre las clases en fallo y la clase de operación normal.

El cálculo de los residuos entre los coeficientes Hotelling calculados entre la clase de operación normal y las clases de falla brinda una perspectiva diferente para encontrar fallos por medio del cálculo de las componentes principales de una Micro-red híbrida con diversidad de componentes incluyendo conversores CA/CC y sus respectivos controladores. El tiempo en el cual el residuo presenta una variación detectable por el método es también el tiempo en el cual las fallas se presentan en las clases del presente estudio.

El método propuesto y basado en análisis de componentes principales requiere del conocimiento previo del sistema a estudiar, debido al uso de métodos estadísticos. Esto permite conocer de mejor manera el comportamiento habitual y en falla del sistema. Esto puede suponer una limitación en sistemas nuevos o con variables no supervisadas que pueden volver ineficiente al método frente a fallos no reconocidos con anterioridad.

Se propone la inclusión de técnicas más avanzadas como un complemento adecuado para el uso de PCA. La presente investigación propone una base para la inclusión de técnicas como lo son Redes neuronales artificiales, control difuso o árboles de decisión que permitan validar los estados de operación normal y falla al hacer uso de sistemas entrenados con información base validada. Así también se propone el uso de PCA en porciones reducidas de la red en donde el efecto de una falla puede ser significativa y las alteraciones en las componentes principales, más significativas.

Referencias

[1] L. Ortiz, R. Orizondo, A. Aguila, J. W. Gonz, I. Isaac, and J. L. Gabriel, “Hybrid AC / DC microgrid test system simulation: grid-connected mode,” Heliyon, vol. 5, no. August, p. 21, 2019, doi: 10.1016/j.heliyon.2019.e02862.

[2] L. Ortiz, J. W. Gonz, L. B. Gutierrez, and O. Llanes-santiago, “A review on control and fault-tolerant control systems of AC / DC microgrids,” Heliyon, vol. 6, no. June, 2020, doi: 10.1016/j.heliyon.2020.e04799.

[3] D. Carrión and L. Ortiz, “Generación distribuida a partir de bicicletas estáticas y sistemas híbridos,” Ingenius, vol. 10, pp. 44–48, 2013.

[4] D. A. Gadanayak, “Protection algorithms of microgrids with inverter interfaced distributed generation units—A review,” Electr. Power Syst. Res., vol. 192, no. November 2020, p. 106986, Mar. 2021, doi: 10.1016/j.epsr.2020.106986.

[5] A. Aguila Téllez, G. M. Gutiérrez Serna, D. L. González Samueza, and M. L. Ortiz, “Optimum location and sizing of capacitor banks using VOLT VAR compensation in micro-grids,” IEE Lat. Am. Trans., vol. 18, no. 3, pp. 465–472, 2020, doi: 10.1109/TLA.2020.9082717.

[6] A. Téllez, A. Robayo, G. López, L. Ortiz, I. Isaac, and J. González, “Optimal sizing of distribution transformers using exhaustive search algorithm,” 2019, doi: 10.1109/FISECIGRE48012.2019.8984965.

[7] L. Ortiz Matos, A. Aguila Tellez, R. C. Hincapié Reyes, and J. . González Sanchez, “Multi-Criteria Optimization of the Deployment of a Grid for Rural Electrification Based on a Heuristic Method,” IOP Conf. Ser. Earth Environ. Sci., vol. 73, no. 1, p. 012020, 2017, doi: 10.1088/1755-1315/73/1/012020.

[8] P. C. Sekhar, S. Mishra, and R. Sharma, “Data analytics based neuro-fuzzy controller for diesel-photovoltaic hybrid AC microgrid,” IET Gener. Transm. Distrib., vol. 9, no. 2, pp. 193–207, 2015, doi: 10.1049/iet-gtd.2014.0287.

[9] N. M. Zografou-Barredo, C. Patsios, I. Sarantakos, P. Davison, S. L. Walker, and P. C. Taylor, “MicroGrid Resilience-Oriented Scheduling: A Robust MISOCP Model,” IEEE Trans. Smart Grid, pp. 1–13, 2020, doi: 10.1109/TSG.2020.3039713.

[10] L. Meng, M. Savaghebi, F. Andrade, J. C. Vasquez, J. M. Guerrero, and M. Graells, “Microgrid central controller development and hierarchical control implementation in the intelligent microgrid lab of Aalborg University,” Conf. Proc. - IEEE Appl. Power Electron. Conf. Expo. - APEC, vol. 2015-May, no. May, pp. 2585–2592, 2015, doi: 10.1109/APEC.2015.7104716.

[11] N. Yassaie, M. Hallajiyan, I. Sharifi, and H. A. Talebi, “Resilient control of multi-microgrids against false data injection attack,” ISA Trans., no. xxxx, 2020, doi: 10.1016/j.isatra.2020.10.030.

[12] S. Mishra, K. Anderson, B. Miller, K. Boyer, and A. Warren, “Microgrid resilience: A holistic approach for assessing threats, identifying vulnerabilities, and designing corresponding mitigation strategies,” Appl. Energy, vol. 264, no. October 2019, p. 114726, 2020, doi: 10.1016/j.apenergy.2020.114726.

[13] B. E. Ramírez Velasco and L. Ortiz Matos, “Estudio comparativo de métodos de deteccion e identificacion de fallas (FDI) de sensado sobre el Control Local de micro redes Electricas Hibridas AC/DC,” Universidad Politécnica Salesiana, 2020.

[14] Q. Yu, Z. Jiang, Y. Liu, G. Long, M. Guo, and D. Yang, “Research of Early Warning of Failure with Load Tendency Based on Non-intrusive Load Monitoring in Microgrid,” 2020 IEEE 6th Int. Conf. Control Sci. Syst. Eng. ICCSSE 2020, pp. 232–236, 2020, doi: 10.1109/ICCSSE50399.2020.9171952.

[15] C. Darab, R. Tarnovan, A. Turcu, and C. Martineac, “Artificial Intelligence Techniques for Fault Location and Detection in Distributed Generation Power Systems,” Proc. 2019 8th Int. Conf. Mod. Power Syst. MPS 2019, pp. 21–24, 2019, doi: 10.1109/MPS.2019.8759662.

[16] S. Sahoo, J. C. H. Peng, S. Mishra, and T. Dragicevic, “Distributed Screening of Hijacking Attacks in DC Microgrids,” IEEE Trans. Power Electron., vol. 35, no. 7, pp. 7574–7582, 2020, doi: 10.1109/TPEL.2019.2957071.

[17] T. Agarwal, P. Niknejad, A. Rahimnejad, M. R. Barzegaran, and L. Vanfretti, “Cyber–physical microgrid components fault prognosis using electromagnetic sensors,” IET Cyber-Physical Syst. Theory Appl., vol. 4, no. 2, pp. 173–178, 2019, doi: 10.1049/iet-cps.2018.5043.

[18] J. G. B. Sánchez and L. O. Matos, “Estrategia de tolerancia a fallas por condiciones ambientales para IEDS en subestaciones de distribución,” Universidad Politécnica Salesiana, 2016.

[19] C. Wang, J. Hu, and C. Wen, “Multi-level PCA and its application in fault diagnosis,” 26th Chinese Control Decis. Conf. CCDC 2014, pp. 2810–2814, 2014, doi: 10.1109/CCDC.2014.6852651.

[20] Q. Alsafasfeh, I. Abdel-Qader, and A. Harb, “Symmetrical pattern and PCA based framework for fault detection and classification in power systems,” 2010 IEEE Int. Conf. Electro/Information Technol. EIT2010, 2010, doi: 10.1109/EIT.2010.5612179.

[21] Y. Wang, X. Ma, and P. Qian, “Wind Turbine Fault Detection and Identification Through PCA-Based Optimal Variable Selection,” IEEE Trans. Sustain. Energy, vol. 9, no. 4, pp. 1627–1635, 2018, doi: 10.1109/TSTE.2018.2801625.

[22] M. Khoddam, J. Sadeh, and P. Pourmohamadiyan, “Electrical contact failure detection based on dynamic resistance principle component analysis and RBF neural network,” C. 2016 - Int. Conf. Cond. Monit. Diagnosis, pp. 380–383, 2016, doi: 10.1109/CMD.2016.7757897.

[23] L. Ortiz, R. Orizondo, A. Aguila, J. W. Gonz, I. Isaac, and J. L. Gabriel, “Hybrid AC/DC & DC microgrid test system simulation (https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation).” MATLAB Central File Exchange, 2020, [Online]. Available: https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation?s_tid=srchtitle.

[24] Z. Liang, L. Mu, F. Zhang, H. Zhou, and X. Zhang, “The fault detection method of islanded microgrid with the V/f controlled distributed generation,” Int. J. Electr. Power Energy Syst., vol. 112, no. December 2018, pp. 28–35, 2019, doi: 10.1016/j.ijepes.2019.04.030.

[25] B. Ramírez, L. Ortiz, and W. Pavón, “Análisis Dinámico Comparativo de Métodos de Detección e identificación de Fallas de Sensado sobre el Control Local de Micro-redes,” RISTI – Rev. Ibérica Sist. e Tecnol. Informação, vol. E45, no. 44, pp. 1–17, 2021, [Online]. Available: http://www.risti.xyz/issues/ristie45.pdf.

[26] J. Song and B. Li, “Nonlinear and additive principal component analysis for functional data,” J. Multivar. Anal., vol. 181, p. 104675, 2021, doi: 10.1016/j.jmva.2020.104675.

[27] S. Asante-Okyere, C. Shen, Y. Y. Ziggah, M. M. Rulegeya, and X. Zhu, “Principal component analysis (PCA) based hybrid models for the accurate estimation of reservoir water saturation,” Comput. Geosci., vol. 145, no. July, p. 104555, 2020, doi: 10.1016/j.cageo.2020.104555.

[28] M. Hamadache and D. Lee, “Principal components analysis based fault detection and isolation for electronic throttle control system,” Int. Conf. Control. Autom. Syst., pp. 808–813, 2012.

[29] X. Zhang and X. Ren, “Two Dimensional Principal Component Analysis based Independent Component Analysis for face recognition,” 2011 Int. Conf. Multimed. Technol. ICMT 2011, pp. 934–936, 2011, doi: 10.1109/ICMT.2011.6002199.

[30] C. G. González and A. B. Felpeto, Tratamiento de datos. D{\’\i}az de Santos, 2006.

[31] H. Lahdhiri, M. Said, and O. Taouali, “Sensor fault detection using a new online reduced rank kernel PCA for monitoring an air quality monitoring network,” Proc. Int. Conf. Adv. Syst. Emergent Technol. IC_ASET 2019, no. 2, pp. 34–39, 2019, doi: 10.1109/ASET.2019.8871046.

[32] L. Ortiz, R. Orizondo, A. Aguila, J. W. Gonz, I. Isaac, and J. L. Gabriel, “Hybrid AC/DC microgrid (HMG) test system simulation (https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-microgrid-hmg-test-system-simulation).” MATLAB Central File Exchange, 2020, [Online]. Available: https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-microgrid-hmg-test-system-simulation).