Vol. 21 Núm. 2 (2022): Revista UIS Ingenierías
Artículos

Aplicación del algoritmo de optimización por enjambre de salpas para la estimación de parámetros en transformadores monofásicos empleando medidas de tensión y corriente

Laura Sofía Avellaneda-Gómez
Universidad Distrital Francisco José de Caldas
Oscar Danilo Montoya-Giraldo
Universidad Distrital Francisco José de Caldas

Publicado 2022-05-05

Palabras clave

  • estimación paramétrica en transformadores,
  • circuito equivalente,
  • transformadores monofásicos,
  • modelo de programación no lineal,
  • algoritmo de optimización por enjambre de salpas,
  • mediciones de tensión y corriente,
  • error medio cuadrático,
  • optimización metaheurística,
  • técnicas de comparación,
  • desempeño numérico
  • ...Más
    Menos

Cómo citar

Avellaneda-Gómez, L. S., & Montoya-Giraldo, O. D. (2022). Aplicación del algoritmo de optimización por enjambre de salpas para la estimación de parámetros en transformadores monofásicos empleando medidas de tensión y corriente. Revista UIS Ingenierías, 21(2), 131–146. https://doi.org/10.18273/revuin.v21n2-2022011

Resumen

En este artículo se presenta una metodología de solución para la estimación de parámetros de transformadores monofásicos considerando las mediciones de tensión y corriente; para ello se emplea un modelo de optimización no lineal. Este modelo se basa en minimizar el error cuadrático medio entre las variables de tensión y corriente medidas y calculadas. Este modelo de programación no lineal se resuelve mediante la implementación del algoritmo de optimización de las salpas. Los resultados obtenidos demuestran que el método de optimización propuesto permite reducir el error entre la estimación de las variables medidas y calculadas; además, el método de optimización propuesto mejora los resultados presentados por otros métodos de optimización reportados en la literatura especializada. Todas las simulaciones se realizaron en el entorno de programación MATLAB.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. T. R. Chaves, M. A. I. Martins, K. A. Martins, A. F. de Macedo, and S. de Francisci, “Application Study in the Field of Solutions for the Monitoring Distribution Transformers of the Overhead Power Grid,” Energies, vol. 14, no. 19, p. 6072, 2021, doi: https://doi.org/10.3390/en14196072
  2. S. Guarín, S. Velarde, E. Castaño, A. Molina-Cabrera, “Construction and simulation of a planar transformer prototype,” Transactions on Energy Systems and Engineering Applications, vol. 2, no. 2, pp. 1-7, 2021, doi: https://doi.org/10.32397/tesea.vol2.n2.1
  3. H. Besharatifard, S. Hasanzadeh, E. Heydarian Forushani, H. H. Alhelou, P. Siano, “Detection and Analysis of Partial Discharges in OilImmersed Power Transformers Using Low Cost Acoustic Sensors,” Applied Sciences, vol. 12, no. 6, p. 3010, 2022, doi: https://doi.org/10.3390/app12063010
  4. S. Bhattacharya, “Transforming the transformer,” IEEE Spectrum, vol. 54, no. 7, pp. 38-43, 2017, doi: https://doi.org/10.1109/MSPEC.2017.7951721
  5. M. Tahir, S. Tenbohlen, “A Comprehensive Analysis of Windings Electrical and Mechanical Faults Using a High Frequency Model,” Energies, vol. 13, no. 1, p. 105, 2019, doi: https://doi.org/10.3390/en13010105
  6. J. Gao, J. Gao, Q. Guo, L. Li, “Research on operation status and fault deduction system design of transformer in large sports venues,” Energy Reports, vol. 8, pp. 539-546, 2022, doi: https://doi.org/10.3390/en13010105
  7. B. Zeng, J. Guo, W. Zhu, Z. Xiao, F. Yuan, S. Huang, “A Transformer Fault Diagnosis Model Based On Hybrid Grey Wolf Optimizer and LS-SVM,” Energies, vol. 12, no. 21, p. 4170, 2019, doi: https://doi.org/10.3390/en12214170
  8. S. Y. Bocanegra, O. D. Montoya, A. Molina-Cabrera, “Estimación de parámetros en transformadores monofásicos empleando medidas de tensión y corriente,” Revista UIS Ingenierías, vol. 19, no. 4, pp. 63-75, may 2020, doi: https://doi.org/10.18273/revuin.v19n4-2020006
  9. S. Y. Bocanegra, O. D. Montoya, A. Molina, “Sine-cosine optimization approach applied to the parametric estimation in single phase transformers by considering voltage and current measures,” Dyna, vol. 88, no. 219, pp. 19-27, 2021, doi: https://doi.org/10.15446/dyna.v88n219.93670
  10. A. Tokić, I. Uglešić, G. Štumberger, “Simulations of Transformer Inrush Current by Using BDF-Based Numerical Methods,” Mathematical Problems in Engineering, vol. 2013, pp. 1-10, 2013, doi: https://doi.org/10.1155/2013/215647
  11. M. Ćalasan, D. Mujičić, V. Rubežić, M. Radulović, “Estimation of Equivalent Circuit Parameters of Single-Phase Transformer by Using Chaotic Optimization Approach,” Energies, vol. 12, no. 9, p. 1697, 2019, doi: https://doi.org/10.1155/2013/215647
  12. M. I. Abdelwanis, A. Abaza, R. A. El-Sehiemy, M. N. Ibrahim, H. Rezk, “Parameter Estimation of Electric Power Transformers Using Coyote Optimization Algorithm With Experimental Verification,” IEEE Access, vol. 8, pp. 50 036-50 044, 2020, doi: https://doi.org/10.1109/ACCESS.2020.2978398
  13. R. Kazemi, S. Jazebi, D. Deswal, F. de Leon, “Estimation of Design Parameters of SinglePhase Distribution Transformers From Terminal Measurements,” IEEE Transactions on Power Delivery, vol. 32, no. 4, pp. 2031-2039, 2017, doi: https://doi.org/10.1109/TPWRD.2016.2621753
  14. M. Calasan, A. Jovanovic, V. Rubezic, D. Mujicic,
  15. A. Deriszadeh, “Notes on parameter estimation for single-phase transformer,” IEEE Transactions on Industry Applications, pp. 1-1, 2020, doi: https://doi.org/10.1109/TIA.2020.2992667
  16. S. Padma, S. Subramanian, “Parameter estimation of single phase core type transformer using bacterial foraging algorithm,” Engineering, vol. 2, no. 11, p. 917, 2010, doi: http://dx.doi.org/10.4236/eng.2010.211115
  17. M. I. Mossad, M. Azab, A. Abu-Siada, “Transformer parameters estimation from nameplate data using evolutionary programming techniques,” IEEE transactions on power delivery, vol. 29, no. 5, pp. 2118-2123, 2014, doi: https://doi.org/10.1109/TPWRD.2014.2311153
  18. D. Bhowmick, M. Manna, S. K. Chowdhury, “Estimation of equivalent circuit parameters of transformer and induction motor from load data,” IEEE Transactions on Industry Applications, vol. 54, no. 3, pp. 2784-2791, 2018, doi: https://doi.org/10.1109/TIA.2018.2790378
  19. Z. Yilmaz, M. Oksar, F. Basciftci, “Multiobjective artificial bee colony algorithm to estimate transformer equivalent circuit parameters,” Periodicals of Engineering and Natural Sciences, vol. 5, no. 3, 2017, doi: http://dx.doi.org/10.21533/pen.v5i3.103
  20. C. A. Arenas-Acuña, J. A. Rodríguez-Contreras, O. D. Montoya, E. Rivas-Trujillo, “Blackhole optimization applied to the parametric estimation in distribution transformers considering voltage and current measures,” Computers, vol. 10, no. 10, p. 124, 2021, doi: https://doi.org/10.3390/computers10100124
  21. H. A. Illias, K. Mou, A. Bakar, “Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms,” Swarm and Evolutionary Computation, vol. 36, pp. 18-26, 2017, doi: https://doi.org/10.1016/j.swevo.2017.03.003
  22. D. G. Gracía-Velásquez, A. S. Morales-Rodríguez, O. D. Montoya, “Application of the Crow Search Algorithm to the Problem of the Parametric Estimation in Transformers Considering Voltage and Current Measures,” Computers, vol. 11, no. 1, p. 9, 2022, doi: https://doi.org/10.3390/computers11010009
  23. S. J. Chapman, Electric machinery fundamentals.
  24. McGraw-Hill, 2004.
  25. S. Mirjalili, A. H. Gandomi, S. Z. Mirjalili, S. Saremi, H. Faris, S. M. Mirjalili, “Salp swarm algorithm: A bio-inspired optimizer for engineering design problems,” Advances in Engineering Software, vol. 114, pp. 163-191, 2017, doi: https://doi.org/10.1016/j.advengsoft.2017.07.002
  26. A. E. Hegazy, M. Makhlouf, G. S. El-Tawel, “Improved salp swarm algorithm for feature selection,” Journal of King Saud University – Computer and Information Sciences, vol. 32, no. 3, pp. 335-344, 2020, doi: https://doi.org/10.1016/j.jksuci.2018.06.003
  27. R. A. Ibrahim, A. A. Ewees, D. Oliva, M. Abd Elaziz, and S. Lu, “Improved salp swarm algorithm based on particle swarm optimization for feature selection,” Journal of Ambient Intelligence and Humanized Computing, vol. 10, no. 8, pp. 3155-3169, 2019, doi: https://doi.org/10.1007/s12652-018-1031-9
  28. H. Zhang, T. Liu, X. Ye, A. A. Heidari, G. Liang, H. Chen, and Z. Pan, “Differential evolutionassisted salp swarm algorithm with chaotic structure for real-world problems,” Engineering with Computers, 2022, doi: https://doi.org/10.1007/s00366-021-01545-x
  29. T. A. Jumani, M. Mustafa, W. Anjum, S. Ayub et al., “Salp swarm optimization algorithmbased controller for dynamic response and power quality enhancement of an islanded microgrid,” Processes, vol. 7, no. 11, p. 840, 2019, doi: https://doi.org/10.3390/pr7110840
  30. J. Montano, A. F. T. Mejía, A. A. Rosales Muñoz, F. Andrade, O. D. Garzín Rivera, J. M. Palomeque, “Salp swarm optimization algorithm for estimating the parameters of photovoltaic panels based on the three-diode model,” Electronics, vol. 10, no. 24, p. 3123, 2021, doi: https://doi.org/10.3390/electronics10243123
  31. S. B. Chaabane, A. Belazi, S. Kharbech, A. Bouallegue, L. Clavier, “Improved Salp Swarm Optimization Algorithm: Application in Feature Weighting for Blind Modulation Identification,” Electronics, vol. 10, no. 16, p. 2002, 2021, doi: https://doi.org/10.3390/electronics10162002
  32. S. Baqaruzi and S. T. Kasim, “Comparison of effect
  33. efficiency and voltage regulation between three-phase transformer winding connections,” Bulletin of Computer Science and Electrical Engineering, vol. 1, no. 2, pp. 54–62, 2020, doi: https://doi.org/10.25008/bcsee.v1i2.1123