Un nuevo enfoque basado en RNA para la detección y clasificación de fallos en líneas de transmisión modernas compensadas con TCSC integradas con parques eólicos DFIG mediante WST

Por qué mantener las luces encendidas es cada vez más difícil

A medida que más electricidad procede de parques eólicos, nuestra red eléctrica se vuelve más limpia pero también más complicada de proteger. Los dispositivos que aumentan la capacidad de las líneas de transmisión y los generadores especiales usados en parques eólicos modernos pueden cambiar la apariencia de los fallos eléctricos para los relés de protección. Este estudio explora una nueva manera de detectar y clasificar esos fallos de forma rápida y fiable, ayudando a prevenir apagones y daños en equipos en una red con alta penetración de energías renovables.

Energía eólica y hardware inteligente en la línea

El trabajo se centra en líneas de alta tensión largas que transportan energía desde un parque eólico y están equipadas con un dispositivo serie llamado condensador controlado por tiristores (TCSC). Este dispositivo permite a los operadores ajustar cuánto puede transmitir la línea cambiando su rigidez eléctrica efectiva. Al mismo tiempo, el parque eólico emplea un tipo de generador que permite un control fino de la potencia pero genera corrientes de fallo distintas a las de las centrales tradicionales. En conjunto, estas características hacen que los fallos en la línea sean más difíciles de reconocer usando métodos clásicos de protección que asumen un comportamiento más estable y predecible.

Por qué los detectores antiguos tienen problemas

La protección digital tradicional suele apoyarse en herramientas que descomponen las señales en bandas de frecuencia, como la transformada wavelet discreta. En la práctica, estos métodos pueden resultar frágiles. Su rendimiento depende de elecciones como la tasa de muestreo y el número de niveles, y son sensibles al instante del ciclo de tensión en que comienza el fallo. En un sistema donde cambia la velocidad del viento, el condensador serie se ajusta constantemente y las maniobras de conmutación o el ruido alteran las señales, estos detectores pueden errar al identificar la fase en fallo o incluso pasar por alto un evento peligroso. Muchos esquemas existentes también requieren mediciones en ambos extremos de la línea y un enlace de comunicación, aumentando costes y complejidad.

Una nueva forma de escuchar la red

Los autores proponen un enfoque distinto que solo escucha las corrientes de las tres fases y la corriente de tierra en un único punto del lado de la red. Aplican una herramienta de procesamiento de señales llamada transformada de scattering wavelet, que construye una descripción en capas de cómo la forma de onda de la corriente cambia en el tiempo y en frecuencia. A diferencia de métodos anteriores, sus características están diseñadas para ser estables ante desplazamientos temporales de la señal y robustas frente al ruido y pequeñas distorsiones. De entre las muchas salidas del scattering, el método selecciona un conjunto compacto de los valores más informativos, reduciendo enormemente la cantidad de datos mientras preserva los patrones clave que revelan qué tipo de fallo ha ocurrido.

Enseñar a una red neuronal a identificar el fallo

Estas características destiladas se alimentan luego a una red neuronal feed-forward entrenada para reconocer diez tipos de fallo comunes, incluidas distintas combinaciones de fases y conexiones a tierra. Para probar la idea, los investigadores construyeron un modelo por ordenador detallado de una línea de 100 kilómetros y 120 kilovoltios con un parque eólico realista y un condensador serie, y simularon más de tres mil casos de fallo. Variaron la ubicación del fallo, la resistencia, el ángulo de inicio, la velocidad del viento y el nivel de compensación, y posteriormente evaluaron la red entrenada en cientos de casos nuevos, incluyendo maniobras de conmutación, mediciones ruidosas y fallos muy débiles que producen corrientes pequeñas.

Qué tan bien funciona el nuevo esquema

Al comparar su enfoque con métodos más convencionales que usan coeficientes wavelet como características, la diferencia fue notable. Los esquemas antiguos alcanzaron como mucho alrededor del 98 por ciento de éxito al decidir simplemente que existía un fallo, y cayeron a aproximadamente la mitad de esa tasa cuando se les pidió etiquetar el tipo exacto de fallo. En contraste, las características basadas en scattering permitieron que la red neuronal alcanzara una precisión perfecta tanto en la detección como en la clasificación en todos los escenarios de prueba. El método también distinguió con claridad entre fallos reales y eventos inofensivos como cambios de carga o conmutación del condensador, y se mantuvo fiable incluso cuando los transformadores de corriente se saturaban o se añadía ruido fuerte.

Qué significa esto para las redes eléctricas futuras

Para no especialistas, el mensaje clave es que el estudio ofrece un oído más inteligente para la red, capaz de detectar el sonido del problema en un entorno concurrido y ruidoso modelado por la energía renovable. Al combinar una forma robusta de describir las formas de onda de corriente con una red neuronal entrenada, el método proporciona decisiones rápidas y precisas sobre fallos usando mediciones en un solo punto. Esto podría ayudar a las compañías eléctricas a proteger corredores de transmisión complejos que incluyen tanto dispositivos avanzados de compensación como grandes parques eólicos, facilitando mantener las luces encendidas a medida que se acelera la transición energética.

Cita: Oda, E.S., Habib, A.M.M., Elnaghi, B.E. et al. A novel ANN-based approach for fault detection and classification in modern TCSC-compensated transmission lines integrated with DFIG-based wind farms utilizing WST. Sci Rep 16, 15707 (2026). https://doi.org/10.1038/s41598-026-51960-7

Palabras clave: protección de sistemas eléctricos, integración de parques eólicos, fallos en líneas de transmisión, clasificador por red neuronal, transformada de scattering wavelet